基于海面場景感知的紅外小目標檢測方法

朱勇，肖沁，李正周，劉國金，秦天奇

（1 重慶大學 微電子與通信工程學院，重慶 400044）

（2 四川航天電子設備研究所，成都 610100）

0 引言

海面遠距離紅外目標是典型的小弱信號，缺乏紋理和結構等有效信息。在逆光條件下，紅外成像往往具有密集魚鱗波、高強度海面亮帶等強動態背景雜波。再則，海面中的島嶼、島岸變現為紅外圖像中高亮度背景。因此，紅外目標常常表現為淹沒于強背景雜波中弱小目標信號。有效提高海面復雜背景下小目標檢測性能和壓制雜波干擾虛警極具挑戰性，是目標檢測識別領域的難點和熱點問題。

先跟蹤后檢測（Track Before Detect，TBD）和先檢測后跟蹤（Detect Before Track，DBT）是檢測小弱目標的兩種主要策略。TBD 算法假設背景雜波為時空不相關的高斯白噪聲，利用軌跡連續性進行多幀關聯識別目標信號。然而，魚鱗波、海面亮帶雜波不滿足高斯白噪聲模型，TBD 檢測小弱目標出現大量虛警。DBT 算法首先白化處理紅外圖像，對超過門限判斷的測量點再進行多幀關聯來檢測紅外小弱目標，主要有背景預測、目標稀疏重構、基于深度學習算法和基于人類視覺注意系統（Human Visual System，HVS）算法等四種。形態學頂帽變換（Top-hat）［1］、最大中值濾波（Max-median）［2］、二維最小均方濾波器（Two Dimensional Least Mean Square Filter，TDLMS）［3-4］是常見的背景預測算法，對背景平穩、強度均勻的平穩海區效果較好，但對于邊緣性強、非平穩的魚鱗波估計能力較差，雜波抑制存在大量殘留。目標稀疏重構方法將小目標和背景分別視作稀疏分量和低秩分量，如紅外塊圖像（Infrared Patch-image，IPI）模型［5］、加權圖像……