紅外序列圖像中遠距離末段彈丸目標自動識別算法研究*

祁 敏,劉鵬祖,張亞輝,游 江,張 亮

(63875部隊， 陜西華陰 714200)

0 引言

非爆炸彈丸的落點以及末端彈道測試項目具有目標小、速度快、散布范圍大，不爆炸，落地時的特征少，用可見光設(shè)備難以捕獲等特點，成為了靶場試驗的關(guān)鍵性難題。近些年來，紅外探測技術(shù)在軍事和科研技術(shù)領(lǐng)域的應(yīng)用較為普遍。文獻[1]表明，在相同的環(huán)境條件下，相對可見光，紅外輻射具備穿煙透霧的優(yōu)勢，其探測距離是可見光的3～6倍。在大氣能見度僅達到幾百米時，3～5 μm的中紅外探測器能夠在1～2 km的距離探測到幾度溫差的目標[2]。彈丸在飛行末端其彈體的溫度與周圍環(huán)境的溫度相差有幾十度不等，因此，能夠利用紅外設(shè)備拍攝彈丸在末端不同時刻的位置圖像，然后采用圖像處理方法得到彈丸的末端彈道和落點，可以大大改善非爆炸彈丸目標的測試問題，以及在濃霧等惡劣天氣下的目標測試問題。但當前大多數(shù)紅外設(shè)備受分辨率和視場限制[3]，如距離落點1 km拍攝，10°視場所覆蓋的散布區(qū)域約為167 m，如不采用多臺設(shè)備視場拼接或自動跟蹤拍攝的方法，難以滿足彈丸落點散布大情況下的測試要求。目前視場拼接和自動跟蹤的方法成本較高，對于單臺紅外設(shè)備可利用探測距離遠的優(yōu)點，通過遠程拍攝擴展設(shè)備的視野范圍，而不會降低分辨率[4]。如距離落點2 km拍攝，可將設(shè)備的覆蓋范圍擴大一倍，也可探測到目標。但在這種情況下拍攝的目標在圖像上成像較小、分辨率低，易被噪聲淹沒，且噪聲具有隨機性，難以有效地識別出暗和弱運動的小目標[5]。為了實現(xiàn)目標的跟蹤與識別，提高目標檢測的準確率，有必要利用連續(xù)多幀圖像的目標運動信息，將目標的運動特性以及軌跡的連續(xù)性、一致性相結(jié)合。文中采用模糊算法，基于目標像素在系列圖像中運動的連續(xù)性和軌跡一致性原則，對運動目標的軌跡進行跟蹤預(yù)測，最終通過多幀的軌跡跟蹤找出真實的目標，并且能夠?qū)椡璧能壽E進行預(yù)測，進而得到落點坐標。

1 運動小目標紅外序列圖像測試及分析

熱成像系統(tǒng)主要工作在近紅外、中紅外和遠紅外波段。紅外設(shè)備的測試距離主要受制于目標的輻射特性、背景的輻射特性、大氣透過率以及相機性能和鏡頭焦距等因素。

在某型號砂彈真引信試驗中，由于彈丸體積小，落地時速度快，引信爆炸時產(chǎn)生的少數(shù)塵土和煙也消失很快，在1 km遠用可見光設(shè)備難以測試。圖1和圖2是用320×240像元的熱像儀設(shè)備拍攝的紅外序列圖像，熱像儀儀器架設(shè)于高臺，距離落點1 km左右，采用50 幀/s拍攝。在不失幀和沒有遮擋的情況下，最多拍攝目標的圖像有四十幾幀，目標在儀器上的成像有7個像素左右。根據(jù)約翰遜準則：目標所成像素達到1.5個像素則可以探測到；達到6個像素則可以識別；當達到12個像素以上則可以區(qū)分目標的形狀和特征。本次試驗中，目標有7個像素，足以識別出目標，如在更遠距離也可探測出目標。圖1及圖2分別為中波紅外序列圖像和長波紅外序列圖像。

圖1 中波熱像儀拍攝的紅外序列圖像

圖2 長波熱像儀拍攝的紅外序列圖像

由圖1、圖2可看出，利用中波紅外圖像比長波圖像效果好，因此中波熱像儀拍攝的紅外圖像中目標和背景區(qū)分較為明顯，具有較佳的測試效果。同時可以看出，當目標遠離地面時，由于背景是天空，目標和背景信噪比大，但是當目標越接近地面時，目標的紅外輻射能量由于受到地面自身紅外輻射以及大氣水蒸汽的吸收和散射，導(dǎo)致目標的紅外輻射能量減弱，噪聲加大，信噪比降低，真?zhèn)文繕穗y以區(qū)分。在這種情況下，用圖像匹配、傅里葉分析方法、差分圖像等方法難以處理出真實的目標。

因此，文中結(jié)合連續(xù)拍攝的多幀圖像，通過目標在不同幀頻中的軌跡的相關(guān)性建立聯(lián)系，實現(xiàn)目標軌跡跟蹤和目標識別。

2 圖像的前期預(yù)處理

可以根據(jù)以下模型分解畫幅為X×Y的圖像：

A(x,y)=B(x,y)+C(x,y),(x,y)∈[X,Y]

(1)

式中：B(x,y)是圖像的基本特征，C(x,y)是圖像的細節(jié)和噪聲干擾。對于遠程紅外小目標，當彈丸快接近地面時，背景復(fù)雜，小目標很容易被噪聲淹沒。它含有的高頻信息較為豐富，且與周圍的背景相關(guān)性相對較差[6]。為了估計C(x,y)將式(1)簡單變換得：

C(x,y)=A(x,y)-B(x,y),(x,y)∈[X,Y]

(2)

因而，通過使用背景像素間灰度級的相關(guān)性、目標和背景的獨立性，先用幀減法去除大量的背景信息，然后利用高通濾波去除一部分白噪聲點，剩下一些高頻噪聲點和目標點，這樣實現(xiàn)目標與背景的初步分離?？臻g域高通濾波器脈沖響應(yīng)函數(shù)為式(3)所示的5×5高通卷積模板A。通過分析可知，模板中心像素所占權(quán)重相對較大，容易通過；而周圍部分權(quán)值均為-1，權(quán)值小，不易通過。因此，目標點和孤立的噪聲點通過濾波器相對容易；而對于有大面積成像的背景則不容易通過[7]。

(3)

圖3 原始圖像及預(yù)處理后圖像

3 運動目標的軌跡跟蹤算法

3.1 運動目標的記憶跟蹤法則

通過前期預(yù)處理之后的紅外序列圖像仍混雜有大量的噪聲點，真假目標難以識別。由于序列圖像中弱小目標的運動軌跡的連續(xù)性和一致性較好，而噪聲點的運動是隨機的，運動軌跡無法連續(xù)[8-9]?；谝陨戏治隹紤]，提出運動目標的判別準則。利用該判別準則，可以將預(yù)處理分離出的可能目標點做進一步的篩選，從而得到真實的目標點。將模式識別理論和神經(jīng)網(wǎng)絡(luò)理論相結(jié)合，引入隸屬度模糊概念，定義一個[0，1]的實數(shù)來表示檢測到的對象與目標的近似度[10]，稱為目標可信度M(M∈[0，1])，其判決規(guī)則如下：

1)M<0.5→不是目標的可信度大；

2)M=0.5→初始狀態(tài)，不確定；

3)M>0.5→是目標的可信度大。

當算法初次篩選到一個對象時，該對象的目標可信度可設(shè)置為0.5。如果該對象隸屬于目標，則它將在整個序列圖像中被持續(xù)檢測到，從而提高其可信度，稱為記憶增強；反之，如果該對象是隨機噪聲，它將在后續(xù)的序列圖像中逐漸減弱以致無法檢測，從而降低可信度，稱為記憶衰減。由此可知，隸屬度函數(shù)直接關(guān)系著虛假目標的剔除效率以及真實目標的抗噪性。因此對隸屬度函數(shù)做以下要求：

1)記憶增強過程：隨時間遞增，目標的可信度逐漸增大，最大取值為1；

2)記憶衰減過程：隨時間遞增，目標的可信度逐漸降低，最小取值為0。

根據(jù)以上要求準則，增強函數(shù)如式(4)所示。

(4)

式中：λi為增強指數(shù)，λs為衰減指數(shù)，Δm為衰減步長。通過調(diào)整λi、λs和Δm，可分別調(diào)整記憶增強和記憶衰減的速度。

3.2 目標編碼和運動目標的預(yù)測

目標編碼：將每幀中的所有可能的目標點檢測出來后僅僅完成了第一步，接下來還需對目標進行排序編碼生成一個鏈表，以提供所需的全部信息。在生成目標鏈接列表之后，二進制圖像中的每個目標區(qū)域?qū)?yīng)于目標節(jié)點，并且每個節(jié)點由其屬性描述，進而利用目標鏈表對紅外圖像進行簡單預(yù)處理。目標屬性描述完成后，每幀圖像均會形成一個目標鏈表，每個目標的所有屬性都將被初始化。其中，每個目標的可信度被初始化設(shè)置為0.5，并且篩選搜索區(qū)域設(shè)置為最大值。圖4是某一幀中的可能目標點生成的鏈表示意圖。

圖4 一幀圖像內(nèi)的全部可能目標

目標預(yù)測：首先將首幀圖像檢測到的近似目標位置設(shè)置為真實目標；第二幀中目標位置，在首幀圖像中設(shè)置的目標最大搜索區(qū)域內(nèi)確定；基于前兩幀中的位置來預(yù)測確定第三幀中的目標位置。此時假設(shè)目標為勻速直線運動，E是經(jīng)過前期處理之后得到的候選目標點集合，D(i，j，k)是E中的任意點，表示第k幀圖像在(i，j)處的候選目標點，F(xiàn)(i，j，k+1)表示與(k+1)幀中的鄰域r的搜索范圍中的D點相關(guān)聯(lián)的可能目標點，則在緊鄰的下一幀的目標位置G(i+r，j+r，k+2)可用式(5)表示。

G(i+r,j+r,k+2)=[D(i,j,k)F(i,j,k+1)

G(i+r,j+r,k+2)…]

(5)

以此類推，則在后面連續(xù)的幾十幀中的目標，可由最前面幾幀圖像中的目標信息以某一領(lǐng)域預(yù)測出。

3.3 動態(tài)搜索范圍的確定

在通過軌跡跟蹤規(guī)則獲得下一幀目標的預(yù)測坐標之后，如果該幀中的所有目標在所有幀中被搜索匹配，則計算量較大，耗時較長。 故需要確定動態(tài)的搜索區(qū)域以提高搜索效率。文中人為限制了搜索區(qū)域，且保證其可以進行動態(tài)調(diào)整。動態(tài)搜索半徑計算公式如式(6)所示。

rx=vd·rd/vq

(6)

式中:rd、rx分別為當前幀和下一幀的搜索半徑；vd、vq分別為當前幀和前一幀圖像中目標位置搜索預(yù)測誤差的方差，其中：

(7)

(xx,yx)為當前幀軌跡跟蹤法預(yù)測的目標坐標，(xd,yd)為當前幀實際檢測到的目標坐標值。搜索半徑主要是劃定目標搜索區(qū)域，應(yīng)結(jié)合目標特性以及實際拍攝條件依經(jīng)驗設(shè)定。設(shè)定搜索半徑的范圍為3～8像素。搜索半徑值隨預(yù)測目標坐標與實際檢測目標誤差值進行自動調(diào)整。合適的搜索范圍可以提高識別的準確率，同時能夠降低無效搜索，節(jié)約時間。

圖5顯示了序列圖像中某個目標跟蹤示意圖。其中，真實目標跟蹤軌跡如實線所示；虛假目標剔除如虛線所示。由圖可知，通過動態(tài)搜索范圍的設(shè)定，可以剔除未在搜索范圍內(nèi)的目標軌跡預(yù)測分支，從而提高搜索效率。

圖5 目標的跟蹤示意圖

3.4 目標跟蹤與記憶更新

在序列圖像中，若前一幀設(shè)定的搜索區(qū)域內(nèi)匹配到當前幀目標，則將當前幀目標的動態(tài)搜索半徑、幀號以及目標序號等保存更新，同時按照式(5)更新增強其置信度，直到達到最大值，則將其認定為真實目

圖6 目標軌跡跟蹤流程圖

標。反之，未匹配到當前幀目標，則將其暫時保存于待檢定目標序列，同時按照式(5)更新降低其置信度，直到達到最小值，則可將其認定為虛假目標，徹底剔除。通過跟蹤與記憶更新，序列圖像中的真實目標在某連續(xù)幾幀丟失后，仍能夠重新加入到目標序列，而虛假目標則將不斷被剔除。整個算法流程如圖6所示。

4 試驗結(jié)果分析

某型號砂彈真引信的試驗中，考慮到該彈散布不大，試驗中采用5°×5°視場，分別采用320×240分辨率的單臺中波和長波熱像儀拍攝，并用文中算法處理，最后得到的結(jié)果如圖7和圖8所示。圖中，彈丸落地前的運動軌跡曲線圖較為明顯。通過重心法提取出每幀圖像中的目標，擬合成的曲線圖如圖9和圖10所示。

圖7 彈丸的軌跡圖像(中波)

圖8 丟幀的彈丸軌跡圖像(長波)

5 結(jié)論

當前用可見光設(shè)備難以解決非爆炸彈丸的落點測試問題。針對低信噪比的連續(xù)序列圖像中的暗、弱運動小目標的檢測問題，運用運動目標的軌跡跟蹤法進行預(yù)測，并且用模糊算法模擬人腦的記憶過程，利用目標運動軌跡的連續(xù)性以及一致性，剔除虛假目標，實現(xiàn)真實目標的可靠檢測識別。從理論分析和現(xiàn)場試驗數(shù)據(jù)的驗證，證明了該方法能夠?qū)Φ托旁氡鹊倪\動小目標進行可靠檢測，為下一步利用多臺紅外設(shè)備交會測量末端彈道、落點坐標，提供了很好的圖像處理經(jīng)驗。

圖9 目標擬合的軌跡圖像(中波)

圖10 目標擬合的軌跡圖像(長波)