動態(tài)地面背景下機載紅外弱小目標的檢測

何 杰，萬曉冬

HE Jie,WAN Xiaodong

南京航空航天大學(xué) 自動化學(xué)院，南京210016

Department of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

1 引言

紅外探測器成像因其具備極快的反應(yīng)速度和良好的隱身性能，在現(xiàn)代化軍事領(lǐng)域中發(fā)揮著越來越重要的作用。在遠距離機載紅外目標探測與跟蹤中，目標一般僅占幾個像素，甚至一個像素，再加上各種噪聲和動態(tài)背景的影響，從而使得目標的檢測成為研究的熱點和難點。

根據(jù)不同的應(yīng)用場合，紅外目標的檢測[1-6]主要有光流場法、背景差分法、幀間差分法等。光流場法通用性強，能在紅外探測器做復(fù)雜運動時進行有效的目標檢測，它通過求解偏微分方程求圖像序列的光流場，進而預(yù)測探測器的運動狀態(tài)，但計算復(fù)雜，對硬件要求較高；背景差分法的效果取決于背景圖像的建模和模擬的準確程度，且一般用于靜態(tài)或準靜態(tài)的視頻監(jiān)控場合，能夠得到運動物體很全面的特征數(shù)據(jù)；幀間差分法算法簡單，穩(wěn)定性好，但不能提取目標完整的特性信息，如在機載紅外成像中背景快速運動，造成前后幀的背景像素漂移，從而導(dǎo)致幀間差法效果差。文獻[7]根據(jù)序列圖像中運動弱小目標的相關(guān)性，提出了多幀累加的方法，取得了很好的效果。但對于機載紅外成像中，背景復(fù)雜一般由地面、海面、海空等，多幀疊加法易將高強背景混入目標范疇。本文主要就在地空背景下的機載紅外成像情況，紅外圖像中的背景噪聲主要有云層、地面等，檢測弱小目標。由于目標的紅外輻射比云層背景高，在紅外圖像中對應(yīng)的灰度值較之云層背景大。根據(jù)上述特點，故可先預(yù)處理，消除云層背景和一些弱小噪聲，但地面背景中強輻射的灰度值較大，不易消除。利用卷積模板預(yù)處理[8]，可消除大部均勻背景，再利用與后面提到的宏塊（特征塊）匹配，根據(jù)前后幀圖像，利用全局運動反射數(shù)學(xué)模型進行全局運動估計（因目標弱小，相對于背景可忽略其影響，背景運動估計實際就是全局運動估計），利用運動估計參數(shù)匹配、背景差值以及聚類識別法檢測出疑似目標。該方法不僅可以很好地檢測出目標，而且可以消除機載過程中抖動的影響。并結(jié)合目標軌跡的連續(xù)性，預(yù)測估計下一幀目標區(qū)域，并進一步確認目標。

2 目標的識別與檢測

2.1 圖像預(yù)處理

預(yù)處理是目標檢測與跟蹤的前提，預(yù)處理的效果直接影響后續(xù)處理。對于紅外弱小目標而言，缺少形狀和結(jié)構(gòu)信息，不能反映出除溫度以外的其他物理特性。在紅外視頻序列中，可描述第k幀的圖像的數(shù)學(xué)表達式為：

fk(x，y)=bk(x，y)+tk(x，y)+nk(x，y)

其中，bk(x，y)為第k幀的背景，tk(x，y)為第k幀目標，nk(x，y)為第k幀噪聲。

紅外圖像的預(yù)處理主要目標就是抑制bk(x，y)、nk(x，y)，提高tk(x，y)在該圖像中的權(quán)重。

機載紅外探測器一般工作在兩個波段：短波3～5 μm和長波8～12 μm。以飛機目標為例，它的紅外輻射源[9]主要有三個：蒙皮輻射、尾部的高噴焰和高溫金屬尾噴管的輻射，短波探測器主要集中在機尾部的噴口部分，長波段探測器主要集中在蒙皮部分。因長波段紅外探測器成像，可探測距離遠、灰度強度大，這里只選取長波段。

在大部分情況下，背景是大塊起伏的，像素之間有強相關(guān)性，為空間頻域的低頻部分[10-11]。而目標點和孤立噪聲點不具備該特點，且在空間分布上是隨機的，且目標和噪聲多呈現(xiàn)為陡峭的脈沖，屬于空間頻域的高頻部分，故可通過設(shè)計卷積模板來達到提高圖像，即濾波器輸入函數(shù)為f(x，y)，輸出信號為g(x，y)，設(shè)濾波器的脈沖響應(yīng)函數(shù)為h(x，y)，則g(x，y)=f(x，y)*h(x，y)，而對于離散圖像，一般選用卷積模板表示濾波器的脈沖響應(yīng)函數(shù)，記為矩陣H。

目前常用的卷積模板有3×3、5×5 和7×7 模板，3×3 模板對于點目標具有良好的濾波效果，但對于具備5 個以上的像素的目標時，目標的檢測效果不是很理想（這里實驗取常用模板（e），該模板類似于模板（c），在3×3 矩陣內(nèi)，其中心的權(quán)值為9，其余取-1），而7×7 模板雖然可以達到很好的效果，但隨著模板的增大，實時性也會變差；這里選用折中方案5×5 模板。而當(dāng)前的5×5 模板主要有如下模板（a）和模板（b），模板（c）也有一定的應(yīng)用。

而對于當(dāng)前的5×5 模板（a）和模板（b）。模板（a），中心像素的權(quán)值最大，易通過，而周圍部分的權(quán)值均為1，值小，不易通過，這樣，對于孤立噪聲點和小目標，信號強度高，易通過。而具有一定面積的背景不易通過，不過并不能很好地消除背景。改成模板（c）后，對大面積均勻區(qū)域的灰度將直接消除，同時對點目標影響不大。同樣對于模板（b），將中心的高權(quán)值分散，使濾波后的小目標發(fā)生膨脹，面積變大，使背景灰度變得更均勻。但是，與模板（c）類似，同樣不能消除背景，只能相對于目標灰度的增強度來說，背景進行削弱，其實，背景灰度也將增大，其增強幅度小了目標，而修改后的模板（d），不僅能消除大面積背景，也可很好的膨脹目標。

不過以上兩種模板的缺點是：對于大目標的檢測，不可使用，否則，易消除目標。

這里使用上述的卷積模板濾波后的效果圖（第144幀），這里只取了其中3 個模板濾波后的效果圖如圖1～圖4 所示。

圖1 長波紅外原圖像

圖2 模板（a）濾波

圖3 模板（c）濾波

圖4 模板（d）濾波

通過上圖的不同模板，可計算出圖像的信噪比如表1 所示。

常用的模板（a）和模板（b）在該紅外圖像中目標和背景的灰度都被增強，如圖2 所示，但是圖像的信噪比SNR 減小，不易于目標檢測。而模板（e）、模板（c）和模板（d），發(fā)現(xiàn)大面積的高強度的背景被消除，信噪比增大。其中，模板（d）的濾波后的圖像的更平滑，高灰度的噪聲點更少，信噪比更大，故而選用模板（d）。

2.2 背景運動估計

因本文是基于機載的紅外目標檢測，屬于動態(tài)背景中紅外弱小目標的檢測。

在連續(xù)性紅外圖像序列中，假設(shè)函數(shù)f(Xk)表示第k幀圖像的整體灰度分布，其中Xk代表像素點坐標總體。前一幀宏塊中像素坐標的位置為Xk-1=(xk-1，yk-1)T，經(jīng)仿射變換后在當(dāng)前幀圖像中的像素坐標為X′k=(x′k，y′k)，參考文獻[12]采用6 參數(shù)建立圖像全局運動反射模型，設(shè)仿射變換的變換參數(shù)為p=(a，b，c，d，e，f)，可以將上式寫成：

故而，同理對c、d、f，求偏導(dǎo)數(shù)有：

在機載紅外探測器中，背景和目標都運動的情況下，因機載紅外探測器的成像速度較快，這里簡化處理，可以近似認為是背景的平移運動[13]，此時有運動參數(shù)p=(1，0，e，1，0，f)。平移運動原理簡單視圖表示。

圖5 背景位移估計

此時的簡化的平動模型的參數(shù)只有兩個，從而有：

選取特征區(qū)域宏塊，與下一幀（實驗中每隔2 幀）模塊匹配，然后利用上公式，求取每幀運動參數(shù)。此刻，當(dāng)前幀的背景估計可表示為：

上式為一般對于動態(tài)背景預(yù)測的一般形式，即當(dāng)前幀的背景可根據(jù)前一幀圖像及運動參數(shù)來估計。

2.3 目標初步識別

根據(jù)上面的背景運動估計，假設(shè)圖像的像素為M×N，因在圖像邊緣部分的背景運動估計時，可能導(dǎo)致邊緣溢出。故而分兩種情況，進行匹配背景差，當(dāng)背景運動區(qū)域在圖像上時，直接差值法，即

其他可令D(xk，yk)=0。其中，f(xk，yk)為當(dāng)前幀，b(xk，yk)為當(dāng)前背景估計，因簡化為平移模型，故而a=1，b=0，c=0,d=1,e,f為運動估計參數(shù)，xk-1∈[0，M]，yk-1∈[0，N]且均為正整數(shù)。M×N為處理背景運動參數(shù)估計區(qū)域，當(dāng)?shù)玫奖尘安钪祱D像后，再結(jié)合自適應(yīng)門限分割出目標，即有

經(jīng)過以上的分割提取出的目標點中，還可能包含高頻噪聲點。高頻噪聲點的多少取決于閾值的大小，這種高頻噪聲點在單頻圖像上目標點的形狀多表現(xiàn)為點狀或隨機散粒狀，而目標的像素數(shù)較多而且比較穩(wěn)定。這里也選用一種簡化的領(lǐng)域聚類分析方法，若某個像素點，在其3×5 區(qū)域內(nèi)有5 個以上像素點大于給定閾值，則認為該點是屬于目標點；反之則為噪聲點。

如果C(i，j)＞4×255，則可認為像素g(x，y)是屬于目標的點；否則，認為是噪聲點而去掉。

2.4 目標進一步檢測

經(jīng)過上述的處理后的疑似目標中包含真實目標和假目標，需要進一步確認。本文根據(jù)管道濾波以及目標運動軌跡的連續(xù)性思想[14]，來進一步確認真實目標。

假定第t幀有疑似目標有k個，第i個疑似目標的管道區(qū)域中心點的獲取可根據(jù)上述3×5 區(qū)域的目標聚類識別的中心點。分別對這k個疑似目標建立管道區(qū)域可定義為，其中i=1，2，…，k，a根據(jù)目標運動最大像素量取值。如果當(dāng)前幀滿足前一幀管道區(qū)域內(nèi)，則認為可能是目標；繼續(xù)建立當(dāng)前幀管道區(qū)域，再與下一幀疑似目標進行判定，如連續(xù)3 到5 幀成立，且目標管道區(qū)域發(fā)生變化，則認為是真目標；否則判定為假目標。檢測過程如下：

代入前一幀中，轉(zhuǎn)向（2），進行循環(huán)判定。

3 VC 實現(xiàn)與結(jié)果分析

實驗用的紅外圖像來源于vega3.70 結(jié)合紅外模塊sensor vision 和sensor works 的三維視景仿真。在Vc++6.0中結(jié)合OpenCV1.0來實現(xiàn)對紅外圖像的操作[15]，采用Opencv 中cvSmooth、cvDFT 等實現(xiàn)圖像平滑及相關(guān)預(yù)處理操作，cvMat 建立卷積模板，cvFilter2D 實現(xiàn)卷積操作，這里利用模板（d）預(yù)處理，在進行在運動參數(shù)估計中，考慮到目標檢測的實時性，只選擇4個宏塊50×50（原圖大小為488×488 像素），利用圖像灰度投影技術(shù)[10]，計算匹配位置。這里用cvSetImageROI、cvResetImageROI來設(shè)置或釋放感興趣區(qū)域，cvCreateHist、cvCalcHist 等獲取區(qū)域灰度值分布信息，利用Bhattacharyya 距離最小，尋找最佳匹配位置。利用式（4）進行參數(shù)估計，注意要取整數(shù)。這里選用第238 幀圖像，背景差值法后，在通過上述的分割、聚類識別后，效果圖如圖6 和圖7。

圖6 運動背景估計后差值

圖7 目標初步識別

因在運動背景預(yù)測和聚類識別后，仍然包含了虛假目標，即橢圓標識部分。故而這里需要進一步檢測，利用管道濾波思想，來進一步實現(xiàn)目標識別。由上述管道區(qū)域步驟可知，在已有前兩幀的基礎(chǔ)上，根據(jù)累計思想，可對每一幀進行目標確認。因管道區(qū)域是根據(jù)疑似目標的檢測結(jié)果來建立的，其個數(shù)具有不確定性，在VC 設(shè)計中，利用單鏈表結(jié)構(gòu)，動態(tài)創(chuàng)建內(nèi)存來保存這些管道區(qū)域。在一個循環(huán)判定后，在已確定為真實目標的情況下，釋放該保存該區(qū)域的數(shù)據(jù)。

圖8 110～520 幀疑似

圖9 238 幀目標檢測結(jié)果

因涉及到算法的組合應(yīng)用問題，目標檢測的實時性，必然會受到影響，下面就目標的實時性和檢測效果進行分析和改進。主要從以下幾個方面分析考慮：

（1）因紅外圖像第一步預(yù)處理就要使用卷積模板運算，需要對每個像素進行運算，文獻[13]對其進行了改進，在對每個像素進行卷積運算前，先對其像素進行預(yù)判定，如果其灰度值小于某一閾值，則不進行卷積運算；否則，進行卷積運算。因這里采用cvFilter2D 直接實現(xiàn)卷積操作，OpenCV 已經(jīng)對其進行了優(yōu)化處理，是對整個圖像的操作，這里基于第一種考慮，對每個像素的灰度進行判斷，再進行卷積，不再可?。灰惨蛟摲椒ㄐ枰獙γ總€像素進行判斷，時間復(fù)雜度高，因此不選擇此方案。

（2）在地面背景抑制中，文獻[10]提出了灰度投影技術(shù)來計算匹配位置，文獻[11]提出了灰度相關(guān)匹配方法進行運動估計，本文采用的多區(qū)域匹配，在區(qū)域匹配中算出最優(yōu)的匹配策略。雖然該算法會增大計算量，但是可提高匹配精度，利于后期的背景差值法的目標檢測，提高檢測效果。

（3）在目標識別中，自適應(yīng)閾值階段，每次都要計算紅外圖像的方差、均值，會大大增加檢測時間，這里可采用定閾值法，可減少計算量，但檢測效果可能會減低。這里可采用先自適應(yīng)閾值法，后可根據(jù)前幾幀的閾值取其均值，作為當(dāng)前幀的閾值；可結(jié)合定幀，加入自適應(yīng)閾值法，來實現(xiàn)固定閾值法的可靠性和實時性，本文中就采用該方法。

（4）在目標運動的連續(xù)性檢測中，需要連續(xù)性創(chuàng)建保存疑似目標區(qū)域，可以在連續(xù)3 幀出現(xiàn)的目標，不再對其進行連續(xù)性判斷，而對它進行跟蹤，但是為了防止新目標的加入的影響，可采用定時（或者定幀）的進行連續(xù)性檢測判定。另外，在跟蹤的過程中，將不進行檢測，可加入預(yù)處理。

本文中使用硬件環(huán)境：CPU 2.6 GHz、32 位、內(nèi)存2 GB，這里仿真中幀頻設(shè)置為30 Hz，下面就第2 和4 種情況，進行對比分析。

這里通過以上兩圖可知，雖然單個區(qū)域灰度投影背景估計算法的實時性能好，但在本仿真環(huán)境中檢測效果并不佳，通過圖11 可以看出，總會檢測出多個疑似目標，從而在圖10 中，本沒有將經(jīng)典自適應(yīng)濾波的跟蹤考慮在內(nèi)，因不能檢測出真實目標，需要實時地加入不同的假目標，從而與跟蹤結(jié)合使用的定時檢測不再適用。在檢測與跟蹤結(jié)合使用的算法中，這里的跟蹤采用簡單狀態(tài)方程：Xk+1=2Xk-Xk-1，預(yù)測下一幀目標位置[16]，然后根據(jù)預(yù)測的目標位置在該局部區(qū)域內(nèi)尋找最佳目標位置（可采用預(yù)測位置附近尋找最大灰度和）。為了防止少數(shù)幀中，可能出現(xiàn)的目標遮擋現(xiàn)象而導(dǎo)致的這種跟蹤算法的失敗，在尋找最佳目標位置失敗后，采用預(yù)測目標位置作為當(dāng)前目標位置，進行下一幀位置預(yù)測。本文中檢測與跟蹤算法結(jié)合后，直接將檢測目標的時間縮減近1/4，從而使該組合算法實時性得到很好的提高，平均檢測時間小于仿真幀頻，滿足軟件仿真環(huán)境下實時性要求。

圖10 檢測實時性對比

圖11 兩種背景估計檢測的目標個數(shù)（實際目標為2 個）

4 總結(jié)

紅外弱小目標的檢測研究較多，但就具體如機載紅外弱小目標的地面背景的研究還比較少。本文就地空動態(tài)背景下，提出先預(yù)處理濾去噪聲，并結(jié)合卷積模板，得到突出特征信息的紅外圖像，以便于后面的全局運動參數(shù)估計。在全局運動參數(shù)中，提出多特征塊的最優(yōu)參數(shù)估計的一般形式，它提高了運動參數(shù)估計的精度，從而實現(xiàn)了由前一幀圖像來估計當(dāng)前幀的背景。利用背景差法來提取疑似目標，再結(jié)合目標運動連續(xù)性來識別真實目標。該方法對應(yīng)于動態(tài)背景以及探測器抖動等問題中的目標檢測，取得了良好的效果。但因涉及到組合算法的應(yīng)用，實時性并不是很好，這里采用定時（或定幀）檢測的思想，結(jié)合目標跟蹤算法，使目標檢測的實時性得到了很好的提高。

[1] 張毅剛，曹陽，項學(xué)智.靜態(tài)背景差分運動目標檢測研究[J].電子測量與儀器學(xué)報，2010，24（5）：494-499.

[2] 李秋林，何家峰.基于三幀差法和交叉閾值法的車輛檢測[J].計算機工程，2011，37（4）：172-174.

[3] 李毅，孫正興，遠博，等.一種改進的幀差和背景減相結(jié)合的運動檢測方法[J].中國圖象圖形學(xué)報，2009（6）：1162-1168.

[4] 李海蕓，孟永定.基于光流場的運動目標檢測[J].天水師范學(xué)院學(xué)報，2008（5）：72-74.

[5] 與海南，趙保軍.低性噪比紅外圖像小目標的檢測[J].激光與紅外工程，2004，34（1）：40-42.

[6] Chen Yong，Liu Xia.Real-time detection of rapid moving infrared target on variation background[J].Infrared Physics and Technology，2008，51（3）：146-151.

[7] 廖斌，楊衛(wèi)平.基于多幀移位疊加的紅外小目標檢測方法[J].激光與紅外工程，2002，31（2）：40-42.

[8] Wang P，Tian J W，Gao C Q.Infrared small target detection using directional highpass filters based on LSSVM[J].Electronics Letters，2009，45（3）：156-157.

[9] 管志強.紅外搜索系統(tǒng)中目標檢測與識別技術(shù)研究[D].南京：南京理工大學(xué)，2009.

[10] Yang L，Yang J，Yang K.Adaptive detection for infrared small target under sea-sky complex background[J].Electronics Letters，2004，40（17）：1083-1085.

[11] 張弘，趙保軍.一種快速實時的低性噪比紅外點、斑點目標檢測方法[J].北京理工大學(xué)學(xué)報，2001，21（3）：378-381.

[12] 王孝通，楊常清.基于四參數(shù)仿射模型的快速運動估計算法[J].光電子·激光，2007，18（11）：1367-1370.

[13] 高旭輝，祁蒙.基于機載IRST 穩(wěn)定平臺結(jié)構(gòu)的地面背景抑制算法[J].激光與紅外，2012，42（3）：347-351.

[14] 劉靳，姬紅兵.基于移動式加權(quán)管道濾波的紅外弱小目標檢測[J].西安電子科技大學(xué)學(xué)報，2007，34（5）：743-747.

[15] Bradski G，Kaehler A.學(xué)習(xí)OpenCv[M].中文版.于仕琪，劉瑞禎，譯.北京：清華大學(xué)出版社，2009.

[16] 李勁菊，朱青，王耀南.一種復(fù)雜背景下運動目標檢測與跟蹤方法[J].儀器儀表學(xué)報，2010（10）：2242-2247.