内容发布更新时间 : 2024/5/29 19:39:16星期一 下面是文章的全部内容请认真阅读。
基于DSP的红外弱小目标检测前追踪的一个提升实现
摘要：
为了检测和追踪低信噪比红外弱小目标,在这篇文章中粒子滤波算法被应用于解决红外弱小目标检测前追踪的问题。 红外弱小目标的检测前追踪基于全视图采样的粒子滤波算法是被提出来了。 硬件系统由红外成像仪、ICETEK-DM642-PCI开发板和监视器。 硬件系统配置使用DSP/IBIOS这是一个实时操作系统。 实验结果表明, 相比传统的方法，系统达到更好的检测和追踪的效果。
关键字：
红外弱小目标 , 低信噪比 , 粒子滤波算法 , DSP/IBIOS
1引言
红外弱小目标的实时检测和追踪正成为红外检测领域的关键技术。传统的目标检测方式是很难满足系统对低信噪比的要求。近年来，TBD技术广泛应用于红外弱小目标的检测和追踪。《1-4》基于贝叶斯递推估计的TBD技术可以有效地解决红外弱小目标低信噪比的实时检测和追踪问题。基于Monte Carlo的抽样粒子滤波算法正变得的越来越受欢迎，这是一个数字的最优贝叶斯估计。
随着数字信号处理器(DSP)的迅速发展,DSP的数据处理和存储能力已大大提高,使一些复杂的计算和大量的算法可以在硬件平台上实现,这也为红外弱小目标的基于全视图抽样的TBD方法的 PF算法提供了硬件基础。
在这篇文章中，一个红外弱小目标的TBD算法和基于全视图抽样的PF算法是被提出来了。 硬件系统包括红外成像仪、ICETEK-DM642-PCI开发板和监视器。 DSP / BIOS实时操作系统可用于配置包括视频驱动程序,内存分配和任务线程基础硬件。 实验结果表明, 相比传统的方法，系统达到更好的检测和追踪的效果。 2基于完整视图抽样的PF算法的红外弱小目标的TBD算法
红外弱小目标的TBD算法基于全视图采样的粒子滤波算法包括两个步骤。 第一步,没有背景的图像信息只包括目标和噪音。 第二步,实现目标的跟踪和检测, 利用基于全视图抽样的PF的红外弱小目标的TBD算法。
图像预处理利用的背景杂波抑制的方法基于数学形态学处理输入的红外图像,图像仅包含对象和噪音。 硬件实现的图像预处理使制备红外弱小目标的TBD抽样的PF算法基于完整的视图。
检测和跟踪红外弱小目标之前,系统模型和状态模型需要建立。 a．系统模型
2
目标空间的移动速度,位置和强度,因此我们假设目标的状态向量
,这里
和
分别表示目标的位置、速
度和强度。 系统方程的定义是:
这里和 是零均值高斯白噪声的协方差
这里 和 分别表示目标的过程噪声水平和运动强度。目标可能出现或消失在视野中在一个离散时间 。 目标的存在变量 是由一个两状态并存的马尔可夫链构建,就是过渡目标的概率 出现
。 0表示事件目标不存在,而1表示相反的。 此外,和消失
被定义为:
其他两个过渡概率的马尔可夫链的概率保持可行性,剩余的概率没有分别由 和 给出。 总之,过渡概率矩阵由:
给出。
b .传感器模型
红外传感器提供了一种序列图像作为测量值被定义为:
分辨单元对应一个矩形区域的尺寸 采样的时间间隔 。 在每个分辨单元 实测强度来标示
和建模为
。 在离散的瞬间记录测量图像 为
和
,
2
,这里
对强度的贡献水平分辨单元 这个职位
对像素的贡献
,
表示为目标
在
表示为测量噪声。 点目标的强度 近似为:
, 这里 是一种已知的
参数,表示数量的传感器引入的模糊。 c算法实现
红外弱小目标的TBD算法基于全视图抽样的PF跟踪和检测包含两个步骤。 1)目标跟踪
在目标跟踪中,第一步是预测每个粒子的现有状态。 现有的粒子 可能的情况下。 (1) 新生的粒子,这组预测粒子的特点是从 到
。 目标的状态作为一个样本来自建议密度
,有两种过渡
这是按如下获得。
目标位置的组件, 域 度
是一个统一的密度在这些地区的监视的区
,这里 选择一个合适的域值。 为目标的速度分量 方向,建议密
,这里
目标的最大速度(和 的方向一样)。 最
,这里
和
分别表示最
后目标的强度组件的状态向量
小灰度值和最大灰度值。 (2)现有的粒子,这是一群一直存在的粒子由于 和
。 一步转移概率分布函数
这是定义目标的动态模型。
重要的权重计算。 为了这个目的,我们需要引入像素的似然比 目标的
状态 其定义为:
2