动态地面背景下机载红外弱小目标的检测

何 杰，万晓冬

HE Jie,WAN Xiaodong

南京航空航天大学 自动化学院，南京210016

Department of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

1 引言

红外探测器成像因其具备极快的反应速度和良好的隐身性能，在现代化军事领域中发挥着越来越重要的作用。在远距离机载红外目标探测与跟踪中，目标一般仅占几个像素，甚至一个像素，再加上各种噪声和动态背景的影响，从而使得目标的检测成为研究的热点和难点。

根据不同的应用场合，红外目标的检测[1-6]主要有光流场法、背景差分法、帧间差分法等。光流场法通用性强，能在红外探测器做复杂运动时进行有效的目标检测，它通过求解偏微分方程求图像序列的光流场，进而预测探测器的运动状态，但计算复杂，对硬件要求较高；背景差分法的效果取决于背景图像的建模和模拟的准确程度，且一般用于静态或准静态的视频监控场合，能够得到运动物体很全面的特征数据；帧间差分法算法简单，稳定性好，但不能提取目标完整的特性信息，如在机载红外成像中背景快速运动，造成前后帧的背景像素漂移，从而导致帧间差法效果差。文献[7]根据序列图像中运动弱小目标的相关性，提出了多帧累加的方法，取得了很好的效果。但对于机载红外成像中，背景复杂一般由地面、海面、海空等，多帧叠加法易将高强背景混入目标范畴。本文主要就在地空背景下的机载红外成像情况，红外图像中的背景噪声主要有云层、地面等，检测弱小目标。由于目标的红外辐射比云层背景高，在红外图像中对应的灰度值较之云层背景大。根据上述特点，故可先预处理，消除云层背景和一些弱小噪声，但地面背景中强辐射的灰度值较大，不易消除。利用卷积模板预处理[8]，可消除大部均匀背景，再利用与后面提到的宏块（特征块）匹配，根据前后帧图像，利用全局运动反射数学模型进行全局运动估计（因目标弱小，相对于背景可忽略其影响，背景运动估计实际就是全局运动估计），利用运动估计参数匹配、背景差值以及聚类识别法检测出疑似目标。该方法不仅可以很好地检测出目标，而且可以消除机载过程中抖动的影响。并结合目标轨迹的连续性，预测估计下一帧目标区域，并进一步确认目标。

2 目标的识别与检测

2.1 图像预处理

预处理是目标检测与跟踪的前提，预处理的效果直接影响后续处理。对于红外弱小目标而言，缺少形状和结构信息，不能反映出除温度以外的其他物理特性。在红外视频序列中，可描述第k帧的图像的数学表达式为：

fk(x，y)=bk(x，y)+tk(x，y)+nk(x，y)

其中，bk(x，y)为第k帧的背景，tk(x，y)为第k帧目标，nk(x，y)为第k帧噪声。

红外图像的预处理主要目标就是抑制bk(x，y)、nk(x，y)，提高tk(x，y)在该图像中的权重。

机载红外探测器一般工作在两个波段：短波3～5 μm和长波8～12 μm。以飞机目标为例，它的红外辐射源[9]主要有三个：蒙皮辐射、尾部的高喷焰和高温金属尾喷管的辐射，短波探测器主要集中在机尾部的喷口部分，长波段探测器主要集中在蒙皮部分。因长波段红外探测器成像，可探测距离远、灰度强度大，这里只选取长波段。

在大部分情况下，背景是大块起伏的，像素之间有强相关性，为空间频域的低频部分[10-11]。而目标点和孤立噪声点不具备该特点，且在空间分布上是随机的，且目标和噪声多呈现为陡峭的脉冲，属于空间频域的高频部分，故可通过设计卷积模板来达到提高图像，即滤波器输入函数为f(x，y)，输出信号为g(x，y)，设滤波器的脉冲响应函数为h(x，y)，则g(x，y)=f(x，y)*h(x，y)，而对于离散图像，一般选用卷积模板表示滤波器的脉冲响应函数，记为矩阵H。

目前常用的卷积模板有3×3、5×5 和7×7 模板，3×3 模板对于点目标具有良好的滤波效果，但对于具备5 个以上的像素的目标时，目标的检测效果不是很理想（这里实验取常用模板（e），该模板类似于模板（c），在3×3 矩阵内，其中心的权值为9，其余取-1），而7×7 模板虽然可以达到很好的效果，但随着模板的增大，实时性也会变差；这里选用折中方案5×5 模板。而当前的5×5 模板主要有如下模板（a）和模板（b），模板（c）也有一定的应用。

而对于当前的5×5 模板（a）和模板（b）。模板（a），中心像素的权值最大，易通过，而周围部分的权值均为1，值小，不易通过，这样，对于孤立噪声点和小目标，信号强度高，易通过。而具有一定面积的背景不易通过，不过并不能很好地消除背景。改成模板（c）后，对大面积均匀区域的灰度将直接消除，同时对点目标影响不大。同样对于模板（b），将中心的高权值分散，使滤波后的小目标发生膨胀，面积变大，使背景灰度变得更均匀。但是，与模板（c）类似，同样不能消除背景，只能相对于目标灰度的增强度来说，背景进行削弱，其实，背景灰度也将增大，其增强幅度小了目标，而修改后的模板（d），不仅能消除大面积背景，也可很好的膨胀目标。

不过以上两种模板的缺点是：对于大目标的检测，不可使用，否则，易消除目标。

这里使用上述的卷积模板滤波后的效果图（第144帧），这里只取了其中3 个模板滤波后的效果图如图1～图4 所示。

图1 长波红外原图像

图2 模板（a）滤波

图3 模板（c）滤波

图4 模板（d）滤波

通过上图的不同模板，可计算出图像的信噪比如表1 所示。

常用的模板（a）和模板（b）在该红外图像中目标和背景的灰度都被增强，如图2 所示，但是图像的信噪比SNR 减小，不易于目标检测。而模板（e）、模板（c）和模板（d），发现大面积的高强度的背景被消除，信噪比增大。其中，模板（d）的滤波后的图像的更平滑，高灰度的噪声点更少，信噪比更大，故而选用模板（d）。

2.2 背景运动估计

因本文是基于机载的红外目标检测，属于动态背景中红外弱小目标的检测。

在连续性红外图像序列中，假设函数f(Xk)表示第k帧图像的整体灰度分布，其中Xk代表像素点坐标总体。前一帧宏块中像素坐标的位置为Xk-1=(xk-1，yk-1)T，经仿射变换后在当前帧图像中的像素坐标为X′k=(x′k，y′k)，参考文献[12]采用6 参数建立图像全局运动反射模型，设仿射变换的变换参数为p=(a，b，c，d，e，f)，可以将上式写成：

故而，同理对c、d、f，求偏导数有：

在机载红外探测器中，背景和目标都运动的情况下，因机载红外探测器的成像速度较快，这里简化处理，可以近似认为是背景的平移运动[13]，此时有运动参数p=(1，0，e，1，0，f)。平移运动原理简单视图表示。

图5 背景位移估计

此时的简化的平动模型的参数只有两个，从而有：

选取特征区域宏块，与下一帧（实验中每隔2 帧）模块匹配，然后利用上公式，求取每帧运动参数。此刻，当前帧的背景估计可表示为：

上式为一般对于动态背景预测的一般形式，即当前帧的背景可根据前一帧图像及运动参数来估计。

2.3 目标初步识别

根据上面的背景运动估计，假设图像的像素为M×N，因在图像边缘部分的背景运动估计时，可能导致边缘溢出。故而分两种情况，进行匹配背景差，当背景运动区域在图像上时，直接差值法，即

其他可令D(xk，yk)=0。其中，f(xk，yk)为当前帧，b(xk，yk)为当前背景估计，因简化为平移模型，故而a=1，b=0，c=0,d=1,e,f为运动估计参数，xk-1∈[0，M]，yk-1∈[0，N]且均为正整数。M×N为处理背景运动参数估计区域，当得到背景差值图像后，再结合自适应门限分割出目标，即有

经过以上的分割提取出的目标点中，还可能包含高频噪声点。高频噪声点的多少取决于阈值的大小，这种高频噪声点在单频图像上目标点的形状多表现为点状或随机散粒状，而目标的像素数较多而且比较稳定。这里也选用一种简化的领域聚类分析方法，若某个像素点，在其3×5 区域内有5 个以上像素点大于给定阈值，则认为该点是属于目标点；反之则为噪声点。

如果C(i，j)＞4×255，则可认为像素g(x，y)是属于目标的点；否则，认为是噪声点而去掉。

2.4 目标进一步检测

经过上述的处理后的疑似目标中包含真实目标和假目标，需要进一步确认。本文根据管道滤波以及目标运动轨迹的连续性思想[14]，来进一步确认真实目标。

假定第t帧有疑似目标有k个，第i个疑似目标的管道区域中心点的获取可根据上述3×5 区域的目标聚类识别的中心点。分别对这k个疑似目标建立管道区域可定义为，其中i=1，2，…，k，a根据目标运动最大像素量取值。如果当前帧满足前一帧管道区域内，则认为可能是目标；继续建立当前帧管道区域，再与下一帧疑似目标进行判定，如连续3 到5 帧成立，且目标管道区域发生变化，则认为是真目标；否则判定为假目标。检测过程如下：

代入前一帧中，转向（2），进行循环判定。

3 VC 实现与结果分析

实验用的红外图像来源于vega3.70 结合红外模块sensor vision 和sensor works 的三维视景仿真。在Vc++6.0中结合OpenCV1.0来实现对红外图像的操作[15]，采用Opencv 中cvSmooth、cvDFT 等实现图像平滑及相关预处理操作，cvMat 建立卷积模板，cvFilter2D 实现卷积操作，这里利用模板（d）预处理，在进行在运动参数估计中，考虑到目标检测的实时性，只选择4个宏块50×50（原图大小为488×488 像素），利用图像灰度投影技术[10]，计算匹配位置。这里用cvSetImageROI、cvResetImageROI来设置或释放感兴趣区域，cvCreateHist、cvCalcHist 等获取区域灰度值分布信息，利用Bhattacharyya 距离最小，寻找最佳匹配位置。利用式（4）进行参数估计，注意要取整数。这里选用第238 帧图像，背景差值法后，在通过上述的分割、聚类识别后，效果图如图6 和图7。

图6 运动背景估计后差值

图7 目标初步识别

因在运动背景预测和聚类识别后，仍然包含了虚假目标，即椭圆标识部分。故而这里需要进一步检测，利用管道滤波思想，来进一步实现目标识别。由上述管道区域步骤可知，在已有前两帧的基础上，根据累计思想，可对每一帧进行目标确认。因管道区域是根据疑似目标的检测结果来建立的，其个数具有不确定性，在VC 设计中，利用单链表结构，动态创建内存来保存这些管道区域。在一个循环判定后，在已确定为真实目标的情况下，释放该保存该区域的数据。

图8 110～520 帧疑似

图9 238 帧目标检测结果

因涉及到算法的组合应用问题，目标检测的实时性，必然会受到影响，下面就目标的实时性和检测效果进行分析和改进。主要从以下几个方面分析考虑：

（1）因红外图像第一步预处理就要使用卷积模板运算，需要对每个像素进行运算，文献[13]对其进行了改进，在对每个像素进行卷积运算前，先对其像素进行预判定，如果其灰度值小于某一阈值，则不进行卷积运算；否则，进行卷积运算。因这里采用cvFilter2D 直接实现卷积操作，OpenCV 已经对其进行了优化处理，是对整个图像的操作，这里基于第一种考虑，对每个像素的灰度进行判断，再进行卷积，不再可取；也因该方法需要对每个像素进行判断，时间复杂度高，因此不选择此方案。

（2）在地面背景抑制中，文献[10]提出了灰度投影技术来计算匹配位置，文献[11]提出了灰度相关匹配方法进行运动估计，本文采用的多区域匹配，在区域匹配中算出最优的匹配策略。虽然该算法会增大计算量，但是可提高匹配精度，利于后期的背景差值法的目标检测，提高检测效果。

（3）在目标识别中，自适应阈值阶段，每次都要计算红外图像的方差、均值，会大大增加检测时间，这里可采用定阈值法，可减少计算量，但检测效果可能会减低。这里可采用先自适应阈值法，后可根据前几帧的阈值取其均值，作为当前帧的阈值；可结合定帧，加入自适应阈值法，来实现固定阈值法的可靠性和实时性，本文中就采用该方法。

（4）在目标运动的连续性检测中，需要连续性创建保存疑似目标区域，可以在连续3 帧出现的目标，不再对其进行连续性判断，而对它进行跟踪，但是为了防止新目标的加入的影响，可采用定时（或者定帧）的进行连续性检测判定。另外，在跟踪的过程中，将不进行检测，可加入预处理。

本文中使用硬件环境：CPU 2.6 GHz、32 位、内存2 GB，这里仿真中帧频设置为30 Hz，下面就第2 和4 种情况，进行对比分析。

这里通过以上两图可知，虽然单个区域灰度投影背景估计算法的实时性能好，但在本仿真环境中检测效果并不佳，通过图11 可以看出，总会检测出多个疑似目标，从而在图10 中，本没有将经典自适应滤波的跟踪考虑在内，因不能检测出真实目标，需要实时地加入不同的假目标，从而与跟踪结合使用的定时检测不再适用。在检测与跟踪结合使用的算法中，这里的跟踪采用简单状态方程：Xk+1=2Xk-Xk-1，预测下一帧目标位置[16]，然后根据预测的目标位置在该局部区域内寻找最佳目标位置（可采用预测位置附近寻找最大灰度和）。为了防止少数帧中，可能出现的目标遮挡现象而导致的这种跟踪算法的失败，在寻找最佳目标位置失败后，采用预测目标位置作为当前目标位置，进行下一帧位置预测。本文中检测与跟踪算法结合后，直接将检测目标的时间缩减近1/4，从而使该组合算法实时性得到很好的提高，平均检测时间小于仿真帧频，满足软件仿真环境下实时性要求。

图10 检测实时性对比

图11 两种背景估计检测的目标个数（实际目标为2 个）

4 总结

红外弱小目标的检测研究较多，但就具体如机载红外弱小目标的地面背景的研究还比较少。本文就地空动态背景下，提出先预处理滤去噪声，并结合卷积模板，得到突出特征信息的红外图像，以便于后面的全局运动参数估计。在全局运动参数中，提出多特征块的最优参数估计的一般形式，它提高了运动参数估计的精度，从而实现了由前一帧图像来估计当前帧的背景。利用背景差法来提取疑似目标，再结合目标运动连续性来识别真实目标。该方法对应于动态背景以及探测器抖动等问题中的目标检测，取得了良好的效果。但因涉及到组合算法的应用，实时性并不是很好，这里采用定时（或定帧）检测的思想，结合目标跟踪算法，使目标检测的实时性得到了很好的提高。

[1] 张毅刚，曹阳，项学智.静态背景差分运动目标检测研究[J].电子测量与仪器学报，2010，24（5）：494-499.

[2] 李秋林，何家峰.基于三帧差法和交叉阈值法的车辆检测[J].计算机工程，2011，37（4）：172-174.

[3] 李毅，孙正兴，远博，等.一种改进的帧差和背景减相结合的运动检测方法[J].中国图象图形学报，2009（6）：1162-1168.

[4] 李海芸，孟永定.基于光流场的运动目标检测[J].天水师范学院学报，2008（5）：72-74.

[5] 与海南，赵保军.低性噪比红外图像小目标的检测[J].激光与红外工程，2004，34（1）：40-42.

[6] Chen Yong，Liu Xia.Real-time detection of rapid moving infrared target on variation background[J].Infrared Physics and Technology，2008，51（3）：146-151.

[7] 廖斌，杨卫平.基于多帧移位叠加的红外小目标检测方法[J].激光与红外工程，2002，31（2）：40-42.

[8] Wang P，Tian J W，Gao C Q.Infrared small target detection using directional highpass filters based on LSSVM[J].Electronics Letters，2009，45（3）：156-157.

[9] 管志强.红外搜索系统中目标检测与识别技术研究[D].南京：南京理工大学，2009.

[10] Yang L，Yang J，Yang K.Adaptive detection for infrared small target under sea-sky complex background[J].Electronics Letters，2004，40（17）：1083-1085.

[11] 张弘，赵保军.一种快速实时的低性噪比红外点、斑点目标检测方法[J].北京理工大学学报，2001，21（3）：378-381.

[12] 王孝通，杨常清.基于四参数仿射模型的快速运动估计算法[J].光电子·激光，2007，18（11）：1367-1370.

[13] 高旭辉，祁蒙.基于机载IRST 稳定平台结构的地面背景抑制算法[J].激光与红外，2012，42（3）：347-351.

[14] 刘靳，姬红兵.基于移动式加权管道滤波的红外弱小目标检测[J].西安电子科技大学学报，2007，34（5）：743-747.

[15] Bradski G，Kaehler A.学习OpenCv[M].中文版.于仕琪，刘瑞祯，译.北京：清华大学出版社，2009.

[16] 李劲菊，朱青，王耀南.一种复杂背景下运动目标检测与跟踪方法[J].仪器仪表学报，2010（10）：2242-2247.