姚朝霞，謝 濤

基于局部對(duì)比度測(cè)量的紅外弱小目標(biāo)恒虛警檢測(cè)

姚朝霞1，謝 濤2

（1. 臺(tái)州職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院，浙江 臺(tái)州 318000；2. 西安交通大學(xué) 電子與信息工程學(xué)院，陜西 西安 710049）

魯棒有效的弱小目標(biāo)檢測(cè)算法是光電跟蹤系統(tǒng)成功的關(guān)鍵。本文針對(duì)空中遠(yuǎn)距離紅外弱小目標(biāo)檢測(cè)的實(shí)際問(wèn)題，在人類(lèi)視覺(jué)對(duì)比機(jī)制基礎(chǔ)上提出了一種檢測(cè)率高、誤報(bào)率低、處理時(shí)間短的紅外小目標(biāo)檢測(cè)方法。首先，利用基于恒虛警率的Top-hat濾波和自適應(yīng)閾值操作對(duì)原始圖像進(jìn)行預(yù)處理，得到疑似目標(biāo)區(qū)域，該步驟可大大減少計(jì)算時(shí)間，同時(shí)保持恒定的虛警概率和可預(yù)測(cè)的檢測(cè)概率；然后，定義了一種新穎有效的局部對(duì)比度測(cè)量算子，并引入圖像局部的自相似性計(jì)算局部顯著圖，該過(guò)程不僅可以增強(qiáng)圖像目標(biāo)的視覺(jué)顯著性，同時(shí)還可以抑制噪聲，提高區(qū)域目標(biāo)的信噪比；最后，在顯著圖基礎(chǔ)上，利用簡(jiǎn)單的閾值操作就可以獲得真實(shí)目標(biāo)。定性定量實(shí)驗(yàn)結(jié)果表明，本文提出的方法與4種現(xiàn)有檢測(cè)算法相比，具有更高的檢測(cè)率、更低的虛警率和更少的檢測(cè)時(shí)間，是復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)的有效方法。

目標(biāo)檢測(cè)；弱小目標(biāo)；恒虛警率；自適應(yīng)閾值；局部對(duì)比度增強(qiáng)；視覺(jué)顯著圖

0 引言

眾所周知，紅外成像技術(shù)具有抗干擾、隱蔽性好、全天時(shí)、全天候等優(yōu)點(diǎn)，廣泛運(yùn)用在軍事領(lǐng)域和民用領(lǐng)域中，如防空探測(cè)、紅外制導(dǎo)、廣域監(jiān)控等[1]。然而，由于成像距離遠(yuǎn)，成像面積小，目標(biāo)在圖像中多以小目標(biāo)的形式存在，而且受到噪聲和背景雜波的影響，增加了目標(biāo)檢測(cè)和跟蹤的難度[2]。在紅外搜索跟蹤系統(tǒng)中，如何在復(fù)雜背景條件下實(shí)現(xiàn)對(duì)紅外弱小目標(biāo)穩(wěn)健的檢測(cè)與跟蹤具有重要的研究意義[3]。

一般來(lái)說(shuō)，大多數(shù)情況下的弱小目標(biāo)和背景的灰度分布具有差異性，明顯區(qū)別于其所在局部區(qū)域，因此大多數(shù)紅外弱小目標(biāo)檢測(cè)算法都是基于這一策略進(jìn)行，采用閾值分割法將小目標(biāo)分割出來(lái)，其經(jīng)典的方法有最大類(lèi)間方差法（OTSU）[4]、最大熵法和迭代法[5]等。由于目標(biāo)容易受噪聲、云層等背景干擾，傳統(tǒng)的常規(guī)算法容易出現(xiàn)漏檢，大大影響檢測(cè)的效率。紅外弱小目標(biāo)經(jīng)過(guò)多年的發(fā)展，已經(jīng)取得了長(zhǎng)足的進(jìn)展，如小波變換，匹配濾波，高通濾波器，貝葉斯目標(biāo)估計(jì)等[5-6]。這些方法無(wú)疑都是為了增強(qiáng)目標(biāo)與背景的差異性，提升檢測(cè)性能。

近年來(lái)，人類(lèi)視覺(jué)系統(tǒng)（HVS）已被引入到紅外小目標(biāo)檢測(cè)應(yīng)用中，獲得了非常好的檢測(cè)效果。根據(jù)人眼的視覺(jué)特性，在復(fù)雜背景區(qū)域中存在目標(biāo)的顯著區(qū)域往往能引起人眼的迅速注意，即可以快速準(zhǔn)確地識(shí)別視覺(jué)場(chǎng)中的顯著區(qū)域，其顯著性特征包括對(duì)比度，大小，尖銳性等，現(xiàn)有許多顯著區(qū)域檢測(cè)算法通過(guò)計(jì)算每個(gè)圖像子區(qū)域同其一定范圍內(nèi)的相鄰區(qū)域的對(duì)比度來(lái)度量該圖像子區(qū)域的顯著性。在HVS原理的基礎(chǔ)上，國(guó)內(nèi)外學(xué)者提出了一系列改進(jìn)方法。Kim等人在HVS特性基礎(chǔ)上，通過(guò)調(diào)整和最大化拉普拉斯尺度空間中的信噪比實(shí)現(xiàn)目標(biāo)信號(hào)的增強(qiáng)和背景雜波抑制[7]。Wang等人引入高斯濾波器差分信息提取目標(biāo)顯著區(qū)域，再利用具有高檢測(cè)精度和效率的視覺(jué)注意算法選擇出真正目標(biāo)[8]。文獻(xiàn)[9]提出了一種結(jié)合視覺(jué)注意理論的顯著性檢測(cè)算法，并在紅外目標(biāo)檢測(cè)中表現(xiàn)出了良好的性能和魯棒性。陳民浩等人提出了一種新的對(duì)比度測(cè)量算法的LCM檢測(cè)算法，提高了目標(biāo)顯著性，改善了圖像信噪比[10]。仿真實(shí)驗(yàn)結(jié)果顯示此類(lèi)顯著性目標(biāo)檢測(cè)算法比傳統(tǒng)檢測(cè)方法更有效。然而，當(dāng)圖像的噪聲和雜波較強(qiáng)時(shí)，大多數(shù)算法并不能得到滿意的檢測(cè)效果，且計(jì)算復(fù)雜性在某些方法中不能忽略[11-17]。

本文源于“國(guó)內(nèi)某機(jī)場(chǎng)對(duì)空弱小目標(biāo)監(jiān)控系統(tǒng)項(xiàng)目”，對(duì)闖入禁飛區(qū)的消費(fèi)級(jí)無(wú)人機(jī)等小目標(biāo)進(jìn)行檢測(cè)跟蹤。由于探測(cè)器所獲得的紅外圖像信雜比低、對(duì)比度差，目標(biāo)尺寸小，缺乏形狀、紋理等信息，背景也比較復(fù)雜，這使得紅外弱小目標(biāo)很難被有效地檢測(cè)出來(lái)。本文致力于提供一種檢測(cè)率高、誤報(bào)率低、處理時(shí)間短的紅外小目標(biāo)檢測(cè)方法，并在機(jī)場(chǎng)對(duì)空監(jiān)控項(xiàng)目中取得不錯(cuò)的檢測(cè)效果。

1 紅外圖像預(yù)處理

為了有效抑制紅外噪聲干擾，同時(shí)減少算法處理的時(shí)間復(fù)雜度，本文在微弱小目標(biāo)識(shí)別前對(duì)原始圖像進(jìn)行預(yù)處理。首先引入傳統(tǒng)的Top-hat形態(tài)學(xué)濾波對(duì)原始圖像進(jìn)行處理，有效增強(qiáng)圖像的信噪比。結(jié)合紅外圖像的性質(zhì)，本文結(jié)構(gòu)元素設(shè)置為3×7，圖1展示了形態(tài)學(xué)濾波后的結(jié)果，其中真實(shí)目標(biāo)用矩形標(biāo)注，假目標(biāo)則用小圓圈標(biāo)注。

圖1 疑似目標(biāo)預(yù)處理結(jié)果

在復(fù)雜背景中微弱小目標(biāo)檢測(cè)系統(tǒng)中，本文致力于獲取最優(yōu)目標(biāo)檢測(cè)概率，實(shí)現(xiàn)恒虛警，我們采用了基于恒虛警率的自適應(yīng)閾值操作。最終，我們能夠獲取一些潛在的目標(biāo)像素?；诤闾摼实淖赃m應(yīng)閾值定義如下：

＝－－1()(1)

式中：是自適應(yīng)閾值；是虛警概率；是標(biāo)準(zhǔn)正態(tài)分布函數(shù)；、是預(yù)處理圖像的均值與標(biāo)準(zhǔn)方差。給定預(yù)處理圖像大小×，其中(,)表示坐標(biāo)(,)的灰度值，因此，的計(jì)算公式如下：

在實(shí)際應(yīng)用中，閾值可以修改如下：

＝－－1()(4)

式中：是可控調(diào)節(jié)系數(shù)。若大于該閾值的像素灰度則考慮為疑似目標(biāo)。實(shí)際應(yīng)用過(guò)程中，可以采用重疊分塊處理的方式，提升精度，但會(huì)增加算法的時(shí)間復(fù)雜度。仿真實(shí)驗(yàn)可以看出，利用本文提出的自適應(yīng)閾值分割，可以找到一些疑似目標(biāo)，并排除大量的背景噪聲的干擾。接下來(lái)，將在獲取的疑似目標(biāo)區(qū)域進(jìn)行局部對(duì)比度增強(qiáng)，獲取相應(yīng)的局部顯著圖。

2 弱小目標(biāo)檢測(cè)

在低層次視覺(jué)注意力機(jī)制中，對(duì)比度是非常重要的影響因素?，F(xiàn)有的顯著區(qū)域檢測(cè)算法通過(guò)計(jì)算每個(gè)圖像子區(qū)域同其一定范圍內(nèi)的相鄰區(qū)域的對(duì)比度來(lái)度量該圖像子區(qū)域的顯著性。人類(lèi)視覺(jué)對(duì)比機(jī)制意味著它是目標(biāo)強(qiáng)度和背景強(qiáng)度之間的對(duì)比，但并不是依據(jù)目標(biāo)的亮度，該機(jī)制在人類(lèi)視覺(jué)注意力和整個(gè)目標(biāo)探測(cè)過(guò)程起著非常重要的作用[18]。為了突出目標(biāo)與背景的差異，我們需要做的是定義一種有效的局部對(duì)比度的度量方式，以便有效魯棒的獲取顯著圖。由于在預(yù)處理階段，已經(jīng)選擇出多個(gè)像素作為疑似目標(biāo)。因此，本章只需處理這些已被選擇的像素區(qū)域，大大減少時(shí)間復(fù)雜度。接下來(lái)，我們將詳細(xì)描述本文的算法和閾值的計(jì)算操作。

2.1 局部顯著圖

以0為中心定義一個(gè)圖像塊，其邊長(zhǎng)是0的3倍。因此，繞著0可以獲得8個(gè)不重疊的圖像塊V(＝1, …, 8)，其大小與0相同。在中，0的各個(gè)鄰域塊可以分別獲得其相應(yīng)的中值m，即：

式中：N是中值的數(shù)量，本文設(shè)置為8。不同于傳統(tǒng)LCM算法，LCM采用鄰域塊最大平均強(qiáng)度，而本文采用的是平均中值強(qiáng)度。周?chē)徲蚓哂休^高亮度的孤立背景噪聲的影響將被減弱，同時(shí)也將降低虛警率。同時(shí)，被檢測(cè)為真實(shí)目標(biāo)的概率被表示為顯著值。局部對(duì)比值定義為：

式中：(,)是圖像塊中的像素位置坐標(biāo)。以p為中心的區(qū)域是目標(biāo)的概率可以通過(guò)如下公式進(jìn)行計(jì)算：

2.2 閾值分割

一旦獲得所選擇像素的局部LCM，就可以在圖像中提出最顯著的目標(biāo)區(qū)域。為了消除噪聲的影響并準(zhǔn)確地提取目標(biāo)，我們對(duì)LCM進(jìn)行簡(jiǎn)單的閾值操作，其閾值如下：

＝×max(LSM) (12)

3 實(shí)驗(yàn)結(jié)果及其分析

試驗(yàn)采用某機(jī)場(chǎng)紅外監(jiān)控系統(tǒng)作為采集平臺(tái)，其探測(cè)器是采用高德紅外的C615M碲鎘汞中波紅外焦平面探測(cè)器。仿真平臺(tái)采用MATLAB(R2010a)， CPU為Core 2處理器：主頻2.94GHZ，內(nèi)存4G；操作系統(tǒng)：WINDOWS 10上運(yùn)行。

3.1 參數(shù)設(shè)置

為了評(píng)估本文提出的算法性能，本文采用了3段紅外視頻進(jìn)行處理，圖像大小為640×512的分辨率，幀頻50Hz。實(shí)驗(yàn)中，虛警設(shè)置為10－4，＝2.5，＝0.6。圖2(a)是原始紅外圖像；圖2(b)展示了可能的目標(biāo)像素；圖2(c)則是檢測(cè)的結(jié)果。從圖2可以看出，本文提出的算法在測(cè)試序列上檢測(cè)到的目標(biāo)沒(méi)有虛警。

圖2 紅外小目標(biāo)預(yù)處理結(jié)果：(a)原始紅外目標(biāo)；(b)預(yù)處理后的疑似目標(biāo)區(qū)域；(c)本文處理后的檢測(cè)結(jié)果

3.2 性能對(duì)比

本文采用統(tǒng)計(jì)所有紅外序列中檢測(cè)率（DR）和虛警率（FR）的平均概率，以驗(yàn)證我們所提出的方法的有效性，其結(jié)果如表1，表2所示。檢測(cè)率與虛警率分別定義如下：

從表2中各算法虛警率和檢測(cè)檢測(cè)率對(duì)比可以看出，我們提出的算法時(shí)效果最好的。

圖3則展示了本文所提出算法在不同場(chǎng)景檢測(cè)流程效果圖。定性對(duì)比可以看出，在恒虛警檢測(cè)算法的基礎(chǔ)上可以完全檢測(cè)出所需目標(biāo)，雖然第二行檢測(cè)出了虛假目標(biāo)，對(duì)于紅外監(jiān)控系統(tǒng)來(lái)說(shuō)，只要不漏檢，虛假目標(biāo)完全可以通過(guò)后續(xù)場(chǎng)的檢測(cè)進(jìn)行消除。同時(shí)，由于系統(tǒng)沒(méi)有目標(biāo)識(shí)別的功能，即便檢測(cè)出孤立的云朵等干擾點(diǎn)目標(biāo)，也是正常合理的，滿足弱小目標(biāo)檢測(cè)的應(yīng)用需求。

為了測(cè)試本文提出算法的有效性和實(shí)用性，Top-hat算法，最大均值濾波算法，DoG算法[17]以及LCM算法[10]被采用作為對(duì)比算法，其最終分割結(jié)果如圖4所示（由于所檢測(cè)目標(biāo)的對(duì)比度很微弱，難以在原圖中區(qū)分。為了便于分析，我們僅僅在最終的分割結(jié)果上進(jìn)行算法對(duì)比）。為了直觀地對(duì)比各算法的性能，約定矩形標(biāo)注的目標(biāo)為真實(shí)目標(biāo)，而圓圈標(biāo)注的則是虛假目標(biāo)。

為了準(zhǔn)確客觀地分析各算法的有效性，實(shí)驗(yàn)結(jié)果定性描述如下：Top-Hat算法由于采用全局的灰度變換，雖然能夠準(zhǔn)確找到小目標(biāo)的位置，但是當(dāng)信噪比較低時(shí)，則無(wú)法有效地檢測(cè)出弱小目標(biāo)。同時(shí)，從實(shí)驗(yàn)結(jié)果可以看到，即便背景比較平緩，目標(biāo)和背景的對(duì)比度較高，但是直接分割的效果并不好，主要是因?yàn)楸尘爸幸灿泻芏喔吡羺^(qū)域，使得檢測(cè)結(jié)果出現(xiàn)較大的虛假目標(biāo)。最大均值濾波都是一種非線性平滑技術(shù)，通過(guò)將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)沿不同方向的均值的最大值，其可以很好地保護(hù)細(xì)節(jié)信息，是經(jīng)典的顯著性增強(qiáng)弱小目標(biāo)并平滑噪聲的方法。從實(shí)驗(yàn)結(jié)果可以看出該算法的虛警主要出現(xiàn)在圖像的邊緣部分或云層區(qū)域，表明該算法對(duì)于邊緣確實(shí)很敏感；由于DoG算子對(duì)圖像中的背景邊緣和角點(diǎn)的響應(yīng)與對(duì)圖像中的亮點(diǎn)響應(yīng)截然不同，這一特點(diǎn)非常有利于運(yùn)用尺度空間算法檢測(cè)點(diǎn)狀的紅外小目標(biāo)，然而DoG算法對(duì)于局部噪聲和邊緣響應(yīng)比較敏感，所以給出的候選點(diǎn)中虛假目標(biāo)較多，同時(shí)該算法對(duì)復(fù)雜背景圖像的檢測(cè)效果不理想。LCM算法在局部信息上進(jìn)行了目標(biāo)的增強(qiáng)和背景的抑制，因此LCM算法對(duì)簡(jiǎn)單背景紅外小目標(biāo)圖像能夠得到較好的檢測(cè)效果，但是隨著圖像復(fù)雜度的增加，目標(biāo)的檢測(cè)概率和虛警概率會(huì)嚴(yán)重增大。從定性定量結(jié)果可以看出本文提出的檢測(cè)算法比LCM算法具有更高的檢測(cè)性能，對(duì)簡(jiǎn)單背景圖像和復(fù)雜背景圖像都具有更高的檢測(cè)概率和更低的虛警概率，大大地拓展了LCM算法在復(fù)雜背景下的適應(yīng)性。通過(guò)以上分析可以看出本文提出的算法在不同場(chǎng)景下目標(biāo)檢測(cè)的效果都優(yōu)于現(xiàn)有其他算法，統(tǒng)計(jì)數(shù)據(jù)定量的表明本文算法在處理復(fù)雜場(chǎng)景下微小目標(biāo)檢測(cè)的性能，為后續(xù)目標(biāo)跟蹤奠定了良好的基礎(chǔ)。

表1 不同紅外視頻上不同檢測(cè)算法的對(duì)應(yīng)目標(biāo)檢測(cè)率

表2 不同紅外視頻上不同檢測(cè)算法的對(duì)應(yīng)目標(biāo)虛警率

圖3 不同場(chǎng)景本文檢測(cè)算法檢測(cè)流程效果圖

圖4 各算法的定性檢測(cè)結(jié)果對(duì)比

3.3 真實(shí)場(chǎng)景仿真對(duì)比

針對(duì)禁飛區(qū)內(nèi)小型飛行器的目標(biāo)識(shí)別技術(shù)的需求日趨強(qiáng)烈，消費(fèi)級(jí)無(wú)人機(jī)具有低、慢、小的特點(diǎn)，必須針對(duì)小型飛行器的紅外成像特點(diǎn)，對(duì)典型的消費(fèi)級(jí)無(wú)人機(jī)識(shí)別分類(lèi)技術(shù)進(jìn)行研究，以充分發(fā)揮系統(tǒng)在復(fù)雜空域環(huán)境下的獨(dú)特作用。本文對(duì)大疆無(wú)人機(jī)（PHANTOM 3）進(jìn)行了檢測(cè)跟蹤，其結(jié)果如圖5所示。

圖5(b)和(c)中無(wú)人機(jī)在云中飛行，從圖中可以看出此時(shí)無(wú)人機(jī)的對(duì)比度較弱，極易淹沒(méi)在背景中，從實(shí)驗(yàn)過(guò)程表明本算法可以穩(wěn)定地檢測(cè)出復(fù)雜背景下的旋轉(zhuǎn)翼消費(fèi)級(jí)無(wú)人機(jī)。圖5(d)左上角是闖入視場(chǎng)的飛鳥(niǎo)，本算法也能將其檢測(cè)出來(lái)，這是由于系統(tǒng)沒(méi)有目標(biāo)識(shí)別的功能，檢測(cè)出飛鳥(niǎo)是正常的狀態(tài)。本文算法全過(guò)程能檢測(cè)出目標(biāo)，沒(méi)有出現(xiàn)漏檢，足以說(shuō)明本文算法適用于機(jī)場(chǎng)弱小目標(biāo)檢測(cè)。

圖5 系統(tǒng)對(duì)大疆無(wú)人機(jī)檢測(cè)效果

4 結(jié)論

本文在人類(lèi)視覺(jué)對(duì)比機(jī)制基礎(chǔ)上提出了一個(gè)有效的紅外弱小目標(biāo)檢測(cè)算法。利用基于恒虛警率的Top-hat濾波和自適應(yīng)閾值操作對(duì)原始圖像進(jìn)行預(yù)處理，得到疑似目標(biāo)區(qū)域，該步驟可大大減少計(jì)算時(shí)間，同時(shí)保持恒定的虛警概率的期望和可預(yù)測(cè)的檢測(cè)概率。定義了一種新穎有效的局部對(duì)比度測(cè)量算子，并引入圖像局部的自相似性計(jì)算局部顯著圖，該過(guò)程不僅可以增強(qiáng)圖像目標(biāo)的視覺(jué)顯著性，同時(shí)還可以抑制噪聲，提高區(qū)域目標(biāo)的信噪比；最后，在顯著圖基礎(chǔ)上，利用簡(jiǎn)單的閾值操作就可以獲得真實(shí)目標(biāo)。試驗(yàn)結(jié)果表明，本文提出的復(fù)雜空中背景下弱小目標(biāo)檢測(cè)算法在檢測(cè)率、虛警率以及檢測(cè)時(shí)間上都優(yōu)于現(xiàn)有常用檢測(cè)算法。

[1] 張風(fēng)超, 楊杰. 紅外圖像序列的目標(biāo)增強(qiáng)和檢測(cè)[J]. 紅外與激光工程, 2014, 33(4): 380-384.

ZHANG Fengchao, YANG Jie. Object enhancement and detection of infrared image sequences [J]., 2004, 33 (4): 380-384.

[2] 鄒江威, 陳曾平. 應(yīng)用形態(tài)學(xué)與圖像流法的空間小目標(biāo)提取方法[J]. 光電工程, 2005, 32(4): 13-15.

ZOU J W, CHEN Z P. Application of morphology and image flow in spatial small object extraction[J]., 2005, 32 (4): 13-15.

[3] 楊萬(wàn)海. 多傳感器數(shù)據(jù)融合及其應(yīng)用[M]. 西安: 西安電子科技大學(xué)出版社, 2004: 52-56.

YANG Wanhai.[M]. Xidian University Press, 2004: 52-56.

[4] Deshpande M, Er H, Ronda V, et al. Max-mean andmax-median filters for detection of small-targets[C]//, 1999, 3809: 74-83.

[5] XU Y. Small moving target detection in infrared image sequences[J]., 2004, 24(6): 27-30.

[6] Matthews K E, Namazi N M. A Bayes decision test for detection uncovered background and moving pixels in image sequences[J]., 1998, 7(5): 720-728.

[7] KIM Y, YANG Y, LEE J, et al. Small target detection utilizing robust methods of the human visual system for IRST[J]., 2009, 30(9): 994-1011.

[8] WANG X, LV G, XU L. Infrared dim target detection based on visual attention[J]., 2012, 55(6): 513-521.

[9] MA Qi, TAO C, YANG C C, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]., 2013, 10(3): 495-499.

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

[11] Chatfield K, Philbin J, Zisserman A. Efficient retrieval of deformable shape classes using local self-similarities[C]//, 2009: 264-271.

[12] Shechtman E, Ira M. Matching local self-similarities across images and videos[C]//, 2007: 1-8.

[13] GAO C, ZHANG T, LI Q. Small infrared target detection using sparse ring representation[J]., 2012, 27(3): 21-30.

[14] ZENG M, LI J, PENG Z. The design of top-hat morphological filter and application to infrared target detection[J]., 2006, 48(1): 67-76.

[15] HOU J C, DONG S. P. Research of adaptive threshold of constant false alarm detection[J].1994(7): 8-12.

[16] Sevg L. Hypothesis testing and decision making: constant-false-alarm rate detection[J]., 2009, 51(3): 218-224.

[17] Nilufar S, Ray N, ZHANG H. Object detection with DoG scalespace: a multiple kernel learning approach[J]., 2012, 21(8): 3744-3756.

Robust Small Dim Object CFA Detection Algorithm Based on Local Contrast Measure in Aerial Complex Background

YAO Zhaoxia1，XIE Tao2

(1.,,318000,; 2.,,710049,)

A robust and effective small dim object detection algorithm is the key to the success of an infrared tracking system. To help solve practical tracking problems, we propose a small dim infrared object detection algorithm with a high detection rate, a low false alarm rate, and a short processing time. First, using Top-hat filter and adaptive threshold operation based on a constant false alarm rate, original images are pre-processed to obtain the suspected object area, greatly reducing computation time and detection probability, while maintaining a constant false alarm probability. Second, we define a novel and effective local contrast measurement operator, and introduce a local self-similarity measure of a local saliency map, enhancing not only visual saliency, but also improving signal-to-noise ratio. Finally, a simple threshold operation in the saliency map can be used to detect the real object. Many simulation results show that our proposed algorithm is superior to existing detection algorithms in a complex background.

object detection，infrared small object，constant false alarm rate，adaptive threshold，local contrast enhancement，visual saliency map

TN219

A

1001-8891(2017)10-0940-06

2017-05-02；

2017-10-11 .

姚朝霞（1979-），男，湖南岳陽(yáng)人，博士，臺(tái)州職業(yè)技術(shù)學(xué)院講師，主要研究方向是智能控制應(yīng)用，模式識(shí)別，光機(jī)電一體化設(shè)計(jì)等。

民航聯(lián)合研究基金（U13331017）；浙江省科技廳基礎(chǔ)研究項(xiàng)目（016C21045）；高等學(xué)校訪問(wèn)學(xué)者專業(yè)發(fā)展項(xiàng)目（FX2012121）。