復雜背景下減少紅外小目標檢測虛警率的算法

張晟翀,蔡 軍,孫玉銘,王立新

(1.光電信息控制和安全技術重點實驗室,河北 三河 065201;2.第二炮兵駐錦州地區專用保障裝備軍事代表室,遼寧 錦州 121000;3.北京理工大學光電學院,北京 100081)

·圖像與信號處理·

復雜背景下減少紅外小目標檢測虛警率的算法

張晟翀1,蔡 軍1,孫玉銘2,王立新3

(1.光電信息控制和安全技術重點實驗室,河北 三河 065201;2.第二炮兵駐錦州地區專用保障裝備軍事代表室,遼寧 錦州 121000;3.北京理工大學光電學院,北京 100081)

為了減小復雜背景下紅外小目標檢測的虛警率,采用自適應平滑再中值濾波的方法抑制背景噪聲,邊緣增強閾值分割檢測方法突出和提取目標,利用小目標是孤立奇異點且不能發生突變的特點,通過多特性聯合判斷方法實現虛警目標剔除算法。實驗表明,本文的算法計算量小、實時性好、實現靈活,在復雜背景下能有效降低虛警又不漏檢目標,并實際完成了FPGA和DSP的硬件實現。

復雜背景；紅外小目標檢測；虛警；奇異點

1 引 言

遠距離大視場的紅外告警,會引入復雜的地物背景,而目標變為小(點)目標,可利用的有效信息一般為目標灰度的平穩性和目標運動軌跡的連續性[1]。由于云層和地面的小亮背景與點目標難以區分,造成虛警率較高。因此,許多文獻進行了相關的探索,如采用序貫圖像檢測方法[2-3]、多量級多向梯度表決融合檢測算法[4]、利用目標運動軌跡連續性的光流法[5-6]和角坐標變化的檢測算法[7]以及利用背景本身固有的規律性特性的背景預測算法[8-10]等。這些算法各有側重,但較為復雜,要達到實用和實時硬件實現,仍有一定困難。本文通過對實際圖像的分析,結合點目標與背景差異的多特性聯合判斷,研究一種既能有效降低虛警率又快速簡便易于硬件實現的紅外小目標檢測算法。

2 目標檢測前的背景噪聲抑制

為了使目標檢測更準確,需要在目標檢測前對背景噪聲進行抑制,一般采用中值濾波器[11]、高通濾波器、平滑和匹配濾波器以及它們的一些組合改進形式[12]。我們采用先自適應平滑再中值濾波的方法,使背景內部灰度值更均勻,即可避免將小目標當成噪聲點被中值濾波濾除,又保留目標強邊緣的灰度值。對紅外圖像f(x，y)的自適應平滑濾波處理過程為：

(1)

其中,濾波窗口的大小為(2P+1)×(2P+1);Kx,y為加權系數。中值濾波模板采用如圖1所示的十字形,即可濾除單個的噪聲點又能盡量保留點目標。濾波后的效果圖如圖2所示,背景變得更為干凈,目標也更清晰了。

圖1 中值濾波模板

圖2 平滑加中值濾波效果圖

上述濾波均可通過固定的系數模板用FPGA硬件實現,可有效保證實時性。此外,在濾波后還要采用幀相減的方法進一步濾除不變的背景以及像面的壞點、鏡頭的雜質等形成的位置固定的噪聲。由于目標是運動的,只有變化的目標不會被相減掉。這樣我們就可以利用圖像中變化的部分進行目標提取,提高目標檢測的速度和效率。

3 邊緣增強閾值分割目標檢測

利用小目標邊緣仍然比較清晰的重要特征,通過對圖像采用邊緣增強和閾值分割,突出可能的目標點,然后再通過對其邊緣輪廓的有效像素進行搜索,檢測出目標的大小和位置,如圖3所示。

圖3 邊緣增強閾值分割效果圖

邊緣增強采用Sobel算子進行,閾值分割可采用最優閾值法、迭代閾值法、Otsu閾值化法、最大熵法[13]等。但為了滿足實時性和有效地分離小目標,采用一種相對快速的自適應閾值分割方法。閾值T取為：

T=E+k×σk=1.0～2.0

(2)

其中,E表示目標點矩形領域的灰度均值；σ表示同一領域的灰度標準方差；k為門限系數。經過邊緣增強閾值分割處理后,輸出圖像就僅含有目標和少量高頻噪聲及與目標相似的有亮邊緣的背景。它們被統稱為“可疑目標”,是否為真正的目標需要進一步地檢測和判決。

在二值圖像中對目標邊緣輪廓進行搜索,采用了較為快速的邊界擴展法。即在搜索到第一個值為1的像素點開始,每次均在其上下左右四個邊界尋找相鄰的值為1的像素,找到后就將其邊界在此方向上擴展一個像素。找到的像素均置為0,以保證每個值為1的像素只被搜索一次。當四個方向都找不到有效像素時,該目標的邊界擴展結束。圖4示意了通過六次邊界擴展確定兩個目標位置和大小的過程。黑色方塊表示搜索到的目標區域,虛線表示每次搜索的邊界。該方法避免了重復搜索,簡單實用,能快速地找到目標的邊界和位置。

因為前面的處理可能會造成某些背景大目標的邊緣不連續,形成一些假的小目標,所以還要將距離很近的目標合并。這里距離很近的目標主要是對邊界有重疊區域,以及邊界間距離小于2個像素的目標而言。

圖4 六次邊界擴展進行目標搜索的示意圖

4 虛警目標剔除算法

在復雜背景下,前面提取檢測出的“可疑目標”中大多含有如云層、地面物體的邊緣等形成的虛警目標。通過對紅外圖像的反復觀察發現：小目標除了比背景亮和具有灰度突變的邊緣特征外,還具有下列與背景目標特性不同的特點：

(1)小目標一般為點狀目標,這是唯一可以利用的形狀特征;

(2)小目標的亮度在連續的幾幀內是比較穩定的,不會發生突變；

(3)小目標在其周圍相鄰背景中為一個孤立的奇異點，這個奇異點的特性是亮度比周邊都高而且灰度值高出的量在四面都比較均勻;

(4)小目標的方位是連續變化的,不會突變也不會不變。

這樣就可以通過這些特點進行多特性聯合判斷來剔除虛警目標。具體算法為：

(1)首先通過目標邊界的長度、寬度和長寬比信息,將各種復雜背景(云層、樹木、建筑等)邊緣形成的比較大的或明顯不是點目標的細長目標剔除。

(2)判斷目標是否為孤立的奇異點。即將目標平均灰度值與在目標上下左右所取的四個背景灰度值相減,如果差值相近且均為正值,則為目標點。否則為虛警。

(3)建立連續幀都檢測到的目標庫,記錄位置、大小、亮度角速度等信息。

(4)同一方位的目標,如果亮度、大小和位置在兩幀內變化較大的是虛警。

(5)目標的運動方向突然變化或突然出現又消失。比如飛鳥,以及閃光等可視為虛警。

(6)最后將連續多幀位置和大小均不變的目標剔除(區分地面不動的小目標)。

(7)實時更新目標參數,連續記錄目標的變化,使虛警降到最低。

圖5為整個算法的流程圖。

圖5 算法流程圖

5 實驗結果及分析

通過FPGA和TMS320C6416 DSP對本文的算法進行編程,在硬件上實現實時的小目標檢測,得到的實驗結果，如圖6和圖7所示。其中白色十字指示了檢測到的目標點。

圖6 未采用虛警目標剔除的檢測算法結果圖

圖7 采用了虛警目標剔除算法的結果圖

從圖6中可以看出，圖6(a)、(b)、(c)由于復雜云層和地物背景的干擾,在有目標的情況下出現了虛警；圖6(d)雖然沒有目標出現,但由于地面樹木等復雜背景的干擾也出現了虛警。而從圖7可以看出,由于采用了虛警目標剔除算法,圖7(a)在比較復雜的地面背景下沒有因為樹木等物體的干擾出現虛警,并檢測到了正確的飛機目標；圖7(b)、(c)、(d)在同樣云層和地面電線桿背景干擾下檢測到了正確的目標,沒有出現虛警。

6 結 語

本文的算法通過對背景噪聲抑制、邊緣增強閾值分割檢測和關鍵的虛警目標剔除算法,根據小目標是孤立奇異點且不能發生突變的特點,采用較為簡單的多特性聯合判斷方法,成功地在復雜背景下檢測出了小目標。具有計算量小、實現靈活、檢測效果好、實時性強和便于硬件實現的特點。在復雜地空背景下的虛警率經連續幀實測,由原來的50%左右降低到2%以下,且大多數背景下虛警率為0。

[1] WANG Guoyou,CHEN Zhenxue,LI Qiaoliang.A review of infrared weak and small targets detection under complicated background[J].Infraed Technology，2006,28(5)：287-292.(in Chinese) 汪國有,陳振學,李喬亮.復雜背景下紅外弱小目標檢測的算法研究綜述[J].紅外技術,2006,28(5)：287-292.

[2] YU Jiancheng,SUN Shengli,CHEN Guilin.Study of point target detection in infrared images[J].Infrared,2006,27(4)：15-19.(in Chinese) 俞建成,孫勝利,陳桂林.紅外圖像中小目標檢測研究[J].紅外,2006,27(4)：15-19.

[3] Blostein S D,Huang T S.Detecting small moving objects in image sequences using sequential hypothesis testing[J].IEEE Trans.On Signal Processing，1991,39(7):1611-1629.

[4] ZONG Siguang,WANG Jiangan,CHEN Qishui.New detection algorithm for dim IR point targets under complicated sea and sky background[J].Opto-Electronic Engineering，2005,32(4)：9-12.(in Chinese) 宗思光,王江安,陳啟水.海空復雜背景下紅外弱點目標檢測新算法[J].光電工程,2005,32(4)：9-12.

[5] Horn B K,Schunck B G.The image flow cons-traint equation[J].CVGIP，1986,35(3):26-31.

[6] ZOU Jiangwei,CHEN Zengping.Small space target extraction based on morphology and image flow method[J].Opto-Electronic Engineering，2005,32(4)：13-15，31.(in Chinese) 鄒江威,陳曾平.應用形態學與圖像流法的空間小目標提取方法[J].光電工程,2005,32(4)：13-15，31.

[7] LI Peng,CHEN Qian.An efficient detection algorithm for decreasing false alarm rate of infrared surveillance system[J].Opto-Electronic Engineering,2010,37(4)：15-19.(in Chinese) 李鵬,陳錢.一種有效降低紅外預警系統虛警率的檢測算法[J].光電工程,2010,37(4)：15-19.

[8] Nishiguchi K,Kobayashi M,Ichikawa A.Small target detection from image using recursive max filter[C]//SPIE，1995,2561:153-165.

[9] CHEN Zhenxue,WANG Guoyou.Infrared small and weak target detection based on self-adaptive background forecast[J].Laser & Infrared,2005,35(8)：608-610.(in Chinese) 陳振學,汪國有.基于自適應背景預測的紅外弱小目標檢測算法[J].激光與紅外,2005,35(8)：608-610.

[10]LI Jicheng,SHEN Zhenkang,LU Xinping,et al.Weak and small target detection based on adaptive prediction of IR background clutter[J].Laser & Infrared,2004,34(6)：478-480,486.(in Chinese) 李吉成,沈振康,魯新平,等.基于背景雜波自適應預測的紅外弱小目標檢測[J].激光與紅外,2004,34(6)：478-480，486.

[11]Barnett J.Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds[C]//SPIE，1989,1050:10-18.

[12]YU Hainan,ZHAO Baojun.Detection of small targets of low SNR infrared image[J].Laser & Infrared,2004,34(1)：40-42.(in Chinese) 于海南,趙保軍.低信噪比紅外圖像小目標的檢測[J].激光與紅外,2004,34(1)：40-42.

[13]LI Zhongjie,YANG Guanliang,XU Xiaojie.Image segmentation based on automatic thresholding selection and edge detection[J].Journal of Naval University of Engineering.2002,14(4)：88-91.(in Chinese) 李忠杰,楊關良,徐小杰.自動閾值選取與邊緣檢測相結合的圖像分割算法[J].海軍工程大學學報,2002,14(4)：88-91.

Algorithm to reduce false alarm of IR small targets detection in complex background

ZHANG Sheng-chong1,CAI Jun1,SUN Yu-ming2,WANG Li-xin3

(1.Science and Technology on Electro-optical Information Security Control Laboratory，Sanhe 065201，China;2.Special Support Equipment Military Representative Office of Second Artillery Stationed in Jinzhou，Jinzhou 121000，China;3.School of Electro-Optical,Beijing Institute of Technology，Beijing 100081，China)

In order to reduce the false alarm of IR small targets detection under complicated background,adaptive smooth and median filtering algorithm were used to suppress background noise,and edge enhancement threshold segmentation method was used to highlight and extract the target. Because small target is the isolated singular point and can′t mutate,false alarm deletion algorithm was realized through multiple features combined with judgment method. Experiment results show that this algorithm has the merits of simple calculation,good real-time and flexible implementation. Under the complex background it can effectively reduce the false alarm and don′t leave out target. It has been realized with FPGA and DSP hardware structure.

complex background；IR small targets detection；false alarm；singular ponit

1001-5078(2015)02-0221-04

張晟翀(1973-)，男，碩士研究生，研究方向為數字信號處理。E-mail：zsc417@126.com

2014-07-01;

2014-07-15

TP391.41

A

10.3969/j.issn.1001-5078.2015.02.022