專利名稱：一種紅外圖像目標識別方法
技術領域：
本發明涉及圖像處理、模式識別和自動目標識別(ATR)技術，具體地 說是一種紅外圖像待識別目標(特別是紅外機場跑道)分割及識別方法。
背景技術：
目前，紅外圖像分割和自動目標檢測(Automatic Target Detection, ATD)，自動目標識別(Automatic Target Recognition, ATR)技術正在被廣 泛引用于自動目標識別，飛行器航路地形匹配和地標校驗，目標搜尋和營 救等等。此類技術優勢正在凸顯，應用也越來越廣泛，因此引起了國內外 科研單位的高度關注， 一直是國內外地研究熱點。其中，遠距離前視紅外 目標識別更是有著重要的意義，其主要任務是針對飛行器飛行時自動尋找 目標，校正航路等等。紅外機場跑道識別是紅外自動目標識別的一個具體 應用，由于其自身的重要性，引起了國內外軍事研究領域的高度興趣，很
多方法被有針對性的提出。總結起來大體可以分為兩類基于邊緣提取的 識別方法和基于閥值分割為基礎的區域識別方法。 基于邊緣提取的識別方法
(1) 基于Hough變換的方法(葉斌，彭嘉雄，基于結構特征的軍用機
場識別與理解[J]，華中科技大學學報，2001， 29 (3): 39-41)，這種方法 首先對圖像進行邊緣提取，利用機場的先驗形狀知識假設，假設機場都是 長條形狀的區域，在圖像中都呈現并且可以提取出平行的長條直線，通過 識別紅外圖像中的長條形邊緣目標從而識別機場。
(2) 羅軍，楊衛平等(羅軍,楊衛平,沈振康，紅外圖像中機場跑道的 自動目標識別[J]，紅外技術，2003， (03))利用空域濾波，細化邊緣進而 對邊緣二值化，通過最小二乘擬合直線的方法得到直線圖像上識別機場跑 道，找到機場跑道中心點。
(3) 李小毛等(李小毛，唐延東，肖潁杰，多尺度線狀目標的機場跑 道識別[J]，紅外與激光工程，2005， (06))利用多尺度線狀目標強化方法 對目標進行強化，對機場跑道進行區域處理，然后利用Hession矩陣等方法 提取邊緣，并對圖像二值化處理，最終利用圖像的形狀信息識別機場跑道。
基于閥值分割的區域識別方法
(4) 基于不變矩的前視紅外圖像機場目標識別方法(張天序，曹楊， 劉進，李勐，基于不變矩的前視紅外圖像機場目標識別，華中科技大學學 報(自然科學版)2007.1)，該方法主要對圖像進行閾值分割，搜索分割圖 像中各潛在目標區域輪廓鏈，計算其仿射不變矩和目標背景梯度特征，并利用前后幀目標大小的約束關系等先驗知識，對各候選目標區域進行識別。
(5) 基于分形理論的紅外圖像機場跑道自動目標識別(閆曉珂，史彩 成，趙保軍，何佩琨，基于分形理論的紅外圖像機場跑道自動目標識別，
激光與紅外2006.9)，該方法根據對原圖像分別進行直方圖動態閾值化分割
和分形閾值分割，提取紋理特征進而對紅外機場進行識別。
(6) 姚克明等(姚克明，宋利權，張金鎖，基于復雜背景的紅外機場 目標自動識別算法研究[J]，紅外與激光工程，2007， (03))采用雙閾值最 大類間方差快速算法快速找到分割閾值，采用二值標記算法標記分割圖像， 利用Freeman鏈碼標記圖像的輪廓特征，最終利用特征提取的方法識別標 記后的機場跑道。
由以上所列舉的方式方法來看，主要分為兩類(1)基于邊緣提取的 識別方法，主要是對紅外圖像進行邊緣提取，然后利用邊緣鏈接或Hough 變換的方法識別機場跑道；(2)基于區域分割的識別方法，主要利用閥值 分割確定候選區域，然后提取特征進行識別。然而在實際應用中，這兩類 方法都有很多先天性的弊端，首先紅外成像條件的變化，周圍環境的復雜 性，成像條件惡劣，噪聲的干擾等因素的影響，使得機場跑道成為復雜背 景中的弱目標，導致基于邊緣的方法提取的邊緣信息不是很可靠，而且還包 涵很多冗余的邊緣信息，給后續判斷和識別跑道帶來了很大困難，因此基于 邊緣的方法穩定性不高；再者由于順光拍攝和逆光拍攝的影響，紅外機場 跑道成像為亮暗目標區域的形態，這使得基于閥值分割的方法很難將機場 從背景中分割出來，因此單純依靠閥值分割，以及基于分割區域進行特征 提取的識別方法在實際應用中也有很大的局限性。
發明內容
為了解決以上問題，本發明的目的在于提出一種具有準確性，實時性 和魯棒性的紅外圖像待識別目標分割及識別方法，有效的解決上述提取的 邊緣信息不可靠及閥值分割局限性問題。
為了實現上述目的，本發明的技術方案如下
本發明利用一維(1D)圖像處理的思想解決二維(2D)紅外圖像分割 的技術問題，即；將循環分割處理的每一行圖像像素合成二維二值圖像， 具體；1)通過多尺度小波變換方法對紅外圖像待識別目標進行增強；2) 通過對紅外圖像中凸性區域的提取實現對各種成像條件下紅外目標的穩定 分割，每次處理一行像素，將處理結果合成與原來圖像尺寸一致的二維二 值圖像；3)然后對分割后的圖像進行二值圖像連通標記同時提取基本特征, 然后在此基礎上定義待提取特征,并利用基本特征計算特征抽取；4)利用投 票的方法確定疑似候選目標區域，最終結合待識別目標的先驗知識進行精 確識別，從候選目標中確定最終目標。
所述多尺度小波變換方法對紅外圖像進行增強的步驟如下
用Haar小波對每一行圖像分別進行多維分解，分解為低頻和高頻部分，利用中值濾波的方法對高頻部進行中值濾波，消除噪聲影響；然后通過Haar 反變換，將1D圖像信號還原。
所述對紅外圖像中凸性區域的提取，實現對各種成像條件下的紅外目 標的穩定分割的步驟如下
凸性區域的定義該區域指區域內的象素灰度均值高于周圍區域；利
用先驗知識，估算出待識別目標的最大長度""g^,和最小長度""g^,。 對多尺度小波增強后的圖像提取梯度信息，梯度大于0為上升區域，梯度 小于0為下降區域，上升區域和下降區域的區間間隔G^在最大長度 ""g^,和最小長度"剛l"之間，即為凸性區域目標區域，令其為l，其余 部分為0。由此獲得1D圖像的二值圖像。
所述對分割后的圖像進行二值圖像連通標記同時提取基本特征步驟
基于并査結構的標記算法，將基本特征提取與到二值圖像連通標記相結合， 使得只對圖像進行一次掃描就可以實現連通區域標記，并且在標記二值連
通區域的同時計算該區域內的一些基本區域特征l為行寬，列長，行坐標， 列坐標，區域大小，質心位置；通過第一次掃描，確定并查結構中樹的唯 一根節點，利用掃描根節點列表將大根節點的子節點進行歸類，從而實現 了 二值圖像連通標記同時提取基本特征。
所述待提取區域特征的定義共有9種特征描述方式，其中包括量綱 性的特征描述方式(此類屬性跟圖像大小、分辨率等因素有關，會隨圖像 大小的變化而改變)，非量綱性的特征(此類屬性與圖像大小、分辨率等因 素無關，只與區域自身的形狀、方向等有關，不隨圖像大小改變而變化)， 以及目標校驗屬性。具體如下
本發明設紅外灰度圖像為/^(U)， L， P分別表示圖像的橫坐標和縱
坐標，R表示某個標記區域。 量綱性特征
區域大小(Fl): ^n a P人1
區域最大長度(F2): 丄順9max||￡Yl昌丄、2lfl^圍尸、.2||二尸x/ ，其中sl，s2
是區域中兩點的標號 非量綱特征
(a) 長寬比(F3): U max(狄妙0，式中；脂x(height)指區域
max(丄e"g晰raw))
的最大高度，max(length(row))指區域中行最大長度。
(b) 平均行長方差(F4): W 9人l
其中 指區域的總行數，M》,指區域的平均行長，碌,u,就是所求的平均行長方差，這里為了出于對計算速度的最求，采用采用絕對值代替平 方計算。
(C)區域內灰度方差(F5):
，^人,誇(丄，尸)U人|/,(丄力昌似—I
其中M。，指區域內的平均灰度值，^U是指灰度方差，這里為了出于 對計算速度的最求，采用采用絕對值代替平方計算。—一 一
(d) 中心點擬合方差(F6):令Mt^，(丄,P)表示區域R每行的中點
坐標，利用直線擬合方法計算所有屬于區域R的行中點擬合出的直線 yp"g6，則中心點擬合方差為《旨,^人0^,o6圍乂j2 ，其中(x，,l)指
某行中點的坐標值。
(e) 中心矩形比例(F7): ReC 麗(服洲
(f) 區域復雜度隸屬度函數用區域復雜度與最大復雜度之比作為該特
征的隸屬度函數。設區域邊長為1，區域面積為m,面積閾值為Tm，則復雜
度的隸屬度函數為(F8):欽lk
黍0
目標校驗屬性
(a)區域質心 人丄 人尸；
所述基于投票(Voting)方式的目標候選區域識別步驟 由2種量綱特征和6種非量綱特征得到一個屬性矩陣， "w...8，vP1...7bta/M^，然后分別對每行進行排序，保留前T個區域，
而后面的區域總數(TotoalNum)-T個區域剔除，如果某個區域的屬性i^被
保留，本發明令&J1，否則，&,。0。然后本發明對每個區域的屬性求和
/^P義i^,，如果P^斜，則該區域為目標候選區域；否則，該區域不是目
標候ii區域，從而實現了目標候選區域識別。 所述結合先驗知識對精確目標識別步驟
結合目標區域的先驗知識，獲取目標的真實長度、寬度、角度等先驗 形狀信息，通過成像變換原理，得到目標區域在紅外圖像中成像的象素長 度、寬度、可能姿態角度，利用這些信息從候選疑似區域中排除非目標區 域。并利用目標校驗屬性，對最后的區域進行校驗。最終準確識別出目標 區域。
本發明原理
本發明采用原創性的紅外圖像分割方法，利用1D圖像處理的思想有效的解決了 2D紅外圖像的分割問題。通過利用Harr小波對ID圖像進行分解 和降噪濾波處理，在極大地保留了原始圖像數據的基礎上消除了噪聲，并 很好地實現了對紅外圖像的分割。針對紅外圖像的自身特點，所設計的特 征提取有效的描述了待識別目標如機場跑道各種特性。采用的投票分類方 法，可以從被分割二值區域中有效地識別出疑似目標區域，最終結合先驗 知識對目標進行精確識別。通過理論仿真和大量的實驗驗證，證明本發明 所設計算法的有效性和實時性。
與現有技術相比，本發明實現了對紅外目標準確、實時的分割，針對 待識別目標的自身特征，所設計的特征提取方式和推理，達到了穩定識別 之目的。本發明首次提出以1D圖像處理的思想解決2D紅外圖像分割的技 術路線，并利用小波進行邊緣強化、凸性區域提取并結合先驗知識的目標 區域形狀分割技術，以及部分針對性的待識別目標區域特征描述方式，通 過理論仿真和實驗驗證，在保證有效性的前提下，可以實時的分割并識別 各種情況下的紅外圖像待識別目標如紅外機場跑道。
具體優點分述如下
1. 分割思想新穎，簡單，高效。本發明提出的分割方法，將2D圖像 分割問題簡化為1D圖像處理問題，實現方法簡單，占用計算時間和內存都 很小。
2. 與現有技術中基于邊緣的方法提取的邊緣信息相比，本發明采用 Haar小波增強和凸性區域提取技術，使得機場跑道為復雜背景中的弱目標 時，對紅外圖像分割準確，魯棒性好，同時克服了現有技術中基于閥值分 割的方法很難將機場從背景中分割出來的不足。
3. 本發明經過改進的區域標記算法，只需一次掃描就可以完成對二值 圖像的標記，且在標記過程中可以對提取標記區域的基本特征進行提取， 提取速度快。
4. 由于分割準確，所提取的特征都是區域特征，具有針對性。
5. 本發明在區域特征均有針對性的基礎上，其識別準確率高。
6. 算法操作方便，便于硬件處理。本發明所設計的1D處理方法具有 較好的并行性，便于硬件(如FPGA和DSP等)采用流水線方式處理。
7. 實時性好。由于采用1D處理方式實現了圖像分割，因此與其他現 存算法相比，計算簡單，運算量小，實時性好。
圖1為算法整體流程框圖。
圖2 (a)為本發明一個實施例原紅外圖像待識別目標的1D圖像。 圖2 (b)為圖2 (a)的Haar小波變換和去噪結果。 圖2 (c)為圖2 (a)的lD圖像Haar濾波和增強結果。 圖2 (d)為圖2 (a)的1D圖像分割結果。 圖3 (a)為本發明另一個實施例原始紅外圖像。圖3 (b)為圖3 (a)的分割結果。
圖3 (c)為圖3 (a)的疑似候選區域提取結果。
圖3 (d)為圖3 (a)的目標精確識別結果。
圖4 (a)為圖3 (a)的不同視角原始紅外圖像。
圖4 (b)為圖3 (a)的不同視角分割結果。
圖4 (c)為圖3 (a)的不同視角疑似候選區域提取結果。
圖4 (d)為圖3 (a)的不同視角目標精確識別結果。
具體實施例方式
下面結合附圖和實例對本發明作進一步詳細說明。
流程圖如圖1所示，本發明利用1D圖像處理的思想解決2D紅外圖像 分割的技術問題，即；將循環分割處理的每一行圖像像素合成二維二值圖 像，具體1)通過多尺度小波變換方法對紅外圖像進行增強；2)利用對 紅外圖像中凸性區域的提取，實現對各種成像條件下紅外目標的穩定分割， 每次處理一行像素，將處理結果合成與原來圖像尺寸一致的二維二值圖像; 3)然后對分割后的圖像進行二值圖像連通標記同時提取基本特征，然后在 此基礎上定義待提取特征,并利用基本特征計算特征抽取；4)利用投票的方 法確定疑似候選目標區域，最終結合待識別目標的先驗知識進行精確識別， 從候選目標中確定最終目標。
1. 所述多尺度小波變換方法對紅外圖像進行增強的步驟如下 本發明采用正交小波--Haar小波，它具有較好的分解和重構特性。Haar
小波的尺度函數和小波函數分別為
這里，用Haar小波對每一行圖像分別進行多維分解，分解為低頻和高 頻部分，由于低頻部分保留了圖像中大部分基本特征，而高頻部分保留的 是圖像的細節部分，其中紅外圖像的噪聲等干擾因素在高頻部分中表現更 為明顯，因此利用中值濾波的方法對高頻部進行中值濾波，消除噪聲影響； 然后通過Haar反變換，將1D圖像信號還原。
2. 所述對紅外圖像中凸性區域的提取將凸性區域定義為區域內的象 素灰度均值高于周圍區域。利用先驗知識，估算出待識別目標的最大長度 ""g^,和最小長度""g^,。對多尺度小波增強后的圖像提取梯度信息， 梯度大于0為上升區域，梯度小于0為下降區域，上升區域和下降區域的
區間間隔G^在最大長度^"^7,和最小長度之間，即為凸性區域目 標區±或，令其為l，其余部分為O。由此本發明獲得了 1D圖像的二值圖像。
3. 所述對分割后的圖像進行二值圖像連通標記同時提取基本特征步驟 由于本發明對二值標記圖像后，還需要計算區域內的特征，因此出于
對速度和效率的要求，本發明基于并査結構的標記算法，將基本特征提取 與二值圖像連通標記相結合，使得只對圖像進行一次掃描就可以實現連通區域標記，并且在標記二值連通區域的同時計算該區域內的一些基本區域 特征，比如行寬，列長，行坐標，列坐標，區域大小，質心位置等。在第 一次掃描結束后，已經完全確定每個等價類，并對每個等價類賦予一個唯 一的標號，也就是具有并査結構中樹的根節點，其中等價類中的每行，每 列，區域大小等基本特征信息己經記錄。由于這些等價類中，有很多根節 點實際上是屬于同一個大的父類節點，所以有一些重復現象。傳統的具有 并查結構的連通成分標記算法是對圖像進行二次掃描，進行變換，把等價 類的標號賦給每個象素。為了提高效率，本發明建立了一個第一次掃描根 節點列表，并對同屬于一個大根節點的子節點進行歸類，從而省去了對二 值圖像進行的二次掃描，從而實現了二值圖像連通標記和提取基本特征同 時性。
4.所述定義待提取區域特征,并利用基本特征計算特征抽取步驟 從每個標記的連通區域"中提取出最能夠代表該區域特征的屬性信
息，通過對紅外圖像的分析，有針對性的為其設計了 9種特征描述方式， 其中包括2種量綱性的特征描述方式(此類屬性跟圖像大小、分辨率等因 素有關，會隨圖像大小的變化而改變)，6種非量綱性的特征(此類屬性與 圖像大小、分辨率等因素無關，只與區域自身的形狀、方向等有關，不隨
圖像大小改變而變化)，以及一種目標校驗屬性。現分別介紹如下
本發明設紅外灰度圖像為；j17)， L， P分別表示圖像的橫坐標和縱 坐標，R表示某個標記區域。
2一種量綱性特征
區土或大小(Fl): J/'e"P人1
(丄,尸w)
區域最大長度(F2): 丄隱Pmaxl丄、.,圍丄Jflld圍尸、.2||Z，尸xi ，其中sl,s2
是區域中兩點的標號 6種非量綱特征
(a) 長寬比(F3): U max(他妙/)，式中；咖,*的指區域
max(Z^wgt/ (row))
的最大高度，max(length(row))指區域中行最大長度。
(b) 平均行長方差(F4): < 人l
譜W
其中^指區域的總行數，^"。"'指區域的平均行長，《，就是所求的平 均行長方差，這里為了出于對計算速度的最求，采用采用絕對值代替平方 計算。
(c) 區域內灰度方差(F5):
a一pt^人7,仏尸)u人k,(丄,尸)昌^—I其中M^'指區域內的平均灰度值，《^是指灰度方差，這里為了出于 對計算速度的最求，采用采用絕對值代替平方計算。
(d)中心點擬合方差(F6):令M^^"，。表示區域R每行的中點 坐標，利用直線擬合方法計算所有屬于區域R的行中點擬合出的直線
。,4,丄 k 二，《緣p人(^腳o^圖y，)2
3/PAxofc，則中心點擬合方差為 ，， 某行中點的值。
，其中"，,X，)指
M腸.* max(/fe/g/^)
(e) 中心矩形比例(F7): 力觀
(f) 區域復雜度隸屬度函數用區域復雜度與最大復雜度之比作為該特 征的隸屬度函數。設區域邊長為1,區域面積為m，面積閾值為Tm,則復雜
度的隸屬度函數為(F8):彌fc ^"D"
審0 m4j;
l種目標校驗屬性
3 1 鬥 1
人L 人i5
區土或質心 J簡(i,w) v4廳(二，)
5. 基于投票(Voting)方式的目標候選區域識別
在對二值圖像進行標記，并計算出每個標記區域《. v WK 7bto/AW7的 9種屬性。本發明由2種量綱特征和6種非量綱特征，共8種屬性得到一個 屬性矩陣，《，v"91...8,vW..Jbto/M ，然后分別對每行進行排序，保留前T
個區域(動態閥值T=5)，而后面的區域總數(TotoalNum) -T個區域剔除， 如果某個區域的屬性/^被保留，本發明令&J1，否則，《J0。然后本發
明對每個區域的屬性求和i^P義i^，如果尸《,斜，則該區域為目標候選區
域；否則，該區域不是目標候ii'區域，從而實現了目標候選區域識別。
6. 結合先驗知識對精確目標識別
結合目標區域的先驗知識，本發明可以知道目標的真實長度、寬度、 角度等先驗形狀信息。通過成像變換原理，本發明可以估計出目標區域在 紅外圖像中成像的象素長度、寬度、可能姿態角度等。由此，從候選疑似 區域中，本發明可以利用這些信息，排除非目標區域。為了使識別更加準 確，本發明還利用目標校驗屬性，對最后的區域進行校驗，如果當前幀計 算的質心坐標與上一幀偏差較大，則重新計算；如果該區域沒有通過最大 后驗概率置信度分析，本發明也認為當前幀計算錯誤，重新計算。通過以 上計算，最終準確識別出目標區域。
具體實例如下
首先本發明設實現過程中紅外圖像的大小均為N,M，這里N為圖像的寬度，M為圖像的高度,M和N為正整數，圖像的定義域為 G:O口x口iV,l,O口yDM,l ，象素灰度為8bit:
1. 多尺度小波變換方法對紅外圖像進，Ti曾強
讀入一行象素，I(row，l:N)，其中row表示該行象素所在原圖像的行數， 如果2 (a)所示。
對該行象素進行Haar小波分解，為了提高運算速度，本發明采用了文 獻(Kaiser， G The fast Haar transform IEEE Potentials 1998)中所提到的方
法。這樣本發明就得到了該行象素的低頻部分和高頻部分，長度分別為N/2 個像素。
對高頻部分進行濾波處理，本發明選用的濾波器為1x5的中值濾波器。 這樣，髙頻部分中的噪聲就被濾除掉了，而原始信號低頻部分包含了圖像 的大部分信息則被完好的保留下來，如圖2 (b)所示。
對濾波后的1D圖像像素進行Hair小波反變換。本發明就得到了消除 噪聲后的1D圖像信號，如圖2 (c)所示。
2. 凸性區域分割
a) 提取圖像信號的梯度信息，":ZiiJ^"("訓■/(")，并對d
設定閥值K (本發明中L M)，"(刀P貌(,)。本發明對梯
度信號d進行搜索，由于本發明要分割的區域通常都是灰度均值較高的部 分，因此本發明只對相鄰的
b) "C/)^0and"C/，l)6 0的區域進行提取，令其為i;而其余
區域(6 0 and $0 )，為o，結果如圖2 (d)所示。
c) 判斷row是否大于圖像的高度M，如果大于繼續執行步驟2;否則， 說明還沒有對圖像中的所有行都進行處理，跳回到a)繼續執行，整幅紅外 圖像如圖3 (a)所示，其分割結果如圖3 (b)所示。
3. 連通區域標記和基本特征提取
到此，本發明實施例已經得到了一幅利用1D小波增強去噪處理所分割 出來的2D紅外圖像，令二值圖像為/ 90......M組j 90......iV昌l，其中M和
N分別為二值圖像的長度和寬度，標記后得二值圖像為M(/,力。本發明采 用如下過程對二值圖像進行連通區域標記，并提取各個連通區域的一些基 本特征。所提取的區域基本屬性包括區域總行數，每行最左端在圖像中 的位置坐標，每行的長度，區域面積。通過這些信息就可以計算以后本發 明所定義的一些區域描述特征。
域標記和特征提取流程如下
步驟是
a.進行初始化工作，即把行標HANG指向起始行，初始化區域屬性寄存器。b. 掃描圖像第HANG行數據，如果某給定象素大于O，并記錄；
c. 檢査該象素周圍象素是否被標記過，如果沒有，賦予一個新的標號，
將區域總標號加l;否則，將其標記為周圍領域被標記象素的標號最小值；
d. 重新計算并更新該標號所屬區域的屬性，如各行起始位置，行長， 中止位置等。
e. 判斷是否掃描結束，如未結束，掃描下一個象素；否則，繼續執行
f. 同屬于一個區域，但是被分別標記的各個子區域重新更新標號，并 重新計算區域基本屬性，如各行起始位置，行長，中止位置等。
4. 特征提取
提取各個區域特征，得到區域分割后的標記圖像，及各個區域的基本 特征之后，本發明要對各個區域計算本發明之前所定義的2種量綱屬性(區 域大小，區域最大長度)，6種非量綱屬性(區域長寬比，區域平均行長方 差，區域內灰度方差，中心點擬合方差，中心矩形比例，以及區域復雜度 隸屬度)，以及l種目標校驗屬性(質心坐標)總共9種屬性。
5. 基于投票(Voting)方式的目標候選區域識別
假定某區域為《,，《=l...roto/7VMw，其中Total表示區域的總數目；則 該區域內的屬性分別為Av，F2v,K 。這樣本發明得到所有區域屬性的數組 《,,，x=1...9表示屬性數，y二l…7bto/A^m表示區域數。
本發明對區域屬性數組按行排序，每行表示此種屬性在各個區域上的 值的排序。本發明按順序設定動態閥值，這里本發明丁=5，即本發明只保 留每種屬性的前5個區域。此過程相當于用每種屬性分別處理二值圖像， 可以剔除Total — 5個區域，而剩下保留的5個區域。然后本發明對每個區
域的屬性求和i^,P義i^，如果i^斜，則該區域為目標候選區域；否則，
該區域不是目標候4k域，疑似區域識別結果如圖3 (c)所示。
6. 結合先驗知識對精確目標識別
結合目標區域先驗知識，以及目標校驗屬性，從剩下的疑似目標區域 中提出非目標區域，并對目標區域進行精確識別，最終結果如圖3 (d)所 示。其中，圖4 (a) ~ (d)給出了本發明在不同視角的處理結果。
本發明改變了以往利用2D圖像的傳統分割方法，提出了利用1D圖像 信息來恢復和分割2D紅外圖像的新方法。設計了一種簡單，實時，準確的 1D圖像分割方法，利用Harr小波通過對1D信號的強化和提取，實現對 2D圖像分割的目的。從理論仿真和實際試驗來看，該方法具有魯棒性強， 準確性高，實時性好等優點。
權利要求
1.一種紅外圖像目標識別方法，其特征在于利用一維圖像處理的思想解決二維紅外圖像分割的技術問題，即將循環分割處理的每一行圖像像素合成二維二值圖像；具體步驟1)通過多尺度小波變換方法對紅外圖像待識別目標進行增強；2)通過對紅外圖像中凸性區域的提取，實現對各種成像條件下的紅外目標的穩定分割，每次處理一行像素，將處理結果合成與原來圖像尺寸一致的二維二值圖像；3)對分割后的圖像進行二值圖像連通標記同時提取基本特征，然后在此基礎上定義待提取特征，并利用基本特征計算特征抽取；4)利用投票的方法確定候選目標區域；5)結合待識別目標的先驗知識進行精確識別，從候選目標中確定最終目標。
2. 按照權利要求l所述紅外圖像目標識別方法，其特征在于所述多 尺度小波變換方法對紅外圖像進行增強的步驟為用Haar小波對每一行圖 像分別進行多維分解，分解為低頻和高頻部分，利用中值濾波的方法對高 頻部進行中值濾波，消除噪聲影響；然后通過Haar反變換，將一維圖像信 號還原。
3. 按照權利要求l所述紅外圖像目標識別方法，其特征在于所述對 紅外圖像中凸性區域的提取步驟為對多尺度小波增強后的圖像提取梯度信息，以上升區域和下降區域的區間間隔G^為凸性區域目標區域，令其為 1，其余部分為0，由此獲得一維圖像的二值圖像。
4. 按照權利要求l所述紅外圖像目標識別方法，其特征在于梯度大 于0為上升區域，梯度小于0為下降區域。
5. 按照權利要求l所述紅外圖像目標識別方法，其特征在于所述對 分割后的圖像進行二值圖像連通標記同時提取基本特征具體步驟為基于 并査結構的標記算法，將基本特征提取與二值圖像連通標記相結合，通過 只對圖像進行一次掃描實現連通區域標記，并且在標記二值連通區域的同 時計算該區域內的一些基本區域特征，通過第一次掃描確定并査結構中樹 的唯一根節點，利用掃描根節點列表將大根節點的子節點進行歸類，從而 實現了 二值圖像連通標記同時提取基本特征。
6. 按照權利要求5所述紅外圖像目標識別方法，其特征在于所述基 本區域特征包括行寬，列長，行坐標，列坐標，區域大小及質心位置。
7. 按照權利要求l所述紅外圖像目標識別方法，其特征在于所述待 提取區域特征的定義包括屬性跟圖像大小、分辨率等因素有關，會隨圖像 大小的變化而改變的量綱性的特征描述方式，屬性與圖像大小、分辨率等 因素無關，只與區域自身的形狀、方向等有關，不隨圖像大小改變而變化 的非量綱性的特征，以及目標校驗屬性特征。
8.按照權利要求7所述紅外圖像目標識別方法，其特征在于其中所 述量綱性特征包括區土或大小(Fl): 人1 ;區域最大長度(F2): 丄,加jmaxll丄、,昌igo^園igl丄,PX/ ;其中sl,s2是區域中兩點的標號；L， P分別表示圖像的橫坐標和縱坐 標，R表示某個標記區域。
9.按照權利要求7所述紅外圖像目標識別方法，其特征在于其中所述非量綱特征包括長寬比(F3): U max(他/gfa)，式中；max(height)指區域的最大max(丄e/7g/7/ (ra>v))高度，max(length(row))指區域中行最大長度； 一 人1平均行長方差(F4): ，> ;則區域內灰度方差(F5):似—人4輝(丄,戶)綠，p人k，/丄,尸)圍Mc其中^指區域的總行數，M^指區域的平均行長，《，所求的平均行長方差；M—指區域內的平均灰度值，多—是指灰度方差，^輝(丄，P)為紅外灰度圖像；中心點擬合方差(F6):令MWPK丄，P)表示區域R每行的中點坐標，利用直線擬合方法計算所有屬于區域R的行中點擬合出的直線方程式為-0* ，則中心點擬合方差式為碌融p人 w fl6圍jv)2 ，其中"，J，)醇w指某行中點的值；Re",細承max(服洲 中心矩形比例(F7): ^， ；區域復雜度隸屬度函數設區域邊長為1,區域面積為m,面積閾值為Tm，則復雜度的隸屬度函數為(F8):斷l^:"、#目標校驗屬性特征如下區i或質心 人丄 》P"^人尸。^削(i闊 爿層(丄,尸w)
10.按照權利要求9所述紅外圖像目標識別方法，其特征在于所述 灰度方差采用采用絕對值代替平方計算。
11. 按照權利要求7所述紅外圖像目標識別方法，其特征在于目標<formula>formula see original document page 4</formula>
12. 按照權利要求1所述紅外圖像目標識別方法，其特征在于所述 基于投票方式的目標候選區域識別指由量綱特征和非量綱特征得到一個 屬性矩陣<formula>formula see original document page 4</formula>式中7bto/A^w指區域總數；然后分別對每行進行排序，保留前T個區域，而后面的區域總數-T個區域剔除， 如果某個區域的屬性&,被保留，本發明令/^,W，否則，i^P0;然后對每個區域的屬性求和/^pii^，如果尸凡斜，則該區域為目標候選區域；否則，該區域不是目標候選i:域，從而實現了目標候選區域識別。
13. 按照權利要求1所述紅外圖像目標識別方法，其特征在于所述 結合先驗知識對精確目標識別具體步驟為結合目標區域的先驗知識，獲 取目標的真實長度、寬度、角度等先驗形狀信息；通過成像變換原理，得 到目標區域在紅外圖像中成像的象素長度、寬度、可能姿態角度；利用這 些信息從候選疑似區域中排除非目標區域；并利用目標校驗屬性，對最后 的區域進行校驗，最終準確識別出目標區域。
全文摘要
本發明公開一種紅外圖像目標識別方法。它利用一維圖像處理的思想解決二維紅外圖像分割的技術問題，即將循環分割處理的每一行圖像像素合成二維二值圖像；具體步驟1)通過多尺度小波變換方法對紅外圖像進行增強；2)利用對紅外圖像中凸性區域的提取，實現對各種成像條件下的紅外目標的穩定分割，每次處理一行像素，將處理結果合成與原來圖像尺寸一致的二維二值圖像；3)然后對分割后的圖像進行二值圖像連通標記同時提取基本特征，然后在此基礎上定義待提取特征，并利用基本特征計算特征抽取；4)并利用投票的方法確定候選目標區域，最終結合待識別目標的先驗知識進行精確識別，從候選目標中確定最終目標。本發明具有準確性，實時性和魯棒性。
文檔編號G06K9/00GK101551851SQ20081001084
公開日2009年10月7日 申請日期2008年3月31日 優先權日2008年3月31日
發明者楊 叢, 唐延東, 李小毛, 王智峰, 范惠杰 申請人:中國科學院沈陽自動化研究所