基于复杂动环境的“低小慢”目标检测

栗华杰　李格　苏炼　蔡继驹

【摘要】    文章首先对“低小慢”的目标特性进行了分析，再提出感兴趣区域获取，通过“低小慢”目标在复杂背景下的常见的几种预处理算法的介绍，进一步指出可以在可见光背景、红外背景、以及基于源传感器融合的“低小慢”目标检测，以期为相关人员提供有益的借鉴。

【关键词】    复杂动环境    “低小慢”目标    检测

引言：

随着技术的不断发展，以及国家地空空域的逐渐开放，如何对“低小慢”目标进行检测并防范和应对“低小慢”目标在复杂动环境下的干扰和破坏，是一个重要的问题。地空飞行器的机动性强、操作较为简单、并且数量较多，这些使得空中安全形势比较严峻，因此，对于复杂动环境下的“低小慢”目标进行检测，寻找有效的方式，是十分重要且必要的，能够有效的减少低空飞行目标的威胁，进一步保障低空飞行的安全性。

一、“低小慢”目标的特性

1.1“低小慢”目标的基本情况介绍

对于“低小慢”目标来说，一般要符合体积小、飞行速度慢的特点，这里的速度一般限定为200km/h的范围内，相较于传统的高空空域美的管控而言，“低小慢”目标在飞行器的材质上比较多样，在应用环境上比较复杂，与雷达和人工观察相比，采用光电手段进行基于复杂动环境的“低小慢”目标检测更加有效[1]。“低小慢”目标的检测难度在于目标小，在图像上占的像素量极少，缺失相应的纹理特征，因此在检验过程中提升了难度。一般而言，想要捕捉和检测“低小慢”目标，通常使用的方法有对单帧图像进行目标检测，或者基于多帧图像检测目标，这两类方法的使用优劣都比较明显，首先，第一类是对单帧图像进行检测，这种方法在应用时，主要作用方式是滤波算法，这种方法的弊端在于低信噪比条件下，难以保证准确度，同时如果使用其中的二维熵、小波变换等方法，又难以有效实现实时检测。其次，第二类是对多帧图像进行检测，主要是通过对帧间上下文信息的检测实现的，这类方法的优势在于准确率高，但是缺陷在于，如果目标隐藏在背景或噪声下就难以进行有效的检测。

1.2“低小慢”目标检测中的问题

在当前“低小慢”目标检测中，往往难度比较高，原因在于信噪比条件下难以对目标、背景、造成有效分離，并且噪声受到的遮蔽较强。虽然当前的技术有了不小的发展，但是仍然有很大的难度[2]。第一，在干扰环境上，地空环境下空间的环境比较复杂，在城市环境下，受建筑、城市环境的影响比较大。而在天空中受到云雾等气象因素干扰比较大，因此，对于“低小慢”目标检测技术来说，核心问题就在于能否实现复杂背景下将杂波干扰和噪声干扰的有效剔除。第二，“低小慢”目标的锁定比较困难，在视野中成像面积很小，不具备固定的形状和纹理特征，难以进行有效的匹配。第三，检测虚警率高。这一特点与上述的第一、第二条特点是相联系的，正是由于难以捕捉且环境复杂，因此在检测时虚警率高。第四，对于动态场景中的“低小慢”目标的检测困难度高，由于相机和目标同时运动，并且受到光线、阴影及伪装的干扰，使得动态场景中的“低小慢”目标的检测在时间内核复杂度上都有所提升，难度较大[3]。

二、感兴趣区域获取

2.1视觉显著性

视觉显著性指的是人类仅凭视觉感知，所实现的对周围视觉信号的响应程度，一般来说，越是具有独特性、奇异性的视觉信号，越能够被人类视觉有效捕捉，并且对于其中的颜色、纹理、形状、亮度等的感知也会更加敏锐[4]。对比度可以根据区域范围的大小进一步划分为全局对比、区域对比。全局对比的作用途径在于实现目标和周围环境的有效分离，但是这种方法的缺陷在于，如果目标与周围环境的对比度较小就难以有效捕捉。而且对于“低小慢”目标来说，本身所占据的像素就比较少，并且还缺失一些纹理信息，在全局的背景中，需要“低小慢”目标与其他背景的差别比较大，例如，在天空的全局背景中，颜色就可以是有效的差别对象，其中的噪声、云层、部分的地面场景和光照变化就是主要的干扰信息，将这些干扰信息进行排除后，通过“低小慢”目标与图像中其他像素点的颜色对比度来作为捕捉定义，就能够很好的实现对目标的捕捉。

2.2梯度差分算法

梯度差分算法是一种行之有效的算法，其价值主要是在视觉显著性特征图中找到种子点，主要是将形态学基本梯度和三帧差分算法进行有效融合的基础上提出的一种方法。具体的操作过程是，借助参考点的坐标，设立相应的正方形掩模，并对其中相邻且连续的视觉显著性图像，进行提取，找出从中的基本形态学梯度特征，并进行三帧差分，这样就获得了所需的种子点。另外需要说明的是，这里的数学形态梯度，是一种代数运算子，能够将膨胀、二值开闭、形态学梯度等多种特征于一身，也是一种从形状出发而进行的图像处理的操作过程，具有广阔的应用前景，能够对图像进行特征抽取，其实现路径主要是由膨胀和腐蚀的有效组合。膨胀指的是一种边界向外部扩张的过程，其主要的实现路径是由与物体接触的所有背景点合并到该物体中实现的。而腐蚀则正好与其相反，是一种消除边界点的方法，通过边界向内部收缩来消除小且无意义的物体，使得目标更加突显和清晰。

当对视频图像序列的连续两帧图像做差分运算时使用的就是帧间差分算法，这种方法能够有效的获取运动区域，但是这种方式在运用中，无法识别静止或运动速度很慢的目标，因此，如果直接使用帧间差分算法要进行“低小慢”目标检测，是并不合适的。将传统的两帧差分算法进行改进升级，就形成了三帧差分算法。三帧差分算法的作用路径是，首先将相邻三帧图像并为一组，接着对其进行差分计算。三帧差分算法往往应用于提取种子点，因为这种方式能够实现对运动目标之中的像素点准确、快速捕捉。在实际操作中，将形态学基本梯度和三帧差分算法进行有效融合，就能够实现对图像的显著性前景特征的二次过滤，提升了目标检测的准确性，也降低了后续工作的任务量。使用梯度差分算法能够自动且高效的获得有明显区域性的种子点，同时更重要的是，由于这些种子点的可控生长门限较好，因此，往往不会产生生长过后分割成过多区域的问题，大大节省了后续工作的步骤和效率。因此，在实际的需要中具有比较强的应用效果。

三、“低小慢”目标在复杂背景下的常见的几种预处理算法

3.1复杂背景下可见光图像的預处理算法

在可见光下进行的目标捕捉的主要影响因素往往是由于物体之间的相互遮挡，或者在周围环境、光照、雾气等的变化影响下，使得捕捉场景中由于亮度、对比度等问题，进一步造成了捕捉的困难，一些图像中的细节信息无法有效突出，进而对于后续的检测准确度产生一定的影响。这时可以通过预处理，实现可见光图像的捕捉、识别效率的提升，能够将可见光中干扰因素的对图像的影响进一步降低，提升捕捉的准确度。具体而言主要有以下几点方法。第一，基于直方图均衡化的光照校正，这种方法的优势在于算法实现简单且运算量小，但是仅仅是对局部的处理，也没法对于细节进行具体增强。第二，基于 Gamma 变换的光照校正。这种方法的效果明显，尤其是对消除阴影方面更是成效显著，但是缺陷在于每次都需要手动设置，且很难取到最佳值，操作的便捷性不强。第三，基于多尺度 Retinex 的光照校正。这是在 基于单尺度 Retinex 的光照校正的基础上进一步发展而来的，不仅能够使图像保持比较高水平的保真度，而且能够进一步突出其中的较暗区域的细节信息。另外，这种技术的另一个巨大优势在于能够实现图像的压缩，这种压缩主要是局部的，但有时也能够实现全局动态范围的压缩，并且能够实现色彩增强。但是，可能会造成一定的颜色失真、阴影边界突兀，也可能会导致部分场景的颜色发生扭曲。

3.2复杂背景下红外图像的预处理算法

动态噪声和非均匀性噪声是两种比较常见的红外图像中的噪声，这些噪声会干扰图像信息的成像质量，因此必须对其进行预处理。具体而言，常见的复杂背景下红外图像的预处理算法包括红外图像动态噪声抑制算法、红外图像的非均匀性噪声抑制算法、红外图像的增强算法这几种，通过对逆光条件下对可见光图像进行有效的亮度及颜色校正、去除红外相机的动态噪声和非均匀性噪声、提高复杂场景下红外图像的信噪比，从而能够提升目标检测的准确率。

四、“低小慢”目标检测

4.1可见光背景下的“低小慢”目标检测

可以采用基于二维伽马变换的颜色特征提取，将不同强度灰度值进行校正，然后合理压缩图像的动态范围。第二，基于 ESILTP 算子的纹理特征提取，这种方式与灰度特征和几何特征相比，内涵的信息度更多、更丰富，也能够提升“低小慢”目标检测的准确性。这种方式能够有效应对背景信息均值和方差的大幅度变化的情况，并且对于动态场景容错性较高，即使不进行滤波操作，也不会有高斯白噪声的产生，因此能够将模型的时间复杂度大大降低。第三，对于在一些比较常见的闪烁噪声问题，这种问题在建模算法往往是比较复杂和令人头疼的问题，这时可以采用基于 Vi Be+的目标检测， Vi Be+的目标检测的构成比较简单，包括背景模型初始化、前景检测以及背景模型更新三个环节。

4.2红外背景下的“低小慢”目标检测

在红外背景下的“低小慢”目标检测，能够有效地透过烟雾成像，这种方法尤其适用于光照不足的环境，成像效果好。但是需要注意的是，由于低空慢速小目标自身的点目标特性，在红外相机中容易被误认为噪声，因此在基于复杂动环境下的“低小慢”目标检测，一般不适用红外背景下的“低小慢”目标检测，

4.3基于源传感器融合的“低小慢”目标检测

将可见光相机与红外相机有效结合，能够大大提升识别的效率和准确性，多传感器图像融合的目标检测技术就能够有效的实现这一目标，具体操作如下，首先，选定目标区域。这里主要用到的是红外成像特征定位的方法。其次，对可见光图像进行识别。由基于加权移动均方差算法建立相应的背景减除模型，由此定位可见光成像的候选区域。最后，再将两者的图像结果进行结合，形成一定的基于候选区域的局部像素背景模型，从而实现目标的准确提取。在目标候选区域提取上，使用加权移动平均背景建模算法，基于滚动引导滤波和加权最小二乘优化的图像融合，然后从多尺度进行分解，利用视觉显著性算法，将红外图像与见光图像基础层进行综合的融合处理。也可以使用基于局部 Su BSENSE 的目标检测来提升准确性。

五、结束语

复杂背景下“低小慢”目标检测技术研究仍处于初级阶段，虽然取得了一些成就，但是技术上仍不成熟，在未来的发展中，还需要将复杂背景下“低小慢”目标检测技术和算法进行进一步的研究，提升准确性，降低虚警率，使其发挥出更大的价值。

6参考文献：

[1]吴言枫. 复杂背景下“低小慢”目标检测技术研究[D].中国科学院大学（中国科学院长春光学精密机械与物理研究所），2020.

[2]吴言枫，王延杰，孙海江，刘培勋.复杂动背景下的“低小慢”目标检测技术[J].中国光学，2019，12（04）：854-866.

[3]王顺飞. 基于复杂环境视频序列的运动目标检测研究[D].南京航空航天大学，2017.

[4]吴亚涛. 复杂电磁环境下基于目标动特性的微波成像技术[D].电子科技大学，2014.

参  考  文  献

[1]吴言枫. 复杂背景下“低小慢”目标检测技术研究[D].中国科学院大学（中国科学院长春光学精密机械与物理研究所），2020.

[2]吴言枫，王延杰，孙海江，刘培勋.复杂动背景下的“低小慢”目标检测技术[J].中国光学，2019，12（04）：854-866.

[3]王顺飞. 基于复杂环境视频序列的运动目标检测研究[D].南京航空航天大学，2017.

[4]吴亚涛. 复杂电磁环境下基于目标动特性的微波成像技术[D].电子科技大学，2014.