趙愛罡，王宏力，楊小岡，陸敬輝，姜 偉，黃鵬杰

（1.第二炮兵工程大學(xué) 控制工程系，西安 710025；2.第二炮兵工程大學(xué) 士官學(xué)院，青州 262500）

基于極端學(xué)習(xí)機背景預(yù)測的紅外小目標(biāo)檢測算法

趙愛罡1,2，王宏力1，楊小岡1，陸敬輝1，姜 偉1，黃鵬杰1

（1.第二炮兵工程大學(xué) 控制工程系，西安 710025；2.第二炮兵工程大學(xué) 士官學(xué)院，青州 262500）

為自適應(yīng)檢測復(fù)雜環(huán)境中的紅外小目標(biāo)，提出了基于極端學(xué)習(xí)機背景預(yù)測的紅外小目標(biāo)檢測算法。首先，依據(jù)灰度值分布設(shè)計局部邊緣敏感平滑濾波器，在相近的灰度范圍內(nèi)，使中心像素的灰度值等于鄰域內(nèi)多數(shù)灰度值的融合，對紅外圖像進行濾波，能夠去除大量噪聲并突出圖像主要結(jié)構(gòu)；其次，利用極端學(xué)習(xí)機對濾波后的圖像建立回歸模型，以鄰域像素值為輸入，以中心像素值為輸出訓(xùn)練模型，并對背景進行預(yù)測，得到的圖像與濾波后的圖像做差，得到小目標(biāo)顯著圖；最后，利用圖像塊對比特性對顯著區(qū)域處理，使小目標(biāo)區(qū)域均勻突出，抑制背景區(qū)域，并經(jīng)過簡單閾值操作，實現(xiàn)對紅外小目標(biāo)的檢測。實驗結(jié)果表明：與其他檢測算法相比，在復(fù)雜背景下，本文算法檢測結(jié)果的局部信噪比增益最高，單幀檢測時間為 0.18 s。本文算法對背景進行學(xué)習(xí)，發(fā)掘背景與目標(biāo)的差異，提高了算法的適應(yīng)能力，并且能夠有效檢測小目標(biāo)。

極端學(xué)習(xí)機；紅外小目標(biāo)；背景預(yù)測；回歸模型

紅外小目標(biāo)檢測技術(shù)是目標(biāo)識別與跟蹤中的關(guān)鍵技術(shù)，廣泛應(yīng)用于精確制導(dǎo)、防空預(yù)警、衛(wèi)星遙感等領(lǐng)域[1]。小目標(biāo)檢測算法的效率和實時性直接影響軍事系統(tǒng)的有效性。由于紅外小目標(biāo)對比度低，環(huán)境比較復(fù)雜，常被大量的云雜波、海雜波和噪聲淹沒，并且目標(biāo)尺寸較小，沒有明顯的形狀和紋理信息，檢測比較困難，目前已成為各國軍事專家關(guān)注的焦點。

近來，國內(nèi)外專家發(fā)表了許多關(guān)于紅外小目標(biāo)檢測的文章，提出了諸多檢測算法，大致分為兩類：

1）基于人眼視覺注意機制的檢測算法。它將小目標(biāo)視為場景中的顯著區(qū)域進行檢測。文獻[2]提出了改進的局部對比測量（Improved Local Contrast Measure，ILCM）檢測算法，它將小目標(biāo)視為局部顯著區(qū)域，通過圖像分割，與周圍圖像塊局部對比，檢測顯著性區(qū)域；文獻[3]提出了二階方向?qū)?shù)（Second-Order Directional Derivative，SODD）濾波器，它利用小平面模型估計中心像素與周圍像素的關(guān)系，對方向進行求導(dǎo)，得出方向濾波器，借助傅里葉相位譜對進行顯著性檢測，得到方向顯著圖，最后通過整合多方向的顯著圖發(fā)現(xiàn)并定位弱小目標(biāo)。此類算法計算過程簡單，效率高，但對于不同的復(fù)雜背景，檢測效果差異大，有時難以區(qū)分虛假目標(biāo)。

2）基于成分表達(dá)的小目標(biāo)檢測算法。它通過構(gòu)造字典，發(fā)掘背景之間或目標(biāo)之間的內(nèi)在關(guān)系，對表示系數(shù)進行分析，從而達(dá)到檢測目的。文獻[4]提出了基于低秩和稀疏表達(dá)（Low Rank and Sparse Representation，LRSR）的檢測模型，將背景的表達(dá)系數(shù)視為低秩矩陣，通過構(gòu)造弱小目標(biāo)字典對小目標(biāo)進行稀疏表達(dá)，分析系數(shù)矩陣的結(jié)構(gòu)，檢測弱小目標(biāo)；文獻[5]提出了魯棒字典學(xué)習(xí)（Robust Dictionary Learning，RDL）檢測算法，通過分析背景的系數(shù)表達(dá)矩陣和弱小目標(biāo)的特點，近一步拓展了低秩含義，分別使用行稀疏和列稀疏對系數(shù)矩陣和誤差矩陣進行約束，得到背景圖像塊之間的系數(shù)關(guān)系并定位誤差矩陣中不能被稀疏表示的紅外小目標(biāo)；文獻[6]提出了基于子空間低秩矩陣分解（Subspace Low-rank Matrix Decomposition，SLMD）的模型，將背景刻畫為低秩矩陣成分，將小目標(biāo)視為稀疏矩陣成分，從而對小目標(biāo)進行檢測。

此類算法能應(yīng)對不同的復(fù)雜背景，檢測效果較好，但是涉及許多最優(yōu)化算法，迭代步驟多，實時性較差。為此需要尋找一種適應(yīng)性和實時性兼?zhèn)涞募t外小目標(biāo)檢測算法。

極端學(xué)習(xí)機[7]是一種建立在廣義神經(jīng)網(wǎng)絡(luò)原理上的新型網(wǎng)絡(luò)結(jié)構(gòu)，在隨機給出神經(jīng)輸入權(quán)值與偏差的基礎(chǔ)上，將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練問題轉(zhuǎn)化為求解線性方程組，以解析方式直接計算出輸出權(quán)值的最小二乘解，快速完成網(wǎng)絡(luò)的訓(xùn)練過程。本文將其引入紅外小目標(biāo)的檢測中，在局部邊緣敏感平滑濾波的基礎(chǔ)上，以鄰域像素值為輸入，中心像素為輸出，訓(xùn)練極端學(xué)習(xí)機回歸模型，學(xué)習(xí)背景主要特征。小目標(biāo)區(qū)域與背景區(qū)域不同，在模型中表現(xiàn)為預(yù)測誤差較大，作為小目標(biāo)的顯著區(qū)域，經(jīng)過進一步篩選確定小目標(biāo)的位置。這種方法在實時性和適應(yīng)性上均表現(xiàn)良好，能夠促進小目標(biāo)檢測的實用性。

1 邊緣敏感平滑濾波器

一般紅外探測器易受到大氣環(huán)境、拍攝震動和傳播噪聲的影響，圖像會含有部分噪聲，影響背景模型的學(xué)習(xí)。因此需要對圖像進行處理，目的是去除噪聲，保留圖像的主要結(jié)構(gòu)，特別是小目標(biāo)的特性不受影響，利于進一步小目標(biāo)的檢測。本文根據(jù)像素統(tǒng)計特性，設(shè)計了邊緣敏感平滑濾波器（Edge-Sensitive and Smoothing Filter，ESSF），只對相對平坦的區(qū)域進行平滑，簡化背景的結(jié)構(gòu)，同時保持局部邊緣的對比度，保護小目標(biāo)的局部特性。

首先將圖像灰度值歸一化到[0,1]，假設(shè)中心像素灰度值為r，其鄰域為 (,)N i j，在鄰域內(nèi)與中心像素值接近的像素集合為式中： (,)f i j為灰度值，th為閾值，在紅外圖像中取值為0.1。這部分像素值一般處在與中心像素灰度值相近的連接區(qū)域。為消除少量噪聲的影響，使用集合S( i, j)中灰度值較多的像素來計算中心像素的灰度值。將集合 (,)S i j中的灰度值劃分為N個灰度階其中每個灰度階中像素的個數(shù)為

,按像素個數(shù)從多到少排序，取個數(shù)最多的前M(M N＜ )個灰度階，并且個數(shù)之和滿足：

在濾波過程中使用積分直方圖進行加速。積分直方圖中，每個像素值為N通道，這樣通過簡單加減法即可計算任意鄰域的直方圖，即灰度階和對應(yīng)的像素個數(shù)，再減去不符合灰度條件的像素值，就可使用式(3)計算每一像素的灰度值。濾波效果對比如圖1所示。

對噪聲圖像進行濾波處理。由圖1可以看出：均值和中值濾波均不同程度地破壞了小目標(biāo)的局部特征，并且濾波后平坦區(qū)域的波動仍比較大，影響背景模型的建立；雙邊濾波對小目標(biāo)區(qū)域保護比較好，但去噪效果差；邊緣敏感平滑濾波不但沒有降低小目標(biāo)的對比度，而且對非目標(biāo)區(qū)域進行平滑，去除了噪聲，突出了背景的主要結(jié)構(gòu)，為極端學(xué)習(xí)機回歸建模創(chuàng)造了有利條件。

圖1 濾波結(jié)果對比Fig.1 Comparison on filter results

2 基于極端學(xué)習(xí)機的背景模型

圖像像素之間的關(guān)聯(lián)性比較強，存在某種模式，比如中心像素值可以利用鄰域像素進行估計，像素的顯著性可以利用全局像素值的分布進行計算等?；诖耍柚鷺O端學(xué)習(xí)機發(fā)掘像素之間的普遍關(guān)系，即背景像素的取值規(guī)律，而小目標(biāo)的取值規(guī)律明顯與背景不同，訓(xùn)練的模型對小目標(biāo)具有較大誤差，以此為依據(jù)，判定像素是否屬于小目標(biāo)。

2.1 極端學(xué)習(xí)機回歸模型

ii含L個隱藏層神經(jīng)元，神經(jīng)元激活函數(shù)為 ()F·的極端學(xué)習(xí)機回歸模型可表示為

式中：為連接第i個神經(jīng)元的輸入權(quán)值；ib為第i個神經(jīng)元的偏差；輸入權(quán)值和偏差是隨機賦值的，為已知量；iβ為連接第i個神經(jīng)元的輸出權(quán)值。式(4)用矩陣形式表示為

式中：一般情況下訓(xùn)練樣本比隱層個數(shù)多，故TH H非奇異，可利用 Moore-Penrose逆求得得到回歸模型為

圖像經(jīng)過邊緣敏感平滑濾波后，以某像素點為中心，取圓形鄰域，設(shè)共有像素M個，以中心像素值為回歸值y，將其余 1M-個像素值經(jīng)過降序重新排序后組成向量x。圓形鄰域和像素值重排能夠增強背景模型的魯棒性，使得局部結(jié)構(gòu)具備旋轉(zhuǎn)不變性，只要結(jié)構(gòu)相同，即使位置或是方位不同，形成的特征是相同的，所以預(yù)測得到的中心像素的值是相同的。

2.2 參數(shù)選擇

2.1 節(jié)中的模型中有兩個參數(shù)需要設(shè)置，分別是選取特征的鄰域直徑和隱層層數(shù)，在極端學(xué)習(xí)機回歸模型中，預(yù)測誤差越小，說明模型越符合實際數(shù)據(jù)，模型建立越精確。但在本文應(yīng)用中，若預(yù)測誤差為0，說明模型完美擬合圖像的任何變化，能夠逼近圖像中任何細(xì)節(jié)，小目標(biāo)反而無法進行檢測。理想情況是，只對背景變化進行建模，包括大部分類似成分，預(yù)測誤差較小，而對小目標(biāo)區(qū)域預(yù)測誤差較大，這樣才有利于小目標(biāo)的檢測。結(jié)合具體需求，將預(yù)測誤差和小目標(biāo)局部信噪比相結(jié)合，構(gòu)造誤差加權(quán)局部信噪比，平衡小目標(biāo)預(yù)測誤差與背景預(yù)測誤差，對參數(shù)進行選

預(yù)測獲取的回歸值為則預(yù)測誤差定義為

小目標(biāo)局部信噪比定義為

式中：tm為目標(biāo)區(qū)域的均值，bm為去除小目標(biāo)區(qū)域后背景的均值，bσ為背景像素分布的標(biāo)準(zhǔn)差。誤差加權(quán)局部信噪比定義為

式(9)以預(yù)測誤差的指數(shù)形式為權(quán)值，加權(quán)局部信噪比，綜合描述小目標(biāo)檢測的難易程度，其值越大，說明越有利于小目標(biāo)的檢測。

1）特征鄰域直徑的確定

挑選5種背景不同的圖像序列進行實驗，發(fā)現(xiàn)在不同的隱層層數(shù)下，預(yù)測誤差與局部信噪比隨特征鄰域直徑變化的趨勢相同，故設(shè)置隱層層數(shù)為20進行實驗。圖2所示為5種序列多幀圖像的平均顯示結(jié)果，預(yù)測誤差隨特征選取鄰域直徑的增大而變大，這是因為距離遠(yuǎn)的像素之間關(guān)聯(lián)性變差，用距離較遠(yuǎn)的像素來預(yù)測中心像素，誤差會變大，但總體誤差控制在0.04范圍內(nèi)，說明模型沒有發(fā)散，仍然可用。圖2(2)說明：預(yù)測誤差小不一定有利于小目標(biāo)的檢測，在特征選取鄰域直徑為5時，加權(quán)信噪比最大，最適合小目標(biāo)的檢測，故選取鄰域直徑為5，限制特征的選取范圍。

圖2 特征鄰域直徑的選取Fig.2 Selection of feature neighborhood diameter

2）隱層層數(shù)的確定

同樣以5種背景不同的多幀圖像作為測試圖像，預(yù)測誤差和加權(quán)局部信噪比為多幀圖像計算結(jié)果的均值。隱層層數(shù)的選取應(yīng)該與特征維數(shù)和數(shù)據(jù)關(guān)系的復(fù)雜度相適應(yīng)。層數(shù)過少，導(dǎo)致模型無法擬合數(shù)據(jù)之間的關(guān)系，預(yù)測誤差會很大；層數(shù)過多，預(yù)測誤差會減到最小，同時會帶來一些問題，比如增加了算法的計算時間，出現(xiàn)過擬合現(xiàn)象，導(dǎo)致模型預(yù)測出現(xiàn)較多的波動，檢測效果差。圖3所示為預(yù)測誤差和加權(quán)局部信噪比隨隱層數(shù)量變化的趨勢。圖3(1)說明在隱層數(shù)量達(dá)到10以后，預(yù)測誤差基本保持一致，維持在較低的水平(大約0.005)，建立的模型能夠揭示鄰域像素之間的關(guān)系；圖3(2)為加權(quán)局部信噪比的變化趨勢，在隱層數(shù)量為13時，達(dá)到最大值(33.6)，隨后過擬合現(xiàn)象凸顯，將小目標(biāo)區(qū)域的誤差平均分布在其他像素上，這是極端學(xué)習(xí)機訓(xùn)練中利用廣義逆的原因，誤差是在平均意義上減小的。為檢測小目標(biāo)選擇最佳隱層數(shù)量，結(jié)合加權(quán)局部信噪比，對應(yīng)圖3(2)中的峰值，隱層數(shù)量為13時，小目標(biāo)檢測效果最佳。

圖3 隱層數(shù)量估計Fig.3 Estimate of number of hidden levels

3 基于背景預(yù)測的紅外小目標(biāo)檢測

紅外小目標(biāo)在圖像中與周圍像素的關(guān)系相對比較特殊，通過極端學(xué)習(xí)機對圖像建模，學(xué)習(xí)圖像中大部分像素分布。對于少量像素的特殊分布形式，如小目標(biāo)區(qū)域，極端學(xué)習(xí)機回歸模型表現(xiàn)為預(yù)測誤差較大。本文借助這種性質(zhì)對小目標(biāo)進行檢測，算法流程如圖4所示。

按圖4流程圖得到預(yù)測誤差圖像抑制了大部分背景，無論小目標(biāo)是孤立的還是與背景部分相容，預(yù)測誤差對小目標(biāo)的響應(yīng)均比較強。但有時小目標(biāo)區(qū)域誤差不連續(xù)，存在孤立像素點，一致性較差，而且在部分少量細(xì)節(jié)處出現(xiàn)了明顯的誤差響應(yīng)。為使檢測目標(biāo)區(qū)域比較一致，目標(biāo)更加突出，需要進一步處理。

圖4 檢測算法流程圖Fig.4 Flowchart of detection algorithm

如圖5所示是圖1(6)的預(yù)測誤差圖像，為描述方便，定義以像素位置(,)i j為中心的子塊P為中心塊，大小為d d× 。一般確保中心塊P不陷入小目標(biāo)內(nèi)部即可，取 5d= ，鄰域子塊大小與中心塊相同，分布如圖5所示。

圖5 圖像塊及其8鄰域圖Fig.5 Image patch and its 8 neighborhoods

當(dāng)中心塊位于平坦背景、邊緣背景和目標(biāo)處時，與鄰域子塊的對比度不同，定義中心塊與鄰域子塊對比度為

由式(11)可以看出，當(dāng)中心塊包含灰度極大值時，與鄰域的最大最小對比度均比較大，有利于增強局部顯著性。經(jīng)過大量實驗，中心塊位于不同區(qū)域時最大最小對比度一般特點總結(jié)如表1所示。

根據(jù)表1不同區(qū)域中最大最小對比度的特點，取最大最小對比度的均值作為顯著性度量，實現(xiàn)小目標(biāo)區(qū)域的一致性和局部增強。顯著圖計算公式如下：

最后利用自適應(yīng)閾值Th檢測目標(biāo)，計算公式如下：

式中：SM 和Sσ為 (,)S i j的均值和標(biāo)準(zhǔn)差；ρ為系數(shù)，一般取3 5～ 。但顯著圖中只有極少的顯著區(qū)域，均值較低，為精確分離高亮顯著區(qū)域，系數(shù)取值 =10ρ 。

表1 不同區(qū)域最大最小對比度響應(yīng)特點Tab.1 Characteristics of maximum and minimum contrasts under different regions

4 實驗結(jié)果與分析

實驗數(shù)據(jù)部分來源于 2015年西安蒲城內(nèi)府通用航空展，采用浙江大立M3制冷型中波紅外探測器實地拍攝。實驗硬件平臺為3.00GHz Intel Core i3 CPU, 4GB RAM計算機；軟件平臺為Windows7操作系統(tǒng)；軟件搭建為VS2012+Opencv2.4.9。

4.1 本文算法檢測效果

為進一步驗證本文算法的有效性，采用5幅分辨率為320×240的典型紅外小目標(biāo)圖像進行驗證。第1幅為河道背景，背景模糊，小目標(biāo)為孤立目標(biāo)；第 2幅為海天背景，雜波較多，小目標(biāo)位于線形雜波上，但局部對比度較大；第3幅為天空背景，小目標(biāo)與云背景融為一體；第4幅圖像為云雜波背景，小目標(biāo)淹沒在起伏較大的云雜波中；第5幅圖像為地面背景，小目標(biāo)為低空飛行的直升機，與地面相接，地面背景比較復(fù)雜。檢測效果如圖6所示。

圖6 本文算法檢測實驗結(jié)果Fig.6 Results of detection experiments for the proposed method

圖6 (1)為原始紅外小目標(biāo)圖像及3D顯示圖。

圖6(2)為邊緣敏感平滑濾波結(jié)果，濾除了大量雜點噪聲，使平坦區(qū)域更加平滑，同時保護細(xì)節(jié)不受影響，特別是小目標(biāo)區(qū)域，從整體上突出圖像的主要結(jié)構(gòu)，為建立模型優(yōu)化數(shù)據(jù)。

圖6(3)為極端學(xué)習(xí)機預(yù)測誤差圖像，通過鄰域像素對中心像素進行預(yù)測，所得結(jié)果與原圖像相減，獲得殘差圖像。極端學(xué)習(xí)機通過訓(xùn)練能夠?qū)W習(xí)到圖像中的主要結(jié)構(gòu)，即像素分布模式，在第2幅和第5幅圖像中，存在其他細(xì)節(jié)，預(yù)測誤差較大，相對而言，真實小目標(biāo)數(shù)量更少，局部結(jié)構(gòu)更加特殊，所以預(yù)測誤差真實小目標(biāo)區(qū)域要更大一些。

圖6(4)為預(yù)測誤差形成的顯著圖，根據(jù)圖像的背景、邊緣和小目標(biāo)區(qū)域特點，計算最大和最小子塊對比度，取其均值作為顯著性度量，由圖可知，對增強小目標(biāo)區(qū)域效果顯著，特別是第5幅圖像，雜亂的地面背景誤差分布均為均勻，經(jīng)過提取顯著圖后，小目標(biāo)較背景明顯突出。

圖6(5)為最終檢測結(jié)果。實驗證明本文檢測算法在各種復(fù)雜背景下，無論小目標(biāo)是孤立型還是融合型，極端學(xué)習(xí)機模型均能對背景的多數(shù)像素分布有效擬合，通過最大最小對比度增強預(yù)測誤差圖像的小目標(biāo)區(qū)域，可以有效檢測小目標(biāo)。

4.2 與其他檢測算法的對比

為進一步評估本文算法的有效性，選擇基于形態(tài)學(xué)變換的 Top-hat[8]檢測算法、基于最大均值濾波[9]（Maximum Mean，Max-Mean）的檢測算法、基于圖像塊對比度[10]（Image Patch Contrast，IPC）的檢測算法、基于最小二乘支持向量機[11]（Least-Square Support Vector Machine，LS-SVM）背景預(yù)測的檢測算法進行對比試驗，分別從單幀檢測、局部信噪比、局部信噪比增益和運行時間對算法進行評估。

單幀檢測依然采用圖6所示的5幅圖像進行實驗，因為最終檢測一般需要閾值參數(shù)的設(shè)置，參數(shù)不同，檢測結(jié)果也不同，所以只對比顯著圖，即用于最終檢測的圖像。如圖7所示，依次為Top-hat、Max-Mean、IPC、LS-SVM 和本文算法檢測的顯著圖。Top-hat和Max-Mean均能有效抑制比較平滑的背景，對于波動較大，背景邊緣明顯的圖像，檢測效果較差。例如第2幅和第5幅圖像，檢測得到的顯著圖中，邊緣強度較大的區(qū)域雜點較多，難以進一步對小目標(biāo)定位；IPC對小目標(biāo)的增強效果比較明顯，但抑制背景效果較差，在小目標(biāo)與邊緣融合的情況下，如第4幅和第5幅圖像中，因為局部對比度較小，且與邊緣相連，小目標(biāo)區(qū)域特征與邊緣結(jié)構(gòu)相似，難以分離小目標(biāo)與背景區(qū)域，檢測效果受限；LS-SVM和本文算法屬于同一類算法，故對其結(jié)果進行了圖像塊最大最小平均對比度增強，由結(jié)果可知，對于復(fù)雜的背景，檢測算法性能有所下降，主要是模型的適應(yīng)性較差。相比之下，本文算法得到的顯著圖局部信噪比均比較高，便于檢測小目標(biāo)，主要是因為模型的學(xué)習(xí)能力較強，能應(yīng)對各種復(fù)雜背景，算法具有較強的魯棒性。

局部信噪比和局部信噪比增益是衡量小目標(biāo)檢測難易程度和算法性能優(yōu)劣的客觀指標(biāo)，本文取3個圖像序列進行實驗，如圖7中第3幅、第4幅和第5幅圖像均來自這三個圖像序列。因本文算法沒有加入時間和空間的約束，所以不需要連續(xù)的圖像序列，試驗在 3個圖像序列中隨機抽取100幀圖像進行實驗，局部信噪比、局部信噪比增益和檢測時間均是單幀圖像的均值。局部信噪比定義如式(8)，局部信噪比增益[12]定義為

表2 算法性能對比Tab.2 Comparison on algorithm performances

圖7 檢測結(jié)果對比實驗Fig.7 Comparison experiment on detection results

由表2可知，在3個不同的背景序列下，同一種算法的檢測性能表現(xiàn)也不同，不同算法之間存在明顯差異?？傮w來說，Top-hat、Max-Mean和IPC檢測算法效果較差，因其沒有考慮背景的復(fù)雜程度和具體的背景成分，對小目標(biāo)在背景中的存在模式以及大小考慮不周，計算模式單一，難以勝任復(fù)雜背景下小目標(biāo)的檢測任務(wù)；LS-SVM算法的檢測結(jié)果較好，依據(jù)背景的成分進行建模，學(xué)習(xí)背景的像素分布，能根據(jù)不同的背景進行調(diào)整，以適應(yīng)當(dāng)前的背景成分，所以檢測魯棒性較好，但是用的核函數(shù)比較單一，且需要計算2

N(N總像素個數(shù))次內(nèi)積，算法訓(xùn)練和預(yù)測均比較耗時，檢測時間較長，單幅圖像檢測需要2.82 s。

在幾種檢測算法中，本文的檢測結(jié)果最好，并且對于不同復(fù)雜程度的背景，模型均能抓住背景的主要成分進行學(xué)習(xí)，存在數(shù)量適中的非線性單元，對數(shù)據(jù)的擬合能力較強，能有效突出小目標(biāo)區(qū)域，算法的魯棒性較好，而模型的訓(xùn)練和預(yù)測復(fù)雜度適中。在單核CPU環(huán)境下單幅圖像的檢測時間平均為0.18 s，雖檢測速度不及前3種檢測算法，但是檢測效果較為顯著，經(jīng)過后續(xù)的優(yōu)化可以達(dá)到實時性的要求。

5 結(jié) 論

文中對紅外小目標(biāo)特性進行了分析，提出了能夠保護小目標(biāo)并平滑背景的邊緣敏感平滑濾波算法，能抑制大量噪聲，突出小目標(biāo)區(qū)域；隨后采用極端學(xué)習(xí)機建立模型，對濾波后圖像提取特征，經(jīng)過排序后對極端學(xué)習(xí)機進行訓(xùn)練，并對圖像進行預(yù)測，使用濾波后圖像減去預(yù)測圖像得到殘差圖像，可以抑制大部分背景；針對預(yù)測誤差圖像的特點，采用圖像塊最大最小對比度的均值進行增強，最后經(jīng)過簡單閾值可準(zhǔn)確定位小目標(biāo)。與現(xiàn)有檢測算法相比，在各種復(fù)雜背景下，本文算法的檢測結(jié)果局部信噪比增益最高，且單幀檢測時間僅為0.18 s，基本能滿足工程應(yīng)用。

（References）：

[1] 閆鈞華, 陳少華, 徐俊峰, 等. 基于可見光與紅外圖像特征融合的目標(biāo)跟蹤[J]. 中國慣性技術(shù)學(xué)報, 2013, 21(4): 517-523.

Yan Jun-hua, Chen Shao-hua, Xu Jun-feng, et al. Target tracking based on feature fusion of visible and infrared image[J]. Journal of Chinese Inertial Technology, 2013, 21(4): 517-523.

[2] Han Jin-hui, Ma Yong, Zhou Bo, et al. A robust infrared small target detection algorithm based on human visual system[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(12): 2168-2172.

[3] Qi Sheng-xiang, Ma Jie, Tao Chao, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 495-499.

[4] He Yu-jie, Li Min, Zhang Jin-li, et al. Small infrared target detection based on low-rank and sparse representation[J]. Infrared Physics & Technology, 2015, 68: 98-109.

[5] Yang Chun-wei, Liu Hua-ping, Liao Shou-yi, et al. Small target detection in infrared video sequence using robust dictionary learning[J]. Infrared Physics & Technology, 2015, 68: 1-9.

[6] Zheng Cheng-yong, Li Hong. Small infrared target detection based on low-rank and sparse matrix decomposition [J]. Applied Mechanics and Materials, 2013, 239-240: 214-218.

[7] Huang Guang-bin, Zhu Qin-yu, Chee-Kheong Siew. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

[8] Tom V T, Peli T, Leung M, et al. Morphology-based algorithm for point target detection in infrared backgrounds[C]//Optical Engineering and Photonics in Aerospace Sensing. 1993: 2-11.

[9] Deshpande S D, Meng H E, Venkateswarlu R, et al. Max-mean and max-median filters for detection of small targets[C]//SPIE's International Symposium on Optical Science, Engineering, and Instrumentation. 1999: 74-83.

[10] 王剛, 陳永光, 楊鎖昌, 等. 采用圖像塊對比特性的紅外弱小目標(biāo)檢測[J]. 光學(xué)精密工程, 2015, 23(5): 1424-1433. Wang Gang, Chen Yong-guang, Yang Suo-chang, et al.. Detection of infrared dim small target based on image patch contrast[J]. Optics and Precision Engineering, 2015, 23(5): 1424-1433.

[11] 吳一全, 尹丹艷, 紀(jì)守新. 基于雙樹復(fù)數(shù)小波和 SVR的紅外小目標(biāo)檢測[J]. 儀器儀表學(xué)報, 2010, 31(8): 1834-1839. Wu Yi-quan, Yin Dan-yan, Ji Shou-xin. Detection of small infrared target based on dual-tree complex wavelet transform and SVR[J]. Chinese Journal of Scientific Instrument, 2010, 31(8): 1834-1839.

[12] 趙愛罡, 王宏力, 楊小岡, 等. 基于結(jié)構(gòu)低秩編碼的復(fù)雜環(huán)境紅外弱小目標(biāo)檢測算法[J]. 中國慣性技術(shù)學(xué)報, 2015, 23(5): 662-669. Zhao Ai-gang, Wang Hong-li, Yang Xiao-gang, et al. Infrared dim small target detection algorithm based on structural low-rank coding under complex environment [J]. Journal of Chinese Inertial Technology, 2015, 23(5): 662-669.

Infrared small-target detection algorithm based on background prediction by extreme learning machine

ZHAO Ai-gang1,2, WANG Hong-li1, YANG Xiao-gang1, LU Jing-hui1, JIANG Wei1, HUANG Peng-jie1
(1. Department of Control and Engineering, The Second Artillery Engineering University, Xi’an 710025, China; 2. School of Sergeancy, The Second Artillery Engineering University, Qingzhou 262500, China)

In order to adaptively detect infrared small targets under complex background, an infrared smalltarget detection algorithm is proposed based on background prediction by extreme learning machine. Firstly, a local edge-sensitive smoothing filter is designed based on grayscale distribution, in which center pixel grayscale is defined by mixing together more pixels in neighborhood with similar grayscale. It can remove a large amount of noises and highlight main structure of infrared image after filtering the image by local edge-sensitive smoothing filter. Secondly, it establish a regression model for filtered image by using extreme learning machine, in which training is carried out by using the grayscale of pixels in neighborhood as input and the grayscale of center pixel as output. After training, the background is predicted by this model and subtracted from the filtered image to form a salient map for small targets. Finally, in order to unanimously highlight the region of small targets and restrain the background, the salient region is processed by using the contrast characteristics of image patches, and then small targets’ detection can be realized by simple threshold operation. Experiment results show that, compared with other detection algorithms, the local signal-to-noise rate gain is the highest by the proposed algorithm under complex background, and the single-frame detection time is 0.18 s. The proposed algorithm can study the background and discover the difference between the background and the target, which improve the adaptability of the algorithm and can effectively detect small targets .

extreme learning machine; infrared small target; background prediction; regression model

TP391.41; TP274.52

A

1005-6734(2016)01-0036-09

10.13695/j.cnki.12-1222/o3.2016.01.008

2015-12-01；

2016-01-25

國家自然科學(xué)基金（61203189，61374054）

趙愛罡（1986—），男，博士生，主要從事紅外圖像目標(biāo)檢測識別、機器視覺等。E-mail: zhoaigang1986120@163.com

聯(lián) 系 人：王宏力（1965—），男，教授，博士生導(dǎo)師。E-mail: wanghongli_1965@163.com