基于人类视觉机制的红外目标检测方法*

王 瑞，朱志宇，张 冰

（江苏科技大学电子信息学院，江苏 镇江 212003）

基于人类视觉机制的红外目标检测方法*

王 瑞，朱志宇⋆，张 冰

（江苏科技大学电子信息学院，江苏 镇江 212003）

针对红外小目标图像信噪比低，背景复杂等特点，提出一种基于人类视觉系统对比机制的红外小目标检测方法。该方法充分模拟人眼视觉系统对比机制，通过图像局部视觉对比度显著图及自适应阈值选取，锁定感兴趣目标区域，实现对红外图像中弱小目标的精确检测。与Top-hat和逐个像素对比度计算的检测方法进行了对比，实验结果表明所提出的方法能够在低信噪比条件下更有效地检测红外弱小目标。

目标检测，红外弱小目标，视觉机制

0 引言

现有的红外目标检测方法有：均值滤波法［1］、中值滤波法［2］、Top-Hat滤波法［3］等。尽管这些算法能够起到抑制背景的效果，却不能满足对不同尺寸目标的跟踪需求。近年来模仿生物视觉对比机制工作原理的小目标检测方法兴起，旨在实现复杂背景下红外小目标的精确检测［4-6］。人类视觉系统包括视觉注意机制、对比机制和学习记忆机制。目前研究较为广泛地集中于视觉注意机制，比如利用检测视觉注意力焦点区域的方法来模拟人类视觉系统的全局搜索过程［7］。针对红外图像中的各类团块目标，根据团块目标与背景在多种特征、多个尺度上的差异性，利用视觉注意模型确定目标位置，提取目标区域［8］。不同的特征对视觉显著性的贡献是不同的，文献［9］提出了一种能够自动进行特征选择和加权的图像显著区域检测方法，可以在短时间内搜寻到含有潜在目标的重要区域，有效压缩计算量。

然而红外图像背景复杂、信噪比低、目标弱小，仅仅依靠注意机制不能精确锁定目标区域。对比机制的应用在这种条件下格外有效和重要。文献［10］应用DK（DerivedKernel）模型来模拟人眼的对比机制，但是给出的方法需要逐个像素计算，运算量很大。文献［11］应用改善了原始逐个像素计算的方法，但是算法的实时性及自适应能力有待提高。

本文针对红外小目标图像信噪比低、背景复杂等特点，提出一种基于人类视觉系统对比机制的红外小目标检测方法。计算图像局部视觉对比度获得显著图，自适应选取阈值锁定感兴趣目标区域，从而提高红外弱小目标检测精度、减少计算量并提高自适应能力。

1 基于视觉对比机制的目标检测方法

在红外图像背景中存在亮度很高的噪声，其亮度和真实目标极为相似，这将导致目标检测错误率的提升。人眼对比机制识别目标的依据是目标与背景之间的对比差异而非亮度。目标检测算法的模块流程图如图1所示：

图1 目标检测算法流程图

提出的算法包括红外图像输入、预处理、子图像区域阵列获取、局部视觉对比度计算、自适应最佳阈值判定及目标中心计算6个环节。输入的红外图像具有信噪比低、背景复杂、目标弱小的特点。采用二维高斯差分滤波器（2D DOG）对红外图像进行预处理，为后续跟踪创造条件。子图像区域阵列获取和局部视觉对比度计算共同构成算法核心环节，实现对视觉对比机制的模拟。最后通过自适应最佳阈值判定及目标中心计算准确检测目标区域。

1.1 红外图像预处理

采用二维高斯差分滤波器（2D DoG）对红外图像进行预处理，模拟视觉系统的注意机制，在增强目标的同时，抑制背景噪声。两个具有不同标准差的二维高斯函数的差分定义为：

其中 σ1＜σ2。

1.2 子图像区域阵列

采用边长为6个像素的滑动窗口按照从上到下、从左到右的顺序扫描红外图像，得到一系列子图像区域。高亮度噪声通常以单个像素形式出现，在灰度矩阵中占据的像素十分少，而真实的红外弱小目标通常占据一小块区域（少于9×9像素）。为了使高亮噪声被周围背景所淹没，采用每个子图像的平均灰度作为参数。扫描后的子图像分为3类：目标区域、混合区域、背景区域。只有目标的区域称为目标区域，既有目标又有背景的区域称为混合区域，只有背景的区域叫作背景区域。

1.3 视觉对比度计算

定义子图像的平均灰度为：

其中 m（sblk（s，t））表示子图像 sblk（s，t）的平均灰度值，a×b表示该子图像块的尺寸，I（pixel（i，j））是像素pixel（i，j）的灰度。并将所有子图像排成新的阵列M（i，j）。假设某子图像块的最大灰度值为 Lmax，mi（i=1，2，3，…，8）是在子图像阵列中与平均灰度为m0的子图像块相邻的8个子图的平均灰度，如图2所示：

图2 子图像局部阵列图

如果该图像块是目标区域，则有：

反之，背景区域有：

定义子图像局部对比度为：

因此，经过LCM运算后，目标被增强，背景被抑制。对阵列M（i，j）中的每一个元素计算与之对应的LCM，得到图像的局部对比度显著图。

1.4 自适应阈值判定

传统的检测目标图像区域的方法是定义阈值：

其中，μ表示显著图的均值，σ表示显著图的方差，k是一个常数。如果子图像块的局部视觉对比度LCM＞Th，那么该子图像就是目标区域。然而，在红外图像信噪比低的情况下，难以快速获得取值以得到最佳阈值。并且k的大小取决于目标尺寸和目标与背景的差异。

应用一种基于灰度统计量的方法求出自适应最佳阈值，具体如下：

设显著图的元素LCM范围为 {0，1，…，l-1}，LCM为i的子图像块数为ni，子图像总数是：

LCM为i的子图像出现的概率为：

其均值分别为：

显著图可视为组合背景与目标像素灰度混合分布的概率密度函数，假定混合背景和目标分布的两个分量 p（i|0）和 p（i|1）都是正态分布，其均值为μ0，μ1由公式给出，标准差为：

不失一般性，可认为目标和背景的LCM分的足够开时，应满足：

式中，参数T根据具体分布特性取值，一般在2～3之间。如果显著图的LCM分布的均值和标准差满足这一条件，则认为该阈值可将目标和背景完全分开，相反，若不等式（13）不成立，则阈值参数k需要重新确定。

1.5 目标检测

将LCM＞Th的子图像区域视作目标区域，目标区域中心（ti，tj）可由下式确定：

其中，I（pixel（i，j））是像素pixel（i，j）的灰度。以目标中心为目标检测框中心，扫描窗口尺寸为检测框大小，获得最终目标区域检测结果（Target Block，TB）。

2 基于HVS对比机制的目标检测实验结果与对比分析

2.1 显著图对比实验结果

所提算法得到的局部视觉对比度显著图与灰度显著图对比结果如图3所示。

其中，图 3（a）是原始红外小目标图像，图 3（b）、图3（c）分别为灰度显著图和局部视觉对比度显著图。通过图 3（b）、图 3（c）对比可以看出，弱小目标区域灰度，在所提算法处理后灰度值由150增加到近200，并且向目标中心收敛，同时，图3（b）中右下角毛刺噪声被周围背景所淹没，灰度值成倍骤降。

图3 局部视觉对比度显著图结果与对比

2.2 基于HVS对比机制的目标检测实验结果

实验以两组来自机场红外探测器监测的真实红外图像序列为检测对象。每组包含30帧，第1组序列小目标飞行器在晴朗天气下飞行，第2组为多云天气。

图4 基于HVS的目标检测实验结果

实验结果如图4所示。在两组实验图像序列中分别挑选一帧作为代表，图4（a）是原始图像采用二维高斯差分器（2D DoG）预处理后结果，图4（b）是子图像的局部视觉对比度阵列图像。相对4（a）中两图而言，4（b）中目标与周围背景差异更加明显，对比强烈，实现了对人眼对比机制的模拟。图4（c）是红外图像的局部视觉对比度显著图。显著图更加直观地显示了目标与背景的差异。图4（d）显示了最终的目标检测结果，两幅图像中的弱小红外目标均被精确检测出。两组图像序列扫描窗口尺寸分别为6 pixel×8 pixel，6 pixel×6 pixel。

2.3 与其他方法的对比

将本文的目标检测方法与基于Top-Hat的目标检测方法和逐个像素计算的目标检测方法［10］进行对比。实验采用图5（a）的3帧红外图像作为待检测实验对象，图5（b）是Top-Hat方法检测结果，图5（c）是逐个像素计算方法的检测结果，图5（d）是本文算法检测结果。

3种算法均检测出了图5（a）中的第1幅图像中的目标，然而Top-Hat方法和逐个像素计算方法均出现了虚警。第2幅图像的信噪比相对较高，3种方法都达到了很好的检测效果。第3幅图像的背景亮度很高，目标较前两帧更加弱小，Top-Hat方法没有检测出真正的目标位置，逐个像素计算方法以及本文算法均检测出了目标实际位置，但是逐个像素计算方法虚警较多。通过对比实验表明，本文算法目标检测性能优于Top-Hat目标检测方法和逐个像素计算的目标检测方法。

3 结论

本文针对红外小目标图像信噪比低、背景复杂的特点提出一种基于人类视觉系统对比机制的目标检测方法。该方法采用二维高斯差分器对原始红外图像进行预处理，通过图像局部视觉对比度显著图和自适应阈值选取，锁定感兴趣目标区域，实现精确检测。将所提出的方法与Top-Hat检测方法和逐个像素计算的目标检测方法［10］进行对比，实验结果表明，所提出的算法检测效果更加精确，具有鲁棒性。

图5 目标检测性能对比实验结果图

［1］BARNETT J T.Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds［C］//Proceedings of SPIE-the International Society for Optical Engineering，1989，1050：10-15.

［2］DESHPANDESD，MENGHE，VENKATESWARLUR，etal.Max-mean and max-median filters for detection of small targets［C］//Proceedings of SPIE-the International Society for Optical Engineering，1999，3809：74-83.

［3］TOM V T.Morphology-based algorithm for point target detection in infrared backgrounds［C］//Proceedings of the SPIE，1993，1954：2-11.

［4］HUANG K，TAO D，YUAN Y，et al.Biologically inspired features for scene classification in video surveillance［J］.IEEE Transactions on Systems Man&Cybernetics Part B Cybernetics a Publication of the IEEE Systems Man&Cybernetics Society，2011，41（1）：307-313.

［5］SERRE T，WOLF L，BILESCHI S，et al.Robust object recognition with cortex-like mechanisms［J］.IEEE Transactions on Pattern Analysis& Machine Intelligence，2007，29（3）：411-426.

［6］SONG D，TAO D.Biologically inspired feature manifold for scene classification ［J］.IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2010，19（1）：174-184.

［7］朱明清，王智灵，陈宗海.基于人类视觉智能和粒子滤波的鲁棒目标跟踪算法［J］.控制与决策，2012，27（11）：1720-1724.

［8］HAN J H，MA Y，ZHOU B，et al.A robust infrared small target detection algorithm based on human visual system［J］.IEEE Trans.On Geoscience and Remote Sensing Letters，2014，11（12）：2168-2172.

［9］QI S X，MA J，TAO C，et al.A robust directional saliency-based method for infrared small-target detection under various complex backgrounds ［J］.IEEE Trans.On Geoscience and Remote Sensing Letters，2013，10（3）：495-499.

［10］SHAO X，FAN H，LU G，et al.An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system［J］.Infrared Physics&Technology，2012，55（5）：403-408.

［11］CHEN C L P，LI H，WEI Y，et al.A local contrast method for small infrared target detection［J］.IEEE Trans.Geosci.Remote Sens，2014，52（1）：574-581.

［12］HAN J H，MA Y，ZHOU B，et al.A robust infrared small target detection algorithm based on human visual system［J］.Geoscience&Remote Sensing Letters IEEE，2014，11（12）：2168-2172.

［13］张聪，高磊，李少军.基于改进HFQC滤波的红外弱小目标检测［J］.四川兵工学报，2015，35（5）：137-140.

An Infrared Target Detection Method Based on Human Vision Mechanism

WANG Rui，ZHU Zhi-yu⋆，ZHANG Bing
（Jiangsu University of Science and Technology ，Zhenjiang 212003，China）

For signal to noise ratio（SNR）of infrared small target image is low，and the background is complex and so on，an infrared small target detection method based on the contrast mechanism of human visual system is proposed.The method fully simulated the contrast mechanism of human visual system.The target region is locked by image local visual contrast saliency map and adaptive threshold selection to realize the accurate detection of small target in infrared image sequences.The method is compared with Top-hat and pixel by pixel contrast calculation method.The experimental results show that this method can detect the infrared dim target more effectively in low SNR condition.

target detection，infrared dim target，visual mechanism

1002-0640（2017）10-0138-04

TN751

A

10.3969/j.issn.1002-0640.2017.10.029

2016-09-07

2016-10-22

国家自然科学基金（61671222）；江苏省自然科学基金面上基金资助项目（SBK2015021788）

王 瑞（1992- ），女，辽宁昌图人，硕士研究生。研究方向：图像处理、目标识别等。

*通信作者：朱志宇（1971- ），男，江苏扬州人，博士，教授。研究方向：舰船自动化、智能控制等。