基于局部顯著度的機動弱小目標檢測算法

王霞成，唐 述

(1.昆山登云科技職業學院 工學院，江蘇 蘇州 215300；2.重慶郵電大學 計算機科學與技術學院，重慶 400065)

0 引言

紅外弱小目標檢測是精確制導、紅外搜索跟蹤、紅外監視等系統中常用的關鍵技術，如何獲得良好的檢測性能一直都是充滿挑戰性[1- 2]。主要原因為，由于目標與探測器之間的距離很遠[3]，采集的圖像中目標尺寸通常很小，無法利用形狀或紋理信息；同時，由于遠距離大氣吸收，目標亮度很弱，目標檢測非常困難，檢測率很低；還由于海面雜波、云等復雜背景的存在，原始紅外圖像中存在多種類型干擾，真實目標容易湮滅在大量虛假目標中[4]，導致檢測的高虛警率；隨著紅外焦平面陣列靶面增大，輸出的紅外圖像大小逐漸增加，計算量越來越大[5]。

近些年來，提出了很多新穎的紅外小目標檢測算法，其中基于當下最熱門的機器學習領域算法的弱目標檢測也引起很多學者注意，包括有監督類型和無監督類型[6]，但它們依賴于先驗知識，而且對于復雜背景下紅外小目標檢測效果仍不理想[7]。

紅外弱小目標檢測方法可分為兩類：跟蹤前檢測和檢測前跟蹤。

傳統的跟蹤前檢測算法對單幀圖像進行濾波，如高通濾波和形態學算子。這些算法或者利用小目標的特性直接檢測目標，或者估計雜波背景進行目標增強[8]。近年來，大量學者在該領域進行了廣泛的研究，通常這些檢測算法都從空間上檢測目標，這些算法適用于目標在局部背景中形態相對明顯的應用場合。然而，當圖像中存在大量噪聲干擾時，性能并不理想。

近年來，基于生物視覺機制的研究成果給紅外小目標檢測領域提供新思路。研究發現，對人類視覺系統影響最明顯的部分是對比度而非亮度，該研究成果被稱為人類視覺系統對比機制[9]。有助于快速鎖定紅外小目標在整圖中的位置，因為即使目標不是全圖中輻射最強的部分，仍然比領域背景亮度高，并且在大多數情況下局部對比度更強，在實際應用中常見目標通常比周圍環境溫度更高。因此，與傳統算法相比，基于局部對比度的算法一般能獲得更好的檢測性能。并且算法簡單、易實現。

總體而言，提取局部對比度的差異可有效消除高亮背景，但對真實目標的增強效果有限[10]；而提取局部對比度比值可增強真實目標，但很難有效地消除高亮背景[11]。很多學者提出將兩者分為兩個階段結合起來的算法，試圖解決上述問題[12]。但可能帶來更復雜的算法結構，算法的魯棒性欠佳。

與跟蹤前檢測方法不同，檢測前跟蹤算法不針對每幀圖像檢測目標。而對多幀聯合處理，然后進行檢測決策。代表性的檢測前跟蹤方法有霍夫變換、時間假設檢驗和三維匹配濾波等。

其中，時間假設檢驗可理解為分類器[13]。目標運動在圖像中的像素時間分布與雜波的像素時間分布不同，然而，該算法忽略了圖像的空間信息，導致檢測性能下降[14]。在時間假設檢驗中，大量的候選軌跡按樹狀結構排列。當累積的能量總和大于設定閾值時，疑似軌跡為目標軌跡的假設將被接受。當信噪比較低時，隨著軌跡數目增加，計算量會出現幾何上升問題[15]。基于霍夫變換的方法首先將弱小目標軌跡在圖像平面上的投影，然后在二維數據空間中尋找運動目標。但投影會導致信噪比損失，且在強噪聲環境下，算法性能嚴重退化。三維匹配濾波被應用于運動目標檢測，假設運動目標的速度已知且不變[16]。然而，算法的性能受到速度失配和目標機動的影響。

1)針對復雜背景下的紅外小目標檢測問題，提出了一種基于分塊顯著度的局部對比檢測(local contrast detection based on block saliency，簡稱LCD-BBS算法)。首先，將全圖分為多子塊，各子塊都為小區域，對子塊進行圖像處理，由于子塊數目遠小于像素數目，可極大減少計算量。然后，針對各子塊計算BBS指標，獲取更簡單的算法結構。在計算結果中，包含真實小目標的子塊指標最顯著，干擾都得到很好抑制，處理結果進入緩存。

2)提取緩存區的多幀連續圖像，并基于定加速度模型在序列圖像中檢測弱小目標，在位移及速度空間中檢測序列圖像中的運動紅外弱小目標。之后，通過恒虛警檢測獲得目標位置、速度和加速度向量。

1 生物視覺注意力機制及卷積神經網絡算法

在檢測弱小目標時，需獲取更多的細節。尺度空間理論需在圖像中引入尺度參數以建立模型。通過調整參數，可獲取更多的圖像信息。

高斯卷積函數為尺度變換的核函數，Dog濾波器定義如下：

Dog(x，y，σ)=G(x，y，kσ)-G(x，y，σ)

(1)

其中：G為尺度可變的高斯函數，(x，y)為空間坐標，σ為標準差。大尺度的處理算法可以表示圖像一般特征，小尺度的處理算法可表示圖像細節。

當高斯濾波器中心與目標中心重合時，響應達到峰值。根據該特征，它可檢測目標位置。在實際操作中，通過兩個不同尺度的高斯濾波器處理后的兩幅圖像，獲得Dog濾波器結果圖像。選擇具有局部最大響應的點作為候選目標。通過該過程，大部分目標均能被有效檢測出。

為抑制虛假目標，設計小型卷積神經網絡(CNN，convolutional neural networks)分類器對候選區域進行篩選，確定其是否包含真實目標，如圖1所示。分類網絡模型包括圖像預處理層、特征提取模塊、全局平均池層和軟性結構層組成。在收集了大量紅外圖像后，在送圖像進入卷積層之前，進行預處理，調整圖像對比度和亮度在合適的范圍內。進行特征提取時，使用兩個卷積層組成的堆棧，堆棧具備有效內核。使用兩個八通道卷積層進行特征提取。每次下采樣進行完畢后，特征圖通道數量增加了幾倍。池層的內核大小與步長為兩個參數，特征提取模塊輸出為圖像塊及四通道的特征映射。

圖1 卷積神經網絡示意圖

在提取特征后，使用全局平均池。優勢是：完全連接層具備大量訓練參數。但在全局平均池中，不需優化任何參數。另外，全局平均池匯總出空間信息，有利于提高干擾輸入的魯棒性，全局平均池將每個特征映射對應于一個類別，并輸出每個特征映射的平均值作為相應。最后，將所有的數據相應輸入下一層進行分類。當概率大于某閾值時，識別其為潛在目標區域。

2 基于Retinex理論的檢測算法

根據生物注意力機制及卷積神經網絡的計算，絕大部分目標都能被檢測到，但目標會被湮滅在復雜背景中。基于該認識，對圖像幀使用MSR(multi-scale Retinex)理論進行區域增強，并分割目標。由于Retinex理論從顏色恒定性理論出發進行推導，通過人類視覺恒定性的機理，可對圖像細節進行補償和增強。在Retinex理論中，有單尺度SSR，多尺度MSR及集成色彩恢復的MSRCR算法。深度學習方法中也成功應用提出的Retinex方法。

MSR理論在不同尺度上都具備單尺度Retinex的優勢。該理論由物體對不同波長光線的反射確定，而非反射光決定。物體表面的彩色以一種一致性的方式出現，即色感一致性。相比經典方法只能用于增強圖像某特征方法，Retinex算法能夠維持動態壓縮、增強邊緣、色彩維持恒定。可對不同背景的圖像進行針對性增強。

對圖像進行MSR的步驟為：

1)首先檢測當前幀中的目標。如果沒有目標且檢測到的最后一幀中的目標不在圖像的邊界上。這意味著在此幀中，目標的SNR可能太小而無法檢測，然后轉到步驟3)。如果此幀中存在目標，請轉至步驟2)并繼續判斷。

2)遍歷最后一幀中檢測到的每個目標，判斷該幀中是否有目標靠近它。僅當最后一幀中的目標未出現在圖像的邊界處且附近沒有目標時，轉至步驟3)。

3)利用MSR理論，在最后一幀中增強目標周圍的局部區域。該區域可以設置為目標大小的幾倍；在本文中，區域設置為目標大小的五倍。

4)在局部區域分割目標。

3 基于分塊顯著度的局部對比檢測算法

以典型紅外圖像為例以分析真實弱小目標和其他干擾的區別，在真實原始紅外圖像中包含單個真實弱小目標，弱目標尺寸非常小，且無結構及紋理信息。但探測器成像時會發生光學點擴展，真實弱小目標成像面積仍會大于1像素×1像素，并大致均勻分布。另外，在多數情況下，目標通常比其周圍環境溫度更高，于是它會比圖像中鄰近環境更亮，且在局部區域對比度較低。背景通常平坦均勻，灰度值較低，局部對比度低。高亮背景通常面積較大，內部灰度值連續，因此局部對比度不明顯，盡管其灰度值可能遠大于真實目標。背景邊緣局部對比度信息較強，但因灰度在兩側不連續，且背景邊緣通常沿特定方向分布，與真實目標存在一定差異。隨機噪聲與真實目標最相似，但隨機噪聲通常由隨機因素引起，在序列圖像中出現無連續性特征，與真實目標不同。

首先考慮真實目標占據區域很小，認為無需逐像素計算局部對比度信息，將全圖劃分為多個子塊代替，計算工作在子塊級進行，于是計算量被大幅減少。然后針對各子塊，提出了基于分塊顯著度的局部對比檢測算法(LCD-BBS)。提出的算法可同時增強目標并抑制背景雜波干擾，包含真實紅外弱小目標的子塊指標最高。

傳統基于局部對比度算法基本都在像素級進行，計算量相當大。為減少計算量，提高實時性，在計算局部對比度前，先將全圖分為多子塊，各子塊都為單個小區域，基于字塊而非像素進行局部對比度計算。

為有效及合理劃分字塊，需設置合理的窗口大小及移動步長，若窗口太大，子塊數量少，且計算量小，但檢測的子塊中可能除目標外，包含太多的背景信息，檢測性能不夠；若窗口太小，子塊數量多，計算量大，但檢測的子塊中目標突出，檢測性能好。文章按目標先驗大小3×3像素，設定窗口大小為9×9像素，步長為4像素，取得檢測性能及實時性的平衡。

由于弱小目標在局部區域顯著，在全圖中不顯著，因此重點關注局部圖像塊，該圖像塊由9領域子塊組成，使用中心子塊與周邊子塊的比值差聯合局部對比度檢測小目標。

(2)

如果BBS<0，令BBS=0。

其中：Gz為中心圖像塊的平均顯著度灰度值，Gk為周邊圖像塊的平均顯著度灰度值，求解方式為子塊像素排序，灰度值最大的前n個像素的灰度值平均。

因為干擾噪聲一般以單像素形式出現。由于真實小目標通常比其鄰近區域更亮，因此使用非負約束來抑制雜波。

然后，考慮到背景邊緣通常在一個小的局部區域內沿著一個特定的方向分布，而真正的小目標通常在各個方向上大致均勻地分布[17]，算法中使用各個方向最小值作為BBS的最終指標[18]。

然而，真實小目標與其鄰近目標之間的灰度差可能不夠顯著，尤其是當目標較暗時。因此，需增強真實目標。文章考慮到真實小目標通常是局部區域內最亮的目標，采用中心子塊比值作為增強因子以增強真實目標。最終在各個方向定義BBS最小值。為同時實現增強真實目標及抑制高亮度背景，將局部對比度比值和差值求乘。經過LCD-BBS計算后，真實目標獲得增強，各種干擾得到抑制。

4 基于定加速運動模型的多幀圖像處理算法

鑒于紅外圖像的像素噪聲也是獨立的。其次，在研究紅外噪聲特性時，短期和局部窗口的噪聲可以近似地看作是時空平穩的高斯噪聲。這兩點說明紅外圖像中的噪聲是獨立的、同分布的，并且服從高斯分布。紅外噪聲特性是輻射積累的理論基礎。它們確保輻射累積增加有效目標能量，同時降低接收到的噪聲。

弱小目標被探測器捕獲，在探測器上的運動形式為在序列圖像的連續幀中沿一定運動軌跡方式連續出現。處理圖像時，為保證不漏檢，需檢測各個空間位置目標的位置。

然后，定義二位位置空間PT。對于勻速直線運動弱小目標，定義速度及位置矢量可確定其精確的運動軌跡。信噪比通過沿目標運動軌跡累積能量來提高。在沒有先驗信息的條件下，遍歷速度及位置域可無漏檢地實現目標檢測。

為實現定加速運動下目標檢測，創建速度向量空間：

V={v|v=(vx，vy)}

(3)

其中：vx，vy均為沿x軸和y軸的速度大小。

創建加速度向量空間：

A={a|a=(ax，ay)}

(4)

其中：ax，ay均為沿x軸和y軸的加速度大小。

假設待檢測的圖像序列按序列幀順序排列，將圖像序列定義在原始圖像序列空間K中：

K={I|I=I(p，k)}

(5)

其中：k是圖像序列序號，p為目標位置向量，I為圖像函數。

在定加速度空間中的能量累積過程函數如下：

(6)

其中：k為能量累積的幀數，表示當積累目標的能量時，應沿目標運動反方向將其他幀疊加在參考幀上。因此，當輸入準確的速度及加速度信息后，可獲得信噪比提高的結果圖像，即使用圖像疊加的手段提升目標的信噪比。

5 算法流程

如圖2所示，文章提出的處理算法步驟如下：

圖2 算法流程圖

1)對序列圖像每幀進行基于塊顯著度的局部對比檢測處理，同時增強目標輻射能量并抑制背景，且能夠顯著減少計算量。

2)創建位置及速度空間，對序列圖像進行變速運動空間輻射能量累積，在位置及速度空間中檢測序列圖像中的目標。

恒虛警檢測得到疑似目標的位置向量及速度、加速度向量。

6 實驗

實驗中使用的紅外探測器參數為：中波紅外探測器、視場角5°×4.8°，焦距103 mm，像元尺寸22 μm×22 μm，陣列大小520×480，幀頻30 Hz。

為說明該算法有效性，比較了該算法與其他現有算法的檢測性能。這里選擇了幾種先進算法，包括Max-Mean、Max-Median、TDLMS、LCD和提出的LCD-BBS算法。利用SCR增益(SCRG)和背景抑制因子(BSF)來測試目標增強和復雜背景抑制能力。

SCRG=SCRout/SCRin

BSF=σin/σout

其中：SCRout為算法輸出圖像的目標信雜比，SCRin為算法輸入圖像的目標信雜比。σout為算法輸出圖像的局部噪聲標準差。σin為算法輸入圖像的局部噪聲標準差。

選取五組序列圖像，挑選典型圖進行指標計算，結果如表1～3所示。由表中數據可見，提出的LCD-BBS算法在SCRG和BSF指標方面都超出傳統算法及近些年提出的新算法，目標檢測效果十分顯著。

表1 SCRG指標對比

表2 BSF指標對比

由表中數據可知，新提出算法的SCRG指標可達32.56，BSF即背景抑制因子可達3 874.58，證明提出算法在信噪比提升能力方面及背景抑制方面的優良效果。與傳統的Max-Mean及Max-Median算法相比，在序列圖像中表現均一般。而TDLMS算法效果強于Max-Mean及Max-Median算法，尤其背景抑制效果，要高出很多。對于LCD算法而言，雖然比經典3種算法Max-Mean、Max-Median及TDLMS都要高一些，但總體而言，表現不如LCD-BBS算法，即進行本文提出算法的改進后，LCD算法效果得到了極大提升，對于檢測目標及背景上的抑制，均得到了很多優化。

可知，提出的LCD-BBS算法的耗時最短，在10～20 ms范圍，其它算法比提出算法的耗時至少高一個數量級。

為驗證提出算法在序列圖像中的處理能力，在序列圖像1中進行測試，如圖3所示，用×表示真實目標軌跡，用○表示提出算法的檢測軌跡。可見，檢測準確率很高，檢測軌跡點距離真實軌跡點很近。繪制誤差曲線如圖4所示，易知，檢測軌跡位置誤差大部分都在2像素以內。

圖3 目標軌跡檢測圖

圖4 目標軌跡誤差圖

為了進一步驗證提出算法的優勢，對6個序列紅外圖像繪制ROC曲線，如圖5所示。以虛警率Pf為橫坐標，以檢測率Pd為縱坐標，兩個變量定義為：Pd表示檢測到真實目標的幀數除以存在真實目標的總幀數，Pf表示檢測到虛假目標的幀數除以檢測到目標的總幀數。

圖5 ROC曲線

為了進一步揭示該算法的優點，將ROC曲線應用于所選的序列圖像，即，對于每個算法，將其閾值設置為不同的值，并繪制ROC曲線關系。從圖中可以看出，對于相同的虛警率，所提出的算法在大多數情況下都能達到最高的檢測率。這一結果表明，與其他算法相比，該算法在不同信噪比背景下的性能更穩定。

7 結束語

文章提出一種基于分塊顯著度的局部對比檢測變加速弱小目標算法。首先，對單幀圖像進行處理以抑制背景、增強目標。處理方法是先將全圖按字塊劃分，按分塊顯著度的局部對比檢測指標計算。然后，按照定加速模型對序列圖像的弱小目標進行能量累積。最后，按照恒虛警檢測算法獲得目標的位置向量及速度、加速度向量。實驗結果表明，提出的算法能夠準確檢測低信噪比圖像中的弱小目標，并對目標運動狀態預測。與其他算法相比，在相同的虛警率下，提出的算法檢測率更高，且實時性、魯棒性較強。