復雜背景中紅外多光譜目標檢測算法研究

劉 翔,張曉杰,鄭翰清,劉 達,李建勛,崔愛蓮

(1.中國航天科技集團公司 紅外探測技術研發(fā)中心,上海 201109; 2.上海航天控制技術研究所,上海 201109; 3.上海交通大學 電子信息與電氣工程學院,上海 200240)

?

復雜背景中紅外多光譜目標檢測算法研究

劉 翔1、2,張曉杰1、2,鄭翰清1,劉 達3,李建勛3,崔愛蓮3

(1.中國航天科技集團公司 紅外探測技術研發(fā)中心,上海 201109; 2.上海航天控制技術研究所,上海 201109; 3.上海交通大學 電子信息與電氣工程學院,上海 200240)

針對多光譜紅外探測器，對復雜背景條件下紅外弱小目標檢測算法進行了研究。根據(jù)弱小目標缺乏紋理等相關信息的特點，給出了一種用于多光譜圖像的弱小目標檢測算法。對多光譜圖像，構建數(shù)據(jù)立方體，對多光譜信息建立穩(wěn)定的目標特征向量，用多光譜背景抑制濾波器以提升圖像信噪比，將一種基于統(tǒng)計判別的低信噪比條件下紅外序列圖像弱小目標檢測算法與傳統(tǒng)多級假設檢驗跟蹤(MHT)算法綜合，形成了改進的連續(xù)幀目標檢測跟蹤算法，對波門內疑似目標點用引入多光譜信息建立的特征向量進行目標的非監(jiān)督檢測判決。實驗結果證明：在低信噪比下該算法能有效檢測跟蹤弱小目標，在保證檢測概率前提下可有效抑制虛警，極大地降低了后續(xù)跟蹤算法的計算爆炸風險。

紅外圖像； 弱小目標； 多光譜； 目標檢測； MHT算法； 特征向量； 背景抑制算法； 信噪比

0 引言

復雜背景中低信噪比紅外弱小目標實時檢測與識別的主要技術難題是弱小目標檢測無尺寸、形狀和紋理等信息，傳統(tǒng)圖像處理方法無法應用[1]。不同于傳統(tǒng)的單一寬波段成像，多光譜成像是將成像技術與光譜測量技術結合，獲取的信息不僅包括二維空間信息，而且包含隨波長分布的光譜輻射信息，形成所謂的“數(shù)據(jù)立方”。豐富的目標光譜信息結合目標空間影像極大提高了目標探測的準確性，擴展了傳統(tǒng)探測技術的功能。多光譜信息成為弱小目標檢測識別的重要特征之一。因此，研究有效利用多光譜信息提高復雜背景條件下弱小目標檢測與識別性能，有助于解決高性能光學成像制導基礎技術問題。經過多年的發(fā)展，提出了多種紅外弱小目標檢測思路和算法。常見的檢測方法有背景抑制法、小波變換法、幀間差分法、光流法、動態(tài)規(guī)劃法、基于鄰域灰度熵和分類的紅外弱小目標檢測法等[2-7]。這些傳統(tǒng)方法多利用灰度能量信息完成目標檢測，都有計算量大且復雜、實現(xiàn)不易、檢測性能低的缺點，無法滿足實時處理的需求，實用性有待提高。單波譜段的紅外成像提供信息過少，已不能適應實際應用的需要，因此紅外多譜段研究已成為熱點。選擇兩個或多個更優(yōu)的譜段可清楚地表示目標與背景間的區(qū)別，能提高目標檢測系統(tǒng)的基本性能和增大可實現(xiàn)的檢測距離，顯著提高系統(tǒng)的檢測性能[8-9]。與傳統(tǒng)單波譜段目標識別相比，通過光譜特征分析對目標進行識別，多譜段信息能增加目標識別的可靠性，提高識別性能[10-11]。針對多光譜紅外探測器，本文研究了復雜背景條件下紅外弱小目標檢測算法，在弱小目標檢測中利用目標在多光譜的能量分布特征，并結合背景抑制方法，建立低信噪比條件下紅外序列圖像弱小目標檢測和跟蹤算法，以提高目標檢測概率。

1 問題描述

紅外弱小目標圖像由目標、背景和噪聲三部分組成，可描述為

F(x,y)=T(x,y)+N(x,y)+B(x,y).

(1)

式中：F(x,y)為紅外圖像；T(x,y)為弱小目標圖像；B(x,y)為背景圖像；N(x,y)為噪聲，包括隨機噪聲，傳感器和放大電路等的系統(tǒng)噪聲等。

弱小目標點(及噪聲點)與背景點間的差異有：

a)弱小目標的紅外輻射強度與其周圍背景的紅外輻射強度無關，且一般高于背景的紅外輻射強度，可認為弱小目標與背景的邊緣處于圖像的高頻部分，而大部分背景處于圖像的低頻部分。

b)背景區(qū)域呈現(xiàn)漸變過渡狀態(tài)，這使圖像常呈現(xiàn)大范圍的連續(xù)分布狀態(tài)，與灰度分布相關性較大，而弱小目標與背景的相關性幾乎為零。

背景抑制的本質是根據(jù)背景與目標某種特征的差異，在相應的特征空間內增大該特征差異，以改善目標特征的顯著性和目標與背景的可分離性。只有準確提取目標區(qū)別于背景的特征，才可能有效抑制背景，凸顯目標。對前后幀無相對運動的圖像序列，可根據(jù)背景幀間具短時平穩(wěn)性的特性進行背景抑制。如常用的時域差分法即根據(jù)此特性采用有限沖擊響應濾波器或無限沖擊響應濾波器估計背景。背景估計后能較好地去除背景分量，檢測出弱小目標，但很多情況下紅外圖像的背景復雜且不斷變化，有時局部的背景能量接近甚至高于目標點，傳統(tǒng)方法難以準確區(qū)分目標和背景。本文討論的是復雜背景中目標的檢測，因此對復雜背景的有效估計和抑制將對算法性能產生重要影響。

2 考慮多光譜特性的檢測與跟蹤算法

2.1 數(shù)據(jù)立方體

光譜曲線是區(qū)別多光譜數(shù)據(jù)和其他數(shù)據(jù)的重要特征，紅外多光譜圖像不僅包含了二維圖像信息，而且每個像素在光譜域中包含光譜信息。因此，多光譜數(shù)據(jù)是圖像光譜信息的聯(lián)合體，即所謂的數(shù)據(jù)立方體或圖像立方體。數(shù)據(jù)立方體，將傳統(tǒng)意義的單幀圖片從灰度域拓展到光譜域，使單幀圖像拓展為一組圖像，形成一種數(shù)據(jù)立方體的結構，如圖1所示。圖中：一幅圖像拓展為一組光譜圖像，x、y軸表示圖像灰度域；z軸表示光譜域；L為光譜譜段數(shù)；S1,S2,S3,…，SL為在各譜段上的圖像。由此，傳統(tǒng)意義的單幀圖像經過光譜域拓展形成了一個圖像或數(shù)據(jù)立方體，極大地豐富了圖像信息。對第k幀，坐標位置為(r,c)的某像素點，其多光譜灰度向量

H1=[hrck1hrck2… hrck(L-1)hrckL].

(2)

式中：hrckl為此像素點在第l譜段的輻射強度。

圖1 數(shù)據(jù)立方體Fig.1 Multispectral image data cube

2.2 光譜特征向量

本文算法中，設目標先驗信息為已知。因此，標準光譜模型可根據(jù)先驗信息初始化為

Γ0=[γ1γ2… γL-1γL].

(3)

式中：Γ0為初始化的標準光譜模型，可根據(jù)目標的類型和方位在標準光譜模型庫中選擇；γi為第i譜段的歸一化輻射強度。

圖像序列的目標檢測識別中，對待處理圖像，將前一幀檢測得到的目標光譜作為新息，更新標準光譜模型

(4)

式中：Γk為用第k幀圖像更新的標準光譜模型；p為第k幀圖像中檢測到的目標數(shù)；Gi為目標的歸一化光譜向量。

像素點的多光譜向量H1不僅表示同一像素點在不同光譜圖像中的輻射強度，而且包含了光譜分布信息。以矢量方向是否相近作為度量基礎，以角度相似系數(shù)作為向量相似測度

(5)

式中：H1nom為向量H1的歸一化向量，即H1norm=H1/‖H1‖1；‖ ‖F(xiàn)表示F范數(shù)。簡化的光譜角如圖2所示。圖中：φrck為像素點歸一化光譜與標準光譜模型向量間夾角，作為兩矢量間的相似性測度描述光譜分布信息。則由像素點多光譜向量和光譜角建立像素點特征向量

H=[H1φrck].

(6)

圖2 光譜角Fig.2 Spectral angle

2.3 背景抑制濾波器組

由于圖像從單一的灰度域經光譜拓展形成了數(shù)據(jù)立方體，傳統(tǒng)單幀圖像處理濾波器亦可拓展為濾波器組，濾波器參數(shù)擴展為矩陣形式(如圖3所示)，一組并行結構的濾波器組，濾波器組中每個濾波器分別處理相應的光譜圖像。

背景抑制處理基于事實：相對目標和噪聲信號，背景信號因其空間的大范圍平滑分布及隨時間緩慢變化，時間與空間表現(xiàn)出強烈的相關性。因此，對獲得的多光譜圖像信息，背景抑制處理問題可轉為利用圖像空間、時間相關信息對背景的最優(yōu)估計問題，進而獲得理想的空時域效果。

圖3 濾波器組Fig.3 Filter bank

2.3.1 單幀背景抑制濾波器

圖4 空域鄰域均值計算Fig.4 Mean value of spatial neighborhood

(7)

F(x,y)=T(x,y)+N(x,y)+

(8)

α=[α1α2… αL]T；

β=[β1β2… βL]T.

(9)

J(θl)=(Zrckl-Hlθl)T(Zrckl-Hlθl).

(10)

(11)

一部優(yōu)秀的作品每個細節(jié)里面都包含作者內心的思想感情，如果不專心閱讀，學生很容易錯過作者想要表達的東西，進而難以把握文章主旨。因此，我們在語文教學過程中要注意幫助學生養(yǎng)成專心閱讀的良好習慣，讓學生的內心投入到文章之中把握住文章要表達的感情，從而得到閱讀的樂趣。

Zrckl-Hl(Hl)THl-1(Hl)TZrckl.

(12)

式中：Zl為當前觀測到的圖像的灰度值。

2.3.2 多光譜背景抑制濾波器組

如前所述，單幀圖像拓展為多光譜圖像立方體，圖像濾波器拓展為濾波器組。光譜譜段l=1,2,…,L，因此第l譜段的背景抑制算法可拓展為多光譜背景抑制算法。易得此時背景估計權矩陣

(13)

式中：θl=αlβlT。同理可得

(14)

則其最小二乘估計和數(shù)據(jù)立方體殘差

(15)

Z-H(HTH)-1HTZ.

(16)

由此，根據(jù)圖像時空相關性，可對圖像完成自適應背景抑制處理。此時，式(1)的紅外模型可表示為

F(x,y)=T(x,y)+N(x,y).

2.4 改進MHT目標檢測算法

改進的MHT算法是用于解決MHT在多次假設后產生的計算量爆炸問題，傳統(tǒng)的多級檢驗假設主要包含以下內容：建立搜索窗，航跡分支，局部航跡刪除，航跡假設生成，全局航跡刪除，航跡合并，濾波預測。本文的改進MHT算法通過引入多光譜信息，在形成的搜索窗中進行多光譜統(tǒng)計判別，減少波門內虛警以提高MHT算法性能，優(yōu)化算法。

2.4.1 建立搜索窗

先利用先驗速度等信息選擇適當?shù)哪繕诉\動模型(如CA，CV，當前統(tǒng)計、機動轉彎等)。利用已建立的目標鏈，由卡爾曼濾波器預測目標運動出現(xiàn)位置，并建立預測波門(搜索窗)，縮小估計范圍。設目標在成像平面上的速度投影向量v=[vu]，此處：v，u分別為速度在水平和垂直方向的投影。以疑似目標點為中心建立搜索窗，定義搜索窗的高度和寬度分別為I,J，有

(17)

式中：「 ?表示向上取整；K為圖像序列長度，即檢測鏈的最大長度。則搜索區(qū)域為：以卡爾曼濾波器預測位置(xpred,ypred)為中心，高度為I，寬度為J的區(qū)域。

2.4.2 目標統(tǒng)計檢測

改進MHT算法目的是減少偽目標鏈數(shù)，快速判斷目標鏈真?zhèn)危瑒h除偽目標鏈。其中，在搜索窗內有效準確地檢測目標，提高檢測概率，降低虛警偽目標數(shù)是改進MHT算法，提高MHT算法性能的重要手段。與傳統(tǒng)MHT方法對預測波門內所有疑似目標點直接建立面向假設或軌跡的目標鏈不同，本文先對波門內的疑似目標點利用引入多光譜信息建立的特征向量進行目標的非監(jiān)督檢測判決。

傳統(tǒng)目標檢測與模式識別中，最常見的統(tǒng)計判決準則為最小誤判概率準則，是典型的二類問題。統(tǒng)計判決的基本方式是根據(jù)類的概率及其密度按某種形式的準則函數(shù)將像素點的特征空間Ω劃分為兩個判決域R1，R2，即R1∪R2=Ω，R1∩R2=φ。此處：φ為空集。當樣本x∈R1時，判決x∈w1(目標)類；x∈R2時，判決x∈w2(噪聲)類。令ε12為將第一類樣本決策為第二類的錯誤率；ε21為將第二類樣本決策為第一類的錯誤率，t*為決策邊界，且p(xwi)～N(μi,Σi)，兩類錯誤概率可表示為

(18)

兩類錯誤概率分布如圖5所示。

圖5 兩類錯誤概率Fig.5 Two classes error possibility

對數(shù)據(jù)立方體或圖像立方體來說，統(tǒng)計判決樣本仍以像元為單位。如前文所述，波門內每個疑似目標的特征量H=H1φrck[式(6)]。此處：H1為像素點的多光譜灰度信息向量；φrck為Γ，H1光譜角度信息。從另一角度，可理解為H1描述了數(shù)據(jù)立方體各層(譜段)的特征信息，φrck描述了數(shù)據(jù)立方體各層間關系的特征信息。

在進行數(shù)據(jù)立方體統(tǒng)計判決前，先需確定類密度函數(shù)，大量研究已經指出目標灰度模型可視為背景，目標及噪聲的線性疊加，其噪聲包含背景噪聲和目標檢測系統(tǒng)的系統(tǒng)噪聲，可視為零均值的高斯白噪聲。對多光譜數(shù)據(jù)立方體的樣本向量分別向其各分量進行投影。光譜角分布形式和某譜段的灰度信息分布分別如圖6、7所示。

圖6 光譜角度分布Fig.6 Spectral angle distribution

圖7 單一譜段灰度分布Fig.7 Gray distribution on a single spectral channel

由圖可知：樣本向量的各特征分量均近似滿足正態(tài)分布形式，由此假設在多光譜判別中，樣本類條件概率密度符合聯(lián)合正態(tài)分布

p(xwi)～Nμi,Σi.

(19)

在多光譜統(tǒng)計判別中，根據(jù)最小誤判準則，引入判決函數(shù)

di(x)=-0.5lnΣi-0.5(x-μi)T×

(Σi)-1(x-μi)+lnp(wi).

(20)

式中：μi，Σi分別為第i類樣本的樣本均值和協(xié)方差矩陣；i=1，2。判決結果為

(21)

式中：d1，d2為樣本x屬于第i類的置信度。

式(20)、(21)與傳統(tǒng)單幀統(tǒng)計判決的判決函數(shù)形式相同，其最重要的特征是引入多光譜信息形成數(shù)據(jù)立方體而導致的樣本特征數(shù)增加，樣本由一維灰度信息特征點拓展為灰度向量和光譜角度構成的特征向量。

經過波門內目標檢測，通過引入多光譜信息，可極大地提高目標檢測概率并減低虛警概率，從而在背景抑制的基礎上，進一步減少疑似目標點數(shù)量，為目標鏈的建立和判決提供了基礎。

3 仿真實驗

用仿真實驗驗證引入多光譜信息及數(shù)據(jù)立方體在MHT方法中的性能。仿真中，限于條件，選取中波段3～5 μm和長波段8～12 μm兩個譜段進行多光譜拓展，形成了層數(shù)為2的圖像立方體。

分別在長波段和中波段采集圖像數(shù)據(jù)，如圖8所示。由圖可知：由于目標弱小，幾乎淹沒在背景中，在靜態(tài)的單幀中，幾乎無法識別目標點。用濾波器組對圖像進行背景抑制處理，以去除背景和低頻噪聲，提高信噪比。長中波段圖像經過濾波器組后所得的圖像背景抑制處理結果如圖9所示。由背景抑制處理后的結果可知：圖像信噪比在對背景進行抑制處理后得到了明顯提升，有效消除了背景信息。此時可對圖像進行改進的MHT目標檢測。

圖8 原始圖像Fig.8 Original image

對圖像進行波門內引入多光譜信息后的多光譜統(tǒng)計判決檢測的效果，如圖10(a)所示。由圖可知：多光譜統(tǒng)計判決可準確檢測目標降低虛警目標產生的概率，減少偽目標航跡的形成，經過波門內統(tǒng)計檢測判決，能有效提高MHT算法效率。一組200幀圖像序列進行MHT目標檢測識別處理的結果如圖10(b)所示。由圖可知：本文方法實現(xiàn)了目標的有效穩(wěn)定檢測。比較本文改進MHT目標檢測跟蹤算法與傳統(tǒng)MHT算法性能，結果見表1。表中：FP為假陽性(虛警)；FN為假陰性(漏警)；Sn為靈敏度；Sp為特異度。

圖9 背景抑制處理結果Fig.9 Background suppression processing results

圖10 圖像檢測結果Fig.10 Target detection result

由實驗結果可知：本文算法在保證目標檢測概率的同時，有效抑制了虛警，由于虛警點得到極大抑制，則有效減小目標跟蹤算法的計算量，減少航跡分支，形成穩(wěn)定的目標檢測跟蹤；傳統(tǒng)算法目標檢測無法利用目標光譜信息，由于弱小目標信息的缺失，其目標檢測性能受到極大的影響，目標檢測產生大量虛警，不僅將直接導致MHT算法的計算量增加，并且由于過多的虛警，無法形成穩(wěn)定目標檢測識別和跟蹤，存在大量的虛假航跡。

4 結束語

本文以復雜背景中紅外探測為研究背景，考慮

表1 連續(xù)幀目標檢測結果

Tab.1 Target detection results of sequential frames

幀本文方法傳統(tǒng)MHT方法FPFNSn/%Sp/%FPFNSn/%Sp/%K=1001001003201009995K=200100100701009999K=31010099998001009988K=40010010070166679990K=50010010066166679990K=61010010039166679994K=70010010031801009954K=82010010026250009996K=91010010031209996總計(200)5415983299991161922874059992

引入多光譜對紅外探測性能的影響，研究了典型目標光譜特性、多光譜信息的單幀圖像檢測和多幀圖像關聯(lián)等問題。本文提出了一種基于背景抑制的濾波器組，將原有單幀的紅外背景抑制算法拓展為紅外多光譜背景抑制算法，用紅外數(shù)據(jù)立方體使紅外背景得到有效抑制，在上述基礎上給出了一種基于參數(shù)的紅外弱小點目標檢測方法。該方法不同于傳統(tǒng)多光譜檢測方法，為提高實時性和處理效率，將信息分別投影到灰度空間和光譜空間，將原來多光譜信息降維成簡單的二維信息，根據(jù)二維信息建立了目標模型，并基于此目標模型提出了紅外弱小目標檢測方法。本文將單幀檢測與多幀檢測進行了有機融合，有效綜合了提出的目標統(tǒng)計檢測方法和現(xiàn)有的MHT方法，給出了一種基于多光譜的改進MHT的目標序列檢測方法。該算法性能優(yōu)于傳統(tǒng)MHT方法，在提高檢測概率和識別概率的同時可有效降低算法的計算復雜程度，可從一個新角度提高目標檢測性能，從而為紅外多光譜探測系統(tǒng)的研制奠定理論基礎。本文算法是基于參數(shù)化模型的，假設模型符合正態(tài)分布，而實際模型為近似正態(tài)分布(如本文的光譜角模型)，建立于參數(shù)化的模型可能存在信息不準確。后續(xù)可將參數(shù)化的概率模型改為越來越普遍使用的非參數(shù)化模型，以進一步提高性能，避免模型建立的誤差，改進后期算法。

[1] 李偉忠， 劉明娜， 姚勤. 紅外成像導引頭目標檢測識別共性技術綜述[J]. 上海航天， 2015， 32(1)： 30-35.

[2] ZENG M, LI J, PENG Z. The design of top-hat morphological filter and application to infrared target detection[J]. Infrared Physics & Technology, 2006, 48(1): 67-76.

[3] 溫佩芝, 史澤林, 于海斌. 基于小波變換的復雜海面背景紅外小目標檢測[J]. 激光與紅外, 2004, 33(6): 449-452.

[4] OTSU N. A threshold selection method from gray-level histograms[J].IEEE Trans on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[5] BARRON J, KLETTE R. Quantitative color optical flow[C]// Proc of the 16th International Conference on Pattern Recognition. Quebec City: [s.n.], 2002: 251-255.

[6] JOHNSTON L, KRISHNAMURTHY V. Performance analysis of a dynamic programming track before detect algorithm[J]. IEEE Transactions on Aerospace and Electronic Systems, 2002, 38(1): 228-242.

[7] 張曉杰, 龍華保, 劉翔. 基于鄰域灰度熵和分類的紅外弱小目標檢測[J]. 上海航天, 2014, 31(4): 21-24.

[8] KARALIA A O, CAKIR S, AYTAC T. A multiscale contrast direction adaptation approach for the fusion of multispectral and multifocus infrared images[J]. Proc of SPIE, 2015, 9648: 1-12.

[9] LIU Fei, SHAO Xiao-peng, HAN Ping-li, et al. Detection of infrared stealth aircraft through their multispectral signatures[J]. Optical Engineering, 2014, 53(9): 1-10.

[10] 楊春玲, 王暕來, 王昶輝. 紅外多譜段小目標識別方法[J]. 紅外與激光工程, 2010, 39(4): 772-776.

[11] 李平. 多譜段敵我識別系統(tǒng)關鍵技術研究[D]. 長春: 中國科學院長春光學精密機械與物理研究所, 2015.

Infrared Dim and Small Targets Detection for Multispectral Imagery

LIU Xiang1, 2, ZHANG Xiao-jie1, 2, ZHENG Han-qing1, LIU Da3, LI Jian-xun3, CUI Ai-lian3

(1. Infrared Detection Technology Research & Development Center, CASC, Shanghai 201109, China; 2. Shanghai Institute of Spaceflight Control Technology, Shanghai 201109, China; 3. School of Electronic, Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

For multispectral infrared sensor, a dim point targets detection algorithm under complex background was proposed in this paper. According to characteristic of dim target lacking of information, a dim point target detection algorithm for multispectral image was put forward. The data cube was established and a stable target characteristic vector was given out for multispectral images. The background suppression filter for multispectral image was given to achieve noise reduction and signal-noise-ratio (SNR) improvement. Based on the statistical distribution of the feature vector, a multispectral target detector was designed. Combined with the traditional multi-hypotheses tracking (MHT) algorithm, a target detection and tracking method for sequential multispectral images was presented. The non-judgment for the target was carried on for the possible target in gate by introducing characteristic vector made from multispectral information. The simulation results demonstrated superior performance of the proposed method to the traditional approach under low SNR, which would suppress false alarm with certain detection probability effectively and reduce computation in following tracing algorithm.

Infrared image; Dim point target; Multispectral; Target detection; Multi-hypotheses tracking algorithm; Characteristic vector; Background suppression method; Signal-noise-ratio

1006-1630(2016)04-0056-07

2016-04-14；

2016-06-01

國家自然科學基金資助(61175008)

劉 翔(1982-)，男，高級工程師，主要從事紅外探測系統(tǒng)設計。

TN911.73

A

10.19328/j.cnki.1006-1630.2016.04.010