基于顯著性與幀間差分的紅外弱小目標(biāo)檢測

司馬端，龍云利，安 瑋，王 普

（國防科技大學(xué)電子科學(xué)與工程學(xué)院，湖南長沙410073）

基于顯著性與幀間差分的紅外弱小目標(biāo)檢測

司馬端，龍云利，安 瑋，王 普

（國防科技大學(xué)電子科學(xué)與工程學(xué)院，湖南長沙410073）

針對復(fù)雜背景下弱小目標(biāo)檢測問題，提出一種基于圖像顯著性和幀間差分相結(jié)合的紅外弱小目標(biāo)軌跡檢測算法。該算法首先利用高效的頻域殘差法檢測目標(biāo)可能的存在區(qū)域，再利用幀間差分法消除背景孤立的奇異點和背景變化較強烈的部分，突出了目標(biāo)信息。然后將差分圖像進(jìn)行累加初步得到目標(biāo)的軌跡，經(jīng)過累加后的圖像目標(biāo)的能量較雜波和噪聲有了顯著的提高。最后通過門限分割和軌跡關(guān)聯(lián)進(jìn)一步剔除虛警目標(biāo)。仿真實驗表明，算法在不同的背景雜波和目標(biāo)尺寸下都有較好的檢測性能，便于硬件實現(xiàn)和后續(xù)的識別與跟蹤。

弱小目標(biāo)；顯著性檢測；幀間差分；紅外圖像

0 引言

遠(yuǎn)距離紅外探測技術(shù)被廣泛用于遙感、航天等領(lǐng)域。由于目標(biāo)到紅外傳感器距離很遠(yuǎn)，在視場中目標(biāo)通常為點狀或斑狀的小目標(biāo)，缺乏形狀、紋理等信息，且由于背景雜波和大氣傳輸衰減的影響，造成紅外探測器形成的圖像信噪比較低，目標(biāo)易淹沒在背景雜波之中，給檢測帶來了困難。因此，在復(fù)雜背景環(huán)境下有效地檢測紅外弱小目標(biāo)對于提升紅外探測系統(tǒng)的性能具有重要意義。

在紅外圖像中的弱小目標(biāo)集中于一個相對較小的區(qū)域，與其鄰域背景區(qū)域具有不相關(guān)的特點。因此可以認(rèn)為小目標(biāo)是圖像中的顯著區(qū)域，除此之外在圖像中背景變化較快的地方和隨機噪聲也具有與周圍背景不相關(guān)的特點，所以背景中的噪聲和突變的地方也是圖像中的顯著性區(qū)域。在得到圖像的顯著性區(qū)域后結(jié)合目標(biāo)的灰度信息和運動信息，通過圖像累加進(jìn)行目標(biāo)能量累積，能有效提高圖像信噪比。本文根據(jù)這一思路提出了基于顯著性和幀間差分的弱小目標(biāo)檢測算法，仿真結(jié)果表明本文算法能較好地抑制噪聲，保留目標(biāo)的能量，對于不同尺寸和不同運動速度的目標(biāo)均具有較好的檢測能力。

1 利用頻域殘差的顯著性檢測

視覺注意機制在人類的視覺系統(tǒng)中起著十分重要的作用，它使我們自動感知和理解我們獲取到的信息中最有價值的信息，視覺注意機制被廣泛用于圖像處理、心理學(xué)和神經(jīng)科學(xué)等領(lǐng)域。在圖像處理中視覺注意機制被用于圖像的顯著性檢測，即判斷圖像中哪些區(qū)域?qū)θ搜蹃碚f是顯著的。

檢測圖像顯著性區(qū)域的方法很多，文獻(xiàn)［3］提出了一種基于頻域殘差的方法。本文也采用頻域殘差方法檢測顯著性區(qū)域，但是為了更好地保留目標(biāo)信息對該方法稍作變化，以便于后續(xù)利用幀間差分提取目標(biāo)軌跡。給定圖像為I（x，y），可以得到其幅度譜和相位譜分別為：

文獻(xiàn)［3］證明了所有的自然圖像的幅度譜取自然對數(shù)后都具有相似的起伏狀態(tài)，因此如果對圖像的對數(shù)幅度譜作平滑處理后與本身的對數(shù)幅度譜作差分即可得到顯著性部分的對數(shù)幅度譜，最后利用傅里葉逆變換即可得到顯著性圖像。

頻域殘差法的基本只包含對圖像作卷積、傅里葉及傅里葉逆變換等運算，其計算量很小，能滿足實時性要求。圖1顯示了兩種不同場景下的包含紅外弱小目標(biāo)的圖像及其顯著性預(yù)處理檢測后的結(jié)果。第1幅圖像背景比較簡單，噪聲也比較小，因此經(jīng)顯著性檢測后背景雜波已被完全抑制，小目標(biāo)凸顯。第2幅圖像包含6個目標(biāo)，圖像背景比較復(fù)雜，起伏十分明顯，經(jīng)顯著性檢測后存在零散的雜波干擾。因此，后文利用弱小目標(biāo)運動的連續(xù)性來提取目標(biāo)軌跡，檢測目標(biāo)。

2 基于幀間差分的弱小目標(biāo)檢測

對于弱小目標(biāo)檢測，由圖像處理的觀點來看就是判斷圖像中很小的異常部分或孤立的奇異點，即圖像中的顯著性部分。然而由于紅外探測器本身的特點以及探測過程中帶來的噪聲、圖像中陡峭的邊緣和高亮度的部分都會對預(yù)處理帶來影響。如果此時進(jìn)行多幀累加會造成很多虛假軌跡，影響后續(xù)的識別與跟蹤。因此本文首先利用頻域殘差算法對原始圖像進(jìn)行顯著性檢測，提取出圖像中的顯著性部分，在此基礎(chǔ)上利用幀間差分消除背景雜波和部分噪聲帶來的干擾，然后通過多幀累積建立目標(biāo)的運動軌跡。最后，通過門限處理和軌跡關(guān)聯(lián)進(jìn)一步抑制噪聲，剔除虛假軌跡獲得最后的目標(biāo)圖像。算法的處理流程如圖2所示。

圖1 紅外圖像及其顯著性預(yù)處理結(jié)果

圖2 本文檢測弱小目標(biāo)的算法流程

2.1 幀間差分

幀間差分是利用前后幀圖像相減得到目標(biāo)在圖像上的位置。傳統(tǒng)的幀間差分可以描述為：

給定圖像序列｛I1（x，y），I2（x，y），…，IN（x，y）｝。在本文中這里的圖像是經(jīng)過顯著性預(yù)處理后的N幀圖像。圖像的大小為P×Q。依次通過幀間差分得到新的圖像序列｛I1（x，y），I2（x，y），…，IN-1（x，y）｝。其中：

在式（3）中加絕對值的目的是為了突出目標(biāo)，防止灰度出現(xiàn)負(fù)數(shù)。

一般用幀間差分來抑制緩變背景，但是由幀間差分直接得到的殘差圖像的背景依然具有緩變特性，幀間差分的這一不足將直接影響弱小目標(biāo)的檢測效果，增加虛警率。因此在本文中先將圖像進(jìn)行顯著性檢測的預(yù)處理，然后再進(jìn)行幀間差分，這樣能夠消除殘余的背景、降低虛警。

考慮到相鄰幀間的目標(biāo)運動可能十分緩慢，此時若再采用傳統(tǒng)的幀間差分會造成空洞現(xiàn)象。可以采取隔幀作差分，通過相隔k幀的圖像進(jìn)行差分，具體描述如下：

小目標(biāo)運動的快慢決定了k的值的選取，一般情況下選擇2到3個即可取得不錯的效果。在本文中選擇k=3。

2.2 多幀累積和軌跡關(guān)聯(lián)

在進(jìn)行幀間差分后可以得到包含目標(biāo)和隨機噪聲的殘差圖像，為了充分利用目標(biāo)的運動和灰度信息，通過能量累加獲得目標(biāo)軌跡。將殘差圖像累加后得到包含弱小目標(biāo)運動軌跡的圖像It（x，y），即：

經(jīng)過前面顯著性檢測、幀間差分和多幀累積后已經(jīng)能夠提取到比較好的目標(biāo)軌跡了，但是圖像中會存在較強的隨機噪聲干擾。為了進(jìn)一步降低虛警，在經(jīng)過能量累加后的圖像采用門限處理。

經(jīng)過累加后的圖像目標(biāo)的能量會大于噪聲，本文采用似然比檢驗來確定門限。根據(jù)檢測理論，門限處理過程可以歸結(jié)為1個二元假設(shè)檢驗過程：

式中，H0代表噪聲的灰度分布，H1代表包含目標(biāo)的灰度分布。在H0和H1為真的條件下，I的似然函數(shù)為：

式中，μ和σ2s代表信號的均值和方差，σ2n代表噪聲的方差。

由Neyman-Pearson準(zhǔn)則可知，檢測門限為：

一般來說λ的取值范圍為3～10，本實驗中λ的取值為5。

檢測的最后一步是軌跡關(guān)聯(lián)，提取目標(biāo)軌跡。經(jīng)過前面處理后的圖像序列，噪聲點的分布是獨立的，而目標(biāo)點由于運動的連續(xù)性其分布是關(guān)聯(lián)的，因此采取合適的關(guān)聯(lián)方法，就可以檢測出目標(biāo)。對于檢測次數(shù)和檢測概率均達(dá)到一定門限的軌跡，即可認(rèn)為是目標(biāo)軌跡，可作為結(jié)果輸出。軌跡關(guān)聯(lián)的算法采用文獻(xiàn)［2］的算法。

3 仿真實驗與分析

為了驗證算法的有效性，本文選取了幾組代表性的紅外仿真圖像序列，每一場景的圖像數(shù)都為55幀。圖3中第1個場景的背景相對比較平緩，其中有一個目標(biāo)在云層中，不易與周圍鄰域背景區(qū)分。第2個場景的中的背景變化較為劇烈，而且目標(biāo)運動速度也很緩慢。第3個場景的背景與第2個場景的背景一樣，但是有3個目標(biāo)點，而且目標(biāo)點的速度和大小均不相同。由最后的軌跡關(guān)聯(lián)后的結(jié)果可以看出，本文算法能較好地檢測到不同大小、不同場景的紅外弱小目標(biāo)。

圖3 不同條件下紅外弱小目標(biāo)檢測結(jié)果

為了進(jìn)一步說明本文算法的有效性，將本文算法與加權(quán)動態(tài)規(guī)劃方法（WDTM）［2］和統(tǒng)計檢測算法（PA）［6］進(jìn)行比較。假定在檢測前圖像是經(jīng)過配準(zhǔn)的。表1給出了本文算法在不同序列圖像和不同信噪比下的檢測效率。其中目標(biāo)的檢測率Pd定義為：

Pd=目標(biāo)的檢測次數(shù)/圖像序列的總幀數(shù)

由表1可以看出本文算法在不同信噪比下均能有效地檢測出弱小目標(biāo)。

表l 本文算法與其它算法的比較

4 結(jié)束語

紅外弱小目標(biāo)檢測是目標(biāo)檢測領(lǐng)域內(nèi)的一個難點。本文提出了一種基于圖像顯著性檢測和幀間差分相結(jié)合的算法，能夠較好地解決不同背景、不同尺寸和運動速度的紅外弱小目標(biāo)檢測。經(jīng)過顯著性檢測后存在背景殘余和噪聲干擾，然后利用幀間差分和能量累積與軌跡關(guān)聯(lián)來提取弱小目標(biāo)的軌跡，在利用幀間差分過程中假定了圖像背景是被動的緩變的，在實際應(yīng)用中許多情況都符合這一假定。仿真結(jié)果表明，本文算法能較好地檢測出目標(biāo)并提取到目標(biāo)的運動軌跡，在顯著性檢測過程中采用的算法是對圖像進(jìn)行傅里葉變換和求卷積，均有高效的算法實現(xiàn)，具有滿足實時性的要求的特點，因此便于硬件實現(xiàn)。■

［1］ 朱然，安瑋，龍云利，等.一種基于全變分理論的紅外背景雜波抑制算法［J］.航天電子對抗，2013，29（5）：30 -33.

［2］ 陳尚峰，陳華明，盧煥章.基于加權(quán)動態(tài)規(guī)劃和航跡關(guān)聯(lián)的小目標(biāo)檢測技術(shù)［J］.國防科技大學(xué)學(xué)報，2003，25（2）：46-50.

［3］ Hou XD，Zhang LQ.Saliency detection：a spectral residual approach［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition，2007，800：1-8.

［4］ 閔祥龍，王江安，吳榮華.基于形態(tài)濾波與幀間差分的紅外點目標(biāo)檢測算法［J］.激光與紅外，2008，38（7）：720 -729.

［5］ Reed IS，Gagliardi RM，Stootts LB.Optical moving target detection with 3D matched filtering［J］.IEEE Trans AES.1988，24（4）：327-336.

［6］ Sheng W，Deng Bi，Liu J.Multi-resoluting distance map based small target detection in infrared image［J］.Acta Electronica Sinica，2002，30（1）：42-45.

［7］ 胡謀法，董文娟，王書宏，等.奇異值分解帶通濾波背景抑制和去噪［J］.電子學(xué)報，2008，36（1）：111-116 .

Infrared small target detection based on saliency and frame-to-frame difference

Si Maduan，Long Yunli，An Wei，Wang Pu
（College of Electronic Science and Engineering，National University of Defense Technology，Changsha 410073，Hunan，China）

An algorithm of small and dim infrared target detection base on saliency and frame to frame difference theory is proposed complicated background.This algorithm firstly using spectral residual approach to detect the target may located region in the image with high performance.Then by use of frame to frame difference to eliminate the isolated point and change intensely part in the background，in order to prominent the small target.The next we will add the difference images to get the target trajectory preliminary，the power of small target in the added image can enhanced compare to clutter and noise.The last，adopt to threshod segmention and trajectory association to false alarm target.Analysis of the result shows that proposed algorithom background suppression performance is remarkably improved compared to traditional method. What's more，it very suitable for realize by hardware and contribute to recognition and tracking.

dim and small target；saliency detection；frame to frame difference；infrared image

TN976

A

2015-04-28；2015-07-02修回。

司馬端（1989-），男，碩士研究生，研究方向為空間信息獲取與處理。