李 莉,薛雅麗,楊 欣

(南京航空航天大學 自動化學院, 江蘇 南京 210016)

紅外弱小目標檢測與跟蹤是空間監(jiān)視、早期預警、紅外精確跟蹤制導等領(lǐng)域涉及的一項關(guān)鍵技術(shù).現(xiàn)有的紅外檢測跟蹤算法有很多，一個好的紅外檢測跟蹤算法或系統(tǒng)，需要有較高的正向檢測率和較低的虛警率，以及較小的計算復雜度以實現(xiàn)信息的實時處理[1].

視覺注意機制是人類的一項重要的心理調(diào)節(jié)機制[2].在分析復雜圖像時，視覺的信息處理方式是串行的，即采用了選擇性注意機制.選擇性表現(xiàn)為舍棄不突出的信息，從而更高效地處理重要信息.也就是說人們在觀察一個場景時，總是有選擇性地將注意力轉(zhuǎn)移到場景中最具吸引力的內(nèi)容上，并鎖定該區(qū)域，然后通過快速的眼動掃描，將該區(qū)域轉(zhuǎn)移到更高分辨率的視網(wǎng)膜中央，進行更細致的分析.由此可見，選擇性注意機制在人類視覺完成復雜信息的處理任務(wù)時發(fā)揮著關(guān)鍵性的作用.近年來，國內(nèi)外很多學者試圖采用計算模型來描述視覺注意機制，并希望通過以此來解決計算機視覺中的一些問題，如自動目標識別中的目標檢測.

本文將視覺注意機制用于紅外弱小目標的檢測.檢測過程分為2個階段，第1階段為快速的bottom-up模式處理階段，輸入圖像按照圖像內(nèi)容分割成若干個子區(qū)域，通過分析目標的顯著性特點，計算圖像中初始視覺特征，從而快速提取各個子區(qū)域中最具顯著性的潛在目標點.在接下來的第2階段進行與任務(wù)相關(guān)的、更為細致的top-down模式目標識別過程，采用改進的雙滑窗算法進一步確認真實目標，剔除假目標，從而實現(xiàn)小目標檢測.

1 快速的bottom-up預注意機制

選擇性注意機制的第1階段為bottom-up預注意模式處理，即通過掃描輸入圖像，在若干空間尺度上提取出相應的圖像特征(顏色、灰度、方位)，不同特征顯著性描述的線性組合則為顯著性圖.顯著性圖決定和引導注意的焦點區(qū)域[3].在紅外目標識別系統(tǒng)中，考慮到系統(tǒng)成本、運算速度等實際因素，通常使用僅提供灰度信息的單一傳感器，不考慮多傳感器的情形，因此文中僅考慮灰度特征，通過對圖像中對象的灰度顯著性分析，快速地搜索整個輸入圖像以得到感興趣的候選目標點集合.這個集合中既包含了要檢測的目標，同時也包含了一些偽目標點，且這個集合是輸入圖像的子集，它的數(shù)據(jù)量比原始數(shù)據(jù)量要小得多.

就目標檢測而言，紅外弱小目標的灰度值較周圍高，目標表現(xiàn)為孤立的亮斑，即目標區(qū)域與背景區(qū)域存在灰度差，但是由于紅外目標本身較小，加上背景噪聲的影響，使得這個差值較小而難以檢測，因此我們把目標放在某一個恰當小的局部區(qū)域內(nèi)，在該區(qū)域內(nèi)，目標具有灰度顯著性，抽取區(qū)域內(nèi)灰度值最大的1個或幾個點作為候選目標點.

因此預注意模式階段處理過程可以按圖1進行.

1.1 圖像的非均勻區(qū)域分割

基于以上分析，考慮到目標灰度值在局部區(qū)域內(nèi)具有顯著性，首先將輸入圖像分割成不同區(qū)域，求取所有區(qū)域內(nèi)灰度值最大的一個或幾個點來獲得候選目標集合.進行區(qū)域分割時，姚訊、李德華等[4]采取等分的方式對輸入圖像進行分割，區(qū)域的大小與形狀都是一致的，實際上，分割得到的區(qū)域大小和形狀應該與該區(qū)域?qū)ο蟮姆植枷噙m應，對于灰度值變化平緩的區(qū)域，可將區(qū)域分割得大一些，而對于含有較多高頻信號和變化復雜的區(qū)域，分割應該更為細致一些.因此為了提高算法的效率和效果，本文創(chuàng)新性地采用非均勻區(qū)域分割方法，使得分割后的區(qū)域大小與形狀與該區(qū)域?qū)ο蟮姆植稼呌谝恢?，從而更加符合實際情況.

常用的區(qū)域分割方法有2種基本形式：區(qū)域生長和分裂合并.區(qū)域生長需要人工交互以獲得種子點，種子點的選擇往往需要一定的先驗知識[5].分裂與合并方法[6]雖然對分割復雜圖像來說效果很好，但該方法的算法較復雜，不滿足實時性的要求.因此本文中采用區(qū)域合并的方法來進行區(qū)域分割，即首先用某種方法把圖像分割成許多小區(qū)域，再按照所定義的某些準則合并相鄰區(qū)域，直到再無可合并的區(qū)域塊為止.具體操作如下：

1) 將輸入圖像按水平和垂直方向分割成大小相等的區(qū)域.輸入圖像以Ω表示，將其長等分為n格，寬等分為m格，可得m×n個互不相交的區(qū)域Ωi,j，其中i=1,2,…,m;j=1,2，…,m;

2) 根據(jù)灰度統(tǒng)計特性對區(qū)域進行描述，如果相鄰區(qū)域的屬性值相似，例如灰度均值相似，則將該2個子區(qū)域進行合并;

3) 如果某區(qū)域不能與它周圍的所有區(qū)域合并，則被標記為終結(jié)，當所有區(qū)域終結(jié)時，合并過程結(jié)束.

如用U(i,j)表示區(qū)域Ωi,j的灰度均值，選取閾值U，若|U(i,j)-U(i,j+1)|

圖2為2幅包含弱小目標的紅外圖像Img1、Img2及采用上述方法得到區(qū)域分割圖.其中圖像Img1的分辨率為160×160像素，將圖像等分為5×5小塊，取閾值U為0.03進行區(qū)域合并；圖像Img2的分辨率為28×128像素，將圖像等分為3×3小塊，取閾值U為0.05進行區(qū)域合并.

1.2 提取區(qū)域內(nèi)的顯著點

對于進行圖像分割時已經(jīng)標記為終結(jié)的區(qū)域，可以進行該區(qū)域內(nèi)顯著點的提取.從圖2中可以看出，由于分割采用的是非均勻分割方法，使得每個區(qū)域的大小和形狀都各不相同，要對區(qū)域分割得到的每個區(qū)域進行顯著點提取必須先進行區(qū)域定位.我們可以通過區(qū)域的2個顯著特點來進行區(qū)域定位：

1) 在區(qū)域分割好的圖像上，屬于同一區(qū)域的子塊具有相同的灰度均值;

2) 同一區(qū)域內(nèi)子塊與子塊之間形成一個連通域.

因此，具體進行區(qū)域定位的方法如下：

1) 對U(i,j)(i=1,2,…,m;j=1,2,…,m)按從大到小進行排序，均值不同的子塊必然屬于不同的區(qū)域.

2) 對于均值相同的子塊，按照連通性的原則，判斷所有子塊是否屬于同一區(qū)域.

實現(xiàn)區(qū)域定位后，由于目標灰度值在區(qū)域內(nèi)具有一定的顯著性，即目標灰度值應該是區(qū)域內(nèi)灰度值最大的1個或幾個，且目標灰度值應該大于區(qū)域灰度均值.因此對區(qū)域內(nèi)大于區(qū)域均值的所有像素點按灰度值大小排序，得到一個順序統(tǒng)計量，取這個順序統(tǒng)計量的最大的若干個，可得到每個區(qū)域內(nèi)的顯著點.對于包含r個像素值的區(qū)域Ωi,j，ξi,j(k)表示Ωi,j中灰度值大于灰度均值U(i,j)的像素點，其中k=1,2,…,r.對這k個像素點進行從小到大的排序得到順序統(tǒng)計量ξi,j(k)，即有：ξi,j(1)≤ξi,j(2)≤…≤ξi,j(k).從ξi,j(k)中抽取最大的s個即可得到區(qū)域Ωi,j中的顯著點的灰度值集合Zi,j={ξi,j(2)|m=k,k-1,…,k-s-1}.

圖3為圖像Img1、Img2進行顯著點提取(s=3)后得到的顯著點分布圖.從圖中可以看出通過bottom-up階段處理后的圖像中候選目標數(shù)比原始數(shù)據(jù)量小得多，這樣可以有效地減少算法運行的時間，從而提高了算法的執(zhí)行效率.

2 top-down注意模式處理階段

這一階段根據(jù)具體的任務(wù)，調(diào)整選擇準則，對已經(jīng)提取的候選對象進行再次識別，再次識別成功的對象則被認為是目標對象.一般來說，檢測的任務(wù)是判斷目標是否出現(xiàn)在某個區(qū)域內(nèi).在此階段，一些已有的空域算法和數(shù)學形態(tài)學的方法[7]可稍作修改應用于此.考慮到傳統(tǒng)雙滑窗算法[8]簡單，易于實現(xiàn)，因此本文將傳統(tǒng)雙滑窗算法的思想應用于top-down處理階段，并在傳統(tǒng)算法的基礎(chǔ)上稍作改動，使其對于復雜背景中的紅外小目標也能具有較好的檢測效果.在每一個候選目標點位置擴展2個大小窗口，如圖4所示，圖中小窗口可看做包含目標的區(qū)域，用表示該區(qū)域中所有的像素點的集合，Θmax表示該區(qū)域中像素的灰度最大值，Θm表示該區(qū)域所有像素的灰度均值.

大窗口區(qū)域用P表示，P中所有像素的灰度均值用Pm表示.假設(shè)當前候選目標點為真實目標，Θ為真實目標區(qū)域，由于P中包含了一部分背景，因此區(qū)域P的灰度均值Pm一般小于目標區(qū)域Θ的灰度均值Θm，由此得到傳統(tǒng)雙滑窗算法的原理：以像素點為中心開內(nèi)、外2個窗口，內(nèi)窗包含了當前像素點在內(nèi)的n×n個像素，且內(nèi)窗所有像素灰度均值為T1，外窗包含了當前像素在內(nèi)的m×m個像素(其中m>n)，且外窗所有像素灰度均值為T2，設(shè)定閾值T，判斷當前像素點是否為紅外小目標點的準則為：若T1-T2≥T，則認為該點為小目標點；反之，則認為該點屬于背景.

傳統(tǒng)雙滑窗算法對大部分紅外圖像均具有良好的檢測效果，但對于目標區(qū)域帶有運動陰影的紅外圖像會造成誤檢.圖5為一幅目標區(qū)域具有運動陰影的紅外圖像，圖中箭頭所指向的區(qū)域為放大的目標區(qū)域，從放大圖中可以清楚地看到在目標臨近位置有一些較暗的區(qū)域，暗區(qū)域的灰度值甚至低于其領(lǐng)域背景的灰度值，在這種情況下，采用傳統(tǒng)的雙滑窗檢測算法勢必會造成誤檢.

針對這種情況，我們對傳統(tǒng)雙滑窗算法進行改進，考慮到陰影的存在使得小窗口的灰度均值急劇下降，引入灰度最大值Θmax和最大值因子α(0<α<1)來削弱陰影的影響，設(shè)置內(nèi)窗的灰度特征量T1=α·Θmax+(1-α)·Θm，外窗灰度特征量依然為外窗灰度均值Pm.選取灰度閾值T，對中心像素是否為小目標點的判斷準則為：若T1-T2≥T，則認為該點屬于小目標點；反之，則認為該點屬于背景點.

3 算法

基于以上分析，可以得出本文紅外弱小目標算法：

Step1 將輸入圖像按水平和垂直方向分割成大小相等的區(qū)域Ωi,j，用U(i,j)表示區(qū)域Ωi,j的灰度均值，其中i=1,2,…,m;j=1,2,…,m；

Step2 選取閾值U，若|U(i,j)-U(i,j+1)|

Step3 對非均勻分割圖進行區(qū)域定位，對各個區(qū)域大于區(qū)域均值的所有像素點按灰度值大小排序，得到一個順序統(tǒng)計量，取這個順序統(tǒng)計量的最大的s個，得到每個區(qū)域內(nèi)的顯著點作為候選目標點；

Step4 采用改進的雙滑窗算法對每個候選目標點進行再次識別，去除偽目標點；

Step5 輸出再次識別成功的目標點位置.

4 實驗與結(jié)果分析

實驗采用美國空軍實驗室實測紅外圖像進行仿真實驗，并列出與傳統(tǒng)的雙滑窗算法以及比較有代表性的基于數(shù)學形態(tài)學的Top-Hat算法的檢測結(jié)果做比較，以此來驗證本文算法的有效性.所有實驗都對運行時間進行統(tǒng)計以驗證算法的實時性.實驗平臺為Intel Pentium 4，1 GB內(nèi)存的PC機，通過Matlab 2 009a軟件平臺完成仿真實驗.

傳統(tǒng)雙滑窗算法對于目標區(qū)域帶有運動陰影的紅外圖像會造成錯誤的檢測結(jié)果.對于圖5中具有運動陰影的紅外圖像，采用本文提出的方法對其進行檢測，檢測結(jié)果見圖6.

采用本文算法對圖6的檢測時耗為 0.373 581 s，而傳統(tǒng)的雙滑窗算法進行檢測的時耗為 2.788 641 s.由此可見本文算法在實時性與準確性上均優(yōu)于傳統(tǒng)的雙滑窗算法.

先采用Top-Hat算法對圖像Img3～Img6進行檢測，該算法應用Top-Hat算子對背景進行預測，并將背景與原圖進行比較，通過設(shè)置閾值判別目標，檢測結(jié)果見表1.

從表1可以看出，對于紅外圖像Img3～Img6，Top-Hat算法沒有有效處理背景區(qū)域，使得在進行閾值分割時，造成了較高的虛警，這些虛警可以通過后續(xù)的幀間處理方法消除，但是會增加額外的運算開銷.

表1 Top-Hat算法與本文算法目標檢測結(jié)果對比

從檢測結(jié)果來看，對于圖像Img3～Img6采用本文算法均能實現(xiàn)正確檢測，而且由于本文算法無需進行背景預測，檢測耗時相比Top-Hat算法要少.綜合以上分析可知本文提出的算法魯棒性強，既適用于目標區(qū)域帶有運動陰影的紅外圖像，也適用于信噪比低的復雜紅外圖像.本文算法對于這2種紅外圖像均能實現(xiàn)正確檢測，且檢測所需時間也基本滿足實時性要求.

5 結(jié)語

本文的研究從人類視覺感知情況出發(fā)，將視覺注意機制引入到紅外圖像弱小目標檢測應用中，提出了一個新的串行處理方法，該方法通過抽取輸入圖像的相關(guān)信息并對這些信息進行分析識別，在保持其他性能的前提下，大幅提高了運算效能.

參考文獻:

[1] JESMIN F K，MOHAMMAD S A. Target detection in cluttered forward-looking infrared imagery[J].Optical Engineering, 2005, 44(7):076-404.

[2] OLSHAUSEN B A, ANDERSON C H, VAN ESSEN D C. A neurobiological model of visual attention and invariant pattern recognition based on dynamic routing of information[J].The Journal of Neuroscience, 1993, 13(11) : 4700-4719.

[3] ITTI L, KOCH C．A model of saliency-based visual attention for rapid scene analysis[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on, 1998,20(11)：12-54.

[4] 姚迅, 李德華, 黃飛, 等. 基于視覺注意機制的紅外圖像小目標檢測方法[J].武漢大學學報: 工學版, 2006, 39(6):108-112.

[5] 王蒙, 呂建平. 基于邊緣檢測和自動種子區(qū)域生長的圖像分割算法[J].西安郵電學院學報，2011,16(6):16-19.

[6] HOROWITZ S L. Picture segmentation by a tree traversal algorithm[J].Journal of the ACM,1976, 23(2):368-388.

[7] BARNETT J. Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds[C]//International Society for Optics and Photonics.Los Angeles,1989, 1050:10-18.

[8] 劉興淼, 王仕成, 趙靜，等. 基于改進雙滑窗的紅外小目標檢測算法[J].計算機應用,2011,31(5):1217-1220.

[9] KITTLER J, ILLINGWORTH J, FOGLEIN J. Threshold selection based on a simple image statistic[J].Computer Vision, Graphics and Image Process, 1985,30(2):381-387.

[10] 葉斌, 彭嘉雄. 基于形態(tài)學 Top-Hat 算子的小目標檢測方法[J].中國圖象圖形學報: A 輯,2002, 7(7): 638-642.