紅外單幀弱小目標(biāo)檢測(cè)算法研究綜述

劉 征,楊德振,李江勇,黃成章

(華北光電技術(shù)研究所,北京 100015)

1 引 言

近些年來(lái),紅外探測(cè)技術(shù)的應(yīng)用深入到軍事、空間遙感以及民用等各個(gè)領(lǐng)域中,如紅外偵察預(yù)警、星載空間紅外探測(cè)、醫(yī)學(xué)紅外成像和汽車(chē)導(dǎo)航等諸多應(yīng)用場(chǎng)景。作為紅外預(yù)警探測(cè)領(lǐng)域的關(guān)鍵技術(shù),適應(yīng)于不同復(fù)雜場(chǎng)景下的紅外弱小目標(biāo)檢測(cè)算法一直受到國(guó)內(nèi)外研究人員的廣泛關(guān)注。在目前光學(xué)系統(tǒng)的空間分辨率難以進(jìn)一步提升的情況下,研究適用于不同作戰(zhàn)場(chǎng)景下的紅外弱小目標(biāo)檢測(cè)算法,保證算法低虛警的同時(shí)提升算法的自適應(yīng)性,以增強(qiáng)紅外預(yù)警探測(cè)系統(tǒng)遠(yuǎn)距離檢測(cè)跟蹤的能力。因此作為紅外探測(cè)關(guān)鍵技術(shù)的弱小目標(biāo)檢測(cè)算法,目前乃至將來(lái)仍然是一個(gè)值得去深入研究的課題。

紅外弱小目標(biāo)檢測(cè)算法主要分為多幀檢測(cè)和單幀檢測(cè),多幀檢測(cè)利用多幀圖像中運(yùn)動(dòng)目標(biāo)的連續(xù)性和相關(guān)性實(shí)現(xiàn)紅外小目標(biāo)檢測(cè),而單幀檢測(cè)主要利用單幀圖像,提取小目標(biāo)在紅外圖像中的梯度、灰度、對(duì)比度等特征,通過(guò)目標(biāo)增強(qiáng)或背景抑制等方式實(shí)現(xiàn)弱小目標(biāo)檢測(cè),相比多幀檢測(cè),具有復(fù)雜度低,執(zhí)行效率高,便于硬件實(shí)現(xiàn)等優(yōu)點(diǎn)。因此本文以單幀檢測(cè)算法為主線,著重闡述近些年來(lái)紅外單幀弱小目標(biāo)檢測(cè)算法的研究現(xiàn)狀。

2 紅外弱小目標(biāo)特征與檢測(cè)難點(diǎn)分析

紅外弱小目標(biāo)這一定義分別指出了目標(biāo)的兩個(gè)特性,即“弱”和“小”,其中“弱”指的是目標(biāo)信噪比低、與背景之間的對(duì)比度差、紅外輻射強(qiáng)度弱；而“小”指的是目標(biāo)像素少,檢測(cè)時(shí)難以獲得紋理信息,可考慮的信息只有灰度和位置。如圖1所示,圖1(a)為紅外小目標(biāo)的實(shí)際圖像,圖1(b)為目標(biāo)區(qū)域所對(duì)應(yīng)的三維強(qiáng)度分布圖像。

(a)

通過(guò)觀察上圖可以看出,通常小目標(biāo)在成像時(shí)距離較遠(yuǎn),成像質(zhì)量差,其形狀類(lèi)似圓形斑塊或點(diǎn)狀形式,灰度由中心點(diǎn)向四周邊緣緩慢擴(kuò)散,無(wú)各向異性,而噪聲點(diǎn)常以孤立亮點(diǎn)或暗點(diǎn)形式出現(xiàn),與目標(biāo)相差較大,因此傳統(tǒng)研究常采用二維高斯函數(shù)對(duì)紅外小目標(biāo)建模表示。但上述模型的建立是基于小目標(biāo)尺寸不會(huì)發(fā)生較大范圍的變化且目標(biāo)背景相對(duì)干凈這一假設(shè),使得傳統(tǒng)小目標(biāo)檢測(cè)方法能夠有效抑制背景雜波從而檢測(cè)出弱小目標(biāo)。然而實(shí)際在對(duì)紅外弱小目標(biāo)進(jìn)行遠(yuǎn)距離檢測(cè)跟蹤時(shí),小目標(biāo)常處于復(fù)雜背景環(huán)境下,如云層邊緣、地面強(qiáng)雜波干擾等,極易被背景雜波所淹沒(méi),這時(shí)直接使用二維高斯函數(shù)建模往往是無(wú)效的。

3 紅外單幀弱小目標(biāo)檢測(cè)算法分類(lèi)

紅外單幀弱小目標(biāo)檢測(cè)算法主要通過(guò)圖像預(yù)處理突出小目標(biāo)同時(shí)抑制背景噪聲干擾,之后采用閾值分割提取疑似目標(biāo),最后根據(jù)特征信息進(jìn)行目標(biāo)確認(rèn)。由于單幀檢測(cè)的算法復(fù)雜度較低,檢測(cè)效率高,因此目前絕大多數(shù)的高速運(yùn)動(dòng)目標(biāo)檢測(cè)平臺(tái)等都是采用的單幀紅外弱小目標(biāo)檢測(cè)算法。本文對(duì)近些年來(lái)提出的紅外單幀弱小目標(biāo)檢測(cè)算法進(jìn)行歸類(lèi)總結(jié),如下所示：

紅外單幀弱小目標(biāo)檢測(cè)算法包括：①基于濾波的檢測(cè)算法；②基于人類(lèi)視覺(jué)系統(tǒng)的檢測(cè)算法;③基于圖像數(shù)據(jù)結(jié)構(gòu)的檢測(cè)算法;④基于深度學(xué)習(xí)的智能檢測(cè)算法。

下面將針對(duì)每類(lèi)算法展開(kāi)詳細(xì)介紹與分析。

3.1 基于濾波的檢測(cè)算法

由于紅外探測(cè)系統(tǒng)得到的單幀圖像中,紅外小目標(biāo)的紋理、大小等特征信息往往難以獲取,通常紅外小目標(biāo)檢測(cè)是基于小目標(biāo)和背景之間的灰度差異。濾波方法的原理就是利用像素灰度差異來(lái)突出小目標(biāo),并去除周?chē)尘霸肼暩蓴_。目前這類(lèi)方法大體可分為空間域?yàn)V波和變換域?yàn)V波。

3.1.1 基于空間域?yàn)V波的檢測(cè)算法

空間域?yàn)V波主要是在空域上對(duì)紅外圖像進(jìn)行處理,其基本原理是首先對(duì)圖像進(jìn)行預(yù)處理,將濾波得到后的顯著圖通過(guò)閾值分割方法來(lái)檢測(cè)紅外弱小目標(biāo)。近些年來(lái)空間域?yàn)V波的方法主要有以下幾類(lèi):

(1)空域高通濾波

高通濾波器是基于背景估計(jì)的方式,由于探測(cè)系統(tǒng)獲取的紅外圖像中小目標(biāo)為亮點(diǎn),而周?chē)尘耙话闫?高通濾波基于這兩者之間的灰度差,從而將小目標(biāo)從圖像中提取出來(lái),同時(shí)去除背景和噪聲的干擾?？沼蚋咄V波的優(yōu)勢(shì)在于計(jì)算復(fù)雜度低,便于硬件實(shí)現(xiàn),但是通常小目標(biāo)所處環(huán)境復(fù)雜,背景灰度變化大,容易存在大量干擾噪點(diǎn),所以面對(duì)這種環(huán)境時(shí)利用高通濾波進(jìn)行檢測(cè)往往會(huì)導(dǎo)致虛警率很高,檢測(cè)性能達(dá)不到要求。

(2)最大中值、最大均值濾波

Max-Mean和Max-Median濾波最早于1999年應(yīng)用于紅外小目標(biāo)檢測(cè),其中最大中值濾波主要通過(guò)固定模板逐步對(duì)紅外圖像中對(duì)應(yīng)區(qū)域內(nèi)的像素灰度值進(jìn)行統(tǒng)計(jì)得出中值,從而降低邊緣信息對(duì)于檢測(cè)效果的影響。而最大均值濾波通過(guò)利用不同方向上的像素灰度值獲得均值,進(jìn)一步求取最大值,即得到最大均值濾波輸出。這兩種算法能夠在保留的邊界同時(shí)抑制圖像中的噪點(diǎn),使得目標(biāo)得到增強(qiáng),算法簡(jiǎn)單,易于硬件實(shí)現(xiàn),但算法容易受到窗口形狀和尺寸的影響,且不同圖像背景對(duì)濾波窗口要求不同。

(3)Robinson Guard濾波器

Robinson Guard濾波器的結(jié)構(gòu)如圖2所示,其中心像素周?chē)鸁o(wú)權(quán)值區(qū)域稱(chēng)為保護(hù)帶,主要作用是保護(hù)帶內(nèi)目標(biāo)信息,還能夠?qū)獗尘斑吘夁M(jìn)行檢測(cè)。

圖2 Robinson Guard濾波器結(jié)構(gòu)

濾波原理是將當(dāng)前像素灰度值與其模板最外層區(qū)域的像素灰度最大值進(jìn)行比較,并將差值作為輸出。但是Robinson Guard濾波器缺點(diǎn)在于其不能夠自適應(yīng)調(diào)整濾波窗口大小,濾波結(jié)果很容易受到小目標(biāo)本身或干擾雜波的影響。為了解決傳統(tǒng)Robinson Guard濾波器的局限性,Zhang等人[1]在傳統(tǒng)Robinson Guard濾波器的基礎(chǔ)上進(jìn)行改進(jìn),采用自適應(yīng)調(diào)整Robinson Guard濾波器窗口大小的方式,并通過(guò)多尺度進(jìn)一步優(yōu)化獲得最優(yōu)的濾波器窗口大小,能夠適用于不同大小的小目標(biāo),同時(shí)對(duì)于低信噪比的圖像,還具有很好的背景抑制能力和小目標(biāo)增強(qiáng)能力。

(4)雙邊濾波算法

雙邊濾波(BF)算法主要通過(guò)在背景區(qū)域和目標(biāo)區(qū)域之間自適應(yīng)地改變兩個(gè)高斯濾波器的標(biāo)準(zhǔn)差以實(shí)現(xiàn)紅外小目標(biāo)檢測(cè)。近期,Bae等人[2]在邊緣方向分析的基礎(chǔ)上提出一種基于雙邊濾波(BF)的紅外弱小目標(biāo)檢測(cè)方法,該算法將BF濾波器作為背景預(yù)測(cè)器應(yīng)用于小目標(biāo)檢測(cè),改進(jìn)后的算法不僅具備傳統(tǒng)雙邊濾波算法較強(qiáng)的背景估計(jì)能力,同時(shí)相較傳統(tǒng)算法還提升了魯棒性和檢測(cè)效率。

(5)數(shù)學(xué)形態(tài)學(xué)方法

由于數(shù)學(xué)形態(tài)學(xué)處理算法復(fù)雜度較低且易于FPGA硬件實(shí)現(xiàn),因此近些年來(lái)一直被作為紅外小目標(biāo)檢測(cè)領(lǐng)域中的圖像預(yù)處理方法。其基本思想是通過(guò)選取具有一定形態(tài)的結(jié)構(gòu)元素對(duì)紅外圖像進(jìn)行相應(yīng)數(shù)學(xué)運(yùn)算,有選擇性地剔除圖像中部分區(qū)域特征,同時(shí)提取出小目標(biāo)特征信息。如經(jīng)典Top-Hat變換不僅能實(shí)現(xiàn)很好的背景抑制效果,還能提取出與結(jié)構(gòu)元素相似的目標(biāo)和少量干擾噪點(diǎn),但其僅采用一種結(jié)構(gòu)元素,難以體現(xiàn)出目標(biāo)區(qū)域與周?chē)鷧^(qū)域的差異。最近Zhu等人[3]提出一種基于Top-hat正則化與低秩張量相結(jié)合的紅外小目標(biāo)檢測(cè)方法,該算法充分考慮目標(biāo)的結(jié)構(gòu)先驗(yàn)知識(shí)和背景的自相關(guān)性,提高了小目標(biāo)檢測(cè)的信雜比增益和穩(wěn)健性。除了Top-Hat變換外,Zhao等人[4]提出一種基于形態(tài)學(xué)特征提取的紅外小目標(biāo)檢測(cè)算法,該算法結(jié)合形態(tài)學(xué)特征提取與低秩稀疏分解方法抑制背景雜波的同時(shí)顯著提高了目標(biāo)的信噪比。

(6)二維最小均方濾波器(TDLMS)

二維最小均方濾波器(TDLMS)從Wiener濾波器演變而來(lái),主要是基于輸入紅外圖像,計(jì)算相應(yīng)的模板參數(shù),將其用于迭代過(guò)程中求取期望圖像和預(yù)測(cè)圖像之間的誤差函數(shù),當(dāng)誤差小于一定閾值時(shí),停止迭代并輸出得到預(yù)測(cè)背景圖像,最后用原始圖像減去預(yù)測(cè)背景圖像得到小目標(biāo)檢測(cè)結(jié)果。該算法通過(guò)多次迭代運(yùn)算能夠?qū)Ρ尘斑M(jìn)行準(zhǔn)確估計(jì),自適應(yīng)性較強(qiáng)。最近Lv等人[5]提出一種基于二維最小均方濾波(TDLMS)和基于鄰域灰度差(GSD)度量相結(jié)合的算法,用以運(yùn)動(dòng)點(diǎn)目標(biāo)檢測(cè)問(wèn)題,能夠有效去除殘留背景雜波干擾。張藝璇等人[6]提出一種自適應(yīng)雙層TDLMS濾波的紅外小目標(biāo)檢測(cè)算法,能夠有效降低虛警率但同時(shí)也犧牲了實(shí)時(shí)性。

3.1.2 基于變換域?yàn)V波的檢測(cè)算法

變換域?yàn)V波主要通過(guò)將原始圖像利用數(shù)學(xué)方法轉(zhuǎn)到變換域,根據(jù)目標(biāo)和背景在變換域中所屬成分不同這一特性,在變換域進(jìn)行處理,將處理后的結(jié)果逆變換為空間域從而實(shí)現(xiàn)小目標(biāo)檢測(cè),相比空間域?yàn)V波能夠更加直觀顯示目標(biāo)和背景的特性,從而背景抑制效果得到增強(qiáng),與此帶來(lái)的是算法計(jì)算復(fù)雜度的增加。目前應(yīng)用較多的這類(lèi)方法主要有頻域高通濾波、小波變換濾波、多尺度幾何分析[7]、二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?BEMD)[8]以及離散余弦變換(DCT)[9]。

(1)頻域高通濾波

由于紅外圖像中的小目標(biāo)通常比周?chē)尘暗幕叶戎蹈?通過(guò)將時(shí)域信息變換到頻率域,利用頻域高通濾波器提取紅外圖像中的高頻小目標(biāo)部分,同時(shí)濾掉低頻背景和噪聲,實(shí)現(xiàn)背景抑制并突出小目標(biāo)。這類(lèi)濾波器在紅外場(chǎng)景較為簡(jiǎn)單的時(shí)候,濾波效果比較明顯,但是通常所處理的圖像往往處于頻率復(fù)雜的地面強(qiáng)雜波背景、卷云雜波干擾的環(huán)境下,此時(shí)濾波效果并不能滿足檢測(cè)需求。

(2)小波變換

小波變換算法的實(shí)質(zhì)是通過(guò)構(gòu)建不同尺度的小波函數(shù)去分解原始圖像,利用變換得到原圖像在多個(gè)尺度下的高、低頻信息,通過(guò)分析小目標(biāo)特性,將高頻部分中的小目標(biāo)從中檢測(cè)出來(lái)?？紤]到傳統(tǒng)小波變換在高維情況下,難以充分利用圖像數(shù)據(jù)原有的幾何特征,后來(lái)在小波變換的基礎(chǔ)上提出了多尺度幾何分析的方法,吳文怡等人[7]將Contourlet變換應(yīng)用于紅外弱小目標(biāo)檢測(cè),Contourlet變換的引入成功解決了小波變換對(duì)于二維圖像只能在水平、垂直和對(duì)角三個(gè)方向上進(jìn)行分解這一局限性,對(duì)于每個(gè)尺度所分解的方向都具有靈活性。雖然該算法在小目標(biāo)檢測(cè)性能上有所提升,但是該算法僅適用于目標(biāo)點(diǎn)極少的紅外小目標(biāo)檢測(cè)。

(3)二維經(jīng)驗(yàn)(BEMD)模式分解

經(jīng)驗(yàn)?zāi)Ｊ?Empirical Mode Decomposition,EMD)方法的提出很好地避免了小波分析對(duì)小波基和小波變換核的空間尺度的選擇,并且繼承了其多分辨率分析和時(shí)域分析的特性。而后由EMD推廣到了二維經(jīng)驗(yàn)(BEMD)模式分解,針對(duì)復(fù)雜背景下的紅外小目標(biāo)檢測(cè),解婷等人[8]提出一種基于二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?BEMD)的新方法,通過(guò)引入了同組過(guò)濾器(PGF)和局部逆熵(LIE),能夠有效抑制背景噪聲和改善原始圖像信噪比,但是由于算法復(fù)雜度的增加導(dǎo)致了實(shí)時(shí)性不足,因此還難以滿足實(shí)際工程需求。

(4)離散余弦變換(DCT)

離散余弦變換(Discrete Cosine Transform,DCT)最先于1974年提出,該變換具有良好的去相關(guān)性,同時(shí)其只使用實(shí)數(shù),相當(dāng)于只有一半長(zhǎng)度的傅里葉變換,可以減少一半以上的運(yùn)算量,近些年來(lái)常用于信號(hào)處理和圖像處理領(lǐng)域中。Ding M等人[9]提出將離散余弦變換(DCT)應(yīng)用于機(jī)載光電平臺(tái)的紅外目標(biāo)檢測(cè)與識(shí)別的方法中,并取得了較好的檢測(cè)結(jié)果。相比傳統(tǒng)的離散傅里葉運(yùn)算,采用DCT可以降低算法的計(jì)算量,適合進(jìn)行硬件加速計(jì)算以應(yīng)用于系統(tǒng)工程中。

3.2 基于人類(lèi)視覺(jué)系統(tǒng)(HVS)的檢測(cè)算法

人眼可以快速定位到感興趣區(qū)域,并獲取其中的感興趣目標(biāo),這一行為主要是人眼根據(jù)對(duì)比度區(qū)別目標(biāo)和背景而不是亮度,以此來(lái)獲取視覺(jué)顯著性區(qū)域。根據(jù)HVS的特性,紅外圖像中目標(biāo)的顯著性特征主要包含對(duì)比度、大小、形狀等等。所以紅外小目標(biāo)檢測(cè)中引入了局部對(duì)比度、視覺(jué)顯著性圖、多特征融合、多尺度等理論機(jī)制。

(1)基于局部對(duì)比度機(jī)制

由于紅外小目標(biāo)一般與其周?chē)尘安贿B通,并且其本身的結(jié)構(gòu)信息并不顯著,所以在紅外圖像的局部鄰域中,對(duì)比度是考量目標(biāo)和背景之間關(guān)系最好的方式。如蔡軍等人[10]提出一種基于視覺(jué)對(duì)比度機(jī)制的紅外小目標(biāo)檢測(cè)算法,該算法利用局部對(duì)比度(LCM)算子獲取顯著性區(qū)域,同時(shí)采用多尺度對(duì)比度進(jìn)一步提升算法的魯棒性和檢測(cè)能力。由于傳統(tǒng)LCM算法對(duì)噪聲和背景抑制性能有限,潘勝達(dá)等人[11]提出一種基于雙層局部對(duì)比度機(jī)制(DLCM)的紅外弱小目標(biāo)檢測(cè)算法,該算法只需計(jì)算單尺度的雙層對(duì)比度就可以實(shí)現(xiàn)不同尺寸的小目標(biāo)檢測(cè)且實(shí)時(shí)性較好,考慮到實(shí)際工程應(yīng)用中算法移植的可行性,后續(xù)算法還需進(jìn)一步優(yōu)化改進(jìn)。

(2)基于多特征融合

基于多特征融合的方式也是人類(lèi)視覺(jué)機(jī)制應(yīng)用小目標(biāo)檢測(cè)的一個(gè)研究方向,為了抑制背景雜波,通常需要考慮多個(gè)特征對(duì)小目標(biāo)局部特性進(jìn)行表征,如局部強(qiáng)度、梯度、局部灰度殘差等等。局部強(qiáng)度特性可以用來(lái)抑制強(qiáng)度值分布近似的均勻背景,而梯度特性可以用來(lái)檢測(cè)邊緣較強(qiáng)的背景,因?yàn)樗鼈兊奶荻确较蛲ǔＪ且恢碌?并且在分布上與目標(biāo)的不同。由此來(lái)看,結(jié)合不同特性可以起到有效抑制背景雜波的作用。如危水根等人[12]提出一種結(jié)合局部灰度殘差、局部強(qiáng)度和梯度三種特性相融合的紅外小目標(biāo)檢測(cè)算法,該算法利用局部灰度殘差信息圖抑制平緩背景,局部強(qiáng)度均值約束信息圖剔除孤立背景點(diǎn)干擾,梯度方向約束信息圖剔除強(qiáng)邊緣雜波干擾,最后通過(guò)融合這3個(gè)特征信息圖并結(jié)合閾值分割實(shí)現(xiàn)弱小目標(biāo)與背景的分離。

3.3 基于圖像數(shù)據(jù)結(jié)構(gòu)的檢測(cè)算法

上述大部分方法都是從紅外小目標(biāo)的變換域特征、對(duì)比度、梯度特征以及灰度分布等方面進(jìn)行分析,從而實(shí)現(xiàn)背景抑制和目標(biāo)增強(qiáng)。近兩年,相關(guān)學(xué)者提出了一個(gè)新的研究方向,即將圖像數(shù)據(jù)結(jié)構(gòu)引入到紅外小目標(biāo)檢測(cè)算法中,利用了紅外圖像中背景的非局部自相似性和目標(biāo)的稀疏特性,即背景塊屬于同一低秩子空間,而目標(biāo)相對(duì)整體圖像尺寸較小。目前比較典型的基于圖像數(shù)據(jù)結(jié)構(gòu)的方法主要有以下兩種:

(1)紅外圖像塊(IPI)模型

由傳統(tǒng)的目標(biāo)、背景和噪聲三大部分構(gòu)成的紅外圖像模型推廣到利用非局部自相關(guān)特性的紅外塊圖像(IPI)模型,該模型主要將紅外弱小目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為恢復(fù)低秩和稀疏矩陣的優(yōu)化問(wèn)題,其典型的求解IPI模型的目標(biāo)函數(shù)表達(dá)式如下:

(1)

其中,I、B、T分別對(duì)應(yīng)紅外圖像塊矩陣,背景塊圖像矩陣和目標(biāo)塊圖像矩陣;λ和μ均為可變權(quán)重參數(shù)。Yang等人[13]提出基于紅外圖像塊(IPI)模型的多尺度融合和參數(shù)調(diào)整的紅外小目標(biāo)自適應(yīng)檢測(cè)方法,對(duì)于高度變化的復(fù)雜場(chǎng)景具有很好的適應(yīng)性且能夠保證較低的虛警率。由于上述采用IPI模型的方法通常需要將每個(gè)圖像塊矢量化為一列像素,而在此過(guò)程中,像素間的結(jié)構(gòu)信息被破壞致使信息丟失,因此估計(jì)目標(biāo)圖像并不夠準(zhǔn)確。Zhang等人[14]提出一種基于圖像塊張量(IPT)模型的小目標(biāo)檢測(cè)方法,將檢測(cè)任務(wù)由二維圖像層面擴(kuò)展到三維張量層面,同時(shí)將小目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為分離張量的低秩部分和稀疏部分的優(yōu)化問(wèn)題,相比IPI模型提升了算法的檢測(cè)性能。由于這類(lèi)算法實(shí)現(xiàn)時(shí)通常需要進(jìn)行多次矩陣分解的迭代,而高維奇異值分解效率較低,耗時(shí)較長(zhǎng),所以在實(shí)時(shí)性上還需進(jìn)一步改進(jìn)以適用于實(shí)際工程中。

(2)穩(wěn)健主成分分析(RPCA)

穩(wěn)健主成分析(RPCA)方法的核心是將背景和小目標(biāo)分離的問(wèn)題轉(zhuǎn)換為采用數(shù)學(xué)的方式求解凸優(yōu)化問(wèn)題。樊俊良等人[15]將RPCA算法應(yīng)用于弱小目標(biāo)檢測(cè)中,通過(guò)對(duì)上述凸優(yōu)化問(wèn)題進(jìn)行求解從而得到背景和目標(biāo)前景圖像,最后從目標(biāo)前景圖像提取出小目標(biāo),該算法對(duì)于簡(jiǎn)單的混合場(chǎng)景具有較好的適用性。馬銘陽(yáng)等人[16]改進(jìn)了穩(wěn)健主成分分析(RPCA)分割的方法用于目標(biāo)粗提取,而后結(jié)合基于統(tǒng)計(jì)的多點(diǎn)恒虛警檢測(cè)(MCFAR)方法用于小目標(biāo)精檢測(cè),保證了紅外小目標(biāo)的檢測(cè)精度。這類(lèi)算法很大程度上降低了虛警率,但對(duì)于RPCA算法的求解速度問(wèn)題還有待進(jìn)一步優(yōu)化。

3.4 基于深度學(xué)習(xí)的智能檢測(cè)算法

傳統(tǒng)的紅外小目標(biāo)檢測(cè)算法中通常是根據(jù)小目標(biāo)本身灰度值,鄰域背景信息等特征來(lái)進(jìn)行檢測(cè)識(shí)別,這些算法選取的特征大多是基于人工的選擇,因此在算法設(shè)計(jì)中考慮的特征參數(shù)總是有限的,而深度學(xué)習(xí)能通過(guò)訓(xùn)練提取數(shù)據(jù)中深層次的中層以及高層特征,用以目標(biāo)表征,提升目標(biāo)檢測(cè)的魯棒性。國(guó)內(nèi)外學(xué)者在近幾年來(lái)相繼提出了許多基于深度學(xué)習(xí)的智能檢測(cè)算法。LIN等人[17]通過(guò)設(shè)計(jì)一種7層深度卷積神經(jīng)網(wǎng)絡(luò)(CNN),實(shí)現(xiàn)對(duì)紅外小目標(biāo)特征的自動(dòng)提取以及對(duì)背景雜波的端到端抑制。該方法在背景抑制和目標(biāo)增強(qiáng)方面均取得了很好的性能。Wang等人[18]設(shè)計(jì)了一種特征提取骨干網(wǎng)絡(luò)(MNET)用于紅外小目標(biāo)檢測(cè),該網(wǎng)絡(luò)兼顧了實(shí)時(shí)性與檢測(cè)精度,能夠?qū)崿F(xiàn)105 f/s的檢測(cè)速率。鈕賽賽等人[19]利用經(jīng)典模板匹配算法與Fast YOLO模型相結(jié)合用于紅外小目標(biāo)檢測(cè)。該算法不足之處在于一旦圖像劣化或目標(biāo)之間存在遮擋現(xiàn)象,難以準(zhǔn)確檢測(cè)出圖像中的所有目標(biāo)。

目前將深度學(xué)習(xí)應(yīng)用于紅外小目標(biāo)檢測(cè)最大的局限性在于,待檢測(cè)的紅外小目標(biāo)尺寸過(guò)小,缺乏紋理、結(jié)構(gòu)等特征,而神經(jīng)網(wǎng)絡(luò)中往往采取下采樣操作,導(dǎo)致目標(biāo)在特征圖上尺寸僅占據(jù)幾個(gè)像素,使得檢測(cè)器難以提取出有效特征,導(dǎo)致小目標(biāo)檢測(cè)效果差；同時(shí)考慮到實(shí)際紅外工程應(yīng)用中對(duì)算法的實(shí)時(shí)性和硬件負(fù)載能力均有限定,神經(jīng)網(wǎng)絡(luò)架構(gòu)移植到常用的FPGA+DSP硬件架構(gòu)上的難度較大。

4 算法仿真與性能分析

為了進(jìn)一步評(píng)估各類(lèi)單幀檢測(cè)算法的性能,本文從背景抑制因子(BSF)、信雜比增益()以及算法平均運(yùn)行時(shí)間(ms)這三種評(píng)價(jià)指標(biāo)出發(fā),選取近些年來(lái)具有代表性的幾種算法進(jìn)行綜合檢測(cè)性能分析。其中BSF和SCRG分別用于度量算法的背景雜波抑制能力和目標(biāo)增強(qiáng)能力,其值越大表明算法檢測(cè)性能越強(qiáng)。而算法平均運(yùn)行時(shí)間取決于算法的運(yùn)算量大小同時(shí)也能夠考量算法的實(shí)時(shí)處理速率與實(shí)際工程應(yīng)用價(jià)值。本次實(shí)驗(yàn)主要選取5個(gè)真實(shí)紅外圖像序列集對(duì)單幀檢測(cè)算法進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)平臺(tái)統(tǒng)一選取Intel Xeon 4110 CPU @ 2.10GHz,Nvidia GeForce GTX 1080Ti,64G內(nèi)存服務(wù)器,仿真軟件為Matlab2020b。仿真實(shí)驗(yàn)結(jié)果如圖3及表1、表2所示。

圖3 典型單幀檢測(cè)算法的檢測(cè)結(jié)果與對(duì)應(yīng)的三維灰度分布

表2 典型單幀檢測(cè)算法平均運(yùn)行時(shí)間(單位：ms)

通過(guò)上述仿真結(jié)果看出,當(dāng)小目標(biāo)處于簡(jiǎn)單的空天場(chǎng)景時(shí),這幾種典型的檢測(cè)算法均取得了較為不錯(cuò)的檢測(cè)結(jié)果。而當(dāng)目標(biāo)場(chǎng)景趨于復(fù)雜存在大量云層雜波干擾或處于云邊緣背景時(shí),傳統(tǒng)的檢測(cè)算法Max-Median、LCM等算法處理后仍存在背景干擾點(diǎn)。從三維灰度圖中可以進(jìn)一步看出,相比干凈背景下目標(biāo)灰度峰值遠(yuǎn)高于背景灰度分布,盡管經(jīng)過(guò)算法處理,復(fù)雜背景下的干擾點(diǎn)灰度峰值仍與目標(biāo)峰值接近,此時(shí)采用閾值分割方法極容易將干擾點(diǎn)判為虛假目標(biāo),導(dǎo)致算法虛警率增加。而近些年提出的IPI模型和CNN檢測(cè)算法在算法處理結(jié)果上明顯優(yōu)于傳統(tǒng)算法,在不同的復(fù)雜紅外場(chǎng)景下均能有效檢測(cè)出目標(biāo),并剔除虛警點(diǎn)。

綜合背景抑制因子和信雜比增益指標(biāo)可以得出,傳統(tǒng)的基于濾波的檢測(cè)方法Max-Median和Top-hat的背景抑制能力要優(yōu)于提升目標(biāo)對(duì)比度的LCM方法,而IPI算法在背景抑制性能上有所提升,基于深度學(xué)習(xí)的CNN檢測(cè)算法相較于傳統(tǒng)的檢測(cè)算法在整體性能上提升了幾個(gè)數(shù)量級(jí)。但是從算法運(yùn)行時(shí)間來(lái)看,考慮到CNN在單幀檢測(cè)時(shí)需要進(jìn)行大量浮點(diǎn)運(yùn)算,因此在算法處理時(shí)間上要劣于傳統(tǒng)的濾波和視覺(jué)對(duì)比度LCM算法,而IPI算法需要進(jìn)行矩陣迭代運(yùn)算,導(dǎo)致算法計(jì)算量很大,因此消耗時(shí)間最長(zhǎng)。

5 結(jié)論與展望

綜上所述,本文對(duì)近些年來(lái)提出的紅外單幀弱小目標(biāo)檢測(cè)算法進(jìn)行了系統(tǒng)性的梳理,并針對(duì)近些年來(lái)提出的紅外單幀弱小目標(biāo)檢測(cè)方法分析了優(yōu)勢(shì)與不足。結(jié)合當(dāng)下紅外預(yù)警探測(cè)系統(tǒng)的發(fā)展需求以及各個(gè)領(lǐng)域逐漸引入人工智能思想的熱潮,可以預(yù)見(jiàn)未來(lái)紅外弱小目標(biāo)檢測(cè)的發(fā)展趨勢(shì)如下:

(1)首先,考慮到紅外預(yù)警探測(cè)對(duì)探測(cè)距離、成像質(zhì)量、復(fù)雜背景環(huán)境下的適應(yīng)能力等需求的提高,在硬件上研制大規(guī)模、高分辨率、多波段、超高密度集成和輕型化的焦平面器件,仍然是推動(dòng)紅外弱小目標(biāo)檢測(cè)研究必不可少的一部分。

(2)其次,由于單一波段的紅外探測(cè)系統(tǒng)的性能總是有限的,由單波段檢測(cè)推廣到研究紅外多光譜融合探測(cè)技術(shù),高光譜探測(cè)技術(shù)以及多傳感器信息融合技術(shù),進(jìn)行信息互補(bǔ),實(shí)現(xiàn)預(yù)警系統(tǒng)一體化,有效解決單一波段或單一探測(cè)器探測(cè)性能的局限性。

(3)最后,創(chuàng)新和改進(jìn)現(xiàn)有的紅外弱小目標(biāo)檢測(cè)算法仍然是目前研究的重點(diǎn)。利用深度學(xué)習(xí)模型架構(gòu)進(jìn)行紅外弱小目標(biāo)檢測(cè),完善紅外弱小目標(biāo)數(shù)據(jù)集,同步考慮神經(jīng)網(wǎng)絡(luò)模型架構(gòu)硬件移植的可行性,后續(xù)研究可以利用FPGA高速并行計(jì)算、低功耗的優(yōu)勢(shì),在FPGA上搭建神經(jīng)網(wǎng)絡(luò)架構(gòu),加速神經(jīng)網(wǎng)絡(luò)計(jì)算,保證算法的檢測(cè)效率與實(shí)時(shí)性。