復(fù)雜背景下紅外小目標(biāo)自適應(yīng)檢測(cè)跟蹤

董小虎，傅瑞罡，高穎慧，李 飚

(國(guó)防科技大學(xué) 電子科學(xué)學(xué)院 ATR重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073)

0 引 言

基于紅外圖像的目標(biāo)檢測(cè)與跟蹤一直是目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。紅外成像技術(shù)依靠接收目標(biāo)自身的紅外輻射工作，具有可見光成像和雷達(dá)無(wú)法代替的優(yōu)勢(shì)，使其具有極高的軍事和民用價(jià)值。軍事方面，紅外目標(biāo)檢測(cè)與跟蹤技術(shù)在預(yù)警系統(tǒng)、精確打擊武器和防空系統(tǒng)等領(lǐng)域中發(fā)揮著重要作用。民用方面，被廣泛應(yīng)用于安全警戒、刑偵、森林防火和消防等領(lǐng)域[1]。

目前，紅外弱小目標(biāo)的檢測(cè)與跟蹤算法主要分為兩類：先檢測(cè)后跟蹤算法[2-3]和先跟蹤后檢測(cè)算法[4-7]。

先檢測(cè)后跟蹤算法首先利用目標(biāo)檢測(cè)算法將單幀圖像中的所有候選目標(biāo)從原始圖像中分割出來(lái)，在此基礎(chǔ)上根據(jù)目標(biāo)短時(shí)運(yùn)動(dòng)的軌跡連續(xù)性，對(duì)所有候選目標(biāo)做進(jìn)一步確認(rèn)，去偽存真。這類算法邏輯清晰，實(shí)現(xiàn)簡(jiǎn)單。但當(dāng)目標(biāo)信噪比較低時(shí)，分割出的疑似目標(biāo)中很可能不包含真實(shí)目標(biāo)，導(dǎo)致算法失效。

先跟蹤后檢測(cè)算法則是直接對(duì)潛在候選目標(biāo)進(jìn)行跟蹤，然后利用目標(biāo)的時(shí)空特性，對(duì)所跟蹤目標(biāo)進(jìn)行真?zhèn)闻袆e，進(jìn)而實(shí)現(xiàn)真實(shí)目標(biāo)的提取。這類算法對(duì)目標(biāo)信噪比的要求不高，在搜索目標(biāo)軌跡時(shí)，一旦搜索到正確的目標(biāo)軌跡，就有可能檢測(cè)到目標(biāo)。典型的實(shí)現(xiàn)方法有管道濾波方法[8]、卡爾曼濾波[9]、貝葉斯估計(jì)[10]及粒子濾波方法[11]等。

本文以圖1所示公開數(shù)據(jù)集為背景，進(jìn)行檢測(cè)跟蹤方案的設(shè)計(jì)。電子目標(biāo)自身信噪比較低，因此，本文選用先跟蹤后檢測(cè)算法。

圖1 公開數(shù)據(jù)集示例圖

Fig.1 Sample images of the public datasets

由于圖1所示的六段數(shù)據(jù)在成像距離、目標(biāo)大小和背景復(fù)雜度上各不相同，這就要求設(shè)計(jì)方案必須具有一定的自適應(yīng)能力。通過(guò)數(shù)據(jù)分析可知，方案設(shè)計(jì)時(shí)需要克服以下問(wèn)題：

(1)紅外圖像存在壞點(diǎn)，由于壞點(diǎn)尺寸和小目標(biāo)相當(dāng)，若不能有效剔除壞點(diǎn)，將會(huì)產(chǎn)生虛警。

(2)紅外目標(biāo)在不同背景/場(chǎng)景下呈現(xiàn)出不同的特性。天空背景下，紅外目標(biāo)尺寸較大，多表現(xiàn)為擴(kuò)展目標(biāo)/面目標(biāo)，相鄰兩幀的目標(biāo)之間存在交疊；地面背景下，紅外目標(biāo)尺寸較小，多表現(xiàn)為點(diǎn)目標(biāo)。

(3)地面背景下，目標(biāo)可能飛向紅外相機(jī)，導(dǎo)致目標(biāo)在圖像序列中表現(xiàn)為長(zhǎng)時(shí)間靜止。因此運(yùn)動(dòng)目標(biāo)檢測(cè)模型需要具備甄別該現(xiàn)象的能力并能做出相應(yīng)的措施。

(4)地面背景下，目標(biāo)可能進(jìn)入熱區(qū)域，導(dǎo)致目標(biāo)-背景灰度對(duì)比度下降。因此不能以目標(biāo)-背景灰度對(duì)比度高作為唯一檢測(cè)依據(jù)。

(5)在圖像采集過(guò)程中存在相機(jī)抖動(dòng)，影響目標(biāo)檢測(cè)和跟蹤效果。因此需要通過(guò)圖像配準(zhǔn)，將圖像統(tǒng)一在同一坐標(biāo)系下。

(6)data2及測(cè)試集中可能存在多個(gè)目標(biāo)，因此需要解決多目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問(wèn)題。

(7)由于對(duì)紅外目標(biāo)檢測(cè)跟蹤算法有時(shí)間限制，在選擇具體方法時(shí)需綜合考慮效率和性能。

1 紅外小目標(biāo)自適應(yīng)檢測(cè)與跟蹤方案

本文設(shè)計(jì)方案如圖2所示。在獲得輸入圖像后，首先做傳感器的壞點(diǎn)檢測(cè)及剔除，保證圖像質(zhì)量，然后，對(duì)圖像的背景/場(chǎng)景分類，并針對(duì)不同場(chǎng)景設(shè)計(jì)不同的紅外目標(biāo)檢測(cè)算法。如前所述，圖像配準(zhǔn)的作用是為了將目標(biāo)統(tǒng)一到同一坐標(biāo)系，保障后續(xù)檢測(cè)與跟蹤算法的有效性。由于天空背景沒有穩(wěn)定的配準(zhǔn)參照物，因此只針對(duì)地面背景做配準(zhǔn)。針對(duì)地面背景下的目標(biāo)，采用基于幀差法的紅外目標(biāo)檢測(cè)方法，并面向目標(biāo)長(zhǎng)時(shí)間靜止和目標(biāo)-背景灰度對(duì)比度下降的情況分別提出了應(yīng)對(duì)措施。針對(duì)天空背景下的目標(biāo)，使用基于RSS[12]的目標(biāo)檢測(cè)方法。在檢測(cè)得到目標(biāo)備選點(diǎn)后，使用帶標(biāo)簽GMPHD濾波器[13]對(duì)這些備選點(diǎn)濾波，從而獲得備選點(diǎn)的運(yùn)動(dòng)狀態(tài)及標(biāo)簽。由于復(fù)雜背景下目標(biāo)檢測(cè)存在大概率的虛警和漏檢等，目標(biāo)初始軌跡通常是斷續(xù)的。因此, 需要通過(guò)引入軌跡整理將間斷軌跡重新連接，并進(jìn)一步去除虛警。

圖2 方案流程圖

Fig.2 Scheme flow chart

2 紅外序列圖像預(yù)處理

2.1 基于鄰域灰度變化率的壞點(diǎn)檢測(cè)及剔除

由于在制造工藝、運(yùn)輸和儲(chǔ)存方法等方面的不足，紅外相機(jī)會(huì)存在一小部分不正常的感光單元，一般稱之為壞點(diǎn)。壞點(diǎn)通常表現(xiàn)為壞暗點(diǎn)或壞亮點(diǎn)，大小一般只有一個(gè)像素，其亮度不受周圍像素亮度的影響，在每幀中基本不變。以壞亮點(diǎn)為例，如圖3(a)所示，其周圍像素的亮度不受該點(diǎn)的影響。然而，對(duì)于普通亮點(diǎn)來(lái)說(shuō)，如圖3(b)所示，其周圍像素的灰度會(huì)受其影響，有一定的亮度。

目前處理壞點(diǎn)的方式有兩種：一種是事先記錄壞點(diǎn)位置信息并保存，后續(xù)根據(jù)記錄的位置信息剔除壞點(diǎn)，但圖1公開的數(shù)據(jù)集并未提供壞點(diǎn)的相關(guān)信息，因此，這種方式不適用；另一種是使用全局濾波器過(guò)濾壞點(diǎn)，這種方法無(wú)需掌握壞點(diǎn)的先驗(yàn)位置信息，但是全局濾波會(huì)對(duì)圖像邊緣信息造成較大損失。

圖3 普通亮點(diǎn)和壞亮點(diǎn)所成的像

Fig.3 Normal pixel and dead pixel in infrared image

本文綜合上述兩種方法的優(yōu)缺點(diǎn)，提出了一種壞點(diǎn)自動(dòng)檢測(cè)并剔除算法。壞點(diǎn)自動(dòng)檢測(cè)方法的基本思想是根據(jù)壞點(diǎn)亮度始終不變，且周圍像素不受其影響的特點(diǎn)，在序列圖像中利用中心點(diǎn)(待處理的點(diǎn))和其周圍領(lǐng)域點(diǎn)的灰度變化判斷該點(diǎn)是否為壞點(diǎn)。定義像素點(diǎn)(i,j)的鄰域灰度變化為B(i,j)：

(1)

壞點(diǎn)替代算法主要有相鄰元替代法和線性插值法兩種。相鄰元替代法有左鄰域點(diǎn)替代和上鄰域點(diǎn)替代兩種方式。當(dāng)壞點(diǎn)橫向排列時(shí)，用上鄰域點(diǎn)替代，當(dāng)壞點(diǎn)縱向排列時(shí)，用左鄰域點(diǎn)替代；線性插值法對(duì)壞點(diǎn)的周圍點(diǎn)進(jìn)行加權(quán)計(jì)算，給壞點(diǎn)重新賦值，這種方法會(huì)增加算法的復(fù)雜性并占用資源?？紤]到效率，本方案采用相鄰元替代法。

本文提出的算法無(wú)需事先記錄壞點(diǎn)信息，能夠自動(dòng)檢測(cè)圖像壞點(diǎn)，且對(duì)圖像邊緣信息基本沒有影響。圖4是紅外圖像壞點(diǎn)剔除前后的對(duì)比，算法自動(dòng)檢測(cè)出的壞點(diǎn)，如圖4(a)所示; 圖4(b)是壞點(diǎn)剔除后的結(jié)果。由圖中可以看出，本文對(duì)壞點(diǎn)的定位非常準(zhǔn)確，同時(shí)替換壞點(diǎn)后，圖像的邊緣信息損失很少。

圖4 壞點(diǎn)檢測(cè)及剔除效果示意圖

Fig.4 Dead pixels detection and the image without dead pixels

2.2 基于灰度一致性的場(chǎng)景分類

在不同場(chǎng)景下采用不同的目標(biāo)檢測(cè)算法，因此，在檢測(cè)前需要對(duì)紅外圖像做場(chǎng)景分類。由于天空背景下的紅外圖像灰度起伏較小，地面背景下的紅外圖像灰度起伏較大，并且紅外圖像的灰度一致性可以度量其灰度起伏程度。因此，本文通過(guò)量化輸入圖像的灰度一致性判定其場(chǎng)景種類?；叶纫恢滦缘亩x如下：

(2)

其中：m,n分別表示紅外圖像的行數(shù)和列數(shù)。如果灰度一致性的值較小，則表明圖像灰度起伏小，對(duì)應(yīng)天空背景。反之，則表明圖像灰度起伏大，為地面背景。由于灰度一致性的計(jì)算可以繼承壞點(diǎn)檢測(cè)的中間結(jié)果，因此效率非常高。

2.3 基于相位相關(guān)的圖像配準(zhǔn)算法

由于圖像采集過(guò)程中紅外相機(jī)存在抖動(dòng)，目標(biāo)成像坐標(biāo)系不統(tǒng)一，影響目標(biāo)檢測(cè)和跟蹤效果，因此，在檢測(cè)跟蹤前，必須對(duì)序列圖像做配準(zhǔn)。圖像配準(zhǔn)意在尋求兩幅圖像之間的變換模型，使兩幅有重疊區(qū)域的圖像在同一坐標(biāo)系下顯現(xiàn)。目前，圖像配準(zhǔn)算法大致可以劃分為四類：基于區(qū)域的配準(zhǔn)、基于特征的配準(zhǔn)、基于混合模型的配準(zhǔn)和基于物理模型的配準(zhǔn)[14]。本文考慮配準(zhǔn)效率，選擇基于相位相關(guān)的圖像配準(zhǔn)算法?；谙辔幌嚓P(guān)的圖像配準(zhǔn)算法是一種基于區(qū)域的配準(zhǔn)算法，配準(zhǔn)效率極高，可應(yīng)對(duì)圖像的平移和亮度變化。

考慮圖像只存在發(fā)生平移的情況：設(shè)g(x,y)是由f(x,y)平移(x0,y0)后得到的圖像，滿足：

g(x,y)=f(x-x0,y-y0)

(3)

且g(x,y)和f(x,y)對(duì)應(yīng)的離散傅里葉變換(Discrete Fourier Transform, DFT)分別為G(u,v)和F(u,v)，則有

G(u,v)=e-j2π(ux0+vy0)F(u,v)

(4)

這兩幅圖像間頻域的互功率譜為

(5)

式中：G*為G的復(fù)共軛；|F(u,v)G*(u,v)|表示G(u,v)F*(u,v)的幅值譜。

P(u,v)的離散傅里葉逆變換(Inverse Discrete Fourier Transform, IDFT)為

F-1(P(u,v))=F-1(ej2π(ux0+vy0))=δ(x-x0,y-y0)

(6)

其中:F-1(·)表示IDFT運(yùn)算。由式(6)知，IDFT的運(yùn)算結(jié)果除了在(x0,y0)處存在脈沖響應(yīng)外，在其他地方為0。因此通過(guò)尋找互功率譜傅里葉逆變換的最大值，便可測(cè)量出兩幅圖像間的平移量。

若圖像還存在亮度變化，則亮度變化因子可以記為

(7)

如上所述，基于相位相關(guān)的圖像配準(zhǔn)算法采用了快速傅里葉變換及逆變換直接求取變換參數(shù)，與基于特征的配準(zhǔn)方法相比，避免了尋找、匹配控制點(diǎn)對(duì)所帶來(lái)的繁瑣與誤差，因此效率非常高。圖5為data6公開數(shù)據(jù)集和data5公開數(shù)據(jù)集圖像配準(zhǔn)后拼接形成的場(chǎng)景圖，實(shí)驗(yàn)表明，基于相位相關(guān)的圖像配準(zhǔn)算法足以達(dá)到實(shí)際配準(zhǔn)要求。

圖5 圖像配準(zhǔn)后拼接所得的場(chǎng)景圖

Fig.5 Scene image after image matching and mosaicing

3 紅外目標(biāo)檢測(cè)

針對(duì)天空/地面不同場(chǎng)景，本文采用不同算法檢測(cè)紅外目標(biāo)。地面背景通常比較復(fù)雜，采用幀差法；天空背景相對(duì)簡(jiǎn)單，采用基于RSS的紅外目標(biāo)檢測(cè)方法[12]。

3.1 基于雙閾值多幀差法和跳幀多幀差法的目標(biāo)檢測(cè)

幀差法被廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)，該算法將圖像序列的當(dāng)前幀與前n幀做差求和，獲得一幅差分響應(yīng)圖。若差分圖某位置的響應(yīng)大于設(shè)定的閾值，則認(rèn)為當(dāng)前幀的該位置存在運(yùn)動(dòng)目標(biāo)。

典型的二幀差法(n=1)使用相鄰兩幀圖像作差分。記圖像序列中的某一幀為k，則該幀圖像可表示為

fk(x,y)=Fk(x,y)+Bk(x,y)+nk(x,y)

(8)

其中：Fk(x,y)為圖像前景即運(yùn)動(dòng)目標(biāo)；Bk(x,y)為圖像背景；nk(x,y)為圖像噪聲。將第k+1幀和第k幀圖像做差分，可得到差分圖dk+1(x,y)為

dk+1(x,y)=fk+1(x,y)-fk(x,y)=

[Fk+1(x,y)-Fk(x,y)]+

[Bk+1(x,y)-Bk(x,y)]+

[nk+1(x,y)-nk(x,y)]

(9)

由于背景沒有運(yùn)動(dòng)，噪聲隨機(jī)，因此式(9)的后兩項(xiàng)接近為0，對(duì)差分圖幾乎無(wú)響應(yīng)，差分圖只會(huì)在運(yùn)動(dòng)目標(biāo)處形成峰值。取閾值t，若dk+1(x0,y0)>t×max(dk+1(x,y))，則認(rèn)為在(x0,y0)處存在疑似目標(biāo)。為了增加算法的魯棒性，同時(shí)減小噪聲擾動(dòng)影響，本文采用多幀差法檢測(cè)目標(biāo)：計(jì)算相鄰6幀(n=5)的差分圖，閾值t設(shè)為0.7。理想的差分圖效果如圖6(a)所示，可以斷定，圖6(a)的峰值處一定存在運(yùn)動(dòng)目標(biāo)。圖6(b)為對(duì)應(yīng)的檢測(cè)結(jié)果，檢測(cè)結(jié)果正確。在實(shí)際檢測(cè)中，由于紅外目標(biāo)不一定為點(diǎn)目標(biāo)，在獲得運(yùn)動(dòng)目標(biāo)坐標(biāo)后，需要回溯到原圖像尋找完整目標(biāo)。假設(shè)幀差法獲得的運(yùn)動(dòng)目標(biāo)坐標(biāo)灰度為v，則在該坐標(biāo)周圍，灰度在[0.9v,1.1v]區(qū)間內(nèi)的坐標(biāo)點(diǎn)都是目標(biāo)，取其質(zhì)心得到目標(biāo)備選點(diǎn)。

圖6 幀差法的差分圖及檢測(cè)所得目標(biāo)

Fig.6 Difference map and detection results of the frame difference method

然而，由于閾值的單一性，上述幀差法無(wú)法應(yīng)對(duì)以下兩種特殊情況，如圖7所示。

情況一：目標(biāo)長(zhǎng)時(shí)間靜止。

當(dāng)目標(biāo)長(zhǎng)時(shí)間靜止時(shí)，如圖7(a)所示，差分圖的整體響應(yīng)比較平均，幀差法失效，表現(xiàn)為差分圖沒有明顯峰值，檢測(cè)得到多個(gè)目標(biāo)備選點(diǎn)，但其中不一定包含真實(shí)目標(biāo)。

圖7 單閾值幀差法的局限性

Fig.7 Limitation of the single thresh frame difference method

為了判定第k幀是否出現(xiàn)了目標(biāo)可能靜止的情況，本文定義“有效檢測(cè)幀”：若帶標(biāo)簽的GMPHD濾波器將某幀目標(biāo)備選點(diǎn)與前一幀關(guān)聯(lián)在一起，則該幀為有效檢測(cè)幀。

有效檢測(cè)幀檢測(cè)到的目標(biāo)在一定程度上是可信的。如果第k幀檢測(cè)到多個(gè)目標(biāo)，同時(shí)第k-1幀為有效檢測(cè)幀時(shí)，則認(rèn)為目標(biāo)在第k幀可能靜止。此時(shí)，增大多幀差法的幀間距，執(zhí)行跳幀的多幀差法，可以重新獲得目標(biāo)的運(yùn)動(dòng)信息。

情況二：目標(biāo)與背景的灰度對(duì)比度下降。

當(dāng)目標(biāo)進(jìn)入熱區(qū)域或目標(biāo)本身成像灰度降低時(shí)，可能會(huì)導(dǎo)致目標(biāo)位置的響應(yīng)被周圍其他雜波淹沒，如圖7(b)所示。為了緩解該問(wèn)題，本文提出雙閾值多幀差法，定義“目標(biāo)鎖定狀態(tài)”：若帶標(biāo)簽的GMPHD濾波器將連續(xù)N幀的目標(biāo)關(guān)聯(lián)在一起，則該目標(biāo)處于鎖定狀態(tài)。

圖8 單閾值多幀差法和雙閾值多幀差法檢測(cè)結(jié)果圖

Fig.8 Detection results of the single thresh multi-frame difference method and dual-threshold multi-frame difference method

3.2 基于RSS的目標(biāo)檢測(cè)方法

通過(guò)數(shù)據(jù)分析得知，圖1所示數(shù)據(jù)集，天空背景下的紅外小目標(biāo)是一個(gè)閉合的連通區(qū)域，具有以下四個(gè)基本特性：

(1)呈現(xiàn)斑點(diǎn)形狀；

(2)信息熵較?。?/p>

(3)強(qiáng)度近似均勻；

(4)與其局部鄰域有較高的灰度對(duì)比度。

因此，本文利用文獻(xiàn)[12]提出的RSS算法檢測(cè)天空背景下的紅外目標(biāo)，利用了天空背景下紅外目標(biāo)的局部穩(wěn)定性(對(duì)應(yīng)特征1-3)和局部顯著性(對(duì)應(yīng)特征4)，檢測(cè)效果好。算法的具體步驟如下：

步驟一：用穩(wěn)定性抽取器，生成穩(wěn)定圖；

步驟二：用顯著性檢測(cè)器，生成顯著圖；

步驟三：將穩(wěn)定圖和顯著圖對(duì)應(yīng)元素相乘得到特征圖；

RSS算法的檢測(cè)流程如圖9所示。

圖9 RSS檢測(cè)算法流程圖

Fig.9 Flow chart of RSS detection algorithm

4 紅外目標(biāo)跟蹤

在得到目標(biāo)備選點(diǎn)后，要對(duì)備選點(diǎn)做濾波，辨識(shí)備選點(diǎn)是否來(lái)源于從前幀目標(biāo)，并更新備選點(diǎn)的狀態(tài)。

傳統(tǒng)的多目標(biāo)跟蹤采用數(shù)據(jù)關(guān)聯(lián)技術(shù)，基本思想是首先假定各個(gè)目標(biāo)相互獨(dú)立運(yùn)動(dòng)，然后按照關(guān)聯(lián)規(guī)則將從前幀目標(biāo)與備選點(diǎn)準(zhǔn)確關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)技術(shù)容易實(shí)現(xiàn)、計(jì)算量較小，適用于信噪比高且目標(biāo)密度小的環(huán)境。當(dāng)目標(biāo)跟蹤環(huán)境復(fù)雜，目標(biāo)個(gè)數(shù)增多時(shí)，數(shù)據(jù)關(guān)聯(lián)算法的計(jì)算量非常大。與數(shù)據(jù)關(guān)聯(lián)技術(shù)不同，基于隨機(jī)集理論的多目標(biāo)跟蹤算法直接估計(jì)目標(biāo)狀態(tài)。

概率假設(shè)密度(PHD)濾波器[15]是一種基于隨機(jī)有限集的多目標(biāo)跟蹤算法。帶標(biāo)簽的GMPHD[13]通過(guò)為每一個(gè)高斯項(xiàng)附加一個(gè)標(biāo)簽信息實(shí)現(xiàn)對(duì)目標(biāo)的辨別，通過(guò)對(duì)標(biāo)簽的管理實(shí)現(xiàn)對(duì)目標(biāo)軌跡的管理。

5 軌跡整理

由于復(fù)雜背景下目標(biāo)檢測(cè)存在大概率的虛警和漏檢等，帶標(biāo)簽GMPHD濾波后產(chǎn)生的目標(biāo)初始軌跡通常是斷續(xù)的。因此需要引入軌跡整理將間斷軌跡重新連接并進(jìn)一步去除虛警。

第一步：計(jì)算跟蹤的紅外目標(biāo)數(shù)量。紅外目標(biāo)數(shù)量通過(guò)平均各幀檢測(cè)到的目標(biāo)數(shù)量得到。本文基于有效檢測(cè)幀計(jì)算紅外目標(biāo)數(shù)量，計(jì)算結(jié)果的可信度更高。

第二步：根據(jù)帶標(biāo)簽GMPHD的濾波結(jié)果對(duì)軌跡做甄選。若軌跡長(zhǎng)度大于6幀，則大概率是目標(biāo)，記為集合A；若軌跡長(zhǎng)度大于2幀，則小概率是目標(biāo)，記為集合B；若軌跡長(zhǎng)度小于等于2幀，則一定不是目標(biāo)，將其去除。

第三步：計(jì)算集合A軌跡間的相關(guān)矩陣。矩陣元素為所有軌跡的兩兩相關(guān)因子。若兩條軌跡在幀號(hào)上有交疊，則其相關(guān)因子為0；若第i條軌跡與第j條軌跡不相交，則其相關(guān)因子置為1/dij，dij為兩條軌跡之間的首尾幀目標(biāo)之間的距離。相關(guān)因子越大，表明兩條軌跡越相關(guān)。在計(jì)算得到相關(guān)矩陣后，根據(jù)相關(guān)矩陣連接斷續(xù)的軌跡，獲得若干段長(zhǎng)軌跡。由于第一步已計(jì)算得到跟蹤的紅外目標(biāo)數(shù)，因此，將長(zhǎng)軌跡的長(zhǎng)度作為其是否為候選輸出的判定標(biāo)準(zhǔn)：若目標(biāo)數(shù)為1，則候選最長(zhǎng)的軌跡；若目標(biāo)數(shù)為2，則候選長(zhǎng)度前二的軌跡，以此類推。

最后，將集合B的軌跡根據(jù)“幀號(hào)不重復(fù)、距離最小化”的原則插入目標(biāo)軌跡中以彌補(bǔ)漏檢，并輸出最終的目標(biāo)軌跡，如圖10所示，圖中的紅色線條為紅外目標(biāo)最終的運(yùn)動(dòng)軌跡。

6 實(shí)驗(yàn)結(jié)果

經(jīng)統(tǒng)計(jì)，本文設(shè)計(jì)的紅外小目標(biāo)檢測(cè)與跟蹤方案在公開數(shù)據(jù)集上精準(zhǔn)檢測(cè)率為98.60%(精準(zhǔn)檢測(cè)指檢測(cè)結(jié)果位于真值的3×3像素范圍內(nèi))，正確檢測(cè)率為0.76%(正確檢測(cè)指檢測(cè)結(jié)果位于真值的3×3像素范圍外，9×9像素范圍內(nèi))，漏檢率為0.63%，虛警率為0.20%(虛警指檢測(cè)結(jié)果位于真值的9×9像素范圍外)，如圖11所示。本文方法在第二屆“空天杯”決賽線上測(cè)試中得到103 434分，排名第一，對(duì)于多類背景下的弱小目標(biāo)自適應(yīng)檢測(cè)跟蹤具有參考價(jià)值。

圖10 目標(biāo)運(yùn)動(dòng)軌跡圖

Fig.10 Trajectories of the moving targets

圖11 本方案在公開數(shù)據(jù)集上的檢測(cè)結(jié)果統(tǒng)計(jì)圖

Fig.11 Statistical chart of detection results of the scheme in public datasets

7 結(jié) 論

本文針對(duì)紅外弱小目標(biāo)檢測(cè)跟蹤問(wèn)題提出了一套系統(tǒng)性的方案。方案立足于“空天杯”競(jìng)賽公開數(shù)據(jù)集，在設(shè)計(jì)時(shí)綜合考慮了傳感器成像、紅外相機(jī)位移、目標(biāo)所處場(chǎng)景多樣、多目標(biāo)軌跡關(guān)聯(lián)等問(wèn)題，具有以下創(chuàng)新點(diǎn)：

(1)針對(duì)壞點(diǎn)可能導(dǎo)致誤檢，提出了一種壞點(diǎn)自動(dòng)檢測(cè)算法，該算法能夠自動(dòng)檢測(cè)圖像壞點(diǎn)并剔除，對(duì)圖像邊緣信息影響很小。

(2)針對(duì)目標(biāo)所處場(chǎng)景多樣，提出了一種基于灰度一致性的場(chǎng)景分類算法，該算法能夠自動(dòng)分類場(chǎng)景，分類精度高。

(3)針對(duì)地面背景下的紅外目標(biāo)目標(biāo)，采用幀差法，分別提出了跳幀多幀差法和雙閾值多幀差法以應(yīng)對(duì)目標(biāo)長(zhǎng)時(shí)間靜止和灰度對(duì)比度下降兩種情況。實(shí)驗(yàn)表明，兩種算法均可以極大地提高目標(biāo)軌跡的連續(xù)性。