黃成++王紅梅

摘要： 為了實(shí)現(xiàn)紅外誘餌彈干擾下的紅外目標(biāo)檢測(cè)， 提出了一種基于相對(duì)位置的綜合決策算法。 該算法首先使用多尺度形態(tài)學(xué)去除背景和誘餌的高亮度影響， 在此基礎(chǔ)上分別進(jìn)行基于特征塊的閾值分割以及邊緣檢測(cè)， 根據(jù)目標(biāo)和誘餌的物理、 運(yùn)動(dòng)特征的差別分別檢測(cè)出候選目標(biāo)區(qū)域， 并對(duì)該區(qū)域進(jìn)行基于相對(duì)位置的綜合決策， 判定出真實(shí)目標(biāo)的位置。 結(jié)果表明， 使用基于相對(duì)位置的綜合決策得到的結(jié)果遠(yuǎn)優(yōu)于單獨(dú)使用這兩種方法得到的檢測(cè)結(jié)果。

關(guān)鍵詞： 紅外目標(biāo)檢測(cè)； 多尺度形態(tài)學(xué)； 特征塊； 邊緣檢測(cè)； 綜合決策

中圖分類號(hào)： TJ760； TP391.4文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 1673-5048（2017）05-0031-060引言

隨著紅外誘餌彈的普及和發(fā)展， 出現(xiàn)了各式各樣新型的大載荷、 大面積、 寬光譜的紅外誘餌彈[1]， 因此空中對(duì)抗的抗干擾能力顯得愈發(fā)重要， 如何在各種復(fù)雜背景以及干擾條件下檢測(cè)出目標(biāo)就成了當(dāng)下研究的重點(diǎn)和難點(diǎn)。

文獻(xiàn)[2]使用快速直方圖聚類后進(jìn)行雙映像后映射， 將目標(biāo)和干擾映射到不同的通道， 實(shí)現(xiàn)了干擾條件下目標(biāo)的識(shí)別和跟蹤。 文獻(xiàn)[3]利用目標(biāo)和干擾在不同波段下的信息差別， 實(shí)現(xiàn)了基于雙波段信息融合的紅外誘餌識(shí)別。 文獻(xiàn)[4]使用邊緣檢測(cè)的方法， 根據(jù)目標(biāo)和誘餌的幾何特征， 實(shí)現(xiàn)了紅外面目標(biāo)的識(shí)別。 文獻(xiàn)[5]基于多光譜與顯著性， 根據(jù)離差平方和準(zhǔn)則將目標(biāo)和干擾分類， 從而檢測(cè)出目標(biāo)。 文獻(xiàn)[6]基于譜尺度空間使用非負(fù)矩陣分解、 Gabor小波以及信息熵實(shí)現(xiàn)了復(fù)雜條件下紅外目標(biāo)的檢測(cè)。 此外， 還存在其他更加復(fù)雜的算法， 如小波自適應(yīng)濾波[7]、 模擬退火算法[8]等在復(fù)雜條件下識(shí)別出紅外目標(biāo)。

1相對(duì)位置的綜合決策方法

針對(duì)現(xiàn)有目標(biāo)和干擾檢測(cè)算法復(fù)雜及準(zhǔn)確性不高的問(wèn)題， 本文提出了一種基于相對(duì)位置的綜合決策方法， 對(duì)基于特征塊的閾值分割和邊緣檢測(cè)的結(jié)果進(jìn)行特征提取后綜合決策， 實(shí)現(xiàn)了干擾條件下目標(biāo)的檢測(cè)， 圖1為該算法流程。

圖1目標(biāo)與誘餌檢測(cè)流程圖

Fig.1The flow chart of target and decoy detection

收稿日期： 2017-03-30

基金項(xiàng)目： 國(guó)家自然科學(xué)基金項(xiàng)目（61401366）； 教育部留學(xué)回國(guó)人員科研啟動(dòng)基金（第50批）； 航空科學(xué)基金項(xiàng)目（20150153001）

作者簡(jiǎn)介： 黃成（1994-）， 男， 湖北當(dāng)陽(yáng)人， 碩士研究生， 研究方向?yàn)閳D像處理及目標(biāo)檢測(cè)和識(shí)別。

引用格式： 黃成， 王紅梅 . 干擾條件下的紅外目標(biāo)檢測(cè)方法研究[ J]. 航空兵器， 2017（ 5）： 31-36.

Huang Cheng， Wang Hongmei. Research on Infrared Target Detection Method under Jamming Condition[ J]. Aero Weaponry， 2017（ 5）： 31-36. （ in Chinese）2紅外圖像處理

由于干擾和復(fù)雜背景條件的特殊性， 常規(guī)的濾波等預(yù)處理工作在去除噪聲的同時(shí)會(huì)影響目標(biāo)的特征信息， 也會(huì)加強(qiáng)誘餌的干擾。 故本文使用多尺度形態(tài)學(xué)的方法， 充分利用不同大小結(jié)構(gòu)元素的優(yōu)點(diǎn)， 進(jìn)行形態(tài)學(xué)濾波， 有效消除背景和誘餌的高亮度干擾， 在此基礎(chǔ)上分別進(jìn)行閾值分割和邊緣檢測(cè)。

2.1基于多尺度形態(tài)學(xué)的預(yù)處理

形態(tài)邊緣檢測(cè)器主要使用形態(tài)梯度的思想[9]， 雖然對(duì)噪聲比較敏感， 但不會(huì)增強(qiáng)噪聲。

單尺度形態(tài)學(xué)梯度定義為

grad[f（x）]=（f⊕g）-（fΘg）（1）

式中： f為原始圖像； g為結(jié)構(gòu)元素； f⊕g表示利用結(jié)構(gòu)元素g對(duì)輸入圖像f進(jìn)行膨脹； fΘg表示利用結(jié)構(gòu)元素g對(duì)輸入圖像f進(jìn)行腐蝕。

結(jié)構(gòu)元素g的大小對(duì)單尺度形態(tài)學(xué)梯度算子的性能影響很大。 大的結(jié)構(gòu)元素會(huì)造成邊緣間相互影響， 可能使梯度極大值與邊緣不一致； 反之， 結(jié)構(gòu)元素過(guò)小會(huì)使提取的邊緣效果不好[10]。

使用多尺度形態(tài)學(xué)梯度算子， 可以綜合大結(jié)構(gòu)元素和小結(jié)構(gòu)元素各自的優(yōu)點(diǎn)。 假設(shè)Bi（0≤i≤n）為一組正方形結(jié)構(gòu)元素， Bi的大小為（2i+1）×（2i+1）個(gè)像素點(diǎn)， 則多尺度梯度定義為[11]

MG（f）=1n∑ni=0[（（f⊕Bi）-（fΘBi））ΘBi-1] （2）

2.2基于特征塊的閾值分割

基于特征塊的圖像配準(zhǔn)思想[12]提出的基于特征塊閾值分割法， 能夠有效分割出目標(biāo)區(qū)域， 減小噪聲干擾。 在圖像中選取大小為m×m的窗口， 定義評(píng)價(jià)函數(shù)：

F=α μ+（1-α）σ（3）

式中： μ， σ分別為窗口的灰度均值和標(biāo)準(zhǔn)差； α為調(diào)節(jié)因子。 選取圖像中評(píng)價(jià)函數(shù)值最大的窗口作為特征塊， 把該特征塊的灰度均值作為分割閾值， 這樣選取的特征塊包含的圖像細(xì)節(jié)較多， 且可以有效減少干擾。

2.3邊緣提取

使用數(shù)學(xué)形態(tài)學(xué)進(jìn)行預(yù)處理后去除了大量噪聲， 在此基礎(chǔ)上使用經(jīng)典的Sobel算子進(jìn)行邊緣檢測(cè)[13]， 進(jìn)而通過(guò)特征提取定位目標(biāo)區(qū)域。

3目標(biāo)與誘餌的檢測(cè)

3.1目標(biāo)的特征提取

航空兵器2017年第5期黃成， 等： 干擾條件下的紅外目標(biāo)檢測(cè)方法研究目標(biāo)釋放的干擾彈都在目標(biāo)附近， 盡管兩者在成像上有一定的相似度， 但是飛機(jī)目標(biāo)和誘餌的物理特性以及運(yùn)動(dòng)特性卻有所不同[14]， 所以本文提取以下特征并綜合起來(lái)區(qū)分目標(biāo)和誘餌。

（1） 像素意義下與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓長(zhǎng)軸與短軸之比（Rio）endprint

假設(shè)圖像中存在某一連通區(qū)域L， 該連通區(qū)域的質(zhì)心為（a， b）， 其所有邊界點(diǎn)的橫坐標(biāo)按逆時(shí)針順序存儲(chǔ)在向量X中， 其縱坐標(biāo)相應(yīng)地存儲(chǔ)在向量Y中， 邊界點(diǎn)總數(shù)為N。 下面計(jì)算該連通區(qū)域的歸一化二階中心矩：

令x=X-a， y=Y-b（4）

uxx=1N∑Ni=1x2i+112（5）

uyy=1N∑Ni=1y2i+112（6）

uxy=1N∑Ni=1xiyi（7）

C=（uxx-uyy）2+4u2xy （8）

式中： 1/12表示單位長(zhǎng)度像素的歸一化二階中心矩的大小。 那么等效橢圓的長(zhǎng)軸計(jì)算公式為

Axis（maj）=22·uxx+uyy+C（9）

等效橢圓的短軸計(jì)算公式為

Axis（min）=22·uxx+uyy-C（10）

則與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸與短軸之比為

Rio=Axis（maj）/Axis（min）（11）

該特征可以表征目標(biāo)的幾何形狀。

（2） 最小外接矩形長(zhǎng)寬比特征（CK）

根據(jù)目標(biāo)的邊界得到目標(biāo)的最小外接矩形[15]， 該矩形的長(zhǎng)寬比特征可以描述目標(biāo)繞其主軸的旋轉(zhuǎn)程度。

（3） 目標(biāo)面積的改變量（ΔS）

目標(biāo)面積的改變量可以描述目標(biāo)的運(yùn)動(dòng)速度和加速度[16]。

3.2候選目標(biāo)區(qū)域的檢測(cè)與定位

經(jīng)過(guò)閾值分割或者邊緣檢測(cè)后的圖像一定存在若干個(gè)連通區(qū)域。 假設(shè)經(jīng)過(guò)前期處理后的圖像為 f， 圖像 f 中有M個(gè)連通區(qū)域， 每個(gè)連通區(qū)域使用標(biāo)簽L=（L1， …， LM）來(lái)標(biāo)記[17]。 對(duì)每個(gè)連通區(qū)域分別計(jì)算Rio， CK和ΔS三個(gè)特征。 當(dāng)滿足下式時(shí)， 將該連通區(qū)域視為候選目標(biāo)區(qū)域：

Rio≤r， CK≤c， ΔS≤area（12）

式中： r為設(shè)定的與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓長(zhǎng)軸與短軸之比閾值， 當(dāng)Rio大于閾值r時(shí)， 視作非目標(biāo)區(qū)域； c為最小外接矩形長(zhǎng)寬比閾值， 受限于飛機(jī)目標(biāo)外形的不變性， CK的變化應(yīng)在閾值c的范圍內(nèi)； area為目標(biāo)面積改變量的閾值， 由于誘餌的擴(kuò)散作用， 其面積的變化較形狀固定的飛機(jī)目標(biāo)會(huì)更快， 所以此閾值對(duì)正確地分辨目標(biāo)和誘餌很重要。

無(wú)論是單目標(biāo)檢測(cè)還是多目標(biāo)檢測(cè)， 都需要計(jì)算出圖像中所有連通區(qū)域的特征， 在閾值范圍內(nèi)的連通區(qū)域都視作候選目標(biāo)區(qū)域， 參與最終的綜合決策， 以確定是否為真實(shí)目標(biāo)； 不在設(shè)定閾值范圍內(nèi)的連通區(qū)域則視作誘餌和背景干擾， 不再參與后面的綜合決策。

確定連通區(qū)域Lk（Lk∈L1， …， LM）為候選目標(biāo)區(qū)域后， 可根據(jù)其質(zhì)心位置（a， b）和邊界確定候選目標(biāo)的位置， 并用矩形框標(biāo)識(shí)。

需要注意的是， 根據(jù)特征的閾值范圍來(lái)分辨目標(biāo)和誘餌時(shí)， 可能會(huì)出現(xiàn)將特征相近的誘餌誤檢測(cè)為目標(biāo)的情況， 所以單獨(dú)使用每個(gè)檢測(cè)方法進(jìn)行目標(biāo)區(qū)域檢測(cè)時(shí)， 檢測(cè)出的候選區(qū)域并不一定是真實(shí)目標(biāo)。 為了解決這一問(wèn)題， 使用基于相對(duì)位置的綜合決策方法進(jìn)一步檢測(cè)出真實(shí)目標(biāo)， 剔除特征相近的誘餌干擾。

3.3目標(biāo)檢測(cè)綜合決策

分別使用基于特征塊的閾值分割和邊緣檢測(cè)方法對(duì)目標(biāo)進(jìn)行檢測(cè)， 再對(duì)兩種方法的檢測(cè)結(jié)果進(jìn)行基于相對(duì)位置的綜合決策， 可有效提高目標(biāo)的檢測(cè)概率。

圖2所示為采用基于特征塊的閾值分割獲取的候選連通區(qū)域（用矩形rec0標(biāo)識(shí)）和邊緣檢測(cè)獲取的候選連通區(qū)域（用矩形rec1標(biāo)識(shí)）。 這兩個(gè)矩形的左上角頂點(diǎn)坐標(biāo)分別為（r0， c0）和（r1， c1）， 圖2基于相對(duì)位置的綜合決策示意圖

Fig.2The figure of comprehensive decisionmaking based on relative position

矩形框的寬度分別為l0和l1， 矩形框的高度分別為h0和h1。

基于相對(duì)位置的綜合決策方法為

c0-c1

式中： c， l為設(shè)定的誤差閾值。 由于目標(biāo)和誘餌在物理特性和運(yùn)動(dòng)特性方面的不同， 通過(guò)基于特征塊的閾值分割和邊緣檢測(cè)的方法對(duì)誘餌的檢測(cè)區(qū)域會(huì)有較大的差別； 而對(duì)于特征穩(wěn)定的飛機(jī)目標(biāo)， 兩種方法的檢測(cè)結(jié)果區(qū)域應(yīng)該近似重合。 當(dāng)這兩種方法的候選目標(biāo)區(qū)域滿足式（13）時(shí)， 便可確定出真實(shí)目標(biāo)區(qū)域， 最終目標(biāo)區(qū)域的位置可用最小矩形標(biāo)識(shí)出：

box=r0+r12， c0+c12， h0+h12， l0+l12（14）

式中： box用來(lái)存儲(chǔ)矩形的各個(gè)參數(shù)， 從左至右分別為矩形的左上角頂點(diǎn)的橫、 縱坐標(biāo)， 矩形框的高度和寬度。

4實(shí)驗(yàn)結(jié)果與分析

本文通過(guò)實(shí)測(cè)紅外圖像序列來(lái)驗(yàn)證算法的有效性， 并采用誤檢率作為檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)：

PL=NLN×100% （15）

式中： NL為將誘餌誤檢測(cè)為目標(biāo)的數(shù)目； N為序列圖像中出現(xiàn)的真實(shí)目標(biāo)的數(shù)目。 誤檢率的大小能表征算法正確檢測(cè)目標(biāo)和誘餌的能力。

對(duì)干擾條件下的紅外面目標(biāo)進(jìn)行檢測(cè)的結(jié)果見(jiàn)圖3。 圖3（a）為待檢測(cè)序列中的一幀圖像； 圖3（b）為使用多尺度形態(tài)學(xué)進(jìn)行預(yù)處理后的結(jié)果， 可以看出， 誘餌的高亮度干擾被有效地消除； 圖3（c）為對(duì)預(yù)處理后的圖像進(jìn)行基于特征塊分割后得到的結(jié)果； 圖3（d）為對(duì)預(yù)處理后的圖像進(jìn)行邊緣檢測(cè)得到的結(jié)果； 圖3（e）～（f）分別為對(duì)圖3（c）～（d）進(jìn)行特征提取后檢測(cè)到目標(biāo)區(qū)域的結(jié)果； 圖3（g）是對(duì)圖3（e）～（f）的檢測(cè)結(jié)果采用基于相對(duì)位置的綜合決策后得到的目標(biāo)區(qū)域。 實(shí)驗(yàn)結(jié)果表明， 基于相對(duì)位置的綜合決策方法能有效排除誘餌的干擾。

圖4為對(duì)共70幀的紅外圖像序列進(jìn)行檢測(cè)后得到的第15， 27， 37， 48幀的檢測(cè)結(jié)果。

表1為單獨(dú)使用基于特征塊的閾值分割得到的目標(biāo)檢測(cè)誤檢率、 單獨(dú)使用邊緣檢測(cè)得到的目標(biāo)檢測(cè)誤檢率以及基于相對(duì)位置綜合決策得到的圖3紅外面目標(biāo)檢測(cè)結(jié)果

Fig.3Detection results of infrared surface target

圖4圖像序列中第15， 27， 37， 48幀的目標(biāo)檢測(cè)結(jié)果

Fig.4Target detection results of 15th， 27th， 37th， 48th frame

誤檢率的比較。 在70幀紅外圖像中， 基于特征塊的閾值分割方法在檢測(cè)出正確目標(biāo)的同時(shí)， 共有28幀出現(xiàn)將干擾彈識(shí)別為目標(biāo)的情況； 基于邊緣檢測(cè)的方法有54幀； 而綜合決策只有1幀出現(xiàn)了誤檢測(cè)的情況。 從實(shí)驗(yàn)結(jié)果可以看出： 綜合決策檢測(cè)的結(jié)果遠(yuǎn)好于單獨(dú)決策檢測(cè)結(jié)果。

表1單獨(dú)決策與綜合決策誤檢率的比較

Table 1False detection rate comparison of

individual decisionmaking and

comprehensive decisionmaking方法誤檢率基于特征塊的閾值分割40.0%邊緣檢測(cè)77.1%基于相對(duì)位置的綜合決策1.4%

綜合決策算法不僅適用于單目標(biāo)檢測(cè)， 也適用于多目標(biāo)檢測(cè)。 無(wú)論是單目標(biāo)還是多目標(biāo)， 只要連通區(qū)域的特征滿足設(shè)定的閾值， 就會(huì)把該連通區(qū)域作為候選目標(biāo)區(qū)域（點(diǎn)線窗口： 基于特征塊的閾值分割方法； 虛線窗口： 邊緣檢測(cè)方法）。 只有通過(guò)基于相對(duì)位置的綜合決策才會(huì)進(jìn)一步判定候選目標(biāo)區(qū)域是否為真實(shí)目標(biāo)， 從而剔除虛假目標(biāo)。 圖5為使用綜合決策算法對(duì)多目標(biāo)進(jìn)行檢測(cè)的結(jié)果。

圖5多目標(biāo)檢測(cè)結(jié)果

Fig.5Multitargets detection results

前文驗(yàn)證分析所采用的圖像序列中， 目標(biāo)與誘餌的形態(tài)特征差別較大， 檢測(cè)效果較好。 但飛機(jī)目標(biāo)通常處于不斷機(jī)動(dòng)的狀態(tài)， 當(dāng)目標(biāo)的姿態(tài)和誘餌的形態(tài)較接近時(shí)， 該算法也能較好地檢測(cè)出目標(biāo)。

圖6（a）中目標(biāo)姿態(tài)相較于圖4有了明顯的變化， 目標(biāo)和誘餌在視覺(jué)上相似性更大， 基于特征塊的閾值分割（點(diǎn)線窗口）和基于邊緣檢測(cè)（虛線窗口）兩種方法均出現(xiàn)了將誘餌識(shí)別為目標(biāo)的情況， 但兩種方法對(duì)同一誘餌檢測(cè)出的區(qū)域位置有明顯的不同。 利用基于相對(duì)位置的綜合決策條件的約束， 就可以將誘餌干擾排除， 得到如圖6（b）所示的綜合決策檢測(cè)區(qū)域。 實(shí)驗(yàn)結(jié)果表明， 綜合決策算圖6目標(biāo)與誘餌形態(tài)相近時(shí)的檢測(cè)結(jié)果

Fig.6The detecting results when the shape and attitude of target and decoy are similar

法在目標(biāo)的各種姿態(tài)下都能較好地檢測(cè)出目標(biāo)。

5結(jié)論

本文采用基于相對(duì)位置的綜合決策方法實(shí)現(xiàn)了干擾條件下的紅外目標(biāo)檢測(cè)。 首先使用多尺度形態(tài)學(xué)去除誘餌和背景的高亮度影響， 只保留邊緣信息， 在此基礎(chǔ)上分別進(jìn)行基于特征塊的閾值分割和邊緣檢測(cè)， 根據(jù)這兩種方法對(duì)提取誘餌特征時(shí)產(chǎn)生的區(qū)別使用基于相對(duì)位置的綜合決策排除掉誘餌的干擾。 實(shí)驗(yàn)結(jié)果表明： 多尺度形態(tài)學(xué)方法不僅可以檢測(cè)邊緣， 也可去除復(fù)雜背景下大面積云層的干擾， 有利于提高目標(biāo)檢測(cè)的精度； 本文的綜合決策算法不僅適用于面目標(biāo)的檢測(cè)， 對(duì)具有一定特征的小目標(biāo)也能夠取得較高的檢測(cè)精度； 此外， 本文算法處理每幀平均耗時(shí)0.35 s左右， 相較于其他復(fù)雜算法實(shí)時(shí)性較好。

此外， 本文算法還存在一些不足之處。 當(dāng)獨(dú)立檢測(cè)算法中的一種算法檢測(cè)出候選目標(biāo)區(qū)域， 而另一種算法未檢測(cè)出相應(yīng)候選目標(biāo)區(qū)域時(shí)， 使用綜合決策算法后該目標(biāo)區(qū)域?qū)⒈惶蕹?若該區(qū)域?yàn)檎鎸?shí)目標(biāo)， 則會(huì)造成目標(biāo)丟失， 解決此問(wèn)題的方法是根據(jù)前幾幀中真實(shí)目標(biāo)的位置信息來(lái)估算當(dāng)前幀的目標(biāo)位置并進(jìn)行標(biāo)記； 此外， 對(duì)于特征不明顯的點(diǎn)目標(biāo)， 在誘餌干擾下進(jìn)行檢測(cè)還存在一定的局限性。 未來(lái)工作中， 如何進(jìn)一步提高本文算法的魯棒性以及適配到不同的目標(biāo)檢測(cè)也是需要努力的方向。

參考文獻(xiàn)：

[1] 閆曉珂， 鄭均杰. 反艦長(zhǎng)波紅外成像導(dǎo)引頭誘餌彈識(shí)別算法[J]. 紅外與激光工程， 2012， 41（10）： 2583-2587.

Yan Xiaoke， Zheng Junjie. SurfaceType Decoy Recognition for Long Wave Infrared Imaging Seeker Based on AntiShip Missile[J]. Infrared and Laser Engineering ， 2012， 41（10）： 2583-2587. （in Chinese）

[2] 蘇冠華. 紅外成像目標(biāo)識(shí)別跟蹤算法研究[D]. 北京： 清華大學(xué)， 2011： 1-2.

Su Guanhua. Research on the Tracking and Recognizing Algorithm for Infrared Target [D]. Beijing： Tsinghua University， 2011： 1-2. （in Chinese）

[3] Yang Songqi， Wang Bingjian， Yi Xiang， et al. Infrared Decoys Recognition Method Based on DualBand Information Fusion[J]. Infrared Physics & Technology， 2014， 67： 542-546.endprint

[4] 楊松啟. 紅外制導(dǎo)技術(shù)中的誘餌識(shí)別算法研究[D]. 西安： 西安電子科技大學(xué)， 2014： 34-37.

Yang Songqi. A Study of Decoy Recognition Methods in Infrared Guided Technology[D]. Xian： Xidian University， 2014： 34-37. （in Chinese）

[5] 顧章源， 劉達(dá)， 李建勛， 等. 基于多光譜與顯著性的紅外弱小目標(biāo)融合檢測(cè)[J]. 航空兵器， 2016（2）： 47-51.

Gu Zhangyuan， Liu Da， Li Jianxun， et al. Fusion and Detection of Infrared Dim and Small Targets Based on MultiSpectral and Saliency[J]. Aero Weaponry， 2016（2）： 47-51.（in Chinese）

[6] Xin Yunhong， Zhou Jiao， Chen Yishuan. Dual MultiScale Filter with SSS and GW for Infrared Small Target Detection[J]. Infrared Physics & Technology， 2017， 81： 97-108.

[7] 孫國(guó)棟， 吉書鵬， 周楨. 小波域自適應(yīng)濾波的紅外弱小目標(biāo)檢測(cè)[J]. 航空兵器， 2011（3）： 20-23.

Sun Guodong， Ji Shupeng， Zhou Zhen. Dim Small IR Target Detection Based on the Wavelet Domain Adaptive Filtering[J]. Aero Weaponry， 2011（3）： 20-23. （in Chinese）

[8] 曾萬(wàn)梅， 吳慶憲， 姜長(zhǎng)生. 基于模擬退火算法的空中目標(biāo)識(shí)別[J]. 航空兵器， 2008（6）： 28-31.

Zeng Wanmei， Wu Qingxian， Jiang Changsheng. Air Target Recognition Based on Simulated Annealing Algorithm[J]. Aero Weaponry， 2008（6）： 28-31. （in Chinese）

[9] Evans A N， Liu X U. A Morphological Gradient Approach to Color Edge Detection[J]. IEEE Transactions on Image Processing， 2006， 15（6）： 1454-1463.

[10] 徐康為. 基于多尺度形態(tài)學(xué)的運(yùn)動(dòng)目標(biāo)邊緣檢測(cè)算法研究[J]. 電子技術(shù)與軟件工程， 2016（1）： 105-106.

Xu Kangwei. Research on Moving Target Edge Detection Algorithm Based on MultiScale Morphology[J]. Electronic Technology & Software Engineering， 2016（1）： 105-106.（in Chinese）

[11] Zhang Yu， Bai Xiangzhi， Wang Tao. Boundary Finding Based MultiFocus Image Fusion through MultiScale Morphological FocusMeasure[J]. Information Fusion， 2016， 35： 81-101.

[12] 李建成， 劉興淼， 潘偉全， 等. 動(dòng)態(tài)背景下的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 光電工程， 2013， 40（3）： 1-6.

Li Jiancheng， Liu Xingmiao， Pan Weiquan， et al. A Method of Infrared Image Moving Object Detection on Dynamic Background[J]. OptoElectronic Engineering， 2013， 40（3）： 1-6. （in Chinese）

[13] 李言俊， 張科. 景象匹配與目標(biāo)識(shí)別技術(shù)[M]. 西安： 西北工業(yè)大學(xué)出版社， 2009： 84-86.

Li Yanjun， Zhang Ke. Scene Matching and Target Recognition Technology[M].Xian： Northwestern Polytechnical University Press， 2009： 84-86. （in Chinese）

[14] 楊衛(wèi)平， 王煒華， 沈振康. 目標(biāo)與誘餌紅外特性及其識(shí)別技術(shù)研究[J]. 紅外與激光工程， 2006， 35（S）： 239-247.

Yang Weiping， Wang Weihua， Shen Zhenkang. Infrared Features and Recognition for Target and Decoy[J]. Infrared and Laser Engineering， 2006， 35（S）： 239-247. （in Chinese）

[15] 盧蓉， 范勇， 陳念年， 等. 一種提取目標(biāo)圖像最小外接矩形的快速算法[J]. 計(jì)算機(jī)工程， 2010， 36（21）： 178-180.endprint

Lu Rong， Fan Yong， Chen Niannian， et al. Fast Algorithm for Extracting Minimal Enclosing Rectangle of Target Image[J]. Computer Engineering， 2010， 36（21）： 178-180.（in Chinese）

[16] 王永義. 復(fù)雜背景下弱小目標(biāo)的特征提取與識(shí)別[D]. 長(zhǎng)沙： 國(guó)防科學(xué)技術(shù)大學(xué)， 2007： 38-39.

Wang Yongyi. The Feature Extraction and Recognition for Small Target under Complex Background[D]. Changsha： National University of Defense Technology， 2007： 38-39. （in Chinese）

[17] 石文君， 王登位， 徐海全， 等. 復(fù)雜動(dòng)態(tài)背景下的紅外運(yùn)動(dòng)多目標(biāo)跟蹤與檢測(cè)[J]. 光電工程， 2010， 37（1）： 49-54.

Shi Wenjun， Wang Dengwei， Xu Haiquan， et al. Tracking and Detection of Moving Infrared MultiTarget in Complex Dynamic Background[J]. OptoElectronic Engineering， 2010， 37（1）： 49-54. （in Chinese）

Research on Infrared Target Detection

Method under Jamming Condition

Huang Cheng1， 2， Wang Hongmei1， 2

（1. School of Astronautics， Northwestern Polytechnical University， Xian 710072， China；

2. National Key Laboratory of Aerospace Flight Dynamics， Xian 710072， China）

Abstract： In order to detect the infrared target under infrared decoy jamming， a comprehensive decisionmaking algorithm based on relative position is proposed. The multiscale morphological method is used to remove the high brightness of the background and decoys. The threshold segmentation based on the feature block and edge detection are carried out to detect the candidate target area according to the difference of physical and movement characteristics of target and decoys. Using the comprehensive decisionmaking method by relative position to detect the candidate target area， and the real target position is obtained. The experimental results show that the comprehensive decisionmaking method based on relative position is much better than other methods.

Key words： infrared target detection； multiscale morphology； feature block； edge detection； comprehensive decisionmaking

Oppressive jamming will incapacitate its normal function for phased array radar。 for this problem， the basic of polarization mismatch will be used， and isolate the interference source at the receiver， improve the ability of antiinterference. In this paper， a joint beamforming technique for polarization and spatial domain is first proposed， which is derive， which is a problem of secondorder cone programs， to obtain the polarized beam with a null and polarization constraint in desired sidelobe region. Numerical examples are provided to demonstrate the usefulness and effectiveness of the proposed approaches.

Polarization； interference rejection； phased array radar0引言endprint