基于復(fù)雜動(dòng)環(huán)境的“低小慢”目標(biāo)檢測(cè)

栗華杰　李格　蘇煉　蔡繼駒

【摘要】? ? 文章首先對(duì)“低小慢”的目標(biāo)特性進(jìn)行了分析，再提出感興趣區(qū)域獲取，通過(guò)“低小慢”目標(biāo)在復(fù)雜背景下的常見(jiàn)的幾種預(yù)處理算法的介紹，進(jìn)一步指出可以在可見(jiàn)光背景、紅外背景、以及基于源傳感器融合的“低小慢”目標(biāo)檢測(cè)，以期為相關(guān)人員提供有益的借鑒。

【關(guān)鍵詞】? ? 復(fù)雜動(dòng)環(huán)境? ? “低小慢”目標(biāo)? ? 檢測(cè)

引言：

隨著技術(shù)的不斷發(fā)展，以及國(guó)家地空空域的逐漸開(kāi)放，如何對(duì)“低小慢”目標(biāo)進(jìn)行檢測(cè)并防范和應(yīng)對(duì)“低小慢”目標(biāo)在復(fù)雜動(dòng)環(huán)境下的干擾和破壞，是一個(gè)重要的問(wèn)題。地空飛行器的機(jī)動(dòng)性強(qiáng)、操作較為簡(jiǎn)單、并且數(shù)量較多，這些使得空中安全形勢(shì)比較嚴(yán)峻，因此，對(duì)于復(fù)雜動(dòng)環(huán)境下的“低小慢”目標(biāo)進(jìn)行檢測(cè)，尋找有效的方式，是十分重要且必要的，能夠有效的減少低空飛行目標(biāo)的威脅，進(jìn)一步保障低空飛行的安全性。

一、“低小慢”目標(biāo)的特性

1.1“低小慢”目標(biāo)的基本情況介紹

對(duì)于“低小慢”目標(biāo)來(lái)說(shuō)，一般要符合體積小、飛行速度慢的特點(diǎn)，這里的速度一般限定為200km/h的范圍內(nèi)，相較于傳統(tǒng)的高空空域美的管控而言，“低小慢”目標(biāo)在飛行器的材質(zhì)上比較多樣，在應(yīng)用環(huán)境上比較復(fù)雜，與雷達(dá)和人工觀察相比，采用光電手段進(jìn)行基于復(fù)雜動(dòng)環(huán)境的“低小慢”目標(biāo)檢測(cè)更加有效[1]?！暗托÷蹦繕?biāo)的檢測(cè)難度在于目標(biāo)小，在圖像上占的像素量極少，缺失相應(yīng)的紋理特征，因此在檢驗(yàn)過(guò)程中提升了難度。一般而言，想要捕捉和檢測(cè)“低小慢”目標(biāo)，通常使用的方法有對(duì)單幀圖像進(jìn)行目標(biāo)檢測(cè)，或者基于多幀圖像檢測(cè)目標(biāo)，這兩類方法的使用優(yōu)劣都比較明顯，首先，第一類是對(duì)單幀圖像進(jìn)行檢測(cè)，這種方法在應(yīng)用時(shí)，主要作用方式是濾波算法，這種方法的弊端在于低信噪比條件下，難以保證準(zhǔn)確度，同時(shí)如果使用其中的二維熵、小波變換等方法，又難以有效實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。其次，第二類是對(duì)多幀圖像進(jìn)行檢測(cè)，主要是通過(guò)對(duì)幀間上下文信息的檢測(cè)實(shí)現(xiàn)的，這類方法的優(yōu)勢(shì)在于準(zhǔn)確率高，但是缺陷在于，如果目標(biāo)隱藏在背景或噪聲下就難以進(jìn)行有效的檢測(cè)。

1.2“低小慢”目標(biāo)檢測(cè)中的問(wèn)題

在當(dāng)前“低小慢”目標(biāo)檢測(cè)中，往往難度比較高，原因在于信噪比條件下難以對(duì)目標(biāo)、背景、造成有效分離，并且噪聲受到的遮蔽較強(qiáng)。雖然當(dāng)前的技術(shù)有了不小的發(fā)展，但是仍然有很大的難度[2]。第一，在干擾環(huán)境上，地空環(huán)境下空間的環(huán)境比較復(fù)雜，在城市環(huán)境下，受建筑、城市環(huán)境的影響比較大。而在天空中受到云霧等氣象因素干擾比較大，因此，對(duì)于“低小慢”目標(biāo)檢測(cè)技術(shù)來(lái)說(shuō)，核心問(wèn)題就在于能否實(shí)現(xiàn)復(fù)雜背景下將雜波干擾和噪聲干擾的有效剔除。第二，“低小慢”目標(biāo)的鎖定比較困難，在視野中成像面積很小，不具備固定的形狀和紋理特征，難以進(jìn)行有效的匹配。第三，檢測(cè)虛警率高。這一特點(diǎn)與上述的第一、第二條特點(diǎn)是相聯(lián)系的，正是由于難以捕捉且環(huán)境復(fù)雜，因此在檢測(cè)時(shí)虛警率高。第四，對(duì)于動(dòng)態(tài)場(chǎng)景中的“低小慢”目標(biāo)的檢測(cè)困難度高，由于相機(jī)和目標(biāo)同時(shí)運(yùn)動(dòng)，并且受到光線、陰影及偽裝的干擾，使得動(dòng)態(tài)場(chǎng)景中的“低小慢”目標(biāo)的檢測(cè)在時(shí)間內(nèi)核復(fù)雜度上都有所提升，難度較大[3]。

二、感興趣區(qū)域獲取

2.1視覺(jué)顯著性

視覺(jué)顯著性指的是人類僅憑視覺(jué)感知，所實(shí)現(xiàn)的對(duì)周圍視覺(jué)信號(hào)的響應(yīng)程度，一般來(lái)說(shuō)，越是具有獨(dú)特性、奇異性的視覺(jué)信號(hào)，越能夠被人類視覺(jué)有效捕捉，并且對(duì)于其中的顏色、紋理、形狀、亮度等的感知也會(huì)更加敏銳[4]。對(duì)比度可以根據(jù)區(qū)域范圍的大小進(jìn)一步劃分為全局對(duì)比、區(qū)域?qū)Ρ取Ｈ謱?duì)比的作用途徑在于實(shí)現(xiàn)目標(biāo)和周圍環(huán)境的有效分離，但是這種方法的缺陷在于，如果目標(biāo)與周圍環(huán)境的對(duì)比度較小就難以有效捕捉。而且對(duì)于“低小慢”目標(biāo)來(lái)說(shuō)，本身所占據(jù)的像素就比較少，并且還缺失一些紋理信息，在全局的背景中，需要“低小慢”目標(biāo)與其他背景的差別比較大，例如，在天空的全局背景中，顏色就可以是有效的差別對(duì)象，其中的噪聲、云層、部分的地面場(chǎng)景和光照變化就是主要的干擾信息，將這些干擾信息進(jìn)行排除后，通過(guò)“低小慢”目標(biāo)與圖像中其他像素點(diǎn)的顏色對(duì)比度來(lái)作為捕捉定義，就能夠很好的實(shí)現(xiàn)對(duì)目標(biāo)的捕捉。

2.2梯度差分算法

梯度差分算法是一種行之有效的算法，其價(jià)值主要是在視覺(jué)顯著性特征圖中找到種子點(diǎn)，主要是將形態(tài)學(xué)基本梯度和三幀差分算法進(jìn)行有效融合的基礎(chǔ)上提出的一種方法。具體的操作過(guò)程是，借助參考點(diǎn)的坐標(biāo)，設(shè)立相應(yīng)的正方形掩模，并對(duì)其中相鄰且連續(xù)的視覺(jué)顯著性圖像，進(jìn)行提取，找出從中的基本形態(tài)學(xué)梯度特征，并進(jìn)行三幀差分，這樣就獲得了所需的種子點(diǎn)。另外需要說(shuō)明的是，這里的數(shù)學(xué)形態(tài)梯度，是一種代數(shù)運(yùn)算子，能夠?qū)⑴蛎?、二值開(kāi)閉、形態(tài)學(xué)梯度等多種特征于一身，也是一種從形狀出發(fā)而進(jìn)行的圖像處理的操作過(guò)程，具有廣闊的應(yīng)用前景，能夠?qū)D像進(jìn)行特征抽取，其實(shí)現(xiàn)路徑主要是由膨脹和腐蝕的有效組合。膨脹指的是一種邊界向外部擴(kuò)張的過(guò)程，其主要的實(shí)現(xiàn)路徑是由與物體接觸的所有背景點(diǎn)合并到該物體中實(shí)現(xiàn)的。而腐蝕則正好與其相反，是一種消除邊界點(diǎn)的方法，通過(guò)邊界向內(nèi)部收縮來(lái)消除小且無(wú)意義的物體，使得目標(biāo)更加突顯和清晰。

當(dāng)對(duì)視頻圖像序列的連續(xù)兩幀圖像做差分運(yùn)算時(shí)使用的就是幀間差分算法，這種方法能夠有效的獲取運(yùn)動(dòng)區(qū)域，但是這種方式在運(yùn)用中，無(wú)法識(shí)別靜止或運(yùn)動(dòng)速度很慢的目標(biāo)，因此，如果直接使用幀間差分算法要進(jìn)行“低小慢”目標(biāo)檢測(cè)，是并不合適的。將傳統(tǒng)的兩幀差分算法進(jìn)行改進(jìn)升級(jí)，就形成了三幀差分算法。三幀差分算法的作用路徑是，首先將相鄰三幀圖像并為一組，接著對(duì)其進(jìn)行差分計(jì)算。三幀差分算法往往應(yīng)用于提取種子點(diǎn)，因?yàn)檫@種方式能夠?qū)崿F(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)之中的像素點(diǎn)準(zhǔn)確、快速捕捉。在實(shí)際操作中，將形態(tài)學(xué)基本梯度和三幀差分算法進(jìn)行有效融合，就能夠?qū)崿F(xiàn)對(duì)圖像的顯著性前景特征的二次過(guò)濾，提升了目標(biāo)檢測(cè)的準(zhǔn)確性，也降低了后續(xù)工作的任務(wù)量。使用梯度差分算法能夠自動(dòng)且高效的獲得有明顯區(qū)域性的種子點(diǎn)，同時(shí)更重要的是，由于這些種子點(diǎn)的可控生長(zhǎng)門限較好，因此，往往不會(huì)產(chǎn)生生長(zhǎng)過(guò)后分割成過(guò)多區(qū)域的問(wèn)題，大大節(jié)省了后續(xù)工作的步驟和效率。因此，在實(shí)際的需要中具有比較強(qiáng)的應(yīng)用效果。

三、“低小慢”目標(biāo)在復(fù)雜背景下的常見(jiàn)的幾種預(yù)處理算法

3.1復(fù)雜背景下可見(jiàn)光圖像的預(yù)處理算法

在可見(jiàn)光下進(jìn)行的目標(biāo)捕捉的主要影響因素往往是由于物體之間的相互遮擋，或者在周圍環(huán)境、光照、霧氣等的變化影響下，使得捕捉場(chǎng)景中由于亮度、對(duì)比度等問(wèn)題，進(jìn)一步造成了捕捉的困難，一些圖像中的細(xì)節(jié)信息無(wú)法有效突出，進(jìn)而對(duì)于后續(xù)的檢測(cè)準(zhǔn)確度產(chǎn)生一定的影響。這時(shí)可以通過(guò)預(yù)處理，實(shí)現(xiàn)可見(jiàn)光圖像的捕捉、識(shí)別效率的提升，能夠?qū)⒖梢?jiàn)光中干擾因素的對(duì)圖像的影響進(jìn)一步降低，提升捕捉的準(zhǔn)確度。具體而言主要有以下幾點(diǎn)方法。第一，基于直方圖均衡化的光照校正，這種方法的優(yōu)勢(shì)在于算法實(shí)現(xiàn)簡(jiǎn)單且運(yùn)算量小，但是僅僅是對(duì)局部的處理，也沒(méi)法對(duì)于細(xì)節(jié)進(jìn)行具體增強(qiáng)。第二，基于 Gamma 變換的光照校正。這種方法的效果明顯，尤其是對(duì)消除陰影方面更是成效顯著，但是缺陷在于每次都需要手動(dòng)設(shè)置，且很難取到最佳值，操作的便捷性不強(qiáng)。第三，基于多尺度 Retinex 的光照校正。這是在 基于單尺度 Retinex 的光照校正的基礎(chǔ)上進(jìn)一步發(fā)展而來(lái)的，不僅能夠使圖像保持比較高水平的保真度，而且能夠進(jìn)一步突出其中的較暗區(qū)域的細(xì)節(jié)信息。另外，這種技術(shù)的另一個(gè)巨大優(yōu)勢(shì)在于能夠?qū)崿F(xiàn)圖像的壓縮，這種壓縮主要是局部的，但有時(shí)也能夠?qū)崿F(xiàn)全局動(dòng)態(tài)范圍的壓縮，并且能夠?qū)崿F(xiàn)色彩增強(qiáng)。但是，可能會(huì)造成一定的顏色失真、陰影邊界突兀，也可能會(huì)導(dǎo)致部分場(chǎng)景的顏色發(fā)生扭曲。

3.2復(fù)雜背景下紅外圖像的預(yù)處理算法

動(dòng)態(tài)噪聲和非均勻性噪聲是兩種比較常見(jiàn)的紅外圖像中的噪聲，這些噪聲會(huì)干擾圖像信息的成像質(zhì)量，因此必須對(duì)其進(jìn)行預(yù)處理。具體而言，常見(jiàn)的復(fù)雜背景下紅外圖像的預(yù)處理算法包括紅外圖像動(dòng)態(tài)噪聲抑制算法、紅外圖像的非均勻性噪聲抑制算法、紅外圖像的增強(qiáng)算法這幾種，通過(guò)對(duì)逆光條件下對(duì)可見(jiàn)光圖像進(jìn)行有效的亮度及顏色校正、去除紅外相機(jī)的動(dòng)態(tài)噪聲和非均勻性噪聲、提高復(fù)雜場(chǎng)景下紅外圖像的信噪比，從而能夠提升目標(biāo)檢測(cè)的準(zhǔn)確率。

四、“低小慢”目標(biāo)檢測(cè)

4.1可見(jiàn)光背景下的“低小慢”目標(biāo)檢測(cè)

可以采用基于二維伽馬變換的顏色特征提取，將不同強(qiáng)度灰度值進(jìn)行校正，然后合理壓縮圖像的動(dòng)態(tài)范圍。第二，基于 ESILTP 算子的紋理特征提取，這種方式與灰度特征和幾何特征相比，內(nèi)涵的信息度更多、更豐富，也能夠提升“低小慢”目標(biāo)檢測(cè)的準(zhǔn)確性。這種方式能夠有效應(yīng)對(duì)背景信息均值和方差的大幅度變化的情況，并且對(duì)于動(dòng)態(tài)場(chǎng)景容錯(cuò)性較高，即使不進(jìn)行濾波操作，也不會(huì)有高斯白噪聲的產(chǎn)生，因此能夠?qū)⒛Ｐ偷臅r(shí)間復(fù)雜度大大降低。第三，對(duì)于在一些比較常見(jiàn)的閃爍噪聲問(wèn)題，這種問(wèn)題在建模算法往往是比較復(fù)雜和令人頭疼的問(wèn)題，這時(shí)可以采用基于 Vi Be+的目標(biāo)檢測(cè)， Vi Be+的目標(biāo)檢測(cè)的構(gòu)成比較簡(jiǎn)單，包括背景模型初始化、前景檢測(cè)以及背景模型更新三個(gè)環(huán)節(jié)。

4.2紅外背景下的“低小慢”目標(biāo)檢測(cè)

在紅外背景下的“低小慢”目標(biāo)檢測(cè)，能夠有效地透過(guò)煙霧成像，這種方法尤其適用于光照不足的環(huán)境，成像效果好。但是需要注意的是，由于低空慢速小目標(biāo)自身的點(diǎn)目標(biāo)特性，在紅外相機(jī)中容易被誤認(rèn)為噪聲，因此在基于復(fù)雜動(dòng)環(huán)境下的“低小慢”目標(biāo)檢測(cè)，一般不適用紅外背景下的“低小慢”目標(biāo)檢測(cè)，

4.3基于源傳感器融合的“低小慢”目標(biāo)檢測(cè)

將可見(jiàn)光相機(jī)與紅外相機(jī)有效結(jié)合，能夠大大提升識(shí)別的效率和準(zhǔn)確性，多傳感器圖像融合的目標(biāo)檢測(cè)技術(shù)就能夠有效的實(shí)現(xiàn)這一目標(biāo)，具體操作如下，首先，選定目標(biāo)區(qū)域。這里主要用到的是紅外成像特征定位的方法。其次，對(duì)可見(jiàn)光圖像進(jìn)行識(shí)別。由基于加權(quán)移動(dòng)均方差算法建立相應(yīng)的背景減除模型，由此定位可見(jiàn)光成像的候選區(qū)域。最后，再將兩者的圖像結(jié)果進(jìn)行結(jié)合，形成一定的基于候選區(qū)域的局部像素背景模型，從而實(shí)現(xiàn)目標(biāo)的準(zhǔn)確提取。在目標(biāo)候選區(qū)域提取上，使用加權(quán)移動(dòng)平均背景建模算法，基于滾動(dòng)引導(dǎo)濾波和加權(quán)最小二乘優(yōu)化的圖像融合，然后從多尺度進(jìn)行分解，利用視覺(jué)顯著性算法，將紅外圖像與見(jiàn)光圖像基礎(chǔ)層進(jìn)行綜合的融合處理。也可以使用基于局部 Su BSENSE 的目標(biāo)檢測(cè)來(lái)提升準(zhǔn)確性。

五、結(jié)束語(yǔ)

復(fù)雜背景下“低小慢”目標(biāo)檢測(cè)技術(shù)研究仍處于初級(jí)階段，雖然取得了一些成就，但是技術(shù)上仍不成熟，在未來(lái)的發(fā)展中，還需要將復(fù)雜背景下“低小慢”目標(biāo)檢測(cè)技術(shù)和算法進(jìn)行進(jìn)一步的研究，提升準(zhǔn)確性，降低虛警率，使其發(fā)揮出更大的價(jià)值。

6參考文獻(xiàn)：

[1]吳言楓. 復(fù)雜背景下“低小慢”目標(biāo)檢測(cè)技術(shù)研究[D].中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2020.

[2]吳言楓，王延杰，孫海江，劉培勛.復(fù)雜動(dòng)背景下的“低小慢”目標(biāo)檢測(cè)技術(shù)[J].中國(guó)光學(xué)，2019，12（04）：854-866.

[3]王順飛. 基于復(fù)雜環(huán)境視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[D].南京航空航天大學(xué)，2017.

[4]吳亞濤. 復(fù)雜電磁環(huán)境下基于目標(biāo)動(dòng)特性的微波成像技術(shù)[D].電子科技大學(xué)，2014.

參? 考? 文? 獻(xiàn)

[1]吳言楓. 復(fù)雜背景下“低小慢”目標(biāo)檢測(cè)技術(shù)研究[D].中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2020.

[2]吳言楓，王延杰，孫海江，劉培勛.復(fù)雜動(dòng)背景下的“低小慢”目標(biāo)檢測(cè)技術(shù)[J].中國(guó)光學(xué)，2019，12（04）：854-866.

[3]王順飛. 基于復(fù)雜環(huán)境視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[D].南京航空航天大學(xué)，2017.

[4]吳亞濤. 復(fù)雜電磁環(huán)境下基于目標(biāo)動(dòng)特性的微波成像技術(shù)[D].電子科技大學(xué)，2014.