基于局部顯著度的機動弱小目標(biāo)檢測算法

王霞成，唐 述

(1.昆山登云科技職業(yè)學(xué)院 工學(xué)院，江蘇 蘇州 215300；2.重慶郵電大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，重慶 400065)

0 引言

紅外弱小目標(biāo)檢測是精確制導(dǎo)、紅外搜索跟蹤、紅外監(jiān)視等系統(tǒng)中常用的關(guān)鍵技術(shù)，如何獲得良好的檢測性能一直都是充滿挑戰(zhàn)性[1- 2]。主要原因為，由于目標(biāo)與探測器之間的距離很遠(yuǎn)[3]，采集的圖像中目標(biāo)尺寸通常很小，無法利用形狀或紋理信息；同時，由于遠(yuǎn)距離大氣吸收，目標(biāo)亮度很弱，目標(biāo)檢測非常困難，檢測率很低；還由于海面雜波、云等復(fù)雜背景的存在，原始紅外圖像中存在多種類型干擾，真實目標(biāo)容易湮滅在大量虛假目標(biāo)中[4]，導(dǎo)致檢測的高虛警率；隨著紅外焦平面陣列靶面增大，輸出的紅外圖像大小逐漸增加，計算量越來越大[5]。

近些年來，提出了很多新穎的紅外小目標(biāo)檢測算法，其中基于當(dāng)下最熱門的機器學(xué)習(xí)領(lǐng)域算法的弱目標(biāo)檢測也引起很多學(xué)者注意，包括有監(jiān)督類型和無監(jiān)督類型[6]，但它們依賴于先驗知識，而且對于復(fù)雜背景下紅外小目標(biāo)檢測效果仍不理想[7]。

紅外弱小目標(biāo)檢測方法可分為兩類：跟蹤前檢測和檢測前跟蹤。

傳統(tǒng)的跟蹤前檢測算法對單幀圖像進(jìn)行濾波，如高通濾波和形態(tài)學(xué)算子。這些算法或者利用小目標(biāo)的特性直接檢測目標(biāo)，或者估計雜波背景進(jìn)行目標(biāo)增強[8]。近年來，大量學(xué)者在該領(lǐng)域進(jìn)行了廣泛的研究，通常這些檢測算法都從空間上檢測目標(biāo)，這些算法適用于目標(biāo)在局部背景中形態(tài)相對明顯的應(yīng)用場合。然而，當(dāng)圖像中存在大量噪聲干擾時，性能并不理想。

近年來，基于生物視覺機制的研究成果給紅外小目標(biāo)檢測領(lǐng)域提供新思路。研究發(fā)現(xiàn)，對人類視覺系統(tǒng)影響最明顯的部分是對比度而非亮度，該研究成果被稱為人類視覺系統(tǒng)對比機制[9]。有助于快速鎖定紅外小目標(biāo)在整圖中的位置，因為即使目標(biāo)不是全圖中輻射最強的部分，仍然比領(lǐng)域背景亮度高，并且在大多數(shù)情況下局部對比度更強，在實際應(yīng)用中常見目標(biāo)通常比周圍環(huán)境溫度更高。因此，與傳統(tǒng)算法相比，基于局部對比度的算法一般能獲得更好的檢測性能。并且算法簡單、易實現(xiàn)。

總體而言，提取局部對比度的差異可有效消除高亮背景，但對真實目標(biāo)的增強效果有限[10]；而提取局部對比度比值可增強真實目標(biāo)，但很難有效地消除高亮背景[11]。很多學(xué)者提出將兩者分為兩個階段結(jié)合起來的算法，試圖解決上述問題[12]。但可能帶來更復(fù)雜的算法結(jié)構(gòu)，算法的魯棒性欠佳。

與跟蹤前檢測方法不同，檢測前跟蹤算法不針對每幀圖像檢測目標(biāo)。而對多幀聯(lián)合處理，然后進(jìn)行檢測決策。代表性的檢測前跟蹤方法有霍夫變換、時間假設(shè)檢驗和三維匹配濾波等。

其中，時間假設(shè)檢驗可理解為分類器[13]。目標(biāo)運動在圖像中的像素時間分布與雜波的像素時間分布不同，然而，該算法忽略了圖像的空間信息，導(dǎo)致檢測性能下降[14]。在時間假設(shè)檢驗中，大量的候選軌跡按樹狀結(jié)構(gòu)排列。當(dāng)累積的能量總和大于設(shè)定閾值時，疑似軌跡為目標(biāo)軌跡的假設(shè)將被接受。當(dāng)信噪比較低時，隨著軌跡數(shù)目增加，計算量會出現(xiàn)幾何上升問題[15]?；诨舴蜃儞Q的方法首先將弱小目標(biāo)軌跡在圖像平面上的投影，然后在二維數(shù)據(jù)空間中尋找運動目標(biāo)。但投影會導(dǎo)致信噪比損失，且在強噪聲環(huán)境下，算法性能嚴(yán)重退化。三維匹配濾波被應(yīng)用于運動目標(biāo)檢測，假設(shè)運動目標(biāo)的速度已知且不變[16]。然而，算法的性能受到速度失配和目標(biāo)機動的影響。

1)針對復(fù)雜背景下的紅外小目標(biāo)檢測問題，提出了一種基于分塊顯著度的局部對比檢測(local contrast detection based on block saliency，簡稱LCD-BBS算法)。首先，將全圖分為多子塊，各子塊都為小區(qū)域，對子塊進(jìn)行圖像處理，由于子塊數(shù)目遠(yuǎn)小于像素數(shù)目，可極大減少計算量。然后，針對各子塊計算BBS指標(biāo)，獲取更簡單的算法結(jié)構(gòu)。在計算結(jié)果中，包含真實小目標(biāo)的子塊指標(biāo)最顯著，干擾都得到很好抑制，處理結(jié)果進(jìn)入緩存。

2)提取緩存區(qū)的多幀連續(xù)圖像，并基于定加速度模型在序列圖像中檢測弱小目標(biāo)，在位移及速度空間中檢測序列圖像中的運動紅外弱小目標(biāo)。之后，通過恒虛警檢測獲得目標(biāo)位置、速度和加速度向量。

1 生物視覺注意力機制及卷積神經(jīng)網(wǎng)絡(luò)算法

在檢測弱小目標(biāo)時，需獲取更多的細(xì)節(jié)。尺度空間理論需在圖像中引入尺度參數(shù)以建立模型。通過調(diào)整參數(shù)，可獲取更多的圖像信息。

高斯卷積函數(shù)為尺度變換的核函數(shù)，Dog濾波器定義如下：

Dog(x，y，σ)=G(x，y，kσ)-G(x，y，σ)

(1)

其中：G為尺度可變的高斯函數(shù)，(x，y)為空間坐標(biāo)，σ為標(biāo)準(zhǔn)差。大尺度的處理算法可以表示圖像一般特征，小尺度的處理算法可表示圖像細(xì)節(jié)。

當(dāng)高斯濾波器中心與目標(biāo)中心重合時，響應(yīng)達(dá)到峰值。根據(jù)該特征，它可檢測目標(biāo)位置。在實際操作中，通過兩個不同尺度的高斯濾波器處理后的兩幅圖像，獲得Dog濾波器結(jié)果圖像。選擇具有局部最大響應(yīng)的點作為候選目標(biāo)。通過該過程，大部分目標(biāo)均能被有效檢測出。

為抑制虛假目標(biāo)，設(shè)計小型卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolutional neural networks)分類器對候選區(qū)域進(jìn)行篩選，確定其是否包含真實目標(biāo)，如圖1所示。分類網(wǎng)絡(luò)模型包括圖像預(yù)處理層、特征提取模塊、全局平均池層和軟性結(jié)構(gòu)層組成。在收集了大量紅外圖像后，在送圖像進(jìn)入卷積層之前，進(jìn)行預(yù)處理，調(diào)整圖像對比度和亮度在合適的范圍內(nèi)。進(jìn)行特征提取時，使用兩個卷積層組成的堆棧，堆棧具備有效內(nèi)核。使用兩個八通道卷積層進(jìn)行特征提取。每次下采樣進(jìn)行完畢后，特征圖通道數(shù)量增加了幾倍。池層的內(nèi)核大小與步長為兩個參數(shù)，特征提取模塊輸出為圖像塊及四通道的特征映射。

圖1 卷積神經(jīng)網(wǎng)絡(luò)示意圖

在提取特征后，使用全局平均池。優(yōu)勢是：完全連接層具備大量訓(xùn)練參數(shù)。但在全局平均池中，不需優(yōu)化任何參數(shù)。另外，全局平均池匯總出空間信息，有利于提高干擾輸入的魯棒性，全局平均池將每個特征映射對應(yīng)于一個類別，并輸出每個特征映射的平均值作為相應(yīng)。最后，將所有的數(shù)據(jù)相應(yīng)輸入下一層進(jìn)行分類。當(dāng)概率大于某閾值時，識別其為潛在目標(biāo)區(qū)域。

2 基于Retinex理論的檢測算法

根據(jù)生物注意力機制及卷積神經(jīng)網(wǎng)絡(luò)的計算，絕大部分目標(biāo)都能被檢測到，但目標(biāo)會被湮滅在復(fù)雜背景中?；谠撜J(rèn)識，對圖像幀使用MSR(multi-scale Retinex)理論進(jìn)行區(qū)域增強，并分割目標(biāo)。由于Retinex理論從顏色恒定性理論出發(fā)進(jìn)行推導(dǎo)，通過人類視覺恒定性的機理，可對圖像細(xì)節(jié)進(jìn)行補償和增強。在Retinex理論中，有單尺度SSR，多尺度MSR及集成色彩恢復(fù)的MSRCR算法。深度學(xué)習(xí)方法中也成功應(yīng)用提出的Retinex方法。

MSR理論在不同尺度上都具備單尺度Retinex的優(yōu)勢。該理論由物體對不同波長光線的反射確定，而非反射光決定。物體表面的彩色以一種一致性的方式出現(xiàn)，即色感一致性。相比經(jīng)典方法只能用于增強圖像某特征方法，Retinex算法能夠維持動態(tài)壓縮、增強邊緣、色彩維持恒定?？蓪Σ煌尘暗膱D像進(jìn)行針對性增強。

對圖像進(jìn)行MSR的步驟為：

1)首先檢測當(dāng)前幀中的目標(biāo)。如果沒有目標(biāo)且檢測到的最后一幀中的目標(biāo)不在圖像的邊界上。這意味著在此幀中，目標(biāo)的SNR可能太小而無法檢測，然后轉(zhuǎn)到步驟3)。如果此幀中存在目標(biāo)，請轉(zhuǎn)至步驟2)并繼續(xù)判斷。

2)遍歷最后一幀中檢測到的每個目標(biāo)，判斷該幀中是否有目標(biāo)靠近它。僅當(dāng)最后一幀中的目標(biāo)未出現(xiàn)在圖像的邊界處且附近沒有目標(biāo)時，轉(zhuǎn)至步驟3)。

3)利用MSR理論，在最后一幀中增強目標(biāo)周圍的局部區(qū)域。該區(qū)域可以設(shè)置為目標(biāo)大小的幾倍；在本文中，區(qū)域設(shè)置為目標(biāo)大小的五倍。

4)在局部區(qū)域分割目標(biāo)。

3 基于分塊顯著度的局部對比檢測算法

以典型紅外圖像為例以分析真實弱小目標(biāo)和其他干擾的區(qū)別，在真實原始紅外圖像中包含單個真實弱小目標(biāo)，弱目標(biāo)尺寸非常小，且無結(jié)構(gòu)及紋理信息。但探測器成像時會發(fā)生光學(xué)點擴展，真實弱小目標(biāo)成像面積仍會大于1像素×1像素，并大致均勻分布。另外，在多數(shù)情況下，目標(biāo)通常比其周圍環(huán)境溫度更高，于是它會比圖像中鄰近環(huán)境更亮，且在局部區(qū)域?qū)Ρ榷容^低。背景通常平坦均勻，灰度值較低，局部對比度低。高亮背景通常面積較大，內(nèi)部灰度值連續(xù)，因此局部對比度不明顯，盡管其灰度值可能遠(yuǎn)大于真實目標(biāo)。背景邊緣局部對比度信息較強，但因灰度在兩側(cè)不連續(xù)，且背景邊緣通常沿特定方向分布，與真實目標(biāo)存在一定差異。隨機噪聲與真實目標(biāo)最相似，但隨機噪聲通常由隨機因素引起，在序列圖像中出現(xiàn)無連續(xù)性特征，與真實目標(biāo)不同。

首先考慮真實目標(biāo)占據(jù)區(qū)域很小，認(rèn)為無需逐像素計算局部對比度信息，將全圖劃分為多個子塊代替，計算工作在子塊級進(jìn)行，于是計算量被大幅減少。然后針對各子塊，提出了基于分塊顯著度的局部對比檢測算法(LCD-BBS)。提出的算法可同時增強目標(biāo)并抑制背景雜波干擾，包含真實紅外弱小目標(biāo)的子塊指標(biāo)最高。

傳統(tǒng)基于局部對比度算法基本都在像素級進(jìn)行，計算量相當(dāng)大。為減少計算量，提高實時性，在計算局部對比度前，先將全圖分為多子塊，各子塊都為單個小區(qū)域，基于字塊而非像素進(jìn)行局部對比度計算。

為有效及合理劃分字塊，需設(shè)置合理的窗口大小及移動步長，若窗口太大，子塊數(shù)量少，且計算量小，但檢測的子塊中可能除目標(biāo)外，包含太多的背景信息，檢測性能不夠；若窗口太小，子塊數(shù)量多，計算量大，但檢測的子塊中目標(biāo)突出，檢測性能好。文章按目標(biāo)先驗大小3×3像素，設(shè)定窗口大小為9×9像素，步長為4像素，取得檢測性能及實時性的平衡。

由于弱小目標(biāo)在局部區(qū)域顯著，在全圖中不顯著，因此重點關(guān)注局部圖像塊，該圖像塊由9領(lǐng)域子塊組成，使用中心子塊與周邊子塊的比值差聯(lián)合局部對比度檢測小目標(biāo)。

(2)

如果BBS<0，令BBS=0。

其中：Gz為中心圖像塊的平均顯著度灰度值，Gk為周邊圖像塊的平均顯著度灰度值，求解方式為子塊像素排序，灰度值最大的前n個像素的灰度值平均。

因為干擾噪聲一般以單像素形式出現(xiàn)。由于真實小目標(biāo)通常比其鄰近區(qū)域更亮，因此使用非負(fù)約束來抑制雜波。

然后，考慮到背景邊緣通常在一個小的局部區(qū)域內(nèi)沿著一個特定的方向分布，而真正的小目標(biāo)通常在各個方向上大致均勻地分布[17]，算法中使用各個方向最小值作為BBS的最終指標(biāo)[18]。

然而，真實小目標(biāo)與其鄰近目標(biāo)之間的灰度差可能不夠顯著，尤其是當(dāng)目標(biāo)較暗時。因此，需增強真實目標(biāo)。文章考慮到真實小目標(biāo)通常是局部區(qū)域內(nèi)最亮的目標(biāo)，采用中心子塊比值作為增強因子以增強真實目標(biāo)。最終在各個方向定義BBS最小值。為同時實現(xiàn)增強真實目標(biāo)及抑制高亮度背景，將局部對比度比值和差值求乘。經(jīng)過LCD-BBS計算后，真實目標(biāo)獲得增強，各種干擾得到抑制。

4 基于定加速運動模型的多幀圖像處理算法

鑒于紅外圖像的像素噪聲也是獨立的。其次，在研究紅外噪聲特性時，短期和局部窗口的噪聲可以近似地看作是時空平穩(wěn)的高斯噪聲。這兩點說明紅外圖像中的噪聲是獨立的、同分布的，并且服從高斯分布。紅外噪聲特性是輻射積累的理論基礎(chǔ)。它們確保輻射累積增加有效目標(biāo)能量，同時降低接收到的噪聲。

弱小目標(biāo)被探測器捕獲，在探測器上的運動形式為在序列圖像的連續(xù)幀中沿一定運動軌跡方式連續(xù)出現(xiàn)。處理圖像時，為保證不漏檢，需檢測各個空間位置目標(biāo)的位置。

然后，定義二位位置空間PT。對于勻速直線運動弱小目標(biāo)，定義速度及位置矢量可確定其精確的運動軌跡。信噪比通過沿目標(biāo)運動軌跡累積能量來提高。在沒有先驗信息的條件下，遍歷速度及位置域可無漏檢地實現(xiàn)目標(biāo)檢測。

為實現(xiàn)定加速運動下目標(biāo)檢測，創(chuàng)建速度向量空間：

V={v|v=(vx，vy)}

(3)

其中：vx，vy均為沿x軸和y軸的速度大小。

創(chuàng)建加速度向量空間：

A={a|a=(ax，ay)}

(4)

其中：ax，ay均為沿x軸和y軸的加速度大小。

假設(shè)待檢測的圖像序列按序列幀順序排列，將圖像序列定義在原始圖像序列空間K中：

K={I|I=I(p，k)}

(5)

其中：k是圖像序列序號，p為目標(biāo)位置向量，I為圖像函數(shù)。

在定加速度空間中的能量累積過程函數(shù)如下：

(6)

其中：k為能量累積的幀數(shù)，表示當(dāng)積累目標(biāo)的能量時，應(yīng)沿目標(biāo)運動反方向?qū)⑵渌麕B加在參考幀上。因此，當(dāng)輸入準(zhǔn)確的速度及加速度信息后，可獲得信噪比提高的結(jié)果圖像，即使用圖像疊加的手段提升目標(biāo)的信噪比。

5 算法流程

如圖2所示，文章提出的處理算法步驟如下：

圖2 算法流程圖

1)對序列圖像每幀進(jìn)行基于塊顯著度的局部對比檢測處理，同時增強目標(biāo)輻射能量并抑制背景，且能夠顯著減少計算量。

2)創(chuàng)建位置及速度空間，對序列圖像進(jìn)行變速運動空間輻射能量累積，在位置及速度空間中檢測序列圖像中的目標(biāo)。

恒虛警檢測得到疑似目標(biāo)的位置向量及速度、加速度向量。

6 實驗

實驗中使用的紅外探測器參數(shù)為：中波紅外探測器、視場角5°×4.8°，焦距103 mm，像元尺寸22 μm×22 μm，陣列大小520×480，幀頻30 Hz。

為說明該算法有效性，比較了該算法與其他現(xiàn)有算法的檢測性能。這里選擇了幾種先進(jìn)算法，包括Max-Mean、Max-Median、TDLMS、LCD和提出的LCD-BBS算法。利用SCR增益(SCRG)和背景抑制因子(BSF)來測試目標(biāo)增強和復(fù)雜背景抑制能力。

SCRG=SCRout/SCRin

BSF=σin/σout

其中：SCRout為算法輸出圖像的目標(biāo)信雜比，SCRin為算法輸入圖像的目標(biāo)信雜比。σout為算法輸出圖像的局部噪聲標(biāo)準(zhǔn)差。σin為算法輸入圖像的局部噪聲標(biāo)準(zhǔn)差。

選取五組序列圖像，挑選典型圖進(jìn)行指標(biāo)計算，結(jié)果如表1～3所示。由表中數(shù)據(jù)可見，提出的LCD-BBS算法在SCRG和BSF指標(biāo)方面都超出傳統(tǒng)算法及近些年提出的新算法，目標(biāo)檢測效果十分顯著。

表1 SCRG指標(biāo)對比

表2 BSF指標(biāo)對比

由表中數(shù)據(jù)可知，新提出算法的SCRG指標(biāo)可達(dá)32.56，BSF即背景抑制因子可達(dá)3 874.58，證明提出算法在信噪比提升能力方面及背景抑制方面的優(yōu)良效果。與傳統(tǒng)的Max-Mean及Max-Median算法相比，在序列圖像中表現(xiàn)均一般。而TDLMS算法效果強于Max-Mean及Max-Median算法，尤其背景抑制效果，要高出很多。對于LCD算法而言，雖然比經(jīng)典3種算法Max-Mean、Max-Median及TDLMS都要高一些，但總體而言，表現(xiàn)不如LCD-BBS算法，即進(jìn)行本文提出算法的改進(jìn)后，LCD算法效果得到了極大提升，對于檢測目標(biāo)及背景上的抑制，均得到了很多優(yōu)化。

可知，提出的LCD-BBS算法的耗時最短，在10～20 ms范圍，其它算法比提出算法的耗時至少高一個數(shù)量級。

為驗證提出算法在序列圖像中的處理能力，在序列圖像1中進(jìn)行測試，如圖3所示，用×表示真實目標(biāo)軌跡，用○表示提出算法的檢測軌跡?？梢姡瑱z測準(zhǔn)確率很高，檢測軌跡點距離真實軌跡點很近。繪制誤差曲線如圖4所示，易知，檢測軌跡位置誤差大部分都在2像素以內(nèi)。

圖3 目標(biāo)軌跡檢測圖

圖4 目標(biāo)軌跡誤差圖

為了進(jìn)一步驗證提出算法的優(yōu)勢，對6個序列紅外圖像繪制ROC曲線，如圖5所示。以虛警率Pf為橫坐標(biāo)，以檢測率Pd為縱坐標(biāo)，兩個變量定義為：Pd表示檢測到真實目標(biāo)的幀數(shù)除以存在真實目標(biāo)的總幀數(shù)，Pf表示檢測到虛假目標(biāo)的幀數(shù)除以檢測到目標(biāo)的總幀數(shù)。

圖5 ROC曲線

為了進(jìn)一步揭示該算法的優(yōu)點，將ROC曲線應(yīng)用于所選的序列圖像，即，對于每個算法，將其閾值設(shè)置為不同的值，并繪制ROC曲線關(guān)系。從圖中可以看出，對于相同的虛警率，所提出的算法在大多數(shù)情況下都能達(dá)到最高的檢測率。這一結(jié)果表明，與其他算法相比，該算法在不同信噪比背景下的性能更穩(wěn)定。

7 結(jié)束語

文章提出一種基于分塊顯著度的局部對比檢測變加速弱小目標(biāo)算法。首先，對單幀圖像進(jìn)行處理以抑制背景、增強目標(biāo)。處理方法是先將全圖按字塊劃分，按分塊顯著度的局部對比檢測指標(biāo)計算。然后，按照定加速模型對序列圖像的弱小目標(biāo)進(jìn)行能量累積。最后，按照恒虛警檢測算法獲得目標(biāo)的位置向量及速度、加速度向量。實驗結(jié)果表明，提出的算法能夠準(zhǔn)確檢測低信噪比圖像中的弱小目標(biāo)，并對目標(biāo)運動狀態(tài)預(yù)測。與其他算法相比，在相同的虛警率下，提出的算法檢測率更高，且實時性、魯棒性較強。