基于信息熵加權的紅外目標識別算法

李長春 韓東寧

【摘要】? ? 為了提高紅外目標識別概率，設計了一種基于信息熵加權的目標識別算法。該算法利用紅外光譜的特征，結合車輛目標的幾何結構特點，將相應特征信息以加權的形式量化給出。實驗針對紅外汽車目標進行測試，實驗結果顯示，采用信息熵加權算法的目標識別概率得到了明顯的提升，明顯優(yōu)于未使用優(yōu)化的測試結果，從而驗證了本算法的可行性。

【關鍵詞】? ? 目標識別? ? 紅外圖像? ? 信息熵? ? 加權參數(shù)

引言：

紅外目標識別是一種能夠根據(jù)紅外圖像追蹤分析紅外熱目標的技術，實時精確的紅外目標識別算法廣泛應用于兵器制導、軍事偵察和實時監(jiān)視等領域。紅外目標識別結果往往受環(huán)境、識別目標及所處背景的紅外輻射的干擾[1]。在實際運用中，常常因為識別目標遠，致使在圖像中表現(xiàn)為小圓點的形式，從而導致目標信號的強度較弱、形體信息弱、信噪比低，使目標識別難度增大。根據(jù)不同的應用場景及目的，將紅外探測裝置安裝在固定位置（如地面等）或運動載體上（如汽車、輪船、飛機等），因此需要使用與之對應的識別算法才能充分發(fā)揮系統(tǒng)性能。紅外目標身處的環(huán)境背景大致分為兩類：靜態(tài)與動態(tài)。在靜態(tài)環(huán)境中，目標識別方法又可以分為兩種：閾值分割與背景預測[2]。針對環(huán)境噪音影響嚴重的識別問題，設計出可預測背景環(huán)境并能實現(xiàn)目標追蹤的識別算法，仿真實驗結果顯示該算法能大大降低天空環(huán)境的紅外影響，分離出識別目標和強噪聲，該算法還有運算簡單的優(yōu)點[3]。針對運動中的背景環(huán)境，提出了基于感興趣區(qū)域的區(qū)域增強目標實時檢測算法，其中在汽車的紅外導航系統(tǒng)實驗中表現(xiàn)出的結果較為理想[4]。為了對傳感器實現(xiàn)全方位的運動補償引入了偽透視運動模型，該模型可以在降低環(huán)境紅外干擾從而增強圖像信噪比，然而這種全局補償法計算量較大并且對于補償?shù)膸g偏移十分有限[5]。

本文提出了一種基于信息熵加權的紅外目標識別算法，獲得幀間目標信息并對其進行初步的判斷，該步驟能有效減少后續(xù)圖像分區(qū)域搜尋目標時的計算量。通過綜合判定待識別目標的其他信息，實現(xiàn)減少誤報率的功能。

一、目標識別系統(tǒng)設計

首先，系統(tǒng)對待檢測區(qū)間的紅外圖像進行提取，之后再利用改進型PSO-BP算法從環(huán)境背景譜中分離出可疑目標，為了便于判定與識別目標，需要在數(shù)據(jù)庫中參考各類目標的光譜特征，系統(tǒng)見圖1。

圖1示意圖表明，首先需要利用聚束整形透鏡組實現(xiàn)紅外光的提取，再用聚焦成像的方法將采集的紅外圖像呈現(xiàn)在CCD上，最后通過CPU實現(xiàn)目標識別分析及處理。在處理過程中對圖像進行分析，基于已知的數(shù)據(jù)庫比較實現(xiàn)對目標類別的判斷。定義St為目標輻亮度，S0為背景輻亮度，那么目標和背景輻射光譜可分別由Lt和L0表示，即：

（1）

二、加權信息熵算法設計

香農最先提出信息熵的概念，即隨機變量概率。在離散信源X中，含有N個符號x1，x2，...，xN各個符號在符號集中出現(xiàn)概率確定?？梢杂脠D像的顏色直方圖表示概率密度函數(shù)，則圖像的信息熵Ev可表示為：

（2）

若用整張圖像來計算熵值，會使目標識別作用不明顯，所以在實際運用中應將圖像分成M×N來計算。因此整張圖像就被分為MN個子區(qū)間，R1，R2，...，RMN，依據(jù)圖像及目標的大小可以確定M及N的值。隨后可求出圖像的熵矩陣，并根據(jù)計算得到的極大值估計目標可能出現(xiàn)的區(qū)間。但熵矩陣沒有圖像灰度信息，所以目標識別效果并不好，因此灰度方差加權信息熵才是更加理想地方法。

三、算法實現(xiàn)

首先系統(tǒng)通過中值濾波法進行預處理，以便減少甚至消除傳感器件和電路的噪聲，然后通過特征提取以及分區(qū)域的計算灰度方差加權信息熵矩陣，在此過程中所提取到的特征點將用在圖像序列的幀間匹配上，最后待選目標區(qū)間由所含的匹配特征點及熵極大值組成，并且需要對該區(qū)域實現(xiàn)目標分離。

首先，提取特征，通過變換不改變圖像之間的大小、位置、仿射和方向，并且能夠直接準確的對每一幀的圖像實現(xiàn)特征匹配，這些點的集合為P1，P2，...，Pn。在此變換下，即便載體處于運動之中，乃至攝像機的焦距不斷變動都能夠穩(wěn)定、準確的得到特征點。除此之外，也能直接去除隨機運動的云層環(huán)境背景。但還是有幾率匹配出邊緣較強的云層，下面的步驟能將其去除。

其次，計算加權信息熵，將整張圖像劃分為各個區(qū)域塊包含4*4的區(qū)域塊。方便之后對每塊區(qū)域進行計算，從而獲得灰度方差加權信息熵矩陣。該值可以十分準確的評估圖像各區(qū)域塊的灰度及信息變化量，運用矩陣極大值可以識別出圖像中的亮斑或者局部能量突變，極大值區(qū)域為r1，r2，...，rm。因為云層背景在局部區(qū)域上是逐漸變化的，即使云層的邊緣對熵矩陣有干擾，但與目標點區(qū)域相比其干擾可忽略不計，這樣便濾掉了云層的突變;所以后面就能夠體現(xiàn)出目標位置灰度及其信息量變化，從而可以初步確定該極大值區(qū)域是目標區(qū)域。但還需要通過第2步的特征點幀間匹配結果判定在圖像中偶然出現(xiàn)的由某些亮點或干擾產生的熵極大值。

然后，計算目標區(qū)域，確定目標區(qū)域的集合Q為包含匹配特征點的信息熵峰值子區(qū)域。也就是需要判別包含熵峰值的局部子區(qū)域中是否同時包含所匹配到的特征點。

最后，數(shù)字濾波，通過分析每幀的可疑目標，考慮可能是由攝像機抖動所引起，所以目標的運動速度及方向不能看作是向量中元素。在本研究中只需確定能和實時目標完成相關性判斷即可，從而最后識別出目標。

四、實驗測試

通過將暴露目標a和隱藏目標b放在同一紅外成像光譜儀中同時進行檢測識別實驗。在此實驗中，暴露目標a為停放在近處無遮擋、暴露在空曠視野中的汽車，隱藏目標b則為停放在位移較遠的由少量雜草遮藏、隱蔽的汽車。在試驗過程中，首先應提前使汽車處于熄火狀態(tài)并長達2小時以上，讓其和背景環(huán)境中的溫度一致，降低因發(fā)動機高溫出現(xiàn)的紅外輻射的干擾，主要是通過對目標在不同的反射界面實現(xiàn)紅外特性研究，將得到結果再進行二值化處理從而得到圖2。

結合特征波長的數(shù)量和位置點計算得出最優(yōu)解，經(jīng)過不斷的收斂訓練，進而優(yōu)化并改善系統(tǒng)的識別效率。根據(jù)上述步驟對光譜數(shù)據(jù)進行反復多次的改進優(yōu)化，從而能夠預先得到出輸入層的數(shù)據(jù)。當特征波長數(shù)值不斷增大時，所要識別的目標信息也就愈加明顯。綜合實際運用中的識別結果，本研究系統(tǒng)不僅優(yōu)化了原有識別算法，而且能穩(wěn)定、合理地實現(xiàn)目標分割。因此可知，當此算法出現(xiàn)目標復現(xiàn)時，不僅極其依賴特征波長數(shù)，而且無規(guī)律地選取波長位置會導致目標復現(xiàn)的效果變差，也會致使其運算時間變長，從而有效改善了目標識別算法的魯棒性和速率。

五、結束語

提出了一種加權信息熵的紅外目標檢測算法。通過紅外光譜特征與目標幾何特征進行加權的方式提高紅外圖像中的目標識別概率。并且通過實驗驗證了不同測試條件下的實驗結果，結果顯示，該方法能夠快速可靠地檢測出載體運動條件下復雜背景中的紅外目標，具有良好的應用前景。

參? 考? 文? 獻

[1]蘇峰，凌清，高梅國.紅外小目標實時檢測系統(tǒng)實現(xiàn)[J].激光與紅外，2008，38（8）：826-829

[2] Chavez-Garcia R O， Aycard O. Multiple sensor fusion and classification for moving object detection and tracking [J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（2）： 525-534

[3]李曉瓊，史彩成，毛二可. 基于高階累積量的單幀復雜云背景下紅外小目標檢測 [J]. 光學技術，2008，34（5）：696-698.

[4]Tzannes A P，Brooks D H. Detection Small Moving Objects Using Temporal Hypothesis Testing [J]. IEEE Trans on AES（S0018-9251），2002，38（2）：570-585

[5]毛曉楠，周越.基于序貫蒙特卡羅方法的自適應紅外目標提取算法[J].微型電腦應用，2008，24（4）：55-59