李長春 韓東寧

【摘要】? ? 為了提高紅外目標(biāo)識別概率，設(shè)計了一種基于信息熵加權(quán)的目標(biāo)識別算法。該算法利用紅外光譜的特征，結(jié)合車輛目標(biāo)的幾何結(jié)構(gòu)特點，將相應(yīng)特征信息以加權(quán)的形式量化給出。實驗針對紅外汽車目標(biāo)進行測試，實驗結(jié)果顯示，采用信息熵加權(quán)算法的目標(biāo)識別概率得到了明顯的提升，明顯優(yōu)于未使用優(yōu)化的測試結(jié)果，從而驗證了本算法的可行性。

【關(guān)鍵詞】? ? 目標(biāo)識別? ? 紅外圖像? ? 信息熵? ? 加權(quán)參數(shù)

引言：

紅外目標(biāo)識別是一種能夠根據(jù)紅外圖像追蹤分析紅外熱目標(biāo)的技術(shù)，實時精確的紅外目標(biāo)識別算法廣泛應(yīng)用于兵器制導(dǎo)、軍事偵察和實時監(jiān)視等領(lǐng)域。紅外目標(biāo)識別結(jié)果往往受環(huán)境、識別目標(biāo)及所處背景的紅外輻射的干擾[1]。在實際運用中，常常因為識別目標(biāo)遠(yuǎn)，致使在圖像中表現(xiàn)為小圓點的形式，從而導(dǎo)致目標(biāo)信號的強度較弱、形體信息弱、信噪比低，使目標(biāo)識別難度增大。根據(jù)不同的應(yīng)用場景及目的，將紅外探測裝置安裝在固定位置（如地面等）或運動載體上（如汽車、輪船、飛機等），因此需要使用與之對應(yīng)的識別算法才能充分發(fā)揮系統(tǒng)性能。紅外目標(biāo)身處的環(huán)境背景大致分為兩類：靜態(tài)與動態(tài)。在靜態(tài)環(huán)境中，目標(biāo)識別方法又可以分為兩種：閾值分割與背景預(yù)測[2]。針對環(huán)境噪音影響嚴(yán)重的識別問題，設(shè)計出可預(yù)測背景環(huán)境并能實現(xiàn)目標(biāo)追蹤的識別算法，仿真實驗結(jié)果顯示該算法能大大降低天空環(huán)境的紅外影響，分離出識別目標(biāo)和強噪聲，該算法還有運算簡單的優(yōu)點[3]。針對運動中的背景環(huán)境，提出了基于感興趣區(qū)域的區(qū)域增強目標(biāo)實時檢測算法，其中在汽車的紅外導(dǎo)航系統(tǒng)實驗中表現(xiàn)出的結(jié)果較為理想[4]。為了對傳感器實現(xiàn)全方位的運動補償引入了偽透視運動模型，該模型可以在降低環(huán)境紅外干擾從而增強圖像信噪比，然而這種全局補償法計算量較大并且對于補償?shù)膸g偏移十分有限[5]。

本文提出了一種基于信息熵加權(quán)的紅外目標(biāo)識別算法，獲得幀間目標(biāo)信息并對其進行初步的判斷，該步驟能有效減少后續(xù)圖像分區(qū)域搜尋目標(biāo)時的計算量。通過綜合判定待識別目標(biāo)的其他信息，實現(xiàn)減少誤報率的功能。

一、目標(biāo)識別系統(tǒng)設(shè)計

首先，系統(tǒng)對待檢測區(qū)間的紅外圖像進行提取，之后再利用改進型PSO-BP算法從環(huán)境背景譜中分離出可疑目標(biāo)，為了便于判定與識別目標(biāo)，需要在數(shù)據(jù)庫中參考各類目標(biāo)的光譜特征，系統(tǒng)見圖1。

圖1示意圖表明，首先需要利用聚束整形透鏡組實現(xiàn)紅外光的提取，再用聚焦成像的方法將采集的紅外圖像呈現(xiàn)在CCD上，最后通過CPU實現(xiàn)目標(biāo)識別分析及處理。在處理過程中對圖像進行分析，基于已知的數(shù)據(jù)庫比較實現(xiàn)對目標(biāo)類別的判斷。定義St為目標(biāo)輻亮度，S0為背景輻亮度，那么目標(biāo)和背景輻射光譜可分別由Lt和L0表示，即：

（1）

二、加權(quán)信息熵算法設(shè)計

香農(nóng)最先提出信息熵的概念，即隨機變量概率。在離散信源X中，含有N個符號x1，x2，...，xN各個符號在符號集中出現(xiàn)概率確定。可以用圖像的顏色直方圖表示概率密度函數(shù)，則圖像的信息熵Ev可表示為：

（2）

若用整張圖像來計算熵值，會使目標(biāo)識別作用不明顯，所以在實際運用中應(yīng)將圖像分成M×N來計算。因此整張圖像就被分為MN個子區(qū)間，R1，R2，...，RMN，依據(jù)圖像及目標(biāo)的大小可以確定M及N的值。隨后可求出圖像的熵矩陣，并根據(jù)計算得到的極大值估計目標(biāo)可能出現(xiàn)的區(qū)間。但熵矩陣沒有圖像灰度信息，所以目標(biāo)識別效果并不好，因此灰度方差加權(quán)信息熵才是更加理想地方法。

三、算法實現(xiàn)

首先系統(tǒng)通過中值濾波法進行預(yù)處理，以便減少甚至消除傳感器件和電路的噪聲，然后通過特征提取以及分區(qū)域的計算灰度方差加權(quán)信息熵矩陣，在此過程中所提取到的特征點將用在圖像序列的幀間匹配上，最后待選目標(biāo)區(qū)間由所含的匹配特征點及熵極大值組成，并且需要對該區(qū)域?qū)崿F(xiàn)目標(biāo)分離。

首先，提取特征，通過變換不改變圖像之間的大小、位置、仿射和方向，并且能夠直接準(zhǔn)確的對每一幀的圖像實現(xiàn)特征匹配，這些點的集合為P1，P2，...，Pn。在此變換下，即便載體處于運動之中，乃至攝像機的焦距不斷變動都能夠穩(wěn)定、準(zhǔn)確的得到特征點。除此之外，也能直接去除隨機運動的云層環(huán)境背景。但還是有幾率匹配出邊緣較強的云層，下面的步驟能將其去除。

其次，計算加權(quán)信息熵，將整張圖像劃分為各個區(qū)域塊包含4*4的區(qū)域塊。方便之后對每塊區(qū)域進行計算，從而獲得灰度方差加權(quán)信息熵矩陣。該值可以十分準(zhǔn)確的評估圖像各區(qū)域塊的灰度及信息變化量，運用矩陣極大值可以識別出圖像中的亮斑或者局部能量突變，極大值區(qū)域為r1，r2，...，rm。因為云層背景在局部區(qū)域上是逐漸變化的，即使云層的邊緣對熵矩陣有干擾，但與目標(biāo)點區(qū)域相比其干擾可忽略不計，這樣便濾掉了云層的突變;所以后面就能夠體現(xiàn)出目標(biāo)位置灰度及其信息量變化，從而可以初步確定該極大值區(qū)域是目標(biāo)區(qū)域。但還需要通過第2步的特征點幀間匹配結(jié)果判定在圖像中偶然出現(xiàn)的由某些亮點或干擾產(chǎn)生的熵極大值。

然后，計算目標(biāo)區(qū)域，確定目標(biāo)區(qū)域的集合Q為包含匹配特征點的信息熵峰值子區(qū)域。也就是需要判別包含熵峰值的局部子區(qū)域中是否同時包含所匹配到的特征點。

最后，數(shù)字濾波，通過分析每幀的可疑目標(biāo)，考慮可能是由攝像機抖動所引起，所以目標(biāo)的運動速度及方向不能看作是向量中元素。在本研究中只需確定能和實時目標(biāo)完成相關(guān)性判斷即可，從而最后識別出目標(biāo)。

四、實驗測試

通過將暴露目標(biāo)a和隱藏目標(biāo)b放在同一紅外成像光譜儀中同時進行檢測識別實驗。在此實驗中，暴露目標(biāo)a為停放在近處無遮擋、暴露在空曠視野中的汽車，隱藏目標(biāo)b則為停放在位移較遠(yuǎn)的由少量雜草遮藏、隱蔽的汽車。在試驗過程中，首先應(yīng)提前使汽車處于熄火狀態(tài)并長達(dá)2小時以上，讓其和背景環(huán)境中的溫度一致，降低因發(fā)動機高溫出現(xiàn)的紅外輻射的干擾，主要是通過對目標(biāo)在不同的反射界面實現(xiàn)紅外特性研究，將得到結(jié)果再進行二值化處理從而得到圖2。

結(jié)合特征波長的數(shù)量和位置點計算得出最優(yōu)解，經(jīng)過不斷的收斂訓(xùn)練，進而優(yōu)化并改善系統(tǒng)的識別效率。根據(jù)上述步驟對光譜數(shù)據(jù)進行反復(fù)多次的改進優(yōu)化，從而能夠預(yù)先得到出輸入層的數(shù)據(jù)。當(dāng)特征波長數(shù)值不斷增大時，所要識別的目標(biāo)信息也就愈加明顯。綜合實際運用中的識別結(jié)果，本研究系統(tǒng)不僅優(yōu)化了原有識別算法，而且能穩(wěn)定、合理地實現(xiàn)目標(biāo)分割。因此可知，當(dāng)此算法出現(xiàn)目標(biāo)復(fù)現(xiàn)時，不僅極其依賴特征波長數(shù)，而且無規(guī)律地選取波長位置會導(dǎo)致目標(biāo)復(fù)現(xiàn)的效果變差，也會致使其運算時間變長，從而有效改善了目標(biāo)識別算法的魯棒性和速率。

五、結(jié)束語

提出了一種加權(quán)信息熵的紅外目標(biāo)檢測算法。通過紅外光譜特征與目標(biāo)幾何特征進行加權(quán)的方式提高紅外圖像中的目標(biāo)識別概率。并且通過實驗驗證了不同測試條件下的實驗結(jié)果，結(jié)果顯示，該方法能夠快速可靠地檢測出載體運動條件下復(fù)雜背景中的紅外目標(biāo)，具有良好的應(yīng)用前景。

參? 考? 文? 獻

[1]蘇峰，凌清，高梅國.紅外小目標(biāo)實時檢測系統(tǒng)實現(xiàn)[J].激光與紅外，2008，38（8）：826-829

[2] Chavez-Garcia R O， Aycard O. Multiple sensor fusion and classification for moving object detection and tracking [J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（2）： 525-534

[3]李曉瓊，史彩成，毛二可. 基于高階累積量的單幀復(fù)雜云背景下紅外小目標(biāo)檢測 [J]. 光學(xué)技術(shù)，2008，34（5）：696-698.

[4]Tzannes A P，Brooks D H. Detection Small Moving Objects Using Temporal Hypothesis Testing [J]. IEEE Trans on AES（S0018-9251），2002，38（2）：570-585

[5]毛曉楠，周越.基于序貫蒙特卡羅方法的自適應(yīng)紅外目標(biāo)提取算法[J].微型電腦應(yīng)用，2008，24（4）：55-59