(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211366558.2 (22)申请日 2022.11.03 (71)申请人 中国工程物理研究院电子 工程研究 所 地址 621999 四川省绵阳市绵山路64 号 (72)发明人 李思敏　秋勇涛　刘友江　刘羽　 贺寓东　杨大龙　 (74)专利代理 机构 中国工程物理研究院专利中 心 51210 专利代理师 任正平 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/762(2022.01) G06V 10/26(2022.01) G06V 10/20(2022.01) (54)发明名称 一种复杂背景下空中弱小目标自适应检测 方法 (57)摘要 本发明公开了一种复杂背景下空中弱小目 标自适应检测方法， 所述方法首先对近处人造复 杂结构背景进行自适应判断和分割去除， 接着对 去除复杂纹理结构的背景灰度图像进行弱小目 标粗检测， 得到多个弱小目标候选区， 最后对候 选区域进行基于局部纹理特征自适应滤波的精 细化检测， 得到得待检测的弱小目标。 利用本发 明的复杂背景下空中弱小目标自适应检测方法 可以对可见光弱小目标进行检测， 不仅能够有效 抑制复杂背景结构的干扰影 响， 准确检测定位出 弱小目标在可见光图像上的位置， 而且还具有更 强的抗背景干 扰能力和弱小目标检测能力。 权利要求书3页 说明书8页 附图5页 CN 115424249 A 2022.12.02 CN 115424249 A 1.一种复杂背景 下空中弱小目标自适应 检测方法， 其特 征在于， 所述方法包括： S1： 对待处理的包含弱小目标的可见光灰度图像进行近处复杂结构背景的自适应判断 和分割去除； S2： 对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测， 得到多个弱小 目标候选区； S3： 对候选区域依次进行精细化检测， 得到待检测的弱小目标。 2.根据权利要求1所述的复杂背景下空中弱小目标自适应检测方法， 其特征在于， 所述 S1包括： S11： 针对包含近处复杂结构背景的弱小目标可见光灰度图像 ， 构建不同波长 和不同角度方向 组合的Gabor滤波器 ： 其中， 是生成Gabor滤波器的函数， 表示以波长 和角度 组合生成的 Gabor滤波器， 其 p和q分别表示第 p个波长和第 q个角度方向， 且 ，P 为构建滤波器的波长总数， Q为构建滤波器的角度方向总数； 表示实数集， m和n分别表 示灰度图像 I在高度和宽度上的维度； S12： 利用生成的不同Gabor滤波器 分别对灰度图像 进行滤波， 并结合高斯 滤波平滑处理， 得到高斯滤波后的特 征图像 ： 其中 和 分别表示Gabor滤波器的滤波函数和高斯滤波函 数 ， 表示灰度图像 I经过Gabor滤波器 滤波后得到的特征图像 ， 表示 经过高斯滤波后得到的特 征图像， 是高斯核参数； S13： 将经过所有滤波器滤波后的高斯滤波特征图像 与原始灰度图像 上每一像素点的坐标 构成的坐标矩阵 进行拼接， 得到原始灰度图像 的特征矩阵 ： 其中， ， 其表示经过所有滤波器滤波后的高 斯滤波特征图像矩阵， 代表了由不同波长 和不同角度方向 组合后生成的Gabor滤波 器的总数； 是灰度图像 上每一像素点的横坐标 构成的矩阵， 是灰度图 像 上每一像素点的纵坐标 构成的矩阵， 表示在深度特征维度上进行拼 接， 为包含高度、 宽度和深度的三维坐标矩阵， m、n和2分别为高度、 宽度和深度维度， 表示在深度 特征维度 上进行拼接后得到三维坐标矩阵， 其中 m、n和K+2分别为高 度、 宽度和深度上的维度；权　利　要　求　书 1/3 页 2 CN 115424249 A 2S14： 将特征矩阵 进行k‑means非监督聚类， 将原始图像上所有像 素点划分为代 表复杂结构纹 理特征的像素集和较均匀部位像素集两类： 其中， 代表非监督聚类函数， 代表图像上每一像素的聚类标签结 果； S15： 将聚类标签结果 应用于原始图像 上， 得到去除复杂纹理结构背景 的图 像部分 和仅包含复杂纹 理结构背景的图像部分 。 3.根据权利要求2所述的复杂背景下空中弱小目标自适应检测方法， 其特征在于， 所述 S2中利用多尺度图像块对比度方法MPCM以及粗检测图像计算自适应阈值对去除近处复杂 结构背景的可 见光灰度图像进行弱小目标粗检测。 4.根据权利要求3所述的复杂背景下空中弱小目标自适应检测方法， 其特征在于， 所述 S2包括： S21： 利用多尺度图像块对比度方法MPCM对去除近处复杂结构背景的可见光灰度图像 进行弱小目标粗检测， 得到弱小目标的粗检测图像 ： 其中， 表示对图像进行多尺度图像块对比度计算， 为S1中处理得 到的去除复杂纹 理结构背景的图像部分； S22： 通过粗检测图像 计算自适应阈值， 得到弱小目标的矩形候选区域： 其中， 函数 根据输入粗检测图像 自适应计算阈值 ， 函数则根据输入粗检测图像 和自适应阈值 检测出的弱小 目标矩形候选区域 ， 表示弱小目标候选区域矩阵， 4表示候选区域的 4个位置信息 分别表示矩形候选区域在灰度图像中左上顶点横坐标、 纵坐标、 矩形候选区域 高度和宽度； 代 表检测到的矩形候选区域个数。 5.根据权利要求4所述的复杂背景下空中弱小目标自适应检测方法， 其特征在于， 所述 S3中采用基于纹理特征自适应滤波的方法对矩形候选区域进行局部纹理特征滤波的精细 化检测， 去除人造物体结构背景 滤除不完全带来的虚警干扰， 得到待检测的弱小目标。 6.根据权利要求5所述的复杂背景下空中弱小目标自适应检测方法， 其特征在于， 所述 S3包括： S31： 计算 其中任意 一个矩形候选区域的中心坐标； 表示矩形候选区域 位置信息矩阵， 和指矩形候选区域左上顶点横、 纵坐标； S32： 以矩形候选区域为中心， 从粗检测图像结果上提取一个尺寸大于矩形候选区域的 局部区域： ； 其中 为局部区域 中心坐标与矩形候选区域为 中心坐标之间 的差值，m的取值决 定局部区域 的大小； S33： 在局部区域 内提取包围矩形候选区域 的四部分邻域， 分别标记为权　利　要　求　书 2/3 页 3 CN 115424249 A 3