郝爭(zhēng)輝 ，王 高

（1.中北大學(xué)儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，太原 030051；2.電子測(cè)試技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，太原 030051）

0 引言

瞄準(zhǔn)設(shè)備是武器的重要構(gòu)成部分，它性能的差異會(huì)直接導(dǎo)致射擊的準(zhǔn)確性［1］。因此，如何使瞄準(zhǔn)系統(tǒng)能快速、精準(zhǔn)地輔助武器射擊目標(biāo)是問題的關(guān)鍵?？焖賹?duì)目標(biāo)定位、校準(zhǔn)武器角度是瞄準(zhǔn)系統(tǒng)輔助武器精確打擊的重點(diǎn)與難點(diǎn)。而目標(biāo)檢測(cè)算法是瞄準(zhǔn)系統(tǒng)中的關(guān)鍵部分。

紅外小目標(biāo)檢測(cè)算法有小波變換、空域?yàn)V波、Top-hat、機(jī)器學(xué)習(xí)法等，但是許多方法依然存在著需要先驗(yàn)條件較多、復(fù)雜度高等問題。文獻(xiàn)［2］中提出基于自適應(yīng)噪聲平滑與空間濾波的背景雜波抑制算法，該方法是針對(duì)單像素進(jìn)行模板操作，其中濾波器模板在運(yùn)算中尺寸固定，且要提前設(shè)定。文獻(xiàn)［3］使用的Top-hat算法雖然計(jì)算速度較快，但要求對(duì)目標(biāo)物結(jié)構(gòu)元素尺寸進(jìn)行確定后才能計(jì)算。文獻(xiàn)［4］提出一種利用局部灰度均值來確定圖像中紅外目標(biāo)的尺寸與其對(duì)應(yīng)位置信息的算法，但復(fù)雜度較高，其檢測(cè)速度有待進(jìn)一步提高。文獻(xiàn)［5］中提出了一種新的對(duì)比度衡量標(biāo)準(zhǔn)LCM。但是當(dāng)圖像中有高亮度的背景區(qū)域存在時(shí)，目標(biāo)即使經(jīng)過增強(qiáng)后，仍然低于高亮度背景區(qū)域的亮度，從而使得檢測(cè)率降低。

LoG算子可以有效地將圖像中含有的斑點(diǎn)區(qū)域檢測(cè)出來［5］，適用于找出圖像中疑似目標(biāo)存在的區(qū)域。本文應(yīng)用LoG算子檢測(cè)出圖像中疑似目標(biāo)存在的區(qū)域，紋理對(duì)比度進(jìn)行疑似區(qū)域的判別得到目標(biāo)所在區(qū)域。最后對(duì)目標(biāo)進(jìn)行分割特征提取，利用光學(xué)系統(tǒng)的幾何特性計(jì)算出需要校正的角度。

1 目標(biāo)位置定位及計(jì)算校正度數(shù)

1.1 算子原理

高斯-拉普拉斯由Marr等提出，主要原理先將視頻序列通過高斯濾波器抑制序列圖像中存在的高斯噪聲，接下來利用拉普拉斯變換來突出圖像中部分區(qū)域灰度信息劇烈變化的細(xì)節(jié)。LoG算子可以將圖像中含有的特征點(diǎn)檢測(cè)出來，該特征點(diǎn)一般是指和周圍區(qū)域存在一定的灰度或顏色差異［6］。

對(duì)于圖像f（x，y），高斯濾波由輸入圖像與高斯核進(jìn)行卷積得到：

其中，高斯核函數(shù)為：

σ為高斯正態(tài)分布的方差。

進(jìn)一步使用拉普拉斯變換對(duì)圖像進(jìn)行處理：

整理得：

依據(jù)Δ算子與卷積的性質(zhì)，應(yīng)先計(jì)算LoG算子，然后再與圖像進(jìn)行求卷積，表示為：

當(dāng)LoG算子尺度與高斯目標(biāo)特征點(diǎn)尺度相等時(shí)，此時(shí)所得到的響應(yīng)值達(dá)到最大。因此，需要多次采用不同尺度下的LoG算子來對(duì)目標(biāo)進(jìn)行檢測(cè)，最后從中取最大響應(yīng)值的LoG算子對(duì)圖像進(jìn)行目標(biāo)特征點(diǎn)檢測(cè)。

1.2 加權(quán)紋理對(duì)比度

紋理特征是描述與辨別物體的一種十分重要的特征，能夠?qū)D像當(dāng)中的一些灰度信息量化。它描述了反復(fù)出現(xiàn)在圖像中局部形式與排列組合的規(guī)則，可以用來描述灰度值變化的規(guī)律。因此，圖像的組合是由不同的紋理區(qū)域構(gòu)成的［7］。

灰度共生矩陣是由輸入圖像灰度矩陣中2個(gè)像素灰度級(jí)之間聯(lián)合分布的統(tǒng)計(jì)形式體現(xiàn)，是對(duì)2個(gè)像素點(diǎn)在一定的距離與方向上聯(lián)合概率統(tǒng)計(jì)的分布情況。利用該矩陣可以將紋理在灰度級(jí)空間中的一些相關(guān)性規(guī)律良好地反應(yīng)出來?？蓪⒒叶裙采仃嚩x為：假設(shè)圖像的某一區(qū)域內(nèi)含有N個(gè)灰度值，那么該區(qū)域所對(duì)應(yīng)灰度共生矩陣是N×N階的矩陣PN×N，灰度為i的點(diǎn)離開特定位置關(guān)系d到灰度為j的概率。為灰度共生矩陣。L為圖像的灰度級(jí)，i，j分別為圖像的灰度。d為圖像中兩個(gè)像素的空間位置關(guān)系。兩個(gè)像素間的距離與方向由d決定。方向通常取4個(gè)方向。為了方便分析，先將灰度共生矩陣進(jìn)行歸一化得到共生矩陣。其中對(duì)比度特征是用來刻畫溝紋的深淺程度。圖像中所包含的溝紋比較深，所求出的對(duì)比度就越大。像素間灰度值差別較大的，所得的對(duì)比度也較大［8-9］。

因?yàn)樗鶛z測(cè)的目標(biāo)物在圖像中所占像素較少，所以對(duì)整幅圖像進(jìn)行對(duì)比度計(jì)算來檢測(cè)目標(biāo)效果較差。因此，本文采用對(duì)圖像矩陣先進(jìn)行分塊，將其分為p×q塊圖像的區(qū)域矩陣來計(jì)算。其中p，q的大小根據(jù)所檢測(cè)的目標(biāo)大小及圖像的尺寸來確定。其次計(jì)算圖像的灰度共生矩陣并生成相應(yīng)的對(duì)比度矩陣，利用極大值的位置來判斷目標(biāo)可能所在的區(qū)域。由于僅用對(duì)比度矩陣缺少原始圖像的灰度信息，因此，對(duì)所需檢測(cè)目標(biāo)效果不佳。文中采用方差加權(quán)對(duì)比度來判斷該子圖像區(qū)域內(nèi)是否含有檢測(cè)的目標(biāo)物。計(jì)算圖像每個(gè)子區(qū)域內(nèi)的灰度值方差var與對(duì)應(yīng)的該區(qū)域內(nèi)的對(duì)比度CON（權(quán)值），將它們相乘得到灰度方差加權(quán)紋理對(duì)比度：

1.3 計(jì)算校正度數(shù)

圖1 熱像儀測(cè)角示意圖

2 算法檢測(cè)步驟

在預(yù)處理階段應(yīng)采用中值濾波的方法降低由于電路、傳感器等系統(tǒng)噪聲。然后對(duì)輸入圖像分別使用LoG算子與灰度方差加權(quán)紋理對(duì)比度進(jìn)行計(jì)算，其中利用LoG算子用于檢測(cè)圖像中的斑點(diǎn)與紋理對(duì)比度極大值的區(qū)域，作為疑似區(qū)域并將其區(qū)域圖像分割再次判定。最后對(duì)目標(biāo)進(jìn)行分割提取，計(jì)算出其重心、邊界位置通過幾何光學(xué)特性來計(jì)算校正度數(shù)。

1）首先對(duì)圖像序列通過中值濾波器，以除去由電路、傳感器等所產(chǎn)生的噪聲。

2）LoG算子斑點(diǎn)檢測(cè)

利用LoG算子對(duì)圖像進(jìn)行檢測(cè)斑點(diǎn)，可以將整幅圖像中的疑似目標(biāo)存在的區(qū)域斑點(diǎn)檢測(cè)出來。并將檢測(cè)出斑點(diǎn)區(qū)域的重心點(diǎn)求出。通過檢測(cè)以后有效地排除大部分區(qū)域，而剩下具有較強(qiáng)對(duì)比度的部分區(qū)域，需要通過下面的步驟過濾。

3）分塊計(jì)算灰度方差加權(quán)紋理對(duì)比度矩陣

將整幅圖像矩陣先進(jìn)行分塊處理，子圖像區(qū)域?yàn)镸×N的矩陣。再對(duì)每一塊子區(qū)域圖像進(jìn)行灰度方差紋理對(duì)比度的計(jì)算，從而得到整幅圖像的灰度方差加權(quán)紋理對(duì)比度矩陣。利用灰度方差加權(quán)紋理對(duì)比度矩陣，能夠精確地描述圖像在局部的灰度變化與紋理對(duì)比度的變化，如果圖像中局部出現(xiàn)斑點(diǎn)或者對(duì)比度出現(xiàn)較大的變化，都可以由通過矩陣中極大值將其位置檢測(cè)出來。由于圖像背景中的物體在灰度值上屬于漸變，所以物體的邊緣會(huì)導(dǎo)致紋理對(duì)比度矩陣產(chǎn)生波動(dòng)，但是與目標(biāo)區(qū)域的紋理對(duì)比度值相比就可以忽略不計(jì)，然后將疑似目標(biāo)濾除。

4）結(jié)合步驟2）與步驟3）中的結(jié)果確定目標(biāo)區(qū)域

通過判斷含有方差紋理對(duì)比度峰值的子圖像區(qū)域是否含有由LoG算子檢測(cè)出的斑點(diǎn)區(qū)域重心。

5）對(duì)目標(biāo)區(qū)域分割

通過對(duì)目標(biāo)存在的子區(qū)域采用Otsu算法，從而將目標(biāo)分割出來，并計(jì)算出目標(biāo)的重心位置、邊界區(qū)域等信息。

6）對(duì)目標(biāo)進(jìn)行角度校正

利用分割計(jì)算出的目標(biāo)重心，及邊界范圍來計(jì)算瞄準(zhǔn)目標(biāo)所需要校正的角度。

3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)選取尺寸為201×303的小動(dòng)物紅外圖像，圖像中目標(biāo)一般在10個(gè)像素左右。目標(biāo)在區(qū)域內(nèi)移動(dòng)，這種條件下相隔幀較大時(shí)目標(biāo)在圖像中的大小變化比較明顯，如圖2所示。

圖2 目標(biāo)紅外圖像

如圖3所示適當(dāng)選取LoG算子的計(jì)算參數(shù)，將得到良好的檢測(cè)結(jié)果。經(jīng)過該算子斑點(diǎn)檢測(cè)后，過濾掉大量的背景區(qū)域得到幾處疑似目標(biāo)存在的區(qū)域。為了后續(xù)簡(jiǎn)化計(jì)算，得到疑似目標(biāo)存在區(qū)域的重心坐標(biāo)。

圖3 檢測(cè)出的區(qū)域及重心

求紋理對(duì)比度時(shí)圖像采用3×3的子圖像來進(jìn)行計(jì)算，其中子圖像的大小根據(jù)實(shí)際情況下的圖像尺寸與目標(biāo)來進(jìn)行選取。由于區(qū)域圖像中斑點(diǎn)的存在，使得該區(qū)域?qū)Ρ榷让黠@比其他區(qū)域要強(qiáng)。而且區(qū)域子圖像內(nèi)灰度值之間的差別比較大，這也使得其方差變大。如圖4所示，灰度方差加權(quán)紋理對(duì)比度矩陣同時(shí)利用兩個(gè)方面指標(biāo)，可以有效地得到區(qū)域圖像中極大值的位置（疑似目標(biāo)區(qū)域）。

圖4 分塊計(jì)算圖像的灰度方差加權(quán)紋理對(duì)比度

4 分塊計(jì)算圖像的灰度方差加權(quán)紋理對(duì)比度

表1 紋理對(duì)比度的峰值坐標(biāo)

從表1中檢測(cè)結(jié)果可以看出，目標(biāo)區(qū)域的重心點(diǎn)都在紋理對(duì)比度矩陣的峰值區(qū)域內(nèi)。利用LoG算子與灰度方差加權(quán)紋理對(duì)比度進(jìn)行計(jì)算，可以有效檢測(cè)出目標(biāo)所在的區(qū)域。本文采用Top-hat算法與文獻(xiàn)［11］中的算法作為紅外目標(biāo)檢測(cè)的比較算法。分別運(yùn)用這3種算法對(duì)紅外圖像中的目標(biāo)進(jìn)行分割提取，如圖5所示。

圖5 目標(biāo)分割

從上述分割結(jié)果可以看出利用Top-hat算法對(duì)圖像中的目標(biāo)進(jìn)行提取時(shí)，由于圖像背景中存在盆栽與籠子等物體，使得背景變得不平滑，從而在利用該算法進(jìn)行檢測(cè)時(shí)，得到許多偽目標(biāo)點(diǎn)。文獻(xiàn)［7］中的算法雖然在一定程度上抑制了背景不平滑所帶來的問題，但還是將盆栽與籠子在較亮背景下的邊緣部分檢測(cè)出來了。而本文算法利用LoG算子檢測(cè)出圖像中疑似目標(biāo)存在的區(qū)域，紋理對(duì)比度進(jìn)行疑似區(qū)域的判別，得到目標(biāo)所在區(qū)域?？梢钥闯霰疚乃惴ㄔ诒尘安黄交臈l件下，檢測(cè)出圖像中的小目標(biāo)。

利用圖像對(duì)目標(biāo)瞄準(zhǔn)進(jìn)行校正角度計(jì)算時(shí)，以圖像橫軸與縱軸中線的交點(diǎn)作為準(zhǔn)星。依據(jù)圖像尺寸為 201×303，所以文中采用坐標(biāo)為（101，152）點(diǎn)作為準(zhǔn)星點(diǎn)。根據(jù)分割完的圖像可以得到圖像中目標(biāo)的重心及邊界，采用文獻(xiàn)［10］中的參數(shù)進(jìn)行計(jì)算。首先對(duì)目標(biāo)區(qū)域的重心進(jìn)行瞄準(zhǔn)，并利用目標(biāo)邊界上的點(diǎn)，作為瞄準(zhǔn)目標(biāo)所不能超越的范圍，以此求出所需調(diào)整水平角與仰俯角的度數(shù)范圍，以便更加精準(zhǔn)的瞄準(zhǔn)目標(biāo)。

表2中目標(biāo)重心由分割后的圖像得出，計(jì)算出目標(biāo)所在最小外接矩形的左上方頂點(diǎn)與右下方頂點(diǎn)的坐標(biāo)。水平角與仰俯角所需矯正的度數(shù)以準(zhǔn)星點(diǎn)坐標(biāo)（101，152）為參考點(diǎn)進(jìn)行校正。因?yàn)樗鶛z測(cè)的目標(biāo)所占像素較少，導(dǎo)致邊界最小外接矩形與重心坐標(biāo)相差像素較少，所以對(duì)其校正度數(shù)的影響偏差在0.02°左右。

表2 目標(biāo)區(qū)域重心、邊界與需校正的度數(shù)

5 結(jié)論

本文采用LoG算子與加權(quán)紋理對(duì)比度的紅外弱小運(yùn)動(dòng)目標(biāo)檢測(cè)算法。該方法首先通過LoG算子檢測(cè)出圖像中疑似目標(biāo)存在的區(qū)域，然后利用分塊圖像加權(quán)方差紋理對(duì)比度矩陣中的極大值，從疑似目標(biāo)存在區(qū)域中最終確定目標(biāo)位置，最后從確定目標(biāo)位置區(qū)域中將目標(biāo)分割出來。確定目標(biāo)的重心及最小外接矩形的邊界，并利用幾何光學(xué)特性來計(jì)算校正度數(shù)，已達(dá)到瞄準(zhǔn)的效果。實(shí)驗(yàn)表明，該算法可以有效地從圖像中檢測(cè)出目標(biāo)所在位置，并計(jì)算出瞄準(zhǔn)目標(biāo)所需要校正的度數(shù)以便輔助瞄準(zhǔn)目標(biāo)。