動態地面背景下機載紅外弱小目標的檢測

何 杰，萬曉冬

HE Jie,WAN Xiaodong

南京航空航天大學 自動化學院，南京210016

Department of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

1 引言

紅外探測器成像因其具備極快的反應速度和良好的隱身性能，在現代化軍事領域中發揮著越來越重要的作用。在遠距離機載紅外目標探測與跟蹤中，目標一般僅占幾個像素，甚至一個像素，再加上各種噪聲和動態背景的影響，從而使得目標的檢測成為研究的熱點和難點。

根據不同的應用場合，紅外目標的檢測[1-6]主要有光流場法、背景差分法、幀間差分法等。光流場法通用性強，能在紅外探測器做復雜運動時進行有效的目標檢測，它通過求解偏微分方程求圖像序列的光流場，進而預測探測器的運動狀態，但計算復雜，對硬件要求較高；背景差分法的效果取決于背景圖像的建模和模擬的準確程度，且一般用于靜態或準靜態的視頻監控場合，能夠得到運動物體很全面的特征數據；幀間差分法算法簡單，穩定性好，但不能提取目標完整的特性信息，如在機載紅外成像中背景快速運動，造成前后幀的背景像素漂移，從而導致幀間差法效果差。文獻[7]根據序列圖像中運動弱小目標的相關性，提出了多幀累加的方法，取得了很好的效果。但對于機載紅外成像中，背景復雜一般由地面、海面、海空等，多幀疊加法易將高強背景混入目標范疇。本文主要就在地空背景下的機載紅外成像情況，紅外圖像中的背景噪聲主要有云層、地面等，檢測弱小目標。由于目標的紅外輻射比云層背景高，在紅外圖像中對應的灰度值較之云層背景大。根據上述特點，故可先預處理，消除云層背景和一些弱小噪聲，但地面背景中強輻射的灰度值較大，不易消除。利用卷積模板預處理[8]，可消除大部均勻背景，再利用與后面提到的宏塊（特征塊）匹配，根據前后幀圖像，利用全局運動反射數學模型進行全局運動估計（因目標弱小，相對于背景可忽略其影響，背景運動估計實際就是全局運動估計），利用運動估計參數匹配、背景差值以及聚類識別法檢測出疑似目標。該方法不僅可以很好地檢測出目標，而且可以消除機載過程中抖動的影響。并結合目標軌跡的連續性，預測估計下一幀目標區域，并進一步確認目標。

2 目標的識別與檢測

2.1 圖像預處理

預處理是目標檢測與跟蹤的前提，預處理的效果直接影響后續處理。對于紅外弱小目標而言，缺少形狀和結構信息，不能反映出除溫度以外的其他物理特性。在紅外視頻序列中，可描述第k幀的圖像的數學表達式為：

fk(x，y)=bk(x，y)+tk(x，y)+nk(x，y)

其中，bk(x，y)為第k幀的背景，tk(x，y)為第k幀目標，nk(x，y)為第k幀噪聲。

紅外圖像的預處理主要目標就是抑制bk(x，y)、nk(x，y)，提高tk(x，y)在該圖像中的權重。

機載紅外探測器一般工作在兩個波段：短波3～5 μm和長波8～12 μm。以飛機目標為例，它的紅外輻射源[9]主要有三個：蒙皮輻射、尾部的高噴焰和高溫金屬尾噴管的輻射，短波探測器主要集中在機尾部的噴口部分，長波段探測器主要集中在蒙皮部分。因長波段紅外探測器成像，可探測距離遠、灰度強度大，這里只選取長波段。

在大部分情況下，背景是大塊起伏的，像素之間有強相關性，為空間頻域的低頻部分[10-11]。而目標點和孤立噪聲點不具備該特點，且在空間分布上是隨機的，且目標和噪聲多呈現為陡峭的脈沖，屬于空間頻域的高頻部分，故可通過設計卷積模板來達到提高圖像，即濾波器輸入函數為f(x，y)，輸出信號為g(x，y)，設濾波器的脈沖響應函數為h(x，y)，則g(x，y)=f(x，y)*h(x，y)，而對于離散圖像，一般選用卷積模板表示濾波器的脈沖響應函數，記為矩陣H。

目前常用的卷積模板有3×3、5×5 和7×7 模板，3×3 模板對于點目標具有良好的濾波效果，但對于具備5 個以上的像素的目標時，目標的檢測效果不是很理想（這里實驗取常用模板（e），該模板類似于模板（c），在3×3 矩陣內，其中心的權值為9，其余取-1），而7×7 模板雖然可以達到很好的效果，但隨著模板的增大，實時性也會變差；這里選用折中方案5×5 模板。而當前的5×5 模板主要有如下模板（a）和模板（b），模板（c）也有一定的應用。

而對于當前的5×5 模板（a）和模板（b）。模板（a），中心像素的權值最大，易通過，而周圍部分的權值均為1，值小，不易通過，這樣，對于孤立噪聲點和小目標，信號強度高，易通過。而具有一定面積的背景不易通過，不過并不能很好地消除背景。改成模板（c）后，對大面積均勻區域的灰度將直接消除，同時對點目標影響不大。同樣對于模板（b），將中心的高權值分散，使濾波后的小目標發生膨脹，面積變大，使背景灰度變得更均勻。但是，與模板（c）類似，同樣不能消除背景，只能相對于目標灰度的增強度來說，背景進行削弱，其實，背景灰度也將增大，其增強幅度小了目標，而修改后的模板（d），不僅能消除大面積背景，也可很好的膨脹目標。

不過以上兩種模板的缺點是：對于大目標的檢測，不可使用，否則，易消除目標。

這里使用上述的卷積模板濾波后的效果圖（第144幀），這里只取了其中3 個模板濾波后的效果圖如圖1～圖4 所示。

圖1 長波紅外原圖像

圖2 模板（a）濾波

圖3 模板（c）濾波

圖4 模板（d）濾波

通過上圖的不同模板，可計算出圖像的信噪比如表1 所示。

常用的模板（a）和模板（b）在該紅外圖像中目標和背景的灰度都被增強，如圖2 所示，但是圖像的信噪比SNR 減小，不易于目標檢測。而模板（e）、模板（c）和模板（d），發現大面積的高強度的背景被消除，信噪比增大。其中，模板（d）的濾波后的圖像的更平滑，高灰度的噪聲點更少，信噪比更大，故而選用模板（d）。

2.2 背景運動估計

因本文是基于機載的紅外目標檢測，屬于動態背景中紅外弱小目標的檢測。

在連續性紅外圖像序列中，假設函數f(Xk)表示第k幀圖像的整體灰度分布，其中Xk代表像素點坐標總體。前一幀宏塊中像素坐標的位置為Xk-1=(xk-1，yk-1)T，經仿射變換后在當前幀圖像中的像素坐標為X′k=(x′k，y′k)，參考文獻[12]采用6 參數建立圖像全局運動反射模型，設仿射變換的變換參數為p=(a，b，c，d，e，f)，可以將上式寫成：

故而，同理對c、d、f，求偏導數有：

在機載紅外探測器中，背景和目標都運動的情況下，因機載紅外探測器的成像速度較快，這里簡化處理，可以近似認為是背景的平移運動[13]，此時有運動參數p=(1，0，e，1，0，f)。平移運動原理簡單視圖表示。

圖5 背景位移估計

此時的簡化的平動模型的參數只有兩個，從而有：

選取特征區域宏塊，與下一幀（實驗中每隔2 幀）模塊匹配，然后利用上公式，求取每幀運動參數。此刻，當前幀的背景估計可表示為：

上式為一般對于動態背景預測的一般形式，即當前幀的背景可根據前一幀圖像及運動參數來估計。

2.3 目標初步識別

根據上面的背景運動估計，假設圖像的像素為M×N，因在圖像邊緣部分的背景運動估計時，可能導致邊緣溢出。故而分兩種情況，進行匹配背景差，當背景運動區域在圖像上時，直接差值法，即

其他可令D(xk，yk)=0。其中，f(xk，yk)為當前幀，b(xk，yk)為當前背景估計，因簡化為平移模型，故而a=1，b=0，c=0,d=1,e,f為運動估計參數，xk-1∈[0，M]，yk-1∈[0，N]且均為正整數。M×N為處理背景運動參數估計區域，當得到背景差值圖像后，再結合自適應門限分割出目標，即有

經過以上的分割提取出的目標點中，還可能包含高頻噪聲點。高頻噪聲點的多少取決于閾值的大小，這種高頻噪聲點在單頻圖像上目標點的形狀多表現為點狀或隨機散粒狀，而目標的像素數較多而且比較穩定。這里也選用一種簡化的領域聚類分析方法，若某個像素點，在其3×5 區域內有5 個以上像素點大于給定閾值，則認為該點是屬于目標點；反之則為噪聲點。

如果C(i，j)＞4×255，則可認為像素g(x，y)是屬于目標的點；否則，認為是噪聲點而去掉。

2.4 目標進一步檢測

經過上述的處理后的疑似目標中包含真實目標和假目標，需要進一步確認。本文根據管道濾波以及目標運動軌跡的連續性思想[14]，來進一步確認真實目標。

假定第t幀有疑似目標有k個，第i個疑似目標的管道區域中心點的獲取可根據上述3×5 區域的目標聚類識別的中心點。分別對這k個疑似目標建立管道區域可定義為，其中i=1，2，…，k，a根據目標運動最大像素量取值。如果當前幀滿足前一幀管道區域內，則認為可能是目標；繼續建立當前幀管道區域，再與下一幀疑似目標進行判定，如連續3 到5 幀成立，且目標管道區域發生變化，則認為是真目標；否則判定為假目標。檢測過程如下：

代入前一幀中，轉向（2），進行循環判定。

3 VC 實現與結果分析

實驗用的紅外圖像來源于vega3.70 結合紅外模塊sensor vision 和sensor works 的三維視景仿真。在Vc++6.0中結合OpenCV1.0來實現對紅外圖像的操作[15]，采用Opencv 中cvSmooth、cvDFT 等實現圖像平滑及相關預處理操作，cvMat 建立卷積模板，cvFilter2D 實現卷積操作，這里利用模板（d）預處理，在進行在運動參數估計中，考慮到目標檢測的實時性，只選擇4個宏塊50×50（原圖大小為488×488 像素），利用圖像灰度投影技術[10]，計算匹配位置。這里用cvSetImageROI、cvResetImageROI來設置或釋放感興趣區域，cvCreateHist、cvCalcHist 等獲取區域灰度值分布信息，利用Bhattacharyya 距離最小，尋找最佳匹配位置。利用式（4）進行參數估計，注意要取整數。這里選用第238 幀圖像，背景差值法后，在通過上述的分割、聚類識別后，效果圖如圖6 和圖7。

圖6 運動背景估計后差值

圖7 目標初步識別

因在運動背景預測和聚類識別后，仍然包含了虛假目標，即橢圓標識部分。故而這里需要進一步檢測，利用管道濾波思想，來進一步實現目標識別。由上述管道區域步驟可知，在已有前兩幀的基礎上，根據累計思想，可對每一幀進行目標確認。因管道區域是根據疑似目標的檢測結果來建立的，其個數具有不確定性，在VC 設計中，利用單鏈表結構，動態創建內存來保存這些管道區域。在一個循環判定后，在已確定為真實目標的情況下，釋放該保存該區域的數據。

圖8 110～520 幀疑似

圖9 238 幀目標檢測結果

因涉及到算法的組合應用問題，目標檢測的實時性，必然會受到影響，下面就目標的實時性和檢測效果進行分析和改進。主要從以下幾個方面分析考慮：

（1）因紅外圖像第一步預處理就要使用卷積模板運算，需要對每個像素進行運算，文獻[13]對其進行了改進，在對每個像素進行卷積運算前，先對其像素進行預判定，如果其灰度值小于某一閾值，則不進行卷積運算；否則，進行卷積運算。因這里采用cvFilter2D 直接實現卷積操作，OpenCV 已經對其進行了優化處理，是對整個圖像的操作，這里基于第一種考慮，對每個像素的灰度進行判斷，再進行卷積，不再可取；也因該方法需要對每個像素進行判斷，時間復雜度高，因此不選擇此方案。

（2）在地面背景抑制中，文獻[10]提出了灰度投影技術來計算匹配位置，文獻[11]提出了灰度相關匹配方法進行運動估計，本文采用的多區域匹配，在區域匹配中算出最優的匹配策略。雖然該算法會增大計算量，但是可提高匹配精度，利于后期的背景差值法的目標檢測，提高檢測效果。

（3）在目標識別中，自適應閾值階段，每次都要計算紅外圖像的方差、均值，會大大增加檢測時間，這里可采用定閾值法，可減少計算量，但檢測效果可能會減低。這里可采用先自適應閾值法，后可根據前幾幀的閾值取其均值，作為當前幀的閾值；可結合定幀，加入自適應閾值法，來實現固定閾值法的可靠性和實時性，本文中就采用該方法。

（4）在目標運動的連續性檢測中，需要連續性創建保存疑似目標區域，可以在連續3 幀出現的目標，不再對其進行連續性判斷，而對它進行跟蹤，但是為了防止新目標的加入的影響，可采用定時（或者定幀）的進行連續性檢測判定。另外，在跟蹤的過程中，將不進行檢測，可加入預處理。

本文中使用硬件環境：CPU 2.6 GHz、32 位、內存2 GB，這里仿真中幀頻設置為30 Hz，下面就第2 和4 種情況，進行對比分析。

這里通過以上兩圖可知，雖然單個區域灰度投影背景估計算法的實時性能好，但在本仿真環境中檢測效果并不佳，通過圖11 可以看出，總會檢測出多個疑似目標，從而在圖10 中，本沒有將經典自適應濾波的跟蹤考慮在內，因不能檢測出真實目標，需要實時地加入不同的假目標，從而與跟蹤結合使用的定時檢測不再適用。在檢測與跟蹤結合使用的算法中，這里的跟蹤采用簡單狀態方程：Xk+1=2Xk-Xk-1，預測下一幀目標位置[16]，然后根據預測的目標位置在該局部區域內尋找最佳目標位置（可采用預測位置附近尋找最大灰度和）。為了防止少數幀中，可能出現的目標遮擋現象而導致的這種跟蹤算法的失敗，在尋找最佳目標位置失敗后，采用預測目標位置作為當前目標位置，進行下一幀位置預測。本文中檢測與跟蹤算法結合后，直接將檢測目標的時間縮減近1/4，從而使該組合算法實時性得到很好的提高，平均檢測時間小于仿真幀頻，滿足軟件仿真環境下實時性要求。

圖10 檢測實時性對比

圖11 兩種背景估計檢測的目標個數（實際目標為2 個）

4 總結

紅外弱小目標的檢測研究較多，但就具體如機載紅外弱小目標的地面背景的研究還比較少。本文就地空動態背景下，提出先預處理濾去噪聲，并結合卷積模板，得到突出特征信息的紅外圖像，以便于后面的全局運動參數估計。在全局運動參數中，提出多特征塊的最優參數估計的一般形式，它提高了運動參數估計的精度，從而實現了由前一幀圖像來估計當前幀的背景。利用背景差法來提取疑似目標，再結合目標運動連續性來識別真實目標。該方法對應于動態背景以及探測器抖動等問題中的目標檢測，取得了良好的效果。但因涉及到組合算法的應用，實時性并不是很好，這里采用定時（或定幀）檢測的思想，結合目標跟蹤算法，使目標檢測的實時性得到了很好的提高。

[1] 張毅剛，曹陽，項學智.靜態背景差分運動目標檢測研究[J].電子測量與儀器學報，2010，24（5）：494-499.

[2] 李秋林，何家峰.基于三幀差法和交叉閾值法的車輛檢測[J].計算機工程，2011，37（4）：172-174.

[3] 李毅，孫正興，遠博，等.一種改進的幀差和背景減相結合的運動檢測方法[J].中國圖象圖形學報，2009（6）：1162-1168.

[4] 李海蕓，孟永定.基于光流場的運動目標檢測[J].天水師范學院學報，2008（5）：72-74.

[5] 與海南，趙保軍.低性噪比紅外圖像小目標的檢測[J].激光與紅外工程，2004，34（1）：40-42.

[6] Chen Yong，Liu Xia.Real-time detection of rapid moving infrared target on variation background[J].Infrared Physics and Technology，2008，51（3）：146-151.

[7] 廖斌，楊衛平.基于多幀移位疊加的紅外小目標檢測方法[J].激光與紅外工程，2002，31（2）：40-42.

[8] Wang P，Tian J W，Gao C Q.Infrared small target detection using directional highpass filters based on LSSVM[J].Electronics Letters，2009，45（3）：156-157.

[9] 管志強.紅外搜索系統中目標檢測與識別技術研究[D].南京：南京理工大學，2009.

[10] Yang L，Yang J，Yang K.Adaptive detection for infrared small target under sea-sky complex background[J].Electronics Letters，2004，40（17）：1083-1085.

[11] 張弘，趙保軍.一種快速實時的低性噪比紅外點、斑點目標檢測方法[J].北京理工大學學報，2001，21（3）：378-381.

[12] 王孝通，楊常清.基于四參數仿射模型的快速運動估計算法[J].光電子·激光，2007，18（11）：1367-1370.

[13] 高旭輝，祁蒙.基于機載IRST 穩定平臺結構的地面背景抑制算法[J].激光與紅外，2012，42（3）：347-351.

[14] 劉靳，姬紅兵.基于移動式加權管道濾波的紅外弱小目標檢測[J].西安電子科技大學學報，2007，34（5）：743-747.

[15] Bradski G，Kaehler A.學習OpenCv[M].中文版.于仕琪，劉瑞禎，譯.北京：清華大學出版社，2009.

[16] 李勁菊，朱青，王耀南.一種復雜背景下運動目標檢測與跟蹤方法[J].儀器儀表學報，2010（10）：2242-2247.