基于多級綜合分類器的紅外目標(biāo)檢測

王培早，王衛(wèi)華，王海松，陳曾平

摘 要：文章針對大視場不同尺度的紅外目標(biāo)檢測問題，以大視場紅外搜索系統(tǒng)為基礎(chǔ)，提出了一種基于多級綜合分類器的實時紅外目標(biāo)檢測算法，實現(xiàn)由粗到精的虛警剔除。在預(yù)處理階段，該算法首先進(jìn)行尺度放縮變換，在不同的尺度上采用Robinson濾波抑制背景，再將不同尺度的濾波結(jié)果在原始尺度上融合；在對圖像進(jìn)行背景抑制的基礎(chǔ)上，構(gòu)造多級串聯(lián)的綜合分類器：在目標(biāo)的粗檢測階段，采用模糊隸屬度融合的分類器剔除大部分虛警；在目標(biāo)的精細(xì)檢測階段，提取候選目標(biāo)的特征并進(jìn)行類間特性分析，設(shè)計基于Fisher系數(shù)加權(quán)的綜合分類器以實現(xiàn)真實目標(biāo)的確認(rèn)與虛警剔除。實驗表明，該算法能夠有效剔除與真實目標(biāo)特性相似的虛警干擾，對尺度變化的紅外運動目標(biāo)具有較好的檢測效果。

關(guān)鍵詞：Robinson濾波；多級綜合分類器；模糊隸屬度融合；Fisher判據(jù)；紅外目標(biāo)檢測

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A

Infrared Target Detection Based on the Multi-Level Synthesis Classifier

WANG Peizao，WANG Weihua，WANG Haisong，CHEN Zengping

（National University of Defense Technology，Changsha 410073， China）

Abstract：The paper proposes a real-time infrared target detection algorithm based on the multi-level synthetic classifier for the large-field of view infrared search system to achieve false alarm elimination from coarse to fine.In the preprocessing stage，the algorithm firstly transforms the image sequence into different scales and uses the Robinson filtering to suppress the background，then fuses the filter results on the original scale.Based on the background suppression of the image，the paper constructs the multi-level series of the synthesis classifier.In the target coarse detection phase，it uses the fuzzy membership fusion classifier to remove most of the false alarm.In the target fine detection phase，it extracts the characteristics of the candidate targets and carries out the analysis of the inter-class characteristics to design an integrated classifier based on Fisher coefficient weight to realize the real target recognition and false alarm elimination.The experimental results show that the proposed algorithm can effectively eliminate the false alarm with similar characteristics to the real targets.It has a good detection effect on the moving infrared target changing in scale.

Keywords：Robinson filtering；multi-level synthesis classifier；fuzzy membership fusion；Fisher criterion；infrared target

detection

1 引言（Introduction）

近年來，大視場光電系統(tǒng)的發(fā)展為復(fù)雜背景下目標(biāo)的探測提供了解決的途徑。與傳統(tǒng)的小視場光電搜索系統(tǒng)相比，大視場光電搜索系統(tǒng)的目標(biāo)檢測具有以下難點：圖像數(shù)據(jù)量大，數(shù)據(jù)率高，背景十分復(fù)雜，目標(biāo)先驗信息未知，目標(biāo)識別的要求高等[1，2]。正是由于上述技術(shù)難點的存在，使得光電搜索系統(tǒng)目前在復(fù)雜戰(zhàn)場環(huán)境下的應(yīng)用還存在目標(biāo)檢測概率偏低、虛警概率偏高等問題[3]。如何有效地在大視場復(fù)雜背景的光電圖像中檢測識別目標(biāo)成為限制系統(tǒng)應(yīng)用迫切需要解決的關(guān)鍵問題。

目前，紅外目標(biāo)的檢測方法主要有單幀檢測法和多幀檢測法。單幀圖像的檢測方法主要有均值濾波、中值濾波等；多幀圖像的檢測方法主要有幀間差分法、管道濾波法等[4-6]。每種方法都有自己特定的應(yīng)用背景，比如，幀間差分法主要針對運動目標(biāo)進(jìn)行檢測[7]。本文以實際采集的紅外無人機(jī)圖像序列為例來闡述大視場復(fù)雜背景下的目標(biāo)檢測算法。針對無人機(jī)背景灰度變化、目標(biāo)探測距離未知、虛警干擾多等難題，本文提出了一種基于多尺度Robinson濾波和自適應(yīng)分割的檢測算法對圖像序列進(jìn)行分割；在得到分割圖像后，我們構(gòu)造了多級串聯(lián)的綜合分類器來提取真實的目標(biāo)。首先采用模糊隸屬度融合的分類器剔除大部分的虛警干擾；然后對疑似目標(biāo)的結(jié)構(gòu)特征和灰度統(tǒng)計特征進(jìn)一步進(jìn)行類間特征分析，選取表現(xiàn)良好的特征；最后將選取的特征與多幀之間的運動特性相融合，根據(jù)每個特征的置信度構(gòu)建基于Fisher系數(shù)加權(quán)的綜合分類器，實現(xiàn)低空背景下無人機(jī)目標(biāo)的有效檢測。算法流程圖如圖1所示。endprint

2 基于多尺度Robinson濾波的圖像預(yù)處理（Image

preprocessing based on multi-scale Robinson

filtering）

圖2是實際錄取的兩幅紅外無人機(jī)目標(biāo)圖像，其中無人機(jī)目標(biāo)以白色方框標(biāo)出?？梢钥闯?，目標(biāo)的強(qiáng)度較弱，信噪比和對比度較低；而且由于成像距離的影響，目標(biāo)的面積也在不斷變化。

經(jīng)過分析測試表明，Robinson濾波是一種有效的非線性背景抑制算法，在適當(dāng)選擇濾波算子的情況下，能夠增強(qiáng)目標(biāo)并抑制背景。經(jīng)過對多組實測數(shù)據(jù)的目標(biāo)特性進(jìn)行分析，本文擬采用一種多尺度濾波的預(yù)處理方法。首先對原始圖像進(jìn)行多通道縮放轉(zhuǎn)換處理；然后選用大小為11×11的Robinson算子，將圖像分別在原始尺度和降尺度并行進(jìn)行Robinson濾波；最后將降尺度處理結(jié)果恢復(fù)至原始尺度并與原始尺度的濾波結(jié)果進(jìn)行融合，再進(jìn)行弱小目標(biāo)的自適應(yīng)分割。這樣既能有效抑制背景中具有灰度奇異性的干擾目標(biāo)，又易于算法在硬件上的并行實現(xiàn)，濾波效果如圖3所示。

3 基于多級串聯(lián)綜合分類器的目標(biāo)確認(rèn)（The

confirmation of the target based on the multi-

level concatenated synthesis classifier）

在大視場紅外搜索系統(tǒng)中，由于背景的灰度起伏較大，且低空的建筑物和飛鳥等干擾較多，使得分割后的圖像中存在大量的虛警。本文采用多級串聯(lián)的綜合分類器來進(jìn)行真實目標(biāo)的確認(rèn)。首先采用模糊隸屬度融合的分類器得到疑似目標(biāo)所在的位置，剔除大部分虛警；在得到候選目標(biāo)的基礎(chǔ)上，進(jìn)一步分析目標(biāo)的類間特性，設(shè)計基于Fisher系數(shù)加權(quán)的綜合分類器區(qū)分特性極為相似的目標(biāo)和虛警，得到需要捕獲的一類目標(biāo)。

3.1 基于模糊隸屬度融合的疑似目標(biāo)提取

3.1.1 目標(biāo)特征提取

目標(biāo)識別的本質(zhì)是對目標(biāo)的特性進(jìn)行分析和判別。目標(biāo)的單幀特征可主要分為統(tǒng)計特征、結(jié)構(gòu)特征和變換系數(shù)特征[8]。從算法復(fù)雜度角度考慮，本文提取的特征主要有：

（1）灰度統(tǒng)計特性

①局部信噪比：目標(biāo)信噪比是對真實信號與背景干擾相對強(qiáng)度進(jìn)行刻畫的特征量，采用以下定義：，其中、分別為目標(biāo)和背景的灰度值，為背景雜波的方差。

②局部對比度：局部對比度是對圖像中目標(biāo)區(qū)域與背景區(qū)域灰度差異的刻畫，是目標(biāo)顯著性的度量，采用如下定義：，式中代表分割出的檢測區(qū)域的灰度均值，代表目標(biāo)局部鄰域內(nèi)的背景灰度均值。

③目標(biāo)局部獨立性：經(jīng)過像素聚類區(qū)域生長，對疑似目標(biāo)的最小外接矩形進(jìn)行5個像素的外擴(kuò)作為波門。真實目標(biāo)在目標(biāo)波門內(nèi)灰度具有局部的獨立性，即滿足下列判決條件：a.在目標(biāo)波門的四個角取窗口，其灰度值總和小于窗口尺寸；b.目標(biāo)波門的中間窗口灰度值不是最小值。

（2）結(jié)構(gòu)和邊緣特性

①目標(biāo)長寬比：目標(biāo)長寬比定義為：，其中、分別表示目標(biāo)在水平方向上坐標(biāo)的最小值和最大值，

、分別表示目標(biāo)在垂直方向上坐標(biāo)的最小值和最大值。

②邊緣完整性：將距質(zhì)心的距離作為標(biāo)準(zhǔn)對檢測到的目標(biāo)邊緣進(jìn)行連通會導(dǎo)致邊緣片段的遺漏與丟失，因此本文采用“邊框距離”來衡量不同的邊緣片段是否屬于同一目標(biāo)，通過將距目標(biāo)波門的距離小于門限的邊緣片段進(jìn)行聚類，實現(xiàn)目標(biāo)邊緣片段的有效組合。經(jīng)過合并，真實目標(biāo)的邊緣應(yīng)當(dāng)是完整的、封閉的，而背景強(qiáng)起伏干擾的邊緣則有可能是間斷的。因此，可以將聚類后邊緣不完整的疑似目標(biāo)予以剔除。

3.1.2 模糊隸屬度融合的分類器構(gòu)造

模糊隸屬度函數(shù)的構(gòu)造多種多樣，為計算簡便，本文采用梯形分布的隸屬度函數(shù)進(jìn)行建模。梯形分布的隸屬度函數(shù)構(gòu)造如下[9][其中為特征矢量中的特征參量，，是由先驗知識和實測數(shù)據(jù)確定的常數(shù)]：

（1）偏小型：，該類特征參量取值越小，疑似目標(biāo)為真實目標(biāo)的可能性就越大，即特征參量值的大小與疑似目標(biāo)的真實性負(fù)相關(guān)。結(jié)構(gòu)特征中面積變化率即屬于該類特征，它是對目標(biāo)狀態(tài)穩(wěn)定程度的刻畫，真實目標(biāo)在連續(xù)幀間的面積變化較小。

（2）中間型：，該類特征參量在特定的取值范圍內(nèi)，疑似目標(biāo)為真實目標(biāo)的可能性較大；反之，若特征參量的取值超出這一范圍，偏離得越多，疑似目標(biāo)為真實目標(biāo)的可能性就越小。目標(biāo)結(jié)構(gòu)特征中的長寬比、分散度和伸長度等特征參量均屬于該類特征。

（3）偏大型：，該類特征參量取值越大，疑似目標(biāo)為真實目標(biāo)的可能性就越大，即特征參量值的大小與疑似目標(biāo)的真實性正相關(guān)。灰度統(tǒng)計特性中的目標(biāo)局部信噪比和局部對比度是對目標(biāo)顯著性的直接反應(yīng)，屬于該類特征。

我們定義提取到的灰度統(tǒng)計特性的特征矢量，分別對應(yīng)灰度統(tǒng)計特征中局部信噪比、局部對比度和目標(biāo)局部獨立性；定義結(jié)構(gòu)特征矢量為，分別對應(yīng)目標(biāo)長寬比、伸長度、復(fù)雜度、區(qū)域面積變化率和目標(biāo)邊緣完整性。采用模糊綜合評判法，在上述特征矢量的基礎(chǔ)上構(gòu)建綜合分類器。該綜合分類器能夠針對每類特征構(gòu)造隸屬度函數(shù)，從而得到疑似目標(biāo)是否真實的置信度函數(shù)，實現(xiàn)融合判決[10]。

基于上述分析，多特征融合的模糊綜合分類器構(gòu)造如下：，其中，為灰度置信度函數(shù)，為結(jié)構(gòu)置信度函數(shù)。設(shè)置判決門限，置信度高于門限時可提取為疑似目標(biāo)，否則作為虛警剔除。

3.2 基于Fisher系數(shù)加權(quán)的綜合分類器的設(shè)計和真實

目標(biāo)的確認(rèn)

3.2.1 疑似目標(biāo)特性分析

提取出疑似目標(biāo)后，需要繼續(xù)對其進(jìn)行鑒別，進(jìn)一步剔除虛警。如圖2（a）中，存在三個明顯的小目標(biāo)，其中用白色方框標(biāo)注的為無人機(jī)目標(biāo)，剩余的一個為飛鳥。低空區(qū)域的飛鳥與遠(yuǎn)距離的無人機(jī)目標(biāo)在成像系統(tǒng)中特征極其相似，必須進(jìn)一步分析目標(biāo)的特征來進(jìn)行識別。endprint

在目標(biāo)識別中，將重要性不同的特征都平均地用于分類器中缺乏針對性，也不利于算法的實時性。目標(biāo)的類間特征是把一類目標(biāo)同其他不同類型的目標(biāo)區(qū)別開來的特性，在目標(biāo)識別過程中起著主要作用[11]。鑒于此，本文對提取的目標(biāo)特征進(jìn)行類間分析，提取表現(xiàn)較好的特征來構(gòu)建加權(quán)綜合分類器進(jìn)行目標(biāo)的精細(xì)提取。將實際錄取數(shù)據(jù)中的無人機(jī)目標(biāo)和干擾目標(biāo)飛鳥各取五個樣本（理論上應(yīng)為無窮多個），圖4為無人機(jī)目標(biāo)和飛鳥的局部放大圖。

從算法效率的角度考慮，本階段提取目標(biāo)的單幀特征有（具體的概念不再贅述，如表1和表2所示）。

（1）結(jié)構(gòu)特征：目標(biāo)面積；目標(biāo)波門面積；目標(biāo)波門長度；目標(biāo)波門寬度；目標(biāo)波門長寬比。

（2）統(tǒng)計特征：目標(biāo)局部信雜比；目標(biāo)局部對比度；全局信雜比；全局對比度；峰值信雜比；峰值對比度；峰全信雜比；峰全對比度。

圖像的單幀特征有時并不足以完成目標(biāo)的確認(rèn)。當(dāng)遇到背景復(fù)雜的圖像時，目標(biāo)的信噪比和對比度都比較低，這時利用單幀圖像的特征檢測容易出現(xiàn)虛警，所以需要利用圖像序列的特征來綜合判斷。運動目標(biāo)會在圖像序列中呈現(xiàn)出穩(wěn)定的航跡，而虛假目標(biāo)如噪聲則無規(guī)律性?？梢酝ㄟ^記錄序列圖像中目標(biāo)的位置來判斷疑似目標(biāo)的真實性。

對當(dāng)前檢測的目標(biāo)建立航跡，如果目標(biāo)已經(jīng)存在航跡，則繼續(xù)記錄目標(biāo)航跡。建立準(zhǔn)則來判斷目標(biāo)的運動特征的置信度[12]：①如果目標(biāo)的航跡置信度，則判斷其為真實航跡；②如果目標(biāo)的航跡置信度，或丟失目標(biāo)的幀數(shù)大于，則判斷其為虛假航跡并刪除候選目標(biāo)；③其他情況暫時無法判斷，繼續(xù)記錄航跡觀察。其中表示已確認(rèn)關(guān)聯(lián)的幀數(shù)與記錄航跡總幀數(shù)的比值，表示允許丟失幀數(shù)的最大值。

3.2.2 基于Fisher系數(shù)加權(quán)的綜合分類器

類間特征作為區(qū)分目標(biāo)的判據(jù)，不同目標(biāo)的類間特征應(yīng)具有較大差異[11]。我們選擇Fisher判據(jù)來表示不同特征在區(qū)分不同類目標(biāo)時作用的大小。假設(shè)對于特征A，不同類目標(biāo)表示為：，則兩類目標(biāo)關(guān)于特征A的Fisher比率定義為：。其中、分別為、關(guān)于特征A的平均值，、為它們關(guān)于特征A的方差。如果的值較大，則說明特征A在區(qū)分這兩類目標(biāo)時的作用較大；否則特征A不應(yīng)作為區(qū)分兩類目標(biāo)的特征。

上述單幀特征的Fisher比率值如表3所示。依據(jù)判決準(zhǔn)則，本文選取對無人機(jī)目標(biāo)和虛警具有較高區(qū)分度的特征量：目標(biāo)面積、目標(biāo)波門面積、目標(biāo)波門長度、目標(biāo)波門長寬比、目標(biāo)全局信雜比和目標(biāo)全局對比度，并基于這些特征參數(shù)構(gòu)造加權(quán)分類器。

由于候選目標(biāo)的特性比較相似，都在各自的中心值附近波動，因此將真實目標(biāo)和虛警特征矢量的隸屬度均用y類隸屬度表示。將目標(biāo)的結(jié)構(gòu)特征包括目標(biāo)面積、目標(biāo)波門面積、目標(biāo)波門長度與目標(biāo)波門長寬比表示為；目標(biāo)的灰度統(tǒng)計特征包括目標(biāo)全局信雜比和目標(biāo)全局對比度表示為；目標(biāo)的運動特征表示為。根據(jù)上一節(jié)的隸屬度函數(shù)，單幀目標(biāo)特征量對應(yīng)的隸屬度為，本文根據(jù)器對目標(biāo)的的區(qū)分度即Fisher比率對其賦予其相應(yīng)的分值，總分為1分（即）；而目標(biāo)的運動特征置信度為，由于本次實驗中的無人機(jī)和飛鳥均為運動目標(biāo)，靜止的目標(biāo)一定是虛警，因此它具有一票否決權(quán)。疑似目標(biāo)最終的置信度為：。設(shè)置門限，根據(jù)目標(biāo)的置信度得分

，來判定目標(biāo)的真實性，實現(xiàn)目標(biāo)的精細(xì)檢測。

4 實驗結(jié)果分析（Analysis of results）

采用實際錄取的無人機(jī)目標(biāo)的圖像序列對本文算法進(jìn)行檢測，如圖5所示。其中，（a）（d）為不同尺度無人機(jī)目標(biāo)的原始圖像；（b）（e）為模糊隸屬度融合分類后的初步檢測結(jié)果；（c）（f）為最終加權(quán)綜合分類器的檢測結(jié)果，圖（c）中與真實目標(biāo)極其相似的飛鳥已作為虛警剔除。

實際應(yīng)用中，漏檢率與虛警率是衡量算法性能的兩個重要指標(biāo)。因此，本文以這兩個指標(biāo)和最終是否正確識別真實目標(biāo)對算法的有效性進(jìn)行進(jìn)一步分析。通過五組實測圖像的驗證（表4），證明本文提出的目標(biāo)識別算法能夠進(jìn)行正確的航跡關(guān)聯(lián)，并最終實現(xiàn)對虛警的剔除和對真實目標(biāo)的確認(rèn)。

5 結(jié)論（Conclusion）

針對大視場紅外搜索中的無人機(jī)目標(biāo)識別問題，本文提出了一種基于特征融合的多級綜合分類器的無人機(jī)目標(biāo)檢測方法。對檢測到的目標(biāo)進(jìn)行由粗到精的分層次分類與虛警剔除，在虛警剔除的后期對無人機(jī)目標(biāo)和飛鳥的特征進(jìn)行了分析和選擇，來指導(dǎo)和訓(xùn)練加權(quán)綜合分類器，以實現(xiàn)目標(biāo)識別。多層綜合分類器既滿足了序列圖像處理實時性需求，又避免了根據(jù)單一特征參量進(jìn)行判決導(dǎo)致分類性能的降低，可以在復(fù)雜背景下有效排除虛警干擾。該算法較好地解決了目標(biāo)強(qiáng)度弱和目標(biāo)尺寸變化帶來的檢測問題，對低空背景下弱小目標(biāo)的檢測和跟蹤具有一定意義。

參考文獻(xiàn)（References）

[1] Yu Duan，Minghui Li，Zhaodong Niu，et al.A Star Pattern Recognition Algorithm for cameras with Large FOV [J].Journal of Modern Optics，2017，10（2）：236-241.

[2] Songlin LIU，Gang SUN，Zhaodong NIU，et al.Robust rigid coherent point drift algorithm based on outlier suppression and its application in image matching [J]. Journal of Applied Remote Sensing，2015，9：1-16.

[3] Gang Sun，Songlin Liu，Weihua Wang，et al.Dynamic Range Compression and Detail Enhancement Algorithm for Infrared Image[J]. Applied Optics，2014，53（26）：6013-6029.endprint

[4] 王玲玲，辛云宏.基于形態(tài)學(xué)與遺傳粒子濾波器的紅外小目標(biāo)檢測與跟蹤算法[J].光子學(xué)報，2013，42（7）：849-856.

[5] 侯旺，孫曉亮，尚洋，等.紅外弱小目標(biāo)檢測技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J].紅外技術(shù)，2015，37（1）：1-9.

[6] 白俊奇.基于最大類間方差法的紅外目標(biāo)檢測方法[J].指揮信息系統(tǒng)與技術(shù)，2017，8（2）：52-53.

[7] 毋亞北.紅外跟蹤系統(tǒng)空目標(biāo)檢測技術(shù)研究[D].光子學(xué)報.長沙：國防科技大學(xué)，2012：3-5.

[8] 王衛(wèi)華，李志軍，何艷，等.一種基于興趣區(qū)提取的紅外搜索系統(tǒng)目標(biāo)實時檢測算法[J].中國激光，2012，39（11）：1-5.

[9] 孫即祥.現(xiàn)代模式識別[M].長沙：國防科技大學(xué)出版社.2003：248-249.

[10] 孫剛.大視場紅外搜索系統(tǒng)目標(biāo)檢測關(guān)鍵技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2015：110-111.

[11] 李軍梅，胡以華，蔡曉春，等.兩類特征在紅外目標(biāo)識別中的應(yīng)用[J].激光與紅外，2005，35（3）：196-198.

[12] Qiwei Dai，Weihua Wang，Zengping Chen.Infrared Target Detection and False Alarm Elimination Based On Multi Feature Fusion Decision Progress in Electromagnetics Research Symposium（PIERS），August 8-11，Shanghai，China，2016：2719-2723.

作者簡介：

王培早（1993-），女，碩士生.研究領(lǐng)域：紅外圖像處理與自動目標(biāo)識別.

王衛(wèi)華（1980-），男，博士，副教授.研究領(lǐng)域：紅外圖像處理與信號處理，自動目標(biāo)識別.

王海松（1991-），男，碩士生.研究領(lǐng)域：雷達(dá)信號處理與波形產(chǎn)生.

陳曾平（1967-），男，博士，教授.研究領(lǐng)域：空間目標(biāo)雷達(dá)成像與識別，高速數(shù)據(jù)采集，存儲與實時處理技術(shù)，射頻全數(shù)字陣列雷達(dá).endprint