目标检测方法、装置、计算机设备和存储介质与流程

本申请涉及检测技术领域，特别是涉及一种目标检测方法、装置、计算机设备和存储介质。

背景技术：

随着检测技术的发展，出现了复杂场景检测技术，目前主要采用背景抑制、空间滤波、时空滤波以及频域变换的方法。

然而，目前的方法，存在检测率低等问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种目标检测方法、装置、计算机设备和存储介质。

一种目标检测方法，所述方法包括：

获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；

对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。

在其中一个实施例中，所述获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像包括：

获取中心图像块像素的最大值，并根据所述中心图像块像素的最大值和多个领域图像块的平均灰度值，得到所述目标图像的局部最大差值，其中，所述邻域图像块与所述中心图像块相邻；

根据多个领域图像块中的每个领域图像块的像素灰度均值和所述中心图像块像素的最大值，得到所述目标图像的局部最小对比度；

根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值，得到所述目标图像的局部对比度增强图像。

在其中一个实施例中，所述获取所述中心图像块像素的最大值，并根据所述中心图像块像素的最大值和所述多个领域图像块的平均灰度值，得到所述目标图像的局部最大差值之前包括：

将所述目标图像进行分割，分别获得中心图像块和多个领域图像块；

获取所述多个领域图像块中的每个领域图像块的像素灰度均值，并根据每个领域图像块的像素灰度均值计算所述多个领域图像块的平均灰度值。

在其中一个实施例中，所述对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域包括：

根据预设阈值对所述目标图像的局部对比度增强图像进行阈值分割，获得二值图像；

对所述二值图像进行连通域分析，得到所述二值图像中候选目标区域的个数和分布；

根据所述候选目标区域的个数和分布，对所述二值图像中多个候选目标区域进行时域关联分析，获得多个候选目标中的真实目标区域。

在其中一个实施例中，所述根据预设阈值对所述目标图像的局部对比度增强图像进行阈值分割，获得二值图像包括：

根据所述目标图像的局部对比度增强图像，获得所述局部对比度增强图像的局部对比度的均值和标准差；

根据所述局部对比度增强图像的局部对比度的均值和标准差，确定对所述目标图像的局部对比度增强图像进行阈值分割的预设阈值。

在其中一个实施例中，所述根据所述候选目标区域的个数和分布，对所述二值图像中多个候选目标区域进行时域关联分析，获得多个候选目标中的真实目标区域包括：

根据相邻帧间的运动连续性及数据关联度，从所述多个候选目标区域中去除非目标区域，得到所述真实目标区域。

在其中一个实施例中，所述根据相邻帧间的运动连续性及数据关联度，从所述多个候选目标区域中去除非目标区域，得到所述真实目标区域包括：

若连续三帧均只检测到一个候选目标区域，且连续两帧之间候选目标区域的中心位置距离小于预设像素阈值，则确认所述候选目标为所述真实目标区域；

若第一帧检测到多个候选目标区域，则将第二帧检测到的每个候选目标区域，分别与第一帧检测到的每个候选区域进行欧式距离及局部对比度的计算，将欧式距离最小且局部对比度最相近的候选区域作为所述真实目标区域。

在其中一个实施例中，所述对所述二值图像进行连通域分析，得到所述二值图像中候选目标区域的个数和分布包括：

对所述二值图像进行聚类分析，得到所述二值图像中候选目标区域的个数和标记。

一种目标检测装置，所述装置包括：

增强图像获取模块，用于获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；

真实目标区域确定模块，用于对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。

上述目标检测方法、装置、计算机设备和存储介质，通过获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；进而对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。通过上述方法，可以降低复杂场景的干扰，提高弱小目标检测率，降低虚警。

附图说明

图1为一个实施例中一种目标检测方法的应用环境图；

图2为一个实施例中一种目标检测方法的流程示意图；

图3为另一个实施例中步骤s1的流程示意图；

图4为另一个实施例中步骤s11的流程示意图；

图5为另一个实施例中步骤s2的流程示意图；

图6为另一个实施例中步骤s21的流程示意图；

图7为另一个实施例中步骤s231的流程示意图；

图8(a)为另一个实施例中空中场景图；

图8(b)为另一个实施例中采用现有局部对比度方法得到的空中场景增强图像；

图8(c)为另一个实施例中采用本申请方法对局部对比度进行改进优化后的空中场景增强图像；

图9(a)为另一个实施例中海天相接场景；

图9(b)为另一个实施例中采用本申请方法对局部对比度进行改进优化后的海天相接场景增强图像；

图10(a)为另一个实施例中海面场景；

图10(b)为另一个实施例中采用本申请方法对局部对比度进行改进优化后的海面场景增强图像；

图11为一个实施例中一种目标检测装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种目标检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102获取目标图像，并将所述目标图像传输至服务器104，服务器104根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；之后再对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种目标检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤s1：获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像。

具体地，目标图像为复杂场景图像，包括海天相接场景、海面场景以及高空场景等。对于海天相接和海面场景，受鱼鳞光反射和海杂波的干扰，目标图像的局部对比度相对低，需通过局部最小对比度和局部最大差值对所述目标图像进行处理，以提升目标图像的局部对比度。此外，由于一些地物在可见光、近红外或中红外波段具有相似的辐射强度，当目标图像中具有相似辐射强度的地物比较集中时，也会导致目标图像中的低对比度。

目标图像的局部对比度增强图像指将目标图像整体对比度划分为多个连续的小块区域，这些小块区域的对比度，就是目标图像的局部对比度，而对比度增强是将目标图像中的亮度值范围拉伸或压缩成显示指定的亮度显示范围，从而提高图像全部或局部的对比度。

步骤s2：对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。

具体地，真是目标区域是指目标图像中的弱小目标，其中，弱小目标可为红外弱小目标或近红外弱小目标等。例，真实目标区域为海天相接的目标图像中的落日，目标图像中的背景区域占据很大部分，且对真实目标区域产生干扰。

上述目标检测方法、装置、计算机设备和存储介质，通过获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；进而对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。通过上述方法，可以降低复杂场景的干扰，提高弱小目标检测率，降低虚警。

在一个实施例中，结合图3，所述步骤s1包括：

步骤s11：获取中心图像块像素的最大值，并根据所述中心图像块像素的最大值和多个领域图像块的平均灰度值，得到所述目标图像的局部最大差值，其中，所述邻域图像块与所述中心图像块相邻。

具体地，中心图像块指包含目标图像中心点的最小图像块。邻域图像块指目标图像中除去中心图像块剩余的每一个图像块。

设中心块像素最大值为ln、所有邻域块的均值为mi、目标图像的局部最大差值zi，具体计算过程如下：

zi＝ln-mi。

步骤s12：根据多个领域图像块中的每个领域图像块的像素灰度均值和所述中心图像块像素的最大值，得到所述目标图像的局部最小对比度。

具体地，目标图像的的局部最小对比度cw为：

其中，ln为窗口中心子块像素的最大值，mi为第i个邻域子块的像素均值，i取值为1、2、…8。

步骤s13：根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值，得到所述目标图像的局部对比度增强图像。

具体地，改进局部最小对比度cw和局部最大差值zt的平方的乘积，得到增强的局部对比度图像，记为eelcm：

在一个实施例中，结合图4，所述步骤s11之前包括：

步骤s9：将所述目标图像进行分割，分别获得中心图像块和多个领域图像块。

具体地，对目标图像进行分割指几何分割，即将目标图像分为多个相等或不等的图像块。例将目标图像进行等分，形成n×n图像块，将n设置为3，每个图像块大小为3*3，即获得一个中心图像块和8个邻域图像块。

步骤s10：获取所述多个领域图像块中的每个领域图像块的像素灰度均值，并根据每个领域图像块的像素灰度均值计算所述多个领域图像块的平均灰度值。

具体地，将上述获得的中心图像块记为“0”，其余邻域图像块分别记为“1”-“8”，代表着中心图像块的8个邻域。

第i个邻域块的像素灰度均值mi为：

nb表示每个图像子块的像素点个数，为第i个邻域块中第j个像素点的灰度值，i取值为1、2、…8。

计算8个邻域块的平均灰度值mi：

在一个实施例中，结合图5，所述步骤s2包括：

步骤s21：根据预设阈值对所述目标图像的局部对比度增强图像进行阈值分割，获得二值图像。

具体地，预设阈值指对所述目标图像的局部对比度增强图像进行阈值分割所选取的阈值。为了适应不同复杂场景变化，根据对比度值的统计信息来自适应选取预设阈值。

步骤s22：对所述二值图像进行连通域分析，得到所述二值图像中候选目标区域的个数和分布。

具体地，候选目标区域的分布包括区域在二值图像中位置及其位置对应的标记。其中，位置可采用坐标或者数值形式进行记录。

本申请对所述二值图像进行连通域分析，主要采用聚类方法。在实际工程应用中，出于实时性考虑，由于连通域分析通过遍历整幅图像来获得标记，时间复杂度较高，不利于嵌入式平台实现。因此，为了加快处理速度，本发明采用聚类方法将距离最近白色区域块作为一一类目标块。由于聚类只在目标区域上进行计算，相比于在整幅图像上进行运算而言，时间复杂度大大降低。

步骤s23：根据所述候选目标区域的个数和分布，对所述二值图像中多个候选目标区域进行时域关联分析，获得多个候选目标中的真实目标区域。

具体地，时域关联分析包括对多个候选目标区域相邻帧间的运动连续性及数据关联的分析，从而确认最终的真实目标区域。对二值图像中多个候选目标区域进行时域关联分析的目的是进一步对候选目标区域作进一步确认，以获得真正的目标区域，从而提高检测的准确度。

在一个实施例中，结合图6，所述步骤s21包括：

步骤s211：根据所述目标图像的局部对比度增强图像，获得所述局部对比度增强图像的局部对比度的均值和标准差。

具体地，对于局部对比度增强图像的局部对比度的均值和标准差的获取方式很多，可之间采用均值与标准差计算公式，也可直接利用软件编程实现。

例，下面是采用使用meanstddev计算均值和标准差的代码如下：

步骤s212：根据所述局部对比度增强图像的局部对比度的均值和标准差，确定对所述目标图像的局部对比度增强图像进行阈值分割的预设阈值。

具体地，预设阈值的计算方式如下：

thr＝mu+k*sigma

其中mu，sigma分别为局部对比度均值和方差，预设阈值范围在1～3之间，根据实际场景而定，本申请文件设置为2。

在一个实施例中，所述步骤s22包括：

步骤s221：对所述二值图像进行聚类分析，得到所述二值图像中候选目标区域的个数和标记。

具体地，标记是相对候选目标区域位置而言，如候选目标区域位置的标记分别为数字1、2、3等，也采用文本或图形等形式记录。

在一个实施例中，所述步骤s23包括：

步骤s231：根据相邻帧间的运动连续性及数据关联度，从所述多个候选目标区域中去除非目标区域，得到所述真实目标区域。

具体地，根据相邻帧间的运动连续性及数据关联进一步去除虚警(非目标区域)，确认真实目标区域。通常情况下，目标区域的对比度较高。然而，实际场景复杂多样，有可能会出现背景块的局部对比度高于目标块的局部对比度的情况，尤其对于海天相接和海面场景，受鱼鳞光反射和海杂波的干扰，目标区域的局部对比度可能低于海杂波的对比度，采用上述对比度增强后，背景中海杂波有可能被当作候选目标区域，给真正的目标带来极大的干扰。因此，为了提高检测的准确度，有必要进一步对候选目标区域作进一步确认，以获得真正的目标区域。

另一方面，由于背景出现的随机性，而目标在相邻帧之间具有运动连续性。因此，考虑利用帧间连续性及数据关联进一步对目标进行确认。

在一个实施例中，结合图7，所述步骤s231包括：

步骤s2311：若连续三帧均只检测到一个候选目标区域，且连续两帧之间候选目标区域的中心位置距离小于预设像素阈值，则确认所述候选目标为所述真实目标区域。

具体地，预设像素阈值指连续两帧之间候选目标区域的中心位置距离，预设像素阈值可根据实际情况进行设置，本申请中的预设像素阈值设为10像素。

步骤s2312：若第一帧检测到多个候选目标区域，则将第二帧检测到的每个候选目标区域，分别与第一帧检测到的每个候选区域进行欧式距离及局部对比度的计算，将欧式距离最小且局部对比度最相近的候选区域作为所述真实目标区域。

具体地，本申请采用标准欧式距离进行计算，由于候选目标区域为二维的，那么每个候选区域的欧式距离可表示为：

其中，ρ为点(x2，y2)与点(x1，y1)之间的欧氏距离；|x|为点(x2，y2)到原点的欧氏距离。

为了验证本申请文件方法对实际不同场景红外弱小目标检测的有效性，采用实际场景数据进行测试，包括空中场景，海天相接场景以及海面场景，结果如图8-10所示。图8(a)为空中场景，背景有云层干扰，图8(b)为采用现有局部对比度方法得到的空中场景增强图像，图8(c)为采用本申请方法对局部对比度进行改进优化后的空中场景增强结果。图9(a)为海天相接场景，目标微弱，图9(b)为采用本申请方法对局部对比度进行改进优化后的海天相接场景增强结果；图10(a)为海面场景，海杂波干扰，图10(b)为采用本申请方法对局部对比度进行改进优化后的海面场景增强结果。

从图8(b)和8(c)中可以看出，采用局部对比度方法均能增强目标，但是采用现有方法获得的增强结果中除了目标被增强外，背景中亮度较高的边缘部分(如图中的云层边缘)同样被增强，给后续进行阈值分割和检测带来了较多的虚警；采用图8(c)方法得到的增强结果中目标被增强的同时抑制了强背景边缘(云层边缘)，大大降低了虚警。

此外，通过图9(b)和10(b)可知，在增强目标的同时可对海面背景中的海杂波进行抑制，适用于极度微弱的目标。

为了定量评估本申请方法与现有技术的有益效果，采用检测率与虚警率两个指标来比较本发明方法(记为eelcm)、现有局部对比度计算方法(简称elcm)以及形态学方法(简称eth)的性能，结果如表1所示。从表中可以看出，与现有技术相比，本发明方法在保持较高检测率的同时，虚警率大大降低，提升了产品的适应性和可靠性。

表1

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图11所示，提供了一种目标检测装置，包括：增强图像获取模块和真实目标区域确定模块，其中：

增强图像获取模块10，用于获取目标图像，根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值对所述目标图像进行处理，得到所述目标图像的局部对比度增强图像；

真实目标区域确定模块20，用于对所述目标图像的局部对比度增强图像进行过滤，确定真实目标区域。

在一个实施例中，所述增强图像获取模块10包括：

最大差值获取模块11，用于获取中心图像块像素的最大值，并根据所述中心图像块像素的最大值和多个领域图像块的平均灰度值，得到所述目标图像的局部最大差值，其中，所述邻域图像块与所述中心图像块相邻；

局部最小对比度获取模块12，用于根据多个领域图像块中的每个领域图像块的像素灰度均值和所述中心图像块像素的最大值，得到所述目标图像的局部最小对比度；

局部对比度增强图像获取模块13，用于根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值，得到所述目标图像的局部对比度增强图像。

在一个实施例中，所述最大差值获取模块11之前包括：

目标图像进行分割模块14，用于将所述目标图像进行分割，分别获得中心图像块和多个领域图像块；

平均灰度值计算模块15，用于获取所述多个领域图像块中的每个领域图像块的像素灰度均值，并根据每个领域图像块的像素灰度均值计算所述多个领域图像块的平均灰度值。

在一个实施例中，所述真实目标区域确定模块20包括：

二值图像获取模块21，用于根据预设阈值对所述目标图像的局部对比度增强图像进行阈值分割，获得二值图像；

连通域分析模块22，用于对所述二值图像进行连通域分析，得到所述二值图像中候选目标区域的个数和分布；

时域关联分析模块23，用于根据所述候选目标区域的个数和分布，对所述二值图像中多个候选目标区域进行时域关联分析，获得多个候选目标中的真实目标区域。

在一个实施例中，所述二值图像获取模块21包括：

均值和标准差获取模块211，用于根据所述目标图像的局部对比度增强图像，获得所述局部对比度增强图像的局部对比度的均值和标准差；

阈值分割模块212，用于根据所述局部对比度增强图像的局部对比度的均值和标准差，确定对所述目标图像的局部对比度增强图像进行阈值分割的预设阈值。

在一个实施例中，所述时域关联分析模块23包括：

真实目标区域获取模块231，用于根据相邻帧间的运动连续性及数据关联度，从所述多个候选目标区域中去除非目标区域，得到所述真实目标区域。

在一个实施例中，所述真实目标区域获取模块231包括：

第一检测模块2311，用于若连续三帧均只检测到一个候选目标区域，且连续两帧之间候选目标区域的中心位置距离小于预设像素阈值，则确认所述候选目标为所述真实目标区域；

第二检测模块2312，用于若第一帧检测到多个候选目标区域，则将第二帧检测到的每个候选目标区域，分别与第一帧检测到的每个候选区域进行欧式距离及局部对比度的计算，将欧式距离最小且局部对比度最相近的候选区域作为所述真实目标区域。

在一个实施例中，所述连通域分析模块22包括：

个数和标记获取模块221，用于对所述二值图像进行聚类分析，得到所述二值图像中候选目标区域的个数和标记。

关于一种目标检测装置的具体限定可以参见上文中对于一种目标检测方法的限定，在此不再赘述。上述一种目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标检测方法。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上所述任一项方法所述步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述任一项方法所述步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。