文档介绍：基于多传感器决策级融合的远距离目标检测
DLclass=page_txt
STRONG【关键词】/STRONG可见光图像序列;红外图像序列;决策级融合;DS证据理论
Abstract:Aimattheproblemofdetectingforlongdistancetargetswithvisualandthermalinfraredimagesequences,;andthenfusestheresultsusing“and”,todistinguishethefalsetargetfromrealtargetusingDSevidencetheorybasedonmultiplefeatures,.
Keywords:visualimagesequences;thermalinfraredimagesequences;decisionlevelf
usion;DSevidencetheory
引言
多传感器远距离目标的检测在军事应用领域中具有重要的意义,多传感器信息融合已经成为信息处理技术领域中研究的热点问题。由于单传感器图像提供的信息具有局限性,而多传感器图像数据之间存在互补性和冗余性,可以将不同传感器数据进行融合,增强目标检测的可靠性。
目前关于多传感器融合的远距离目标检测文献较少,李振华等[1]提出一种基于运动目标检测的红外和可见光动态图像的融合方法,但该方法适应于大目标检测。赵鹏等[2]提出了一种红外与可见光图像的新的特征级融合与运动目标跟踪方法,这种方法不需要图像配准,降低了融合的pc计算复杂度。[3]提出了一种基于多传感器图像序列融合的目标检测,在单传感器图像中通过七种纹理检测。[4]提出了一种基于单幅图像特征级融合目标检测与运动目标检测相结合的决策级融合,但是该方法需要进行多级融合。李秋华等[5]提出一种基于DS证据理论的红外小目标融合检测方法和一种采用DS证据理论的双色红外小目标融合检测[6]的方法,但以上两种都只是适合于红外小目标。
本文针对摄像头静止的情况下,提出了一种基于决策级融合的检测方法,该方法通过帧间差累积,在各传感器的图像中确定了运动目标区域,并提取当前帧的局部灰度图像和目标区域,利用融合的规则确定了最后的目标区域。然后在各传感器图像中提取融合检测结果中各候选区域的多个图像特征,最后采用采用D
S证据理论对各候选区域进行基于多特征检测识别得到最终的检测结果。本文方法的优点是多传感器的融合增强了检测结果的可靠性,算法比较简单。
1运动区域提取及目标特征提取[*2][7],假设第i帧图像为fi,帧间差图像为dfi,定义公式为:dfi(x,y)=|fi+t(x,y)-fi(x,y)|,(1)式中:fi+t(x,y)为第i+t帧的灰度值,fi(x,y)为第i帧的灰度值,t为帧间间隔的帧数。对于慢速运动的目标,连续帧间差不能反映运动的区域,需要间隔t帧,t是由目标运动的速度决定。
在一幅帧间差图像中目标会存在空洞效应,对多帧帧间差图像进行累积,可以清除空洞效应。假设gfi(x,y)为i帧帧间差分相累积,其公式为:gfi(x,y)=dfi(x,y)+dfi-t(x,y),(2)式中dfi(x,y)代表第i帧帧间差,dfi-t(x,y)代表第i-t帧帧间差,累积帧数根据运动目标的速度而定。
先对帧间差分累积图像进行阈值分割,接着对其进行膨胀操作确定运动区域。
根据运动目标,提取出局部灰度图像。假设运动区域图像记作F(x,y),在运动区域内像素点的值为1,非运动区域内像素点的值为0,ff(x,y)表示红外灰度图像,Bf(x,y)表示红