基于人類(lèi)視覺(jué)機(jī)制的紅外目標(biāo)檢測(cè)方法*

王 瑞，朱志宇，張 冰

（江蘇科技大學(xué)電子信息學(xué)院，江蘇 鎮(zhèn)江 212003）

基于人類(lèi)視覺(jué)機(jī)制的紅外目標(biāo)檢測(cè)方法*

王 瑞，朱志宇?，張 冰

（江蘇科技大學(xué)電子信息學(xué)院，江蘇 鎮(zhèn)江 212003）

針對(duì)紅外小目標(biāo)圖像信噪比低，背景復(fù)雜等特點(diǎn)，提出一種基于人類(lèi)視覺(jué)系統(tǒng)對(duì)比機(jī)制的紅外小目標(biāo)檢測(cè)方法。該方法充分模擬人眼視覺(jué)系統(tǒng)對(duì)比機(jī)制，通過(guò)圖像局部視覺(jué)對(duì)比度顯著圖及自適應(yīng)閾值選取，鎖定感興趣目標(biāo)區(qū)域，實(shí)現(xiàn)對(duì)紅外圖像中弱小目標(biāo)的精確檢測(cè)。與Top-hat和逐個(gè)像素對(duì)比度計(jì)算的檢測(cè)方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明所提出的方法能夠在低信噪比條件下更有效地檢測(cè)紅外弱小目標(biāo)。

目標(biāo)檢測(cè)，紅外弱小目標(biāo)，視覺(jué)機(jī)制

0 引言

現(xiàn)有的紅外目標(biāo)檢測(cè)方法有：均值濾波法［1］、中值濾波法［2］、Top-Hat濾波法［3］等。盡管這些算法能夠起到抑制背景的效果，卻不能滿足對(duì)不同尺寸目標(biāo)的跟蹤需求。近年來(lái)模仿生物視覺(jué)對(duì)比機(jī)制工作原理的小目標(biāo)檢測(cè)方法興起，旨在實(shí)現(xiàn)復(fù)雜背景下紅外小目標(biāo)的精確檢測(cè)［4-6］。人類(lèi)視覺(jué)系統(tǒng)包括視覺(jué)注意機(jī)制、對(duì)比機(jī)制和學(xué)習(xí)記憶機(jī)制。目前研究較為廣泛地集中于視覺(jué)注意機(jī)制，比如利用檢測(cè)視覺(jué)注意力焦點(diǎn)區(qū)域的方法來(lái)模擬人類(lèi)視覺(jué)系統(tǒng)的全局搜索過(guò)程［7］。針對(duì)紅外圖像中的各類(lèi)團(tuán)塊目標(biāo)，根據(jù)團(tuán)塊目標(biāo)與背景在多種特征、多個(gè)尺度上的差異性，利用視覺(jué)注意模型確定目標(biāo)位置，提取目標(biāo)區(qū)域［8］。不同的特征對(duì)視覺(jué)顯著性的貢獻(xiàn)是不同的，文獻(xiàn)［9］提出了一種能夠自動(dòng)進(jìn)行特征選擇和加權(quán)的圖像顯著區(qū)域檢測(cè)方法，可以在短時(shí)間內(nèi)搜尋到含有潛在目標(biāo)的重要區(qū)域，有效壓縮計(jì)算量。

然而紅外圖像背景復(fù)雜、信噪比低、目標(biāo)弱小，僅僅依靠注意機(jī)制不能精確鎖定目標(biāo)區(qū)域。對(duì)比機(jī)制的應(yīng)用在這種條件下格外有效和重要。文獻(xiàn)［10］應(yīng)用DK（DerivedKernel）模型來(lái)模擬人眼的對(duì)比機(jī)制，但是給出的方法需要逐個(gè)像素計(jì)算，運(yùn)算量很大。文獻(xiàn)［11］應(yīng)用改善了原始逐個(gè)像素計(jì)算的方法，但是算法的實(shí)時(shí)性及自適應(yīng)能力有待提高。

本文針對(duì)紅外小目標(biāo)圖像信噪比低、背景復(fù)雜等特點(diǎn)，提出一種基于人類(lèi)視覺(jué)系統(tǒng)對(duì)比機(jī)制的紅外小目標(biāo)檢測(cè)方法。計(jì)算圖像局部視覺(jué)對(duì)比度獲得顯著圖，自適應(yīng)選取閾值鎖定感興趣目標(biāo)區(qū)域，從而提高紅外弱小目標(biāo)檢測(cè)精度、減少計(jì)算量并提高自適應(yīng)能力。

1 基于視覺(jué)對(duì)比機(jī)制的目標(biāo)檢測(cè)方法

在紅外圖像背景中存在亮度很高的噪聲，其亮度和真實(shí)目標(biāo)極為相似，這將導(dǎo)致目標(biāo)檢測(cè)錯(cuò)誤率的提升。人眼對(duì)比機(jī)制識(shí)別目標(biāo)的依據(jù)是目標(biāo)與背景之間的對(duì)比差異而非亮度。目標(biāo)檢測(cè)算法的模塊流程圖如圖1所示：

圖1 目標(biāo)檢測(cè)算法流程圖

提出的算法包括紅外圖像輸入、預(yù)處理、子圖像區(qū)域陣列獲取、局部視覺(jué)對(duì)比度計(jì)算、自適應(yīng)最佳閾值判定及目標(biāo)中心計(jì)算6個(gè)環(huán)節(jié)。輸入的紅外圖像具有信噪比低、背景復(fù)雜、目標(biāo)弱小的特點(diǎn)。采用二維高斯差分濾波器（2D DOG）對(duì)紅外圖像進(jìn)行預(yù)處理，為后續(xù)跟蹤創(chuàng)造條件。子圖像區(qū)域陣列獲取和局部視覺(jué)對(duì)比度計(jì)算共同構(gòu)成算法核心環(huán)節(jié)，實(shí)現(xiàn)對(duì)視覺(jué)對(duì)比機(jī)制的模擬。最后通過(guò)自適應(yīng)最佳閾值判定及目標(biāo)中心計(jì)算準(zhǔn)確檢測(cè)目標(biāo)區(qū)域。

1.1 紅外圖像預(yù)處理

采用二維高斯差分濾波器（2D DoG）對(duì)紅外圖像進(jìn)行預(yù)處理，模擬視覺(jué)系統(tǒng)的注意機(jī)制，在增強(qiáng)目標(biāo)的同時(shí)，抑制背景噪聲。兩個(gè)具有不同標(biāo)準(zhǔn)差的二維高斯函數(shù)的差分定義為：

其中 σ1＜σ2。

1.2 子圖像區(qū)域陣列

采用邊長(zhǎng)為6個(gè)像素的滑動(dòng)窗口按照從上到下、從左到右的順序掃描紅外圖像，得到一系列子圖像區(qū)域。高亮度噪聲通常以單個(gè)像素形式出現(xiàn)，在灰度矩陣中占據(jù)的像素十分少，而真實(shí)的紅外弱小目標(biāo)通常占據(jù)一小塊區(qū)域（少于9×9像素）。為了使高亮噪聲被周?chē)尘八蜎](méi)，采用每個(gè)子圖像的平均灰度作為參數(shù)。掃描后的子圖像分為3類(lèi)：目標(biāo)區(qū)域、混合區(qū)域、背景區(qū)域。只有目標(biāo)的區(qū)域稱(chēng)為目標(biāo)區(qū)域，既有目標(biāo)又有背景的區(qū)域稱(chēng)為混合區(qū)域，只有背景的區(qū)域叫作背景區(qū)域。

1.3 視覺(jué)對(duì)比度計(jì)算

定義子圖像的平均灰度為：

其中 m（sblk（s，t））表示子圖像 sblk（s，t）的平均灰度值，a×b表示該子圖像塊的尺寸，I（pixel（i，j））是像素pixel（i，j）的灰度。并將所有子圖像排成新的陣列M（i，j）。假設(shè)某子圖像塊的最大灰度值為 Lmax，mi（i=1，2，3，…，8）是在子圖像陣列中與平均灰度為m0的子圖像塊相鄰的8個(gè)子圖的平均灰度，如圖2所示：

圖2 子圖像局部陣列圖

如果該圖像塊是目標(biāo)區(qū)域，則有：

反之，背景區(qū)域有：

定義子圖像局部對(duì)比度為：

因此，經(jīng)過(guò)LCM運(yùn)算后，目標(biāo)被增強(qiáng)，背景被抑制。對(duì)陣列M（i，j）中的每一個(gè)元素計(jì)算與之對(duì)應(yīng)的LCM，得到圖像的局部對(duì)比度顯著圖。

1.4 自適應(yīng)閾值判定

傳統(tǒng)的檢測(cè)目標(biāo)圖像區(qū)域的方法是定義閾值：

其中，μ表示顯著圖的均值，σ表示顯著圖的方差，k是一個(gè)常數(shù)。如果子圖像塊的局部視覺(jué)對(duì)比度LCM＞Th，那么該子圖像就是目標(biāo)區(qū)域。然而，在紅外圖像信噪比低的情況下，難以快速獲得取值以得到最佳閾值。并且k的大小取決于目標(biāo)尺寸和目標(biāo)與背景的差異。

應(yīng)用一種基于灰度統(tǒng)計(jì)量的方法求出自適應(yīng)最佳閾值，具體如下：

設(shè)顯著圖的元素LCM范圍為 {0，1，…，l-1}，LCM為i的子圖像塊數(shù)為ni，子圖像總數(shù)是：

LCM為i的子圖像出現(xiàn)的概率為：

其均值分別為：

顯著圖可視為組合背景與目標(biāo)像素灰度混合分布的概率密度函數(shù)，假定混合背景和目標(biāo)分布的兩個(gè)分量 p（i|0）和 p（i|1）都是正態(tài)分布，其均值為μ0，μ1由公式給出，標(biāo)準(zhǔn)差為：

不失一般性，可認(rèn)為目標(biāo)和背景的LCM分的足夠開(kāi)時(shí)，應(yīng)滿足：

式中，參數(shù)T根據(jù)具體分布特性取值，一般在2～3之間。如果顯著圖的LCM分布的均值和標(biāo)準(zhǔn)差滿足這一條件，則認(rèn)為該閾值可將目標(biāo)和背景完全分開(kāi)，相反，若不等式（13）不成立，則閾值參數(shù)k需要重新確定。

1.5 目標(biāo)檢測(cè)

將LCM＞Th的子圖像區(qū)域視作目標(biāo)區(qū)域，目標(biāo)區(qū)域中心（ti，tj）可由下式確定：

其中，I（pixel（i，j））是像素pixel（i，j）的灰度。以目標(biāo)中心為目標(biāo)檢測(cè)框中心，掃描窗口尺寸為檢測(cè)框大小，獲得最終目標(biāo)區(qū)域檢測(cè)結(jié)果（Target Block，TB）。

2 基于HVS對(duì)比機(jī)制的目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果與對(duì)比分析

2.1 顯著圖對(duì)比實(shí)驗(yàn)結(jié)果

所提算法得到的局部視覺(jué)對(duì)比度顯著圖與灰度顯著圖對(duì)比結(jié)果如圖3所示。

其中，圖 3（a）是原始紅外小目標(biāo)圖像，圖 3（b）、圖3（c）分別為灰度顯著圖和局部視覺(jué)對(duì)比度顯著圖。通過(guò)圖 3（b）、圖 3（c）對(duì)比可以看出，弱小目標(biāo)區(qū)域灰度，在所提算法處理后灰度值由150增加到近200，并且向目標(biāo)中心收斂，同時(shí)，圖3（b）中右下角毛刺噪聲被周?chē)尘八蜎](méi)，灰度值成倍驟降。

圖3 局部視覺(jué)對(duì)比度顯著圖結(jié)果與對(duì)比

2.2 基于HVS對(duì)比機(jī)制的目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)以?xún)山M來(lái)自機(jī)場(chǎng)紅外探測(cè)器監(jiān)測(cè)的真實(shí)紅外圖像序列為檢測(cè)對(duì)象。每組包含30幀，第1組序列小目標(biāo)飛行器在晴朗天氣下飛行，第2組為多云天氣。

圖4 基于HVS的目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果如圖4所示。在兩組實(shí)驗(yàn)圖像序列中分別挑選一幀作為代表，圖4（a）是原始圖像采用二維高斯差分器（2D DoG）預(yù)處理后結(jié)果，圖4（b）是子圖像的局部視覺(jué)對(duì)比度陣列圖像。相對(duì)4（a）中兩圖而言，4（b）中目標(biāo)與周?chē)尘安町惛用黠@，對(duì)比強(qiáng)烈，實(shí)現(xiàn)了對(duì)人眼對(duì)比機(jī)制的模擬。圖4（c）是紅外圖像的局部視覺(jué)對(duì)比度顯著圖。顯著圖更加直觀地顯示了目標(biāo)與背景的差異。圖4（d）顯示了最終的目標(biāo)檢測(cè)結(jié)果，兩幅圖像中的弱小紅外目標(biāo)均被精確檢測(cè)出。兩組圖像序列掃描窗口尺寸分別為6 pixel×8 pixel，6 pixel×6 pixel。

2.3 與其他方法的對(duì)比

將本文的目標(biāo)檢測(cè)方法與基于Top-Hat的目標(biāo)檢測(cè)方法和逐個(gè)像素計(jì)算的目標(biāo)檢測(cè)方法［10］進(jìn)行對(duì)比。實(shí)驗(yàn)采用圖5（a）的3幀紅外圖像作為待檢測(cè)實(shí)驗(yàn)對(duì)象，圖5（b）是Top-Hat方法檢測(cè)結(jié)果，圖5（c）是逐個(gè)像素計(jì)算方法的檢測(cè)結(jié)果，圖5（d）是本文算法檢測(cè)結(jié)果。

3種算法均檢測(cè)出了圖5（a）中的第1幅圖像中的目標(biāo)，然而Top-Hat方法和逐個(gè)像素計(jì)算方法均出現(xiàn)了虛警。第2幅圖像的信噪比相對(duì)較高，3種方法都達(dá)到了很好的檢測(cè)效果。第3幅圖像的背景亮度很高，目標(biāo)較前兩幀更加弱小，Top-Hat方法沒(méi)有檢測(cè)出真正的目標(biāo)位置，逐個(gè)像素計(jì)算方法以及本文算法均檢測(cè)出了目標(biāo)實(shí)際位置，但是逐個(gè)像素計(jì)算方法虛警較多。通過(guò)對(duì)比實(shí)驗(yàn)表明，本文算法目標(biāo)檢測(cè)性能優(yōu)于Top-Hat目標(biāo)檢測(cè)方法和逐個(gè)像素計(jì)算的目標(biāo)檢測(cè)方法。

3 結(jié)論

本文針對(duì)紅外小目標(biāo)圖像信噪比低、背景復(fù)雜的特點(diǎn)提出一種基于人類(lèi)視覺(jué)系統(tǒng)對(duì)比機(jī)制的目標(biāo)檢測(cè)方法。該方法采用二維高斯差分器對(duì)原始紅外圖像進(jìn)行預(yù)處理，通過(guò)圖像局部視覺(jué)對(duì)比度顯著圖和自適應(yīng)閾值選取，鎖定感興趣目標(biāo)區(qū)域，實(shí)現(xiàn)精確檢測(cè)。將所提出的方法與Top-Hat檢測(cè)方法和逐個(gè)像素計(jì)算的目標(biāo)檢測(cè)方法［10］進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，所提出的算法檢測(cè)效果更加精確，具有魯棒性。

圖5 目標(biāo)檢測(cè)性能對(duì)比實(shí)驗(yàn)結(jié)果圖

［1］BARNETT J T.Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds［C］//Proceedings of SPIE-the International Society for Optical Engineering，1989，1050：10-15.

［2］DESHPANDESD，MENGHE，VENKATESWARLUR，etal.Max-mean and max-median filters for detection of small targets［C］//Proceedings of SPIE-the International Society for Optical Engineering，1999，3809：74-83.

［3］TOM V T.Morphology-based algorithm for point target detection in infrared backgrounds［C］//Proceedings of the SPIE，1993，1954：2-11.

［4］HUANG K，TAO D，YUAN Y，et al.Biologically inspired features for scene classification in video surveillance［J］.IEEE Transactions on Systems Man&Cybernetics Part B Cybernetics a Publication of the IEEE Systems Man&Cybernetics Society，2011，41（1）：307-313.

［5］SERRE T，WOLF L，BILESCHI S，et al.Robust object recognition with cortex-like mechanisms［J］.IEEE Transactions on Pattern Analysis& Machine Intelligence，2007，29（3）：411-426.

［6］SONG D，TAO D.Biologically inspired feature manifold for scene classification ［J］.IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2010，19（1）：174-184.

［7］朱明清，王智靈，陳宗海.基于人類(lèi)視覺(jué)智能和粒子濾波的魯棒目標(biāo)跟蹤算法［J］.控制與決策，2012，27（11）：1720-1724.

［8］HAN J H，MA Y，ZHOU B，et al.A robust infrared small target detection algorithm based on human visual system［J］.IEEE Trans.On Geoscience and Remote Sensing Letters，2014，11（12）：2168-2172.

［9］QI S X，MA J，TAO C，et al.A robust directional saliency-based method for infrared small-target detection under various complex backgrounds ［J］.IEEE Trans.On Geoscience and Remote Sensing Letters，2013，10（3）：495-499.

［10］SHAO X，F(xiàn)AN H，LU G，et al.An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system［J］.Infrared Physics&Technology，2012，55（5）：403-408.

［11］CHEN C L P，LI H，WEI Y，et al.A local contrast method for small infrared target detection［J］.IEEE Trans.Geosci.Remote Sens，2014，52（1）：574-581.

［12］HAN J H，MA Y，ZHOU B，et al.A robust infrared small target detection algorithm based on human visual system［J］.Geoscience&Remote Sensing Letters IEEE，2014，11（12）：2168-2172.

［13］張聰，高磊，李少軍.基于改進(jìn)HFQC濾波的紅外弱小目標(biāo)檢測(cè)［J］.四川兵工學(xué)報(bào)，2015，35（5）：137-140.

An Infrared Target Detection Method Based on Human Vision Mechanism

WANG Rui，ZHU Zhi-yu?，ZHANG Bing
（Jiangsu University of Science and Technology ，Zhenjiang 212003，China）

For signal to noise ratio（SNR）of infrared small target image is low，and the background is complex and so on，an infrared small target detection method based on the contrast mechanism of human visual system is proposed.The method fully simulated the contrast mechanism of human visual system.The target region is locked by image local visual contrast saliency map and adaptive threshold selection to realize the accurate detection of small target in infrared image sequences.The method is compared with Top-hat and pixel by pixel contrast calculation method.The experimental results show that this method can detect the infrared dim target more effectively in low SNR condition.

target detection，infrared dim target，visual mechanism

1002-0640（2017）10-0138-04

TN751

A

10.3969/j.issn.1002-0640.2017.10.029

2016-09-07

2016-10-22

國(guó)家自然科學(xué)基金（61671222）；江蘇省自然科學(xué)基金面上基金資助項(xiàng)目（SBK2015021788）

王 瑞（1992- ），女，遼寧昌圖人，碩士研究生。研究方向：圖像處理、目標(biāo)識(shí)別等。

*通信作者：朱志宇（1971- ），男，江蘇揚(yáng)州人，博士，教授。研究方向：艦船自動(dòng)化、智能控制等。