采用目標背景建模的毫米波弱小目標檢測

高志升，耿　龍，張鋮方，胡占強

(西華大學無線電管理技術研究中心，四川 成都 610039)

?

采用目標背景建模的毫米波弱小目標檢測

高志升*，耿龍，張鋮方，胡占強

(西華大學無線電管理技術研究中心，四川 成都 610039)

基于被動毫米波成像特性，提出了改進的稀疏表示——圓周中心差(ISR-CSCD)算法來解決被動毫米波圖像中弱小目標與背景區分度較弱，目標可提取特征較少的問題。該算法通過改進稀疏表示方法完成背景抑制與目標增強。依據目標與周圍背景特征先驗，提出了圓周中心差背景抑制算法對檢測圖像進行背景抑制。 然后，融合改進稀疏表示方法和圓周中心差背景抑制算法的結果得到抑制了背景的目標增強圖像。最后，基于恒虛警率的檢測方法完成了弱小目標的檢測。對不同場景下的毫米波圖像進行了實驗檢測，結果表明，與主流算法圖像稀疏表示(SR)法、魯棒規則核回歸牛頓算法(NRRKR)，空時聯合分類稀疏表示算法(STCSR)和累積中心與周邊差異測量算法(ACSDM)相比，ISR-CSCD算法具有更低的虛警率、更高的檢測精度、更強的魯棒性。對各種虛警率、信噪比之下的毫米波弱小目標檢測結果顯示，ISR-CSCD檢測率相對于其它算法平均提高了約15%。

被動毫米波成像；弱小目標檢測；稀疏表示；圓周中心差；特征先驗;背景抑制

1　引　言

被動毫米波(Passive Millimeter Wave, PMMW)成像具有無輻射、穿透能力強的優良特性，其在軍事領域中的應用日益受到關注，在毫米波成像下對弱小目標檢測的研究具有十分重要的意義。弱小目標檢測技術近年來得到了快速發展，但針對毫米波成像條件下弱小目標的高精度檢測依然面臨極大的困難：首先，目標的成像距離一般較遠，所檢測到的目標面積較小，信噪比較低，無紋理特征可提取。第二，目標成像通常受到復雜背景的干擾，大量的雜波、噪聲，還有一些邊緣信息(如：云邊緣、海天基線、建筑物邊緣等)的存在，導致目標淹沒于背景之中。

紅外成像等領域相關學者進行了比較深入的研究，提出了一系列檢測方法。背景抑制方法是弱小目標檢測中最常見的方法，該方法通過先估計待檢測圖像的背景，在此基礎上進行目標檢測。它主要分為三類：第一類是基于濾波的方法，通過圖像濾波來估計背景，最終使目標得到增強，包括High-Pass[1]、Max-Mean[2]、Max-Median[2]、Top-Hat[3]、TDLMS[4]等。這些算法在背景較簡單的情況下的背景抑制效果較好。然而遇到背景較復雜、信噪比較低的情況，就會使虛警率增高，檢測精度下降。文獻[5]提出了一種運用多尺度LOG濾波的方式來檢測弱小目標，此方法雖在一定程度提高了檢測精度，但由于LOG本身計算較為復雜，對于每一個可疑目標點都需尋找最優尺度，所以算法效率較低。第二類是基于回歸的方法，回歸方法又可以分為線性回歸和非線性回歸兩種。經典的線性回歸方法依賴于特定的背景雜波模型和尋求這個假設模型的參數估計，而非線性回歸方法僅依賴于數據本身來估計回歸函數，文獻[6]提出的核回歸算法(Newton methods for Robust Regularized Kernel Regression，NRRKR)就是一個典型的非線性回歸算法。在實際應用中，由于缺乏背景雜波的先驗知識，非線性回歸方法更適合用于復雜背景條件下弱小目標的檢測。但這一類方法也存在明顯的不足，每一個局部區域都需要進行多次回歸迭代，整體算法效率極低；第三類方法是依據局部對比度差異對背景進行抑制，再對目標進行增強，完成對目標的檢測。文獻[7]提出了圖像塊鄰域對比特性的弱小目標檢測算法，文獻[8]采用信息熵和背景抑制相結合的方法對目標進行檢測，這兩種方法也是在背景較簡單的情況下檢測效果較好，而在復雜背景下容易增加虛警目標數量，且易受噪聲的影響。文獻[9]提出了一種累積中心與周邊差異的弱小目標檢測方法(Accumulated Center-Surround Difference Measure，ACSDM)。該方法很好地區分了非均勻區域與目標的特征差異，但在圖像具有陡峭邊緣的情況下會出現大量的錯誤檢測,而且在弱小目標信噪比較低時漏檢率較高。除了背景抑制方法外，還有一種基于機器學習的檢測方法，該類方法用模式分類的思想去解決目標檢測問題。它分別對目標和背景進行訓練建模，然后根據判別規則判定測試圖像的子圖像塊是否含有目標，如NLPCA[10]、SPCA[11]、FLD[12]等。

稀疏表示理論的出現，為解決弱小目標檢測提出了新的思路。文獻[13]提出了基于圖像稀疏表示的紅外弱小目標檢測算法(Sparse representation，SR)，該方法采用二元高斯模型生成目標字典，繼而通過背景子塊與目標子塊在目標字典中稀疏系數的差異來判斷目標的位置。高斯字典作為典型的結構化過完備字典只適用于高斯分布的弱小目標，而對于非結構性的目標，其稀疏表示系數不足以區分目標和背景雜波。后來，又陸續出現了此方法的改進方法，王會改等人[14]提出了基于多尺度自適應形態的稀疏字典來檢測弱小目標，通過采用不同大小的原子來描述圖像的不同成分，可捕獲圖像更為細微的局部特征，提高了檢測精度。文獻[15]提出了基于稀疏度的方法，該方法以離線學習的方式手動構造有區別性的雙字典來提高稀疏表示的差異。文獻[16]提出了基于空時聯合稀疏重構弱小運動目標檢測算法(Spatio-Temporal Classification Sparse Representation，STCSR)，該方法首先通過學習序列圖像的內容構建自適應形態過完備空時字典，然后利用多元高斯模型從過完備字典中提取出目標空時字典和背景空時字典，將多幀圖像分別在目標空時字典和背景空時字典中進行稀疏重構，利用重構差異來區分目標和背景。以上方法都在一定程度上提高了檢測精度。但上述方法也有不足，一方面容易受到噪聲的干擾，另一方面目標與背景稀疏特征的差異不明顯，容易混雜在一起，為檢測增加了難度。

毫米波輻射計成像極易受到噪聲的干擾，成像不穩定，系統噪聲、地表溫度場等都會嚴重影響到成像質量，毫米波圖像往往呈現塊狀噪聲等不穩定區域，這極大地影響了現有算法的檢測精度。因此，本文提出了基于目標背景建模的改進稀疏表示和圓周中心差相結合的ISR-CSCD算法進行背景抑制與目標增強，從而提高毫米波弱小目標檢測精度。ISR-CSCD算法主要包括：(1)改進稀疏表示(Improved Sparse Representation, ISR)背景抑制與目標增強算法，基于在具體應用環境中單幀毫米波圖像中目標數量較少的假設，提出了基于檢測圖像的高精度毫米波背景與弱小目標雙字典構造算法，該方法構造的字典具有更好的目標背景表示能力。(2)提出圓周中心差(Circle-Surround Center Difference, CSCD)背景抑制算法, 基于毫米波圖像的成像特點，針對ACSDM算法的不足，根據像素在目標區域與目標周邊背景區域的不同特征設計了圓周中心差模型，該方法可有效克服各種邊緣、背景雜波對算法的影響。

圖1　目標背景建模毫米波弱小目標檢測框架Fig.1　Framework of millimeter wave small target detection based on object and background modelling

2　ISR-CSCD算法

ISR-CSCD算法主要分為3部分，分別為改進時空稀疏表示背景抑制算法、圓周中心差背景抑制算法和恒虛警率弱小目標檢測。其流程框架圖如圖1所示。

2.1改進時空稀疏表示背景抑制算法

2.1.1被動毫米波弱小目標圖像稀疏表示建模

被動毫米波弱小目標圖像由目標、背景和噪聲組成[6]，即：

s=sb+st+n,

(1)

其中：s表示被動毫米波圖像，st、sb和n分別代表目標信號、背景信號和噪聲。

(2)

稀疏表示模型假設每類信號都能由同類信號的過完備字典及其相應的稀疏表示系數重構[17]。因此，對于背景信號sb,它可通過背景原子線性表示為：

(3)

相應地，目標信號st則可通過目標原子線性表示，即：

(4)

在式(1)中，被動毫米波圖像被建模為背景與目標的組合。因此，通過結合兩者的過完備字典Db和Dt，被動毫米波圖像可稀疏表示為：

(5)

其中D=[DbDt]是包含Db和Dt的過完備字典，γ=[αβ]T是該字典的稀疏表示系數。如果采樣塊s是目標圖像塊，則它可以由目標過完備字典Dt及其系數β(稀疏向量)稀疏表示，Db的系數α是一個零向量。相反，如果采樣塊s是背景圖像塊，Db則可由背景過完備字典Db及其系數α(稀疏向量)稀疏表示，Dt的系數β是一個零向量。

2.1.2背景目標雙字典構造方法

本文采用K均值奇異值分解(K-Singular Value Decomposition，K-SVD)算法學習圖像的內容構造過完備字典D。過完備字典D的訓練模型[18]為：

(1)稀疏編碼

固定字典D，通過公式(7)求得稀疏系數γ：

(7)

ε是規定的所能容忍的誤差值，對于這樣一個非確定性多項式(Non-deterministic Polynomial，NP)問題，本文采用正交匹配追蹤(Orthogonal matching pursuit，OMP)算法[19]求解。

(2)字典更新

字典的更新是逐列進行的，字典D的每一列即為一個原子dk，每一次更新都可計算與s的誤差：

(8)

通過K-SVD算法能更新每一組(dk,γk)，重復執行公式(8)，直到Ek小于等于規定的誤差值ε，即完成一次字典更新。隨著迭代次數的增加，最終可訓練出與被動毫米波圖像s相適應的過完備字典D。

在D中，有的原子表示圖像背景，有的原子表示目標。怎樣從D中有效地區分目標過完備字典Dt和背景過完備字典Db,對于提高弱小目標的精確檢測至關重要。本文首先從大量毫米波圖像的背景中隨機選取背景塊，然后在每一個子塊上用二維高斯強度模型加上一個目標作為高斯字典Dg中的一個原子，所有子塊的集合構成完整的Dg。通過Dg對過完備字典D中每個原子dk進行稀疏重構，根據殘余能量差判斷dk是目標原子或是背景原子。二維高斯模型[13]如下：

(9)

其中，(x0,y0)為目標圖像的中心位置，s(i,j)是目標圖像在位置(i,j)的像素值，smax為生成目標圖像像素的峰值，σx和σy分別為水平和垂直散布參數。通過調節以上幾個參數，加入不同的背景塊，可以生成不同位置，亮度和形狀的小樣本圖像作為高斯分類字典Dg，如圖2所示。

圖2　高斯字典中的部分原子Fig.2　Part atoms of gauss dictionary

(a)背景原子 　　　(b)目標原子 (a) Background atoms 　　 (b) Target atoms 圖3　背景與目標原子在高斯字典中的稀疏系數 Fig.3　Sparse coefficients of background and target atoms in Gauss dictionary

對每一個dk用Dg稀疏重構，代表目標原子的重構殘差比代表背景原子的重構殘差要小，殘差公式如式(10)：

l(dk)=‖dk-Dgλ‖,

(10)

其中，λ為用OMP求出的稀疏系數，通過殘差l(dk)的大小判斷D中的原子為目標原子還是背景原子，圖3為背景原子與目標原子在高斯字典中的稀疏表示系數，從圖中可以明顯看出目標原子在高斯字典中的系數是稀疏的，背景原子的系數接近于零。

2.1.3背景目標雙字典背景抑制算法

首先，收集若干幅毫米波背景圖像組成一個背景庫，從中隨機提取512塊大小為9×9的子塊，然后使用公式(9)所述的高斯模型依次在每一個子塊上加入不同亮度、不同大小、不同位置的小目標，組成高斯字典Dg。其次，將待檢測圖像s復制若干份，使用高斯模型依次在每張圖像上加入多個目標，組成訓練集，再用K-SVD算法按照公式(7)和公式(8)迭代學習，構造成包含1 024個9×9大小原子的過完備字典。使用高斯字典Dg對D中的每一個原子按照公式(10)進行稀疏重構求取殘差l(dk)，對每一個原子按照殘差值由小到大進行排序，兩端相同取塊數patch-n分別作為目標字典Dt和背景字典Db，具體細節將在第3部分討論。最后，用一個大小為9×9的滑塊在測試圖像上提取測試子塊，其在圖像中的坐標為(i,j)，滑動步長為step，其大小的選取也將在第3部分討論。對測試子塊圖像分別用Db和Dt進行稀疏重構，得到重構殘差lb(i,j)和lt(i,j)，則通過背景目標雙字典進行背景抑制，目標增強的結果Isr通過下式得到：

Isr(i,j)=lb(i,j)-li(i,j).

(11)

通過公式(11)，可以使圖像目標位置的值與背景位置的值差異更加明顯，這就達到了增強目標和抑制背景的目的，避免了高亮度背景區域對目標檢測的影響。

2.2圓周中心差背景抑制算法

受文獻[9]提出的ACSDM算法的啟發，針對ACSDM算法的缺陷，本文提出了基于圓周中心差背景抑制的CSCD算法。CSCD根據像素在目標區域與目標周邊背景區域特征的不同，設計了如圖4(a)(彩圖見期刊電子版)所示的圓周中心差模型。該模型在中心像素周圍設計了一個圓形區域其表示潛在弱小目標可能覆蓋的區域，在中心目標區域以外設計了2個圓弧，每個圓弧又被等間隔劃分成若干組包含相同像素點的圓弧條帶區域，并且內外圓弧條帶區域應交錯相隔，在圖4(a)中A與B之間夾角為θ，該圓弧上的點于中心點的像素累積差CSCDi見公式(12)：

(12)

其中，(x0,y0)是中心像素坐標，(x,y)是圓弧上的像素坐標，s(·)是像素的灰度值，ang表示當前點的角度。為了數據的一致性，本文中內圈圓弧和外圈圓弧上的采樣點數量相等，每個像素點的坐標計算如公式(13)，r為圓弧半徑。

(13)

圖4(b)(彩圖見期刊電子版)是一個目標區域和一個非均勻區域的中心與圓周累積差異結果示意圖。從圖中可以看到在目標區域，各段圓弧上都是高累積差，而在非均勻區域除了高累積差圓弧外還有一些低累積差，即落在和中心點像素值相近區域的圓弧具有較低的累積差。

(a)圓周中心差模型　(b)目標區域與非均勻區域累積差異圖解(a)Circle-surround center difference model　(b)Cumulative difference diagram of target area and inhomogeneous area 圖4　圓周中心差模型及其累計差異 Fig.4　Circle-surround center difference and its cumulative difference

(a)測試圖像　　　(b)背景目標雙字典　　(c)圓周中心差　　　 　　　(d)ISR-CSCD算法　　(a) Test image　(b)Background-target double dictionary 　(c)Circle-surround center difference 　　(d) ISR-CSCD algorithm圖5　不同方法的背景抑制結果Fig.5　Background suppression results by different methods

(14)

2.3恒虛警率弱小目標檢測

在得到背景抑制目標增強結果Isr(i,j)和Icscd(i,j)后，可通過下式聯合抑制得到最終的背景目標判別結果圖I0(i,j):

I0(i,j)=ηIsr(i,j)+(1-η)Icscd(i,j),

(15)

(16)

(17)

其中，Pfa是恒虛警率檢測設定的虛警概率，τCFAR是檢測閾值，F1,p-1(τCFAR)是中心F隨機變量的累積分布函數。實際檢測過程中，虛警概率Pfa一般設置為10-4。

3　實驗與分析

3.1測試數據集

本文采用華中科技大學提供的數據集進行實驗[6]。該數據集通過在兩座大樓間懸掛金屬物小目標仿真實際包含小目標的被動毫米波圖像，該圖像包含真實若小目標，受到建筑物和地表溫度的影響，具有較為復雜的背景，如圖6(b)所示。同時，采集凈空背景圖像(圖6(a))，通過在真實毫米波背景圖像上仿真弱小目標生成測試數據集。

3.2評價指標

(a)凈空背景　　　　(b)陸空背景 (a) Clearance background　 (b) Air-ground background圖6　測試圖像集Fig.6　Test image set

為了定量檢測文本所提ISR-CSCD算法的檢測性能，以及對比分析其它幾種主流檢測算法的效果優劣，本文采用了兩類曲線作為評價指標。第一類曲線是ROC(Receiver Operating Characteristic)曲線[21,22]，在目標檢測中它反映的是檢測概率(Probability of detection,Pd)與虛警率(Probability of false alarms,Pfa)之間的變化關系，ROC曲線下的面積越大，檢測性能越好，Pd與Pfa的計算公式如下：

(18)

其中，Nt是正確檢測到的目標數量，Na是目標的總數量，Nf是檢測到目標的虛假數量，N是圖像中所有像素點的數量。

第二類曲線是檢測概率Pd與信噪比(Signal to Noise Ratio，SNR)之間的變化關系，隨著SNR值的增加，Pd將逐漸變大，最后趨近于1。本文中采用的SNR計算公式為：

(19)

其中，gt是目標局部區域像素的平均值，gb和σb是背景局部區域像素平均值和標準差。

3.3參數分析

在ISR-CSCD算法中，有兩個重要參數影響著算法的性能和效率。第一個是過完備字典D分類時目標字典Dt和背景字典Db原子數量patch-n的選取，第二個是在目標檢測時滑動窗口的滑動步長step大小的選取。為了合理的選擇這兩個參數，做了如下相關實驗分析。

3.3.1原子數patch-n的選取

patch-n的選取既不能太大，也不能太小。如果patch-n太大，測試圖像塊在目標字典Dt和背景字典Db的重構差異會變的非常小，難以區分測試圖像塊是目標還是背景。如果patch-n過小，則在目標字典Dt和背景字典Db中都難以實現高精度重構，也難以區分其差異。本文在patch-n為8、16、32、64、128、256的情況下，在圖6所示的兩種場景下分別進行實驗，得到了如表1所示的虛警率Pfa與檢測概率Pd的均值。從表1可以看出，patch-n為64時，Pfa最小，Pd最大，說明其檢測效果最好。

表1　ISR-CSCD算法中參數(patch-n)的選取對于檢測效果的影響

表2　ISR-CSCD算法中參數(step)的選取對于檢測效果的影響

3.3.2滑動步長的選取

對于參數step的選取，如果其值太大，容易造成目標丟失，這將影響檢測概率Pd。如果太小，則算法的計算時間將顯著增加，效率不高。針對不同步長，進行了試驗分析，結果如表2所示。從中可以看出，step為4時，檢測效果和時間效率綜合指標最優，所以在本文中選擇step=4。

(a)ACSDM算法 (a) ACSDM algorithm

(b)CSCD算法(b) CSCD algorithm圖7　背景抑制效果Fig.7　Background suppression effect

圖8　ACSDM算法和CSCD算法弱小目標檢測性能對比Fig.8　Comparison of small target detection performance between ACSDM and CSCD algorithms

3.4實驗對比分析

首先通過實驗對比分析ACSDM算法和本文提出的ISRCSCD算法的背景抑制效果。在圖6(b)中，除去已包含的弱小目標外，運用高斯模型仿真加入具有不同SNR的弱小目標生成100幅測試圖像。圖7(a)與圖7(b)顯示了隨機抽取的一張背景抑制結果圖，可以看出ISRCD算法在圖像邊緣、拐角紋理的區域具有更好的背景抑制效果，從圖7中可以明顯看到ACSDM算法的背景抑制效果不如CSCD算法，容易對目標造成誤判。接下來，在恒定誤檢率、不同信噪比下運用兩種算法對目標檢測性能進行了對比，如圖8所示，可以看出，ISRCSCD算法在各個信噪比下檢測精度均較ACSDM算法高15%左右。

為了進一步驗證所提出算法的性能，將該算法與NRRKR[6]、ACSDM[9]、SR[13]、STCSR[16]4種典型弱小目標檢測算法進行了對比實驗分析，其中NRRKR算法是毫米波弱小目標檢測算法，其余3種是針對紅外弱小目標的檢測算法。為了保證對比分析實驗效果的合理性，評價指標更具有說服力，本文采用真實毫米波背景圖像與仿真目標相結合的方式生成測試圖像集。首先，各復制200張圖6(a)、圖6(b)所示的背景圖片，然后在每張背景圖片上加入不同信噪比的仿真目標，組成測試數據集，其中圖6(a)生成的測試圖像中包含4個真實目標，圖6(b)生成的測試圖像中包含1個真實目標，其余為仿真目標。依次用5種算法進行實驗，圖9(彩圖見期刊電子版)是在測試集中隨機取出的兩張測試圖像的檢測結果，其中藍色實線框是目標的真實位置，如圖9(a)所示。在圖9(b)-圖9(f)中，紅色實線框代表檢測到的真實目標，綠色虛線框代表檢測到的虛警目標。從圖中的檢測結果可以看出，相對于其它幾種算法，ISR-CSCD算法檢測到的真實目標數最多，虛警數目最少，效果最差的是SR算法，其在背景比較復雜的情況下幾乎完全失效，其余幾種算法也存在明顯的漏檢與錯檢。

5種算法的定量分析結果如圖10(彩圖見期刊電子版)和11(彩圖見期刊電子版)所示。圖10描述了不同信噪比SNR下，檢測概率Pd與虛警率Pfa之間的關系，紅色實線是本文提出的ISR-CSCD算法結果，可以看出在4種不同SNR區間上本文算法總體上都要優于其它4種算法。在SNR<10時，ISR-CSCD算法在各個虛警率下的檢測率均較同類最好的方法高20%以上，在3090時，弱小信號與背景區別明顯，各算法檢測率較為接近。本文算法在誤警率約為50×10-4時，檢測率達到100%，優于用于比較的其它4類算法。圖11表示在相同的Pfa下，Pd的變化情況，紅色虛線代表ISR-CSCD算法，可以看出在4種不同的恒虛警率下，ISR-CSCD算法都獲得了最好的結果，尤其是在Pfa=10×10-4時，本文方法的Pd段同類最好方法平均高25%。在信噪比較高時，除去SR方法外的其余4種檢測方法性能比較接近。從圖10和圖11可以看出，SR算法完全基于弱小信號符合高斯分布的假設，檢測精度最低，總體上在SNR和Pfa較低時，STCSR運用稀疏字典學習表示弱小目標和背景，相比ACSDM檢測率更高，在SNR和Pfa都較高時，ACSDM利用目標和周圍環境灰度分布差異信息獲得的檢測效果更好。

(a)測試圖像　　(b)SR　　　(c)NRRKR　　　(d) STCSR　(e)ACSDM　　　(f)ISR-CSCD (a) Test images　 (b) SR　　(c) NRRKR　　　 (d) STCSR　　　 (e) ACSDM　　　 (f) ISR-CSCD圖9　背景抑制結果Fig.9　Background suppression result

(a)SNR<10　　　(b)30

(c)60

(a)Pfa=1×10-4 　　(b)Pfa=10×10-4

(c) Pfa=20×10-4　(d) Pfa=30×10-4圖11　不同Pfa下5種算法檢測效果Fig.11　Detection results of the five algorithms under different Pfa

4　結　論

針對毫米波弱小目標檢測問題，本文提出了一種弱小目標檢測新算法ISR-CSCD，該算法通過改進稀疏表示弱小目標檢測算法，提出了新的目標背景雙字典高精度構造算法，結合目標與周邊背景區域灰度分布差異提出了圓周中心差算法，聯合兩種方法實現了單幀被動毫米波圖像背景抑制與目標增強，使得目標區域與背景區域具有更好的區分度，完成對目標的精確檢測。在多組數據上進行了對比分析實驗，結果表明，在低信噪比，低虛警率情況下，與主流算法相比，ISR-CSCD算法的檢測精度平均提高了約15%。

[1]WANG P, TIAN J, GAO C Q. Infrared small target detection using directional highpass filters based on LS-SVM[J].ElectronicsLetters, 2009,45(3):156-158.

[2]DESHPANDE S D, ER M H, VENKATESWARLU R,etal.. Max-mean and max-median filters for detection of small targets[J].Proc.SPIE, 1999, 3809: 74-83.

[3]ZENG M, LI J, PENG Z. The design of top-hat morphological filter and application to infrared target detection[J].InfraredPhysics&Technology, 2006, 48: 67-76.

[4]CAO Y, LIU R M, YANG J. Small target detection using two-dimensional least mean square (TDLMS) filter based on neighborhood analysis[J].InternationalJournalofInfraredandMillimeterWaves, 2008, 29(2):188-200.

[5]龔俊亮，何昕，魏仲慧，等.采用尺度空間理論的紅外弱小目標檢測方法[J].紅外與激光工程, 2013，42(9)：2566-2573.

GONG J L, HE X, WEI ZH H,etal.. Infrared dim and small target detection method using scale-space theory[J].InfraredandLaserEngineering, 2013, 42(9):2566-2573. (in Chinese)

[6]YANG H, HU F, CHEN K,etal.. A robust regularization kernel regression algorithm for passive millimeter wave imaging target detection[J].IEEEGeoscienceandRemoteSensingLetters, 2012, 9(5), 915-919.

[7]王剛，陳永光，楊鎖昌，等.采用圖像塊對比特性的紅外弱小目標檢測[J].光學 精密工程，2015，23(5)：1424-1433.

WANG G, CHEN Y G, YANG S CH,etal.. Detection of infrared dim small target based on image patch contrast[J].Opt.PrecisionEng., 2015, 23(5): 1424-1433. (in Chinese)

[8]靳永亮，王延杰，劉艷瀅，等.紅外弱小目標的分割預檢測[J].光學 精密工程，2012，20(1)：171-178.

JIN Y L, WANG Y J, LIU Y J,etal.. Pre-detection method for small infrared target[J].Opt.PrecisionEng., 2012, 20(1):171-178. (in Chinese)

[9]XIE K, FU K, ZHOU T,etal.. Small target detection based on accumulated center-surround difference measure[J].InfraredPhysics&Technology, 2014, 67: 229-236.

[10]LIU Z, CHEN C Y, SHEN X B,etal.. Detection of small objects in image data based on the nonlinear principal component analysis neural network[J].OpticalEngineering, 2005, 44(9): 093604(1-9).

[11]胡暾，趙佳佳，曹原，等.基于顯著性及主成分分析的紅外小目標檢測[J]. 紅外與毫米波學報，2010，29(4)：303-306.

HU T, ZHAO J J, CAO Y,etal.. Infrared small target detection based on saliency and principle component analysis[J].J.InfraredMillim.Waves, 2010, 29(4): 303-306. (in Chinese)

[12]LIU R M, ZHI H J, Infrared point target detection with fisher linear discriminant and kernel fisher linear discriminant[J].JournalofInfrared,Millimeter,andTerahertzWaves, 2010, 31(12): 1491-1502.

[13]趙佳佳，唐崢遠，楊杰，等.基于圖像稀疏表示的紅外小目標檢測算法[J]. 紅外與毫米波學報，2011，30(2)：156-162.

ZHAO J J, TANG ZH Y, YANG J,etal.. Infrared small target detection based on image sparse representation[J].J.InfraredMillim.Waves, 2011, 30(2): 156-162. (in Chinese)

[14]王會改，李正周，顧園山，等.基于多尺度自適應稀疏字典的小弱目標檢測方法[J]. 紅外與激光工程，2014，43(7)：2371-2378.

WANG H G, LI ZH ZH, GU Y SH,etal.. Dim target detection method based on multi-scale adaptive sparse dictionary[J].InfraredandLaserEngineering, 2014, 43(7): 2371-2378. (in Chinese)

[15]YI C, NASSER M N, TRAC D T. Sparse representation for target detection in hyperspectral imagery[J].IEEEJournalofSelectedTopicsinSignalProcessing, 2011, 5(3): 629-640.

[16]LI Z Z, DAI Z, FU H X,etal.. Dim moving target detection algorithm based on spatio-temporal classification sparse representation[J].InfraredPhysics&Technology, 2014, 67: 273-282.

[17]CHEN Y, NASRABADI N M, TRAN T D. Sparse representation for target detection in hyperspectral imagery[J].IEEEJournalofSelectedTopicsinSignalProcessing, 2011, 5(3): 629-640.

[18]AHARON M, ELAD M, BRUCKSTEIN A,etal.. K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation[J].IEEETransactionsonSignalProcessing, 2006, 54(11): 4311-4322.

[19]JOEL A T, ANNA C G. Signal recovery from random measurements via orthogonal matching pursuit[J].IEEETransactionsonInformationTheory, 2014, 53(12):4655-4666.

[20]JMM A. A generalized likelihood radio test for detecting land mines using multispectral images[J].IEEEGeoscience&RemoteSensingLetters, 2008, 5(3):547-551.

[21]ZHAO J F, CHEN J W, CHEN Y T,etal.. Sparse-representation-based automatic target detection in infrared imagery[J].InfraredPhysics&Technology, 2013, 56(1): 85-92.

[22]GAO C Q, MENG D Y, YANG Y,etal.. Infrared patch-image model for small target detection in a single image[J].IEEETransactionsonImageProcessing, 2013, 22(12): 4996-5009.

高志升(1977-)，男，四川萬源人，博士，副教授，碩士生導師，2012年四川大學獲博士學位，主要從事圖像處理、機器學習等方面的研究。gzs_xihua@mail.xhu.edu.cn

耿龍(1988-)，男，山東濟寧人，碩士，2013年于濟寧學院獲得學士學位,主要從事模式識別與圖像處理方面的研究。E-mail: genglong2017@126.com

(本欄目編輯：李自樂)

(版權所有未經許可不得轉載)

Millimeter wave dim small target detection based on target and background modeling

Gao Zhi-sheng*，GENG Long，ZHANG Cheng-fang，HU Zhan-qiang

(Center for Radio Administration & Technology Development,XihuaUniversity,Chengdu610039,China)*Correspondingauthor,E-mail:gzs_xihua@mail.xhu.edu.cn

On the basis of characteristics of Passive Millimeter Wave (PMMW) imaging, an Improved Sparse Representation-Circle-Surround Center Difference(ISR-CSCD) algorithm is proposed to improve the weaker distinction between dim small target and background and the smaller target features to be extracted. The algorithm firstly improves the sparse representation to complete the background suppression and target enhancement. Then, according to the features and prior knowledge of the target and the surrounding background, the background suppression algorithm of circle-surround center difference is used to suppress the background of the image. The results by two methods mentioned above are fused to get the final enhanced target image. Finally, the Constant False Alarm Rate (CFAR) is used to complete dim small target extraction. The millimeter wave images in different scenes are detected. The results show that as compared with the mainstream algorithms, Sparse representation (SR), Newton methods for Robust Regularized Kernel Regression(NRRKR), Spatio-temporal Classification Sparse Representation(STCSR) and Accumulated Center-surround Difference Measurement(ACSDM), the ISR-CSCD algorithm has a lower false alarm rate, higher detection accuracy and stronger robustness. For all kinds of false alarm rates and the signal to noise ratios of the millimeter wave small target detection results in statistics, the detection rate of ISR-CSCD is increased by about 15% as compared with other algorithms.

passive millimeter wave imaging ; small target detection ; sparse representation; circle-surround center difference; feature and prior knowledge;background suppression

2016-06-12；

2016-08-12.

宇航動力學國家重點實驗室開放基金資助項目(No.2015ADL-DW0302)；四川省教育廳重點項目(No.14ZA0118)；國家自然科學基金資助項目(No.61472328)

1004-924X(2016)10-2601-11

TP391.4

Adoi:10.3788/OPE.20162410.2601