朱碩雅,楊德振,賈 鵬,李江勇,柴 欣

(華北光電技術(shù)研究所,北京 100015)

1 引 言

隨著紅外成像技術(shù)的發(fā)展,紅外小目標(biāo)檢測(cè)技術(shù)在現(xiàn)代戰(zhàn)爭(zhēng)中的作用愈發(fā)重要。在遠(yuǎn)距離成像的情況下,紅外目標(biāo)主要表現(xiàn)為對(duì)比度低的點(diǎn)狀目標(biāo),且紅外圖像中存在強(qiáng)雜波干擾,背景比較復(fù)雜,使得目標(biāo)檢測(cè)難度較大[1]。

針對(duì)傳統(tǒng)檢測(cè)方法如中值濾波,形態(tài)學(xué)濾波,小波變換等方法在圖像信噪比較高的情況下對(duì)檢測(cè)效果較高,但隨著信噪比的降低檢測(cè)效果迅速下降,本文提出了一種時(shí)空聯(lián)合檢測(cè)的小目標(biāo)檢測(cè)方法,首先為了提高局部對(duì)比度的檢測(cè)效果,使用了高斯濾波對(duì)檢測(cè)窗口進(jìn)行優(yōu)化,并與梯度特征相結(jié)合實(shí)現(xiàn)空域檢測(cè)；然后檢測(cè)采用了局部對(duì)比度的思路對(duì)幀差法進(jìn)行了改進(jìn),有效地抑制了背景雜波,實(shí)現(xiàn)時(shí)域檢測(cè)；最后將時(shí)域空余檢測(cè)結(jié)果相融合,完成目標(biāo)檢測(cè),并將該方法移植到以FPGA為核心的硬件平臺(tái),驗(yàn)證其對(duì)實(shí)時(shí)圖像的檢測(cè)效果。試驗(yàn)結(jié)果證明,該方法能夠完成在復(fù)雜背景的小目標(biāo)實(shí)時(shí)檢測(cè)。

2 時(shí)空聯(lián)合檢測(cè)算法

時(shí)空聯(lián)合檢測(cè)是通過(guò)使用局部對(duì)比度和梯度特征從紅外圖像中篩選出疑似目標(biāo),然后通過(guò)運(yùn)動(dòng)特征對(duì)疑似目標(biāo)在進(jìn)一步進(jìn)行篩選進(jìn)而得到真實(shí)目標(biāo)來(lái)完成對(duì)弱小目標(biāo)的檢測(cè)[2]。

其主要分為局部對(duì)比度篩選目標(biāo),梯度特征篩選目標(biāo)和時(shí)域檢測(cè)目標(biāo)三個(gè)部分,最后將時(shí)域檢測(cè)和頻域檢測(cè)結(jié)果進(jìn)行融合,得到結(jié)果圖,檢測(cè)流程圖如圖1所示。

圖1 時(shí)空聯(lián)合檢測(cè)流程圖

2.1 局部對(duì)比度檢測(cè)

局部對(duì)比度檢測(cè)是一種基于人類(lèi)視覺(jué)原理的仿生學(xué)檢測(cè)方法,該方法結(jié)構(gòu)簡(jiǎn)單,運(yùn)算簡(jiǎn)潔,且于紅外小目標(biāo)契合較好。

常用的局部對(duì)比度方法如LCM,DoG在待檢測(cè)目標(biāo)信噪比較高的情況下能夠有效地增強(qiáng),但在圖像信噪比較低的情況下效果較差。

為了能過(guò)抑制雜波,增強(qiáng)目標(biāo),本文采用高斯濾波對(duì)檢測(cè)窗口內(nèi)的圖像進(jìn)行處理,由于紅外小目標(biāo)溫度較高,且成像距離較遠(yuǎn),在紅外圖像中多表現(xiàn)為較小的亮斑,且根據(jù)熱擴(kuò)散原理處于向四周擴(kuò)散的形式,與二階高斯函數(shù)類(lèi)似,根據(jù)匹配濾波原理,使用高斯濾波可以有效地提升信噪比[3]。如圖2所示。

通過(guò)將高斯濾波嵌套在檢測(cè)窗口,隨著檢測(cè)窗口對(duì)圖像實(shí)現(xiàn)遍歷,其濾波結(jié)果如式(1)所示:

(1)

其中,(i,j)為當(dāng)前像素點(diǎn)的坐標(biāo);T為檢測(cè)窗口內(nèi)的圖像;G為高斯濾波窗口;I為濾波后的結(jié)果。

為避免檢測(cè)窗口大小與目標(biāo)大小不匹配造成的漏檢誤檢,對(duì)同一個(gè)多尺度對(duì)比度取最大值,將局部對(duì)比度推廣到多尺度。

I(x,y)=MAX{I1(x,y),I2(x,y),I3(x,y)}

(2)

2.2 梯度特征小目標(biāo)檢測(cè)

紅外小目標(biāo)的溫度較高,且成像距離較遠(yuǎn),根據(jù)物理定律在紅外圖像中表現(xiàn)出向外擴(kuò)散的點(diǎn)目標(biāo)其灰度表現(xiàn)為向外擴(kuò)散的趨勢(shì),梯度方向一致性較?。欢菀仔纬烧`判的云層邊緣梯度方向大致相同,一致性較強(qiáng)[4],如圖3所示。

圖3 目標(biāo)、云層及云層邊緣梯度圖

為了對(duì)梯度一致性進(jìn)行定量處理,本文采用結(jié)構(gòu)張量來(lái)表明圖像區(qū)域梯度場(chǎng)的分布規(guī)律。

結(jié)構(gòu)張量定義如下:

(3)

其中,r為計(jì)算區(qū)域的尺度。

式(3)分別描述了檢測(cè)窗口內(nèi)圖像的X方向及Y方向梯度相關(guān)性,其梯度相關(guān)性越差,該矩陣的特征值越小,因此利用g來(lái)衡量該區(qū)域內(nèi)的梯度一致性:

(4)

其中,λ1,λ2為結(jié)構(gòu)張量的特征值。

為了有效地檢測(cè)小目標(biāo),使用梯度抑制系數(shù)篩選小目標(biāo),其計(jì)算公式如式(5)所示:

Er(x,y)=exp(-g)

(5)

2.3 自適應(yīng)閾值分割

紅外圖像經(jīng)過(guò)處理操作后會(huì)得到處理圖包含灰度值較低的背景及灰度值較高的目標(biāo)。為了將目標(biāo)從背景中分離出來(lái),采用自使用閾值分割的方法將目標(biāo)和背景進(jìn)行區(qū)分[3]。

本文采用高斯自使用閾值分割,由于小目標(biāo)的灰度較高,處于高頻范圍,所以通過(guò)使用圖像的均值與標(biāo)準(zhǔn)差的線性組合作為閾值,對(duì)圖像進(jìn)行二值化。

(6)

f(x,y)=Er(x,y)·I(x,y)

(7)

t=mean(f)+λStd(f)

(8)

其中,mean(f)表示該幀圖像的均值；Std(f)表示該幀圖像的標(biāo)準(zhǔn)差。

2.4 時(shí)域局部對(duì)比度

由于單幀檢測(cè)缺少運(yùn)動(dòng)信息,背景雜波于目標(biāo)難以完全區(qū)分[5],采用時(shí)域局部對(duì)比度檢測(cè)方法對(duì)時(shí)域檢測(cè)進(jìn)行補(bǔ)充。

時(shí)域局部對(duì)比度是一種從幀差法改進(jìn)而來(lái)的時(shí)域檢測(cè)方法,為了提高充分利用紅外圖像序列的信息,提高在運(yùn)動(dòng)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè),采用第K幀前n幀圖像的均值進(jìn)行對(duì)比度運(yùn)算,其計(jì)算公式如下:

(9)

為了提高對(duì)噪聲的抑制,本文通過(guò)方差對(duì)背景進(jìn)行抑制,其公式如下[7]:

(10)

其中,T(x,y,i)表示第i幀圖像。

為了提高檢測(cè)效果,本文將相鄰兩幀方差相乘合并為最后一幀的檢測(cè)結(jié)果,其運(yùn)算公式如下:

Ot(x,y,k)=S(x,y,k)·S(x,y,k-1)

(11)

2.5 算法仿真

本文使用matlab對(duì)紅外探測(cè)器采集到的圖像進(jìn)行仿真,仿真結(jié)果如圖4所示。

圖4 仿真結(jié)果圖

本文采用三個(gè)序列進(jìn)行仿真實(shí)驗(yàn),每個(gè)序約的圖像均為320×256,圖像為50張,序列1、2、3分別為云層邊緣小目標(biāo)、地面背景小目標(biāo)和云層內(nèi)小目標(biāo),可以直觀的看出該算法能夠在復(fù)雜背景下實(shí)現(xiàn)對(duì)小目標(biāo)的檢測(cè)。為了客觀地證明算法的有效性,本文通過(guò)引用信雜比增益與各算法進(jìn)行比較分析。

信雜比通過(guò)描述紅外圖像的信號(hào)幅度與雜波方差之比描述對(duì)背景雜波抑制能力,其定義如式(12)所示,通過(guò)將處理后圖像的信雜比與源圖像的信雜比相比,可以獲得描述目標(biāo)正確能力的信雜比增益[7],其定義如式(13)所示:

(12)

(13)

其中,I為目標(biāo)最大灰度值;u和σ分別表示目標(biāo)周?chē)鷧^(qū)域的灰度均值與標(biāo)準(zhǔn)差;SCRin和SCRout分別為原始圖像的SCR和輸出圖像的SCR。

表1 不同算法信雜比增益

表1為不同算法信雜比增益。通過(guò)表1可以看出,本文提出的方法充分的利用了圖像序列的時(shí)空特性,能夠有效地在復(fù)雜背景下實(shí)現(xiàn)對(duì)小目標(biāo)的檢測(cè)。

3 檢測(cè)算法硬件實(shí)現(xiàn)

3.1 圖像窗口實(shí)現(xiàn)

對(duì)圖像的局部對(duì)比度處理及梯度特征檢測(cè)需要使用檢測(cè)窗口對(duì)圖像進(jìn)行遍歷,為了避免目標(biāo)尺寸和檢測(cè)窗口尺寸不匹配的問(wèn)題,本文分別采用3×3、5×5、7×7尺寸的窗口對(duì)圖像實(shí)現(xiàn)遍歷[8]。由于硬件系統(tǒng)使用FPGA上的SRIO接口實(shí)現(xiàn)圖像傳輸,圖像按時(shí)鐘周期進(jìn)行并行傳輸,為了能夠?qū)崿F(xiàn)7×7的開(kāi)窗,采用硬件上的RAM資源作為移位寄存器對(duì)圖像進(jìn)行緩存,如圖5所示。

由于采用了7×7的窗口對(duì)圖像進(jìn)行遍歷,為了保證處理完成之后的圖像和原圖像的大小一致,所以不對(duì)圖像的左右各3列,上下各三行不進(jìn)行處理,并在處理后的圖像將該部分置零,該部分像素值為3420,僅占圖像總像素的0.041,所以將其舍棄的影響可以忽略不計(jì)。

圖5 開(kāi)窗示意圖

3.2 自適應(yīng)閾值檢測(cè)實(shí)現(xiàn)

進(jìn)行自適應(yīng)閾值分割需要計(jì)算當(dāng)前圖像多尺度局部對(duì)比度檢測(cè)和梯度特征檢測(cè)處理后圖像的閾值及方差。

直接使用當(dāng)前幀圖像處理后結(jié)果計(jì)算均值和方差需要將圖像緩存下來(lái)進(jìn)行兩次運(yùn)算分別計(jì)算圖像的均值和方差,浪費(fèi)了大量的硬件資源,且降低檢測(cè)算法的實(shí)時(shí)性。

由于采用的紅外探測(cè)器幀數(shù)較高,相鄰圖像統(tǒng)計(jì)特征變化較小,所以可以通過(guò)前一幀的紅外圖像處理后結(jié)果值方差變化較小,因此可以在可以忽略兩幀間均值與方差的差異,使用前兩幀的紅外圖像的均值與方差計(jì)算閾值。

圖6為優(yōu)化后的自適應(yīng)檢測(cè)流程圖,可以看到通過(guò)使用上一幀的閾值對(duì)本幀圖像進(jìn)行處理,可以使得門(mén)限值計(jì)算和圖像分割同時(shí)進(jìn)行,提高了運(yùn)算的實(shí)時(shí)性。

圖6 自適應(yīng)閾值計(jì)算流程圖

3.3 時(shí)域檢測(cè)實(shí)現(xiàn)

為了兼顧檢測(cè)實(shí)時(shí)性和檢測(cè)準(zhǔn)確率,本文采用前3幀圖像均值進(jìn)行局部對(duì)比度,因此需要對(duì)前兩幀圖像進(jìn)行緩存,且需要對(duì)檢測(cè)結(jié)果進(jìn)行緩存便于后續(xù)檢測(cè)結(jié)果合并,所以需要使用硬件上RAM資源,通過(guò)使用FPGA上的BLOCK RAM ip實(shí)現(xiàn),圖像及方差大小為320×256×8,所以需要開(kāi)辟的RAM深度為65536,寬度為8位,其流程如圖7所示。

圖7 時(shí)域檢測(cè)流程示意圖

3.4 FPGA處理結(jié)果

將采集到的紅外圖像輸入硬件系統(tǒng),其經(jīng)過(guò)FPGA處理后的結(jié)果如圖8所示。

圖8 FPGA運(yùn)行結(jié)果圖

該算法處理在FPGA內(nèi)處理單幀圖像的耗時(shí)為4 ms,單幀計(jì)算耗時(shí)較短,能夠滿足實(shí)時(shí)圖像處理的需求。

4 結(jié) 語(yǔ)

本文提出了一種時(shí)空聯(lián)合檢測(cè)的小目標(biāo)檢測(cè)方法,通過(guò)利用紅外小目標(biāo)的灰度特征,梯度特征從圖像中篩選出小目標(biāo),并使用運(yùn)動(dòng)特征對(duì)小目檢測(cè)結(jié)果進(jìn)行篩選,降低虛警率,實(shí)現(xiàn)了在信噪比較低的情況下實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè),并將該算法在以FPGA為核心的平臺(tái)進(jìn)行實(shí)現(xiàn),能夠?qū)崿F(xiàn)對(duì)目標(biāo)的實(shí)時(shí)檢測(cè)。