紅外成像導(dǎo)引頭目標(biāo)檢測(cè)識(shí)別共性技術(shù)綜述

李偉忠，劉明娜，姚 勤

（1.中國(guó)人民解放軍海軍駐上海地區(qū)航天系統(tǒng)軍事代表室，上海 201109；2.上海航天控制技術(shù)研究所，上海 201109）

0 引言

紅外成像制導(dǎo)是利用目標(biāo)和背景間的熱輻射差，形成目標(biāo)和周圍景物的圖像實(shí)現(xiàn)自動(dòng)導(dǎo)引的一種制導(dǎo)方法，目前已廣泛用于多種戰(zhàn)術(shù)武器系統(tǒng)，其核心就是目標(biāo)檢測(cè)識(shí)別技術(shù)。紅外自動(dòng)目標(biāo)檢測(cè)識(shí)別是當(dāng)前成像導(dǎo)引頭的一項(xiàng)重要技術(shù)。

本文對(duì)紅外成像導(dǎo)引頭目標(biāo)檢測(cè)識(shí)別共性技術(shù)進(jìn)行了綜述。

1 紅外弱小目標(biāo)檢測(cè)技術(shù)

紅外弱小目標(biāo)的檢測(cè)方法直接決定了紅外成像系統(tǒng)的探測(cè)靈敏度和發(fā)現(xiàn)距離，是反映紅外低可觀測(cè)目標(biāo)識(shí)別能力至關(guān)重要的一項(xiàng)核心技術(shù)［1－3］。由于遠(yuǎn)距離時(shí)目標(biāo)成像面積小、對(duì)比度較低、邊緣模糊、無(wú)紋理特征、尺寸及形狀變化不定，可檢測(cè)信號(hào)相對(duì)較弱，特別是在非平穩(wěn)的復(fù)雜起伏背景干擾下，樹木、道路、海浪、太陽(yáng)亮帶、亮暗云層等與目標(biāo)交疊，無(wú)法直接從灰度、尺寸和形狀區(qū)別目標(biāo)，成像的信噪比較低，使小目標(biāo)檢測(cè)變得困難，因此復(fù)雜紅外場(chǎng)景中小目標(biāo)的檢測(cè)是紅外成像系統(tǒng)中的關(guān)鍵。目前對(duì)紅外弱小目標(biāo)檢測(cè)的研究主要針對(duì)低信噪比、復(fù)雜背景條件下提高檢測(cè)算法的性能及算法的實(shí)時(shí)性和有效性，研究運(yùn)算量小、性能高、利于硬件實(shí)時(shí)實(shí)現(xiàn)的檢測(cè)算法。

小目標(biāo)檢測(cè)一般采用空－時(shí)濾波算法。時(shí)間濾波器置于空間濾波器后的算法為DBT，此類算法先進(jìn)行空間濾波預(yù)處理，對(duì)單幀圖像實(shí)現(xiàn)目標(biāo)增強(qiáng)和背景抑制，提高圖像的信噪比，再用門限檢測(cè)方法進(jìn)行目標(biāo)檢測(cè)，通過(guò)時(shí)間序列分析進(jìn)行時(shí)間域?yàn)V波，去偽存真，找到真正的目標(biāo)。時(shí)間濾波器在空間濾波器前算法為TBD，這類算法不宣布單幀檢測(cè)結(jié)果，不設(shè)檢測(cè)門限，而是將每幀的信息數(shù)字化并存儲(chǔ)，在幀與幀間對(duì)假設(shè)路徑包含的點(diǎn)作幾乎無(wú)信息損失的相關(guān)處理，經(jīng)過(guò)多幀積累，在目標(biāo)軌跡被估計(jì)出后，檢測(cè)結(jié)果與目標(biāo)航跡同時(shí)宣布。

1.1 DBT方法

利用先檢測(cè)后跟蹤的方法對(duì)紅外弱小目標(biāo)進(jìn)行檢測(cè)，需對(duì)單幀圖像提取候選目標(biāo)，單幀圖像的處理效果在弱小目標(biāo)檢測(cè)算法中是關(guān)鍵。單幀紅外圖像檢測(cè)方法是根據(jù)紅外目標(biāo)與背景的差異，表現(xiàn)為像素的灰度差異特性，一般需在變換域進(jìn)行檢測(cè)，常用變換有小波變換、curvelet變換等。小波分析的多尺度特性，適于在低信噪比環(huán)境中進(jìn)行紅外目標(biāo)檢測(cè)，其伸縮特性可使部分圖像特征在某個(gè)尺度下被有效抑制，而某些感興趣的特性可被突顯出。因?yàn)樾〔ǖ幕瘮?shù)的間隔可變，能使定位信號(hào)間斷，當(dāng)對(duì)一幅圖像進(jìn)行二維離散小波變換時(shí)，可產(chǎn)生具有不同分辨力和減小了空間的子圖，而保持目標(biāo)和雜波的適當(dāng)空間位置。小波變換的另一優(yōu)點(diǎn)是不但能檢測(cè)一個(gè)或兩個(gè)子帶的系數(shù)，而且可減少處理的總像素?cái)?shù)。

對(duì)單幀圖像檢測(cè)還可利用基于背景估計(jì)與抑制方法進(jìn)行，常用的有高通濾波、中值濾波、均值濾波以及自適應(yīng)背景估計(jì)等［4］。這些方法雖能一定程度抑制背景，但仍存在不足：目標(biāo)不一定是圖像中灰度值最高或頻率最高的成分，采用自適應(yīng)門限背景抑制濾波和頻率高通濾波時(shí)，背景成分泄漏較嚴(yán)重；中值濾波不能處理超過(guò)濾波窗口大小的噪聲；空間高通濾波需要根據(jù)目標(biāo)形狀決定濾波模板，在目標(biāo)先驗(yàn)知識(shí)未知時(shí)濾波性能將受影響。

圖像處理的一個(gè)重要研究領(lǐng)域是形態(tài)學(xué)濾波，主要包括形態(tài)學(xué)算子和結(jié)構(gòu)元素選擇兩個(gè)基本內(nèi)容。在紅外弱小目標(biāo)檢測(cè)中，目前多數(shù)研究采用形態(tài)學(xué)Top－Hat算子進(jìn)行檢測(cè)。以往Top－Hat算子研究中，一般采用單一結(jié)構(gòu)元素處理圖像，其濾波器僅在對(duì)應(yīng)某類圖像模型中有較好的性能，而圖像信號(hào)通常極復(fù)雜且處于不斷變化中，采用單一結(jié)構(gòu)元素形態(tài)學(xué)處理方法對(duì)圖像的適應(yīng)性較差。用單幀圖像檢測(cè)出候選目標(biāo)再用序列圖像確認(rèn)真實(shí)目標(biāo)，是小目標(biāo)檢測(cè)算法中不可或缺的技術(shù)。紅外成像系統(tǒng)中，圖像的幀頻較高（一般大于50Hz），在規(guī)定時(shí)間內(nèi)能提供一定數(shù)量的序列圖像進(jìn)行檢測(cè)，可提高檢測(cè)概率并降低虛警概率。

利用序列圖像檢測(cè)目標(biāo)最直接最簡(jiǎn)單的方法是管道濾波。管道濾波實(shí)際上是一時(shí)空濾波器，是在序列圖像的空間位置上以目標(biāo)為中心建立的一個(gè)空間管道，管道的直徑（如果管道為圓形）代表空間的作用尺寸，管道長(zhǎng)度代表檢測(cè)時(shí)間長(zhǎng)度。管道濾波是一種較經(jīng)典時(shí)空濾波器，采用時(shí)間域和空間域的管道濾波方法時(shí)，需預(yù)先知道目標(biāo)的最大運(yùn)動(dòng)速度以設(shè)置合理的管徑。若目標(biāo)運(yùn)動(dòng)過(guò)快，則管道濾波器需選粗管徑，這樣就增加了算法的復(fù)雜度。

1.2 TBD方法

跟蹤前檢測(cè)方法要求每獲得一幀數(shù)據(jù)就進(jìn)行檢測(cè)，通常一經(jīng)檢測(cè)就將未關(guān)聯(lián)上的數(shù)據(jù)當(dāng)作雜波點(diǎn)丟掉，丟掉的數(shù)據(jù)中可能含有目標(biāo)信息，這種做法難以提高對(duì)低可觀測(cè)目標(biāo)的檢測(cè)性能。TBD方法能有效避免此問(wèn)題，它將多次掃描獲得的數(shù)據(jù)同時(shí)處理，增強(qiáng)了低可觀測(cè)目標(biāo)的信噪比，且在得到檢測(cè)結(jié)果的同時(shí)，可獲得目標(biāo)航跡。TBD方法包括基于動(dòng)態(tài)規(guī)劃的方法、基于極大似然的方法、基于Hough變換的方法、三維匹配濾波器算法、多級(jí)假設(shè)檢驗(yàn)方法以及高階相關(guān)等算法。這類方法先對(duì)圖像中較多的可能軌跡同時(shí)進(jìn)行跟蹤，用某種判據(jù)對(duì)每條軌跡的真實(shí)性做出軟判斷，逐步剔除由噪聲構(gòu)成的虛假軌跡，維持真實(shí)軌跡，當(dāng)軟判斷超過(guò)某門限時(shí)，做出該軌跡為目標(biāo)航跡的硬判斷，這就避免了因信噪比低而造成的航跡漏檢，提高了檢測(cè)概率。因此，該類算法適于低信噪比時(shí)的弱小目標(biāo)檢測(cè)，但缺點(diǎn)是實(shí)時(shí)性差、計(jì)算復(fù)雜。

2 圖像配準(zhǔn)技術(shù)

紅外成像系統(tǒng)應(yīng)用中，圖像傳感器常安裝在運(yùn)動(dòng)平臺(tái)上，即使是安裝在靜止平臺(tái)上，某些干擾也會(huì)導(dǎo)致傳感器出現(xiàn)抖動(dòng)，傳感器的運(yùn)動(dòng)會(huì)嚴(yán)重影響目標(biāo)檢測(cè)與跟蹤算法的性能。因此，在進(jìn)行成像目標(biāo)檢測(cè)前還必須進(jìn)行圖像傳感器的運(yùn)動(dòng)估計(jì)與補(bǔ)償［6］。成像運(yùn)動(dòng)目標(biāo)的檢測(cè)方案如圖1所示。

圖1 運(yùn)動(dòng)目標(biāo)檢測(cè)方案Fig.1 Moving target detection

成像運(yùn)動(dòng)目標(biāo)檢測(cè)中的關(guān)鍵技術(shù)有：提取圖像特征，進(jìn)行圖像配準(zhǔn)獲得兩幀圖像對(duì)應(yīng)的匹配對(duì)；對(duì)圖像傳感器的運(yùn)動(dòng)選擇一種合適的運(yùn)動(dòng)模型，根據(jù)圖像配準(zhǔn)結(jié)果估計(jì)運(yùn)動(dòng)參數(shù)；利用運(yùn)動(dòng)參數(shù)對(duì)運(yùn)動(dòng)模型進(jìn)行圖像補(bǔ)償；對(duì)補(bǔ)償后的圖像序列進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。

2.1 圖像匹配分析

傳統(tǒng)上大致可分為基于區(qū)域的匹配算法和基于特征的匹配算法兩大類。前者包括灰度相關(guān)算法和相位相關(guān)算法等，這類算法中圖像的像素點(diǎn)直接參與匹配運(yùn)算，采用的相似性度量主要是各種互相關(guān)系數(shù)或圖像差，較適于處理大尺度結(jié)構(gòu)特征和區(qū)域灰度分布特征不變而細(xì)節(jié)特征發(fā)生畸變的兩幅圖像。后者先提取圖像中的特征，再建立兩幅圖像間特征的匹配對(duì)應(yīng)關(guān)系，其難點(diǎn)是自動(dòng)、穩(wěn)定、一致的特征提取和匹配過(guò)程消除特征的模糊性與不一致性，較適于處理大尺度結(jié)構(gòu)特征不變而區(qū)域灰度特征發(fā)生畸變，以及大尺度結(jié)構(gòu)特征發(fā)生仿射變換或由圖像變化等因素引起的結(jié)構(gòu)特征改變的兩幅圖像。

在許多場(chǎng)合無(wú)法嚴(yán)格區(qū)分灰度匹配與特征匹配，如用特征點(diǎn)進(jìn)行灰度匹配時(shí)直接或間接利用了圖像的點(diǎn)特征。因而由特征匹配發(fā)展了關(guān)系匹配，其基本方法是建立一個(gè)結(jié)構(gòu)描述與其他結(jié)構(gòu)描述間的對(duì)應(yīng)關(guān)系。結(jié)構(gòu)描述定義為一組圖像初值（點(diǎn)、線、面）和它們間的對(duì)應(yīng)關(guān)系，關(guān)系匹配目的是匹配兩個(gè)或更多的結(jié)構(gòu)描述，其特點(diǎn)是利用了圖像的特征，以及拓?fù)浜蛶缀侮P(guān)系，故可在無(wú)圖像內(nèi)外定向參數(shù)時(shí)進(jìn)行圖像匹配。關(guān)系匹配的缺點(diǎn)是可能的匹配量大，尋找最佳匹配的計(jì)算時(shí)間長(zhǎng)。

2.2 全局運(yùn)動(dòng)估計(jì)與補(bǔ)償分析

經(jīng)圖像匹配獲得兩幀圖像的對(duì)應(yīng)匹配對(duì)后，可根據(jù)結(jié)果估計(jì)圖像傳感器的運(yùn)動(dòng)。全局運(yùn)動(dòng)估計(jì)目的是根據(jù)兩幀圖像的匹配結(jié)果求解運(yùn)動(dòng)參數(shù)模型。攝像機(jī)的全局運(yùn)動(dòng)一般可用2D變換表示，常用的參數(shù)模型有2參數(shù)的平動(dòng)模型、4參數(shù)的相似變換模型、6參數(shù)的仿射變換模型、8參數(shù)的投影變換模型，以及12參數(shù)的2次曲面變換模型。參數(shù)越多，場(chǎng)景變換就越精確，計(jì)算復(fù)雜度也越高，一般場(chǎng)景常選取精度和復(fù)雜性較適中的仿射變換模型表示全局運(yùn)動(dòng)。用圖像匹配獲得的兩幀圖像匹配對(duì)數(shù)遠(yuǎn)大于求解運(yùn)動(dòng)參數(shù)模型所需匹配對(duì)的最少數(shù)量，但視頻圖像中存在局部運(yùn)動(dòng)，所得兩幀圖像匹配結(jié)果中會(huì)有一定數(shù)量的錯(cuò)誤匹配，因此在全局運(yùn)動(dòng)估計(jì)過(guò)程中須消除局部運(yùn)動(dòng)的影響。估計(jì)算法須有好的魯棒性，估計(jì)本質(zhì)是一個(gè)超定方程組的求解。傳統(tǒng)全局運(yùn)動(dòng)估計(jì)算法常依靠各種迭代算法及改進(jìn)的快速迭代算法區(qū)分全局與局部運(yùn)動(dòng)，無(wú)法解決迭代特征點(diǎn)的嚴(yán)格要求、運(yùn)算占用資源大、高頻分量丟失、重建噪聲較高等問(wèn)題。M估計(jì)算法實(shí)質(zhì)是將估計(jì)問(wèn)題轉(zhuǎn)化為遞推重加權(quán)最小二乘問(wèn)題，對(duì)估計(jì)余差采用不同的加權(quán)，可抑制大余差對(duì)估計(jì)過(guò)程的影響，常采用迭代方法求解，初始值常由最小二乘算法估算，對(duì)大誤差數(shù)據(jù)有較好的抑制作用，但不能處理完全錯(cuò)誤的部分?jǐn)?shù)據(jù)。最小中值算法通過(guò)最小化余差平方中值求解，理論上失效點(diǎn)數(shù)最高可達(dá)到50%，當(dāng)錯(cuò)誤點(diǎn)超過(guò)50%時(shí)，該算法不再適用。FISHIER，BOLLES提出的RANSAC算法對(duì)錯(cuò)誤率超過(guò)50%的數(shù)據(jù)仍能進(jìn)行處理，是最有效的魯棒估計(jì)算法之一。

當(dāng)根據(jù)運(yùn)動(dòng)估計(jì)方法得到攝像機(jī)的運(yùn)動(dòng)參數(shù)后，對(duì)序列圖像I（x，y，k）中的每個(gè)像素點(diǎn)（x，y），由攝像機(jī)運(yùn)動(dòng)參數(shù)模型式計(jì)算出該點(diǎn)的運(yùn)動(dòng)矢量（dx，dy），可得dx＝Xi－xi，dy＝Y(jié)i－yi。則該點(diǎn)在第k＋1幀中的校正坐標(biāo)為

式中：x0，αx分別x＋dx的整數(shù)和小數(shù)部分；y0，αy分別為y＋dy的整數(shù)和小數(shù)部分。在第k幀圖像I（x，y，k）中，灰度值僅在整數(shù)位置（x，y）處被定義，而式（1）得到的坐標(biāo)常為非整數(shù)，故用前向映射或后向映射方法解決。前向映射，1個(gè)輸入像素被映射到4個(gè)輸出像素間的位置，其灰度值利用插值算法在4個(gè)像素間分配；后向映射，輸出像素逐個(gè)映射回輸入圖像中，若1個(gè)輸出像素被映射到4個(gè)輸入像素間，其灰度要用插值算法由4個(gè)輸入像素決定。常用的插值算法有最近鄰域插值、雙線性插值算法和高階插值算法等。

2.3 運(yùn)動(dòng)目標(biāo)檢測(cè)

按圖像傳感器與背景間有無(wú)運(yùn)動(dòng)，運(yùn)動(dòng)目標(biāo)的檢測(cè)方法分為靜態(tài)背景與運(yùn)動(dòng)背景兩大類［5］。當(dāng)背景存在運(yùn)動(dòng)時(shí)，經(jīng)運(yùn)動(dòng)估計(jì)與補(bǔ)償后可轉(zhuǎn)化為靜態(tài)背景中的運(yùn)動(dòng)目標(biāo)檢測(cè)。運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有背景差分法、幀差分法、背景模型法以及基于光流的方法等。

背景差分法用當(dāng)前幀圖像與已知背景圖像做差以檢測(cè)目標(biāo)，理論上該法最易檢測(cè)出運(yùn)動(dòng)目標(biāo)，但實(shí)際應(yīng)用中很難獲得一幅理想的背景圖像。對(duì)攝像機(jī)固定的場(chǎng)合，獲取背景圖像的理想方法是在場(chǎng)景中無(wú)運(yùn)動(dòng)目標(biāo)時(shí)采集一幅背景圖像并存儲(chǔ)，之后根據(jù)外界環(huán)境的變化不斷更新圖像。對(duì)攝像機(jī)運(yùn)動(dòng)的場(chǎng)合，則幾乎不能實(shí)現(xiàn)。因此，背景差分法常用于視頻監(jiān)控等攝像頭相對(duì)靜止的場(chǎng)合，而不能直接用于背景存在運(yùn)動(dòng)的環(huán)境中的目標(biāo)檢測(cè)。

幀差分法是用當(dāng)前幀圖像與相鄰幀圖像進(jìn)行差分以檢測(cè)目標(biāo)。該法的優(yōu)點(diǎn)是對(duì)動(dòng)態(tài)背景適應(yīng)快、計(jì)算速度快、占用系統(tǒng)資源少等，缺點(diǎn)有：在目標(biāo)和背景均存在運(yùn)動(dòng)時(shí)，直接應(yīng)用幀差分法無(wú)法進(jìn)行有效的目標(biāo)檢測(cè)；當(dāng)背景變化頻率較高時(shí)，不能很好地抑制噪聲，背景泄漏嚴(yán)重；當(dāng)背景的某部分移動(dòng)時(shí)，檢測(cè)結(jié)果中會(huì)出現(xiàn)“空洞”，一般檢測(cè)不到移動(dòng)目標(biāo)的全部；需選擇合適的分割閾值。

背景模型方法是建立一模型以模擬背景圖像，并通過(guò)比較當(dāng)前幀圖像的像素點(diǎn)值與背景模型確定是目標(biāo)像素還是背景像素，從而檢測(cè)到目標(biāo)。

基于光流的方法根據(jù)圖像光流場(chǎng)分布的變化檢測(cè)運(yùn)動(dòng)目標(biāo)，該法能在攝像機(jī)存在運(yùn)動(dòng)時(shí)檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)，缺點(diǎn)是運(yùn)算公式復(fù)雜，計(jì)算量大，實(shí)時(shí)性差，不適于實(shí)時(shí)性要求很高的場(chǎng)合。

3 彈道終端目標(biāo)識(shí)別技術(shù)

紅外成像型導(dǎo)彈彈道終端是目標(biāo)接近充滿成像系統(tǒng)視場(chǎng)至戰(zhàn)斗部起爆間的彈道階段。某些戰(zhàn)術(shù)導(dǎo)彈的飛行時(shí)間較短，且攔截目標(biāo)圖像變化也非常大，彈道終端階段的自動(dòng)目標(biāo)識(shí)別算法應(yīng)具有良好的實(shí)時(shí)性。另外，除需完成彈道所有階段應(yīng)具有的探測(cè)、識(shí)別、跟蹤目標(biāo)的功能外，導(dǎo)彈自動(dòng)目標(biāo)識(shí)別系統(tǒng)還應(yīng)能識(shí)別目標(biāo)的易損（要害）部位，提取飛行剩余時(shí)間等彈目相對(duì)運(yùn)動(dòng)參數(shù)，自適應(yīng)控制炸點(diǎn)，使戰(zhàn)斗部在各種彈目交會(huì)條件下均能攻擊這些易損（要害）部位。

3.1 圖像分割

自動(dòng)目標(biāo)識(shí)別系統(tǒng)識(shí)別目標(biāo)、跟蹤目標(biāo)和炸點(diǎn)控制等均依賴于圖像分割結(jié)果，圖像分割結(jié)果的優(yōu)劣直接影響系統(tǒng)的性能。由于圖像種類繁多，復(fù)雜程度不同，適合某類圖像的分割方法未必適合另一類圖像。當(dāng)圖像復(fù)雜時(shí)，如信噪比低、灰度差異不明顯等（其直方圖表現(xiàn)為雙峰差別很大，甚至單峰），有些分割方法的分割效果就不佳，甚至產(chǎn)生分割錯(cuò)誤。目前，還沒(méi)有對(duì)所有測(cè)試圖像分割效果均為最佳的方法。在分割復(fù)雜紅外圖像時(shí)，應(yīng)根據(jù)具體的紅外背景和目標(biāo)類型選擇合適的分割方法。

圖像分割方法有多種，其中閾值分割法因?qū)崿F(xiàn)簡(jiǎn)單，實(shí)時(shí)性強(qiáng)，成為圖像分割中最基本且應(yīng)用最廣的分割算法，但目前還無(wú)一通用方法確定最佳閾值。近年來(lái)以基于最大熵概念或基于最大類間方差（Otsu法）的閾值選取方法頗受關(guān)注，這兩類方法也由一維拓展到二維，對(duì)圖像的灰度信息和像素點(diǎn)間的空間鄰域信息均加以考慮，當(dāng)圖像信噪比較低時(shí)效果較一維方法有明顯改善。二維方法計(jì)算量大、運(yùn)算時(shí)間長(zhǎng)，故采用混沌粒子群算法優(yōu)化運(yùn)行時(shí)間，搜索出分割紅外圖像的最優(yōu)閾值?；诨煦缌Ｗ尤簝?yōu)化的Otsu和最大熵紅外圖像分割方法能根據(jù)圖像背景與目標(biāo)面積相差大的特點(diǎn)，自適應(yīng)搜索到最優(yōu)閾值，快速有效分割背景起伏、目標(biāo)特征不明顯的紅外圖像。當(dāng)圖像質(zhì)量較好和目標(biāo)存在形態(tài)特征時(shí)，用Otsu方法分割的目標(biāo)區(qū)域內(nèi)部均勻，邊界形狀精確，分割結(jié)果更接近實(shí)際；最大熵的分割方法可較好地抑制雜波干擾的影響，提取目標(biāo)信息能力強(qiáng)，更適于目標(biāo)不具備形態(tài)特征及低信噪比紅外圖像。

3.2 目標(biāo)要害部位選取

在彈道終端，導(dǎo)引頭瞬時(shí)視場(chǎng)很小，且由于導(dǎo)彈飛行沖擊、振動(dòng)和擺動(dòng)而存在抖動(dòng)，過(guò)大的跟蹤部位（如發(fā)動(dòng)機(jī)尾焰）很容易再次溢出導(dǎo)引頭視場(chǎng)，因此局部圖像跟蹤點(diǎn)的選擇須從易于識(shí)別和利于縮短跟蹤盲區(qū)及是否為目標(biāo)要害部位三方面綜合考慮。

對(duì)不同種類的目標(biāo)，相似性和軸對(duì)稱性是其頭部共有的重要特征，且受目標(biāo)飛行姿態(tài)影響小，易于實(shí)現(xiàn)快速自動(dòng)識(shí)別和在相鄰幀特征點(diǎn)間建立對(duì)應(yīng)，頭部圓錐形特征的提取相對(duì)目標(biāo)的尾焰、形心、機(jī)翼等特征有更高的識(shí)別精度和可實(shí)現(xiàn)性，只需通過(guò)相應(yīng)的圖像處理方法就可精確地提取其位置。在彈目遭遇過(guò)程中，交會(huì)速度快且時(shí)間極短，目標(biāo)可視為慣性飛行，目標(biāo)軸向在彈體坐標(biāo)系內(nèi)的空間姿態(tài)角保持不變，相鄰兩幀圖像中目標(biāo)軸向的相關(guān)性非常強(qiáng)，局部圖像跟蹤過(guò)程中可利用由形心圖像跟蹤向局部圖像跟蹤轉(zhuǎn)換時(shí)刻的目標(biāo)軸向信息逆向搜索灰度突變點(diǎn)，第一個(gè)突變點(diǎn)的位置即為該時(shí)刻的目標(biāo)頭部位置，跟蹤視場(chǎng)中心由形心切換到目標(biāo)頭部位置，實(shí)現(xiàn)對(duì)目標(biāo)的局部圖像跟蹤。

4 紅外成像仿真技術(shù)

紅外目標(biāo)與背景圖像仿真是紅外成像仿真中的關(guān)鍵技術(shù)，只有獲得了目標(biāo)和背景的紅外圖像，才能對(duì)各種濾波算法、圖像增強(qiáng)與補(bǔ)償算法、特征提取算法及目標(biāo)狀態(tài)估計(jì)等算法的有效性進(jìn)行研究。其中產(chǎn)生實(shí)時(shí)、長(zhǎng)時(shí)間可用且具有一定通用性的紅外圖像，是研究的重難點(diǎn)。

紅外圖像反映的是物體的溫度和發(fā)射率信息，生成紅外圖像必須分析物體（包括目標(biāo)和背景）的紅外特性以及大氣傳輸對(duì)紅外輻射衰減的影響。紅外圖像的生成涉及紅外輻射物理學(xué)、傳熱學(xué)、大氣輻射物理學(xué)、計(jì)算機(jī)圖形學(xué)等學(xué)科。

4.1 目標(biāo)紅外輻射

確定了溫度和發(fā)射率，就可確定物體的紅外輻射［7］。對(duì)飛機(jī)、軍艦等目標(biāo)，不同部位的溫度各異。飛機(jī)的典型部位是蒙皮、噴管、尾焰等，各典型部位間存在傳導(dǎo)、對(duì)流和輻射換熱。目標(biāo)的溫度主要受自身溫度和背景輻射的影響，飛機(jī)各部位的溫度可用兩種方法求得。一是用經(jīng)驗(yàn)數(shù)據(jù)和經(jīng)驗(yàn)公式，主要取決于飛機(jī)具體型號(hào)，不同型號(hào)間的差別較大，不同飛行狀態(tài)的溫度差別較大，因未考慮不同溫度部位的熱傳遞，該法的精度不高。另一較精確的方法是建立各典型部位間的熱傳遞方程，包括傳導(dǎo)、對(duì)流和輻射等，工程計(jì)算中通常將連續(xù)性的微分方程離散化再求解，常用的有差分法和有限元法。物體的發(fā)射率取決于其表面材料，對(duì)特定的目標(biāo)，需確定其表面材料，因表面材料常經(jīng)表面陽(yáng)極化、涂清漆等處理，某些目標(biāo)表面采用了紅外隱身處理，發(fā)射率明顯減小。

4.2 背景紅外輻射

由于自然條件的影響，不確定性因素過(guò)多，背景的輻射相對(duì)目標(biāo)的紅外輻射復(fù)雜得多。如海洋背景的輻射，在氣候變化過(guò)程中海面會(huì)呈現(xiàn)不同的紅外輻射特性，風(fēng)使海面形成海浪，海浪的斜率及大小直接影響海面的紅外發(fā)射率和透射率的變化，而這些變化可反映在紅外探測(cè)器中；空氣濕度、大氣溫度等氣象因素影響海上大氣紅外輻射與衰減，對(duì)紅外探測(cè)器也會(huì)產(chǎn)生一定的影響；天空、云層、太陽(yáng)的紅外輻射通過(guò)海面的反射也能在探測(cè)器中反映出。上述諸因素聯(lián)合作用確定了海面的紅外輻射。

4.3 輻射傳輸

目前國(guó)內(nèi)大多數(shù)研究紅外熱像生成的文獻(xiàn)僅局限在與觀察者零距離時(shí)的靜態(tài)熱像生成，對(duì)戰(zhàn)場(chǎng)環(huán)境中紅外系統(tǒng)探測(cè)到的紅外熱像應(yīng)考慮大氣傳輸和傳感器的影響。紅外輻射經(jīng)大氣產(chǎn)生衰減，而大氣本身也會(huì)產(chǎn)生輻射。目前，公認(rèn)的大氣透過(guò)率計(jì)算精度較高的是LOWTRAN模型。

生成最終的紅外系統(tǒng)探測(cè)到的紅外熱像須對(duì)傳感器進(jìn)行模擬。按功能分，紅外輻射經(jīng)光學(xué)系統(tǒng)聚焦后進(jìn)入探測(cè)器，探測(cè)器將輻射通量轉(zhuǎn)換成電信號(hào)，輸出的電信號(hào)相當(dāng)微弱，經(jīng)放大處理最終將電信號(hào)轉(zhuǎn)為顯示器上的灰度。傳感器的模擬同時(shí)提供了一種仿真圖像的灰度線性量化準(zhǔn)則，即確定最高和最小灰度分別對(duì)應(yīng)的輻射，否則無(wú)法進(jìn)行量化。因此，為真正生成紅外系統(tǒng)的熱圖像，須要對(duì)傳感器進(jìn)行模擬，才能與紅外系統(tǒng)的圖像處理算法構(gòu)成閉合仿真系統(tǒng)。經(jīng)上述模擬產(chǎn)生的紅外熱像，可與圖像處理單元構(gòu)成閉合仿真回路，以考查算法的優(yōu)劣，評(píng)估紅外成像系統(tǒng)探測(cè)跟蹤目標(biāo)的能力。

與外場(chǎng)試驗(yàn)相比，計(jì)算機(jī)模擬生成熱像可節(jié)省大量的試驗(yàn)費(fèi)用，還能產(chǎn)生外場(chǎng)試驗(yàn)無(wú)法獲取的戰(zhàn)場(chǎng)條件，全面測(cè)試評(píng)估紅外成像系統(tǒng)的性能，有極高的價(jià)值。

5 結(jié)束語(yǔ)

本文對(duì)紅外凝視成像導(dǎo)引頭目標(biāo)檢測(cè)識(shí)別中的共性技術(shù)進(jìn)行了綜述。紅外成像導(dǎo)引頭目標(biāo)檢測(cè)識(shí)別是當(dāng)前智能化信息處理的前沿技術(shù)，是提高成像導(dǎo)引頭性能的關(guān)鍵。由于戰(zhàn)場(chǎng)環(huán)境和目標(biāo)特性復(fù)雜多變，不可能找到一種可用于所有場(chǎng)景的通用算法，因此要求有一個(gè)算法庫(kù)以適應(yīng)條件的改變，導(dǎo)引頭能針對(duì)性地選用相應(yīng)算法，以獲得最佳效果。

［1］ 許 彬，鄭 鏈，王永學(xué)，等.紅外序列圖像小目標(biāo)檢測(cè)與跟蹤技術(shù)綜述［J］.紅外與激光工程，2004，33（5）：482－487.

［2］ CHE Hong，SUN Long－h(huán)e.A novel method for plane array infrared image to detect point target［C］／／2009Fifth International Conference on Information Assurance and Security.［s.l.］：［s.n.］，2009：3373，234－240.

［3］ SUN Xie－chang，ZHANG Tian－xu，LI Meng.Moving point target detection using temporal variance filter in IR imagery［C］／／Proc SPIE Conference on Signal and Data Processing of Small Targets.［s.l.］：［s.n.］，2007：6786，67861Z－1.

［4］ 余 農(nóng)，吳常泳，湯心溢，等.紅外目標(biāo)檢測(cè)的自適應(yīng)背景感知算法［J］.電子學(xué)報(bào)，2005，33（2）：200－204.

［5］ 余 農(nóng)，吳常泳，湯心溢，等.紅外成像自動(dòng)目標(biāo)識(shí)別技術(shù)研究——計(jì)算模型與數(shù)據(jù)流程［J］.現(xiàn)代防御技術(shù)，2003，31（6）：52－59.

［6］ 卓志敏.紅外成像目標(biāo)檢測(cè)與跟蹤技術(shù)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2007.

［7］ 孫少軍，王學(xué)偉.紅外成像仿真中的若干關(guān)鍵技術(shù)研究［J］.光學(xué)與光電技術(shù)，2004，2（3）：18－20.