栗華杰　李格　蘇煉　蔡繼駒

【摘要】? ? 文章首先對“低小慢”的目標特性進行了分析，再提出感興趣區(qū)域獲取，通過“低小慢”目標在復雜背景下的常見的幾種預處理算法的介紹，進一步指出可以在可見光背景、紅外背景、以及基于源傳感器融合的“低小慢”目標檢測，以期為相關人員提供有益的借鑒。

【關鍵詞】? ? 復雜動環(huán)境? ? “低小慢”目標? ? 檢測

引言：

隨著技術的不斷發(fā)展，以及國家地空空域的逐漸開放，如何對“低小慢”目標進行檢測并防范和應對“低小慢”目標在復雜動環(huán)境下的干擾和破壞，是一個重要的問題。地空飛行器的機動性強、操作較為簡單、并且數(shù)量較多，這些使得空中安全形勢比較嚴峻，因此，對于復雜動環(huán)境下的“低小慢”目標進行檢測，尋找有效的方式，是十分重要且必要的，能夠有效的減少低空飛行目標的威脅，進一步保障低空飛行的安全性。

一、“低小慢”目標的特性

1.1“低小慢”目標的基本情況介紹

對于“低小慢”目標來說，一般要符合體積小、飛行速度慢的特點，這里的速度一般限定為200km/h的范圍內，相較于傳統(tǒng)的高空空域美的管控而言，“低小慢”目標在飛行器的材質上比較多樣，在應用環(huán)境上比較復雜，與雷達和人工觀察相比，采用光電手段進行基于復雜動環(huán)境的“低小慢”目標檢測更加有效[1]?！暗托÷蹦繕说臋z測難度在于目標小，在圖像上占的像素量極少，缺失相應的紋理特征，因此在檢驗過程中提升了難度。一般而言，想要捕捉和檢測“低小慢”目標，通常使用的方法有對單幀圖像進行目標檢測，或者基于多幀圖像檢測目標，這兩類方法的使用優(yōu)劣都比較明顯，首先，第一類是對單幀圖像進行檢測，這種方法在應用時，主要作用方式是濾波算法，這種方法的弊端在于低信噪比條件下，難以保證準確度，同時如果使用其中的二維熵、小波變換等方法，又難以有效實現(xiàn)實時檢測。其次，第二類是對多幀圖像進行檢測，主要是通過對幀間上下文信息的檢測實現(xiàn)的，這類方法的優(yōu)勢在于準確率高，但是缺陷在于，如果目標隱藏在背景或噪聲下就難以進行有效的檢測。

1.2“低小慢”目標檢測中的問題

在當前“低小慢”目標檢測中，往往難度比較高，原因在于信噪比條件下難以對目標、背景、造成有效分離，并且噪聲受到的遮蔽較強。雖然當前的技術有了不小的發(fā)展，但是仍然有很大的難度[2]。第一，在干擾環(huán)境上，地空環(huán)境下空間的環(huán)境比較復雜，在城市環(huán)境下，受建筑、城市環(huán)境的影響比較大。而在天空中受到云霧等氣象因素干擾比較大，因此，對于“低小慢”目標檢測技術來說，核心問題就在于能否實現(xiàn)復雜背景下將雜波干擾和噪聲干擾的有效剔除。第二，“低小慢”目標的鎖定比較困難，在視野中成像面積很小，不具備固定的形狀和紋理特征，難以進行有效的匹配。第三，檢測虛警率高。這一特點與上述的第一、第二條特點是相聯(lián)系的，正是由于難以捕捉且環(huán)境復雜，因此在檢測時虛警率高。第四，對于動態(tài)場景中的“低小慢”目標的檢測困難度高，由于相機和目標同時運動，并且受到光線、陰影及偽裝的干擾，使得動態(tài)場景中的“低小慢”目標的檢測在時間內核復雜度上都有所提升，難度較大[3]。

二、感興趣區(qū)域獲取

2.1視覺顯著性

視覺顯著性指的是人類僅憑視覺感知，所實現(xiàn)的對周圍視覺信號的響應程度，一般來說，越是具有獨特性、奇異性的視覺信號，越能夠被人類視覺有效捕捉，并且對于其中的顏色、紋理、形狀、亮度等的感知也會更加敏銳[4]。對比度可以根據(jù)區(qū)域范圍的大小進一步劃分為全局對比、區(qū)域對比。全局對比的作用途徑在于實現(xiàn)目標和周圍環(huán)境的有效分離，但是這種方法的缺陷在于，如果目標與周圍環(huán)境的對比度較小就難以有效捕捉。而且對于“低小慢”目標來說，本身所占據(jù)的像素就比較少，并且還缺失一些紋理信息，在全局的背景中，需要“低小慢”目標與其他背景的差別比較大，例如，在天空的全局背景中，顏色就可以是有效的差別對象，其中的噪聲、云層、部分的地面場景和光照變化就是主要的干擾信息，將這些干擾信息進行排除后，通過“低小慢”目標與圖像中其他像素點的顏色對比度來作為捕捉定義，就能夠很好的實現(xiàn)對目標的捕捉。

2.2梯度差分算法

梯度差分算法是一種行之有效的算法，其價值主要是在視覺顯著性特征圖中找到種子點，主要是將形態(tài)學基本梯度和三幀差分算法進行有效融合的基礎上提出的一種方法。具體的操作過程是，借助參考點的坐標，設立相應的正方形掩模，并對其中相鄰且連續(xù)的視覺顯著性圖像，進行提取，找出從中的基本形態(tài)學梯度特征，并進行三幀差分，這樣就獲得了所需的種子點。另外需要說明的是，這里的數(shù)學形態(tài)梯度，是一種代數(shù)運算子，能夠將膨脹、二值開閉、形態(tài)學梯度等多種特征于一身，也是一種從形狀出發(fā)而進行的圖像處理的操作過程，具有廣闊的應用前景，能夠對圖像進行特征抽取，其實現(xiàn)路徑主要是由膨脹和腐蝕的有效組合。膨脹指的是一種邊界向外部擴張的過程，其主要的實現(xiàn)路徑是由與物體接觸的所有背景點合并到該物體中實現(xiàn)的。而腐蝕則正好與其相反，是一種消除邊界點的方法，通過邊界向內部收縮來消除小且無意義的物體，使得目標更加突顯和清晰。

當對視頻圖像序列的連續(xù)兩幀圖像做差分運算時使用的就是幀間差分算法，這種方法能夠有效的獲取運動區(qū)域，但是這種方式在運用中，無法識別靜止或運動速度很慢的目標，因此，如果直接使用幀間差分算法要進行“低小慢”目標檢測，是并不合適的。將傳統(tǒng)的兩幀差分算法進行改進升級，就形成了三幀差分算法。三幀差分算法的作用路徑是，首先將相鄰三幀圖像并為一組，接著對其進行差分計算。三幀差分算法往往應用于提取種子點，因為這種方式能夠實現(xiàn)對運動目標之中的像素點準確、快速捕捉。在實際操作中，將形態(tài)學基本梯度和三幀差分算法進行有效融合，就能夠實現(xiàn)對圖像的顯著性前景特征的二次過濾，提升了目標檢測的準確性，也降低了后續(xù)工作的任務量。使用梯度差分算法能夠自動且高效的獲得有明顯區(qū)域性的種子點，同時更重要的是，由于這些種子點的可控生長門限較好，因此，往往不會產生生長過后分割成過多區(qū)域的問題，大大節(jié)省了后續(xù)工作的步驟和效率。因此，在實際的需要中具有比較強的應用效果。

三、“低小慢”目標在復雜背景下的常見的幾種預處理算法

3.1復雜背景下可見光圖像的預處理算法

在可見光下進行的目標捕捉的主要影響因素往往是由于物體之間的相互遮擋，或者在周圍環(huán)境、光照、霧氣等的變化影響下，使得捕捉場景中由于亮度、對比度等問題，進一步造成了捕捉的困難，一些圖像中的細節(jié)信息無法有效突出，進而對于后續(xù)的檢測準確度產生一定的影響。這時可以通過預處理，實現(xiàn)可見光圖像的捕捉、識別效率的提升，能夠將可見光中干擾因素的對圖像的影響進一步降低，提升捕捉的準確度。具體而言主要有以下幾點方法。第一，基于直方圖均衡化的光照校正，這種方法的優(yōu)勢在于算法實現(xiàn)簡單且運算量小，但是僅僅是對局部的處理，也沒法對于細節(jié)進行具體增強。第二，基于 Gamma 變換的光照校正。這種方法的效果明顯，尤其是對消除陰影方面更是成效顯著，但是缺陷在于每次都需要手動設置，且很難取到最佳值，操作的便捷性不強。第三，基于多尺度 Retinex 的光照校正。這是在 基于單尺度 Retinex 的光照校正的基礎上進一步發(fā)展而來的，不僅能夠使圖像保持比較高水平的保真度，而且能夠進一步突出其中的較暗區(qū)域的細節(jié)信息。另外，這種技術的另一個巨大優(yōu)勢在于能夠實現(xiàn)圖像的壓縮，這種壓縮主要是局部的，但有時也能夠實現(xiàn)全局動態(tài)范圍的壓縮，并且能夠實現(xiàn)色彩增強。但是，可能會造成一定的顏色失真、陰影邊界突兀，也可能會導致部分場景的顏色發(fā)生扭曲。

3.2復雜背景下紅外圖像的預處理算法

動態(tài)噪聲和非均勻性噪聲是兩種比較常見的紅外圖像中的噪聲，這些噪聲會干擾圖像信息的成像質量，因此必須對其進行預處理。具體而言，常見的復雜背景下紅外圖像的預處理算法包括紅外圖像動態(tài)噪聲抑制算法、紅外圖像的非均勻性噪聲抑制算法、紅外圖像的增強算法這幾種，通過對逆光條件下對可見光圖像進行有效的亮度及顏色校正、去除紅外相機的動態(tài)噪聲和非均勻性噪聲、提高復雜場景下紅外圖像的信噪比，從而能夠提升目標檢測的準確率。

四、“低小慢”目標檢測

4.1可見光背景下的“低小慢”目標檢測

可以采用基于二維伽馬變換的顏色特征提取，將不同強度灰度值進行校正，然后合理壓縮圖像的動態(tài)范圍。第二，基于 ESILTP 算子的紋理特征提取，這種方式與灰度特征和幾何特征相比，內涵的信息度更多、更豐富，也能夠提升“低小慢”目標檢測的準確性。這種方式能夠有效應對背景信息均值和方差的大幅度變化的情況，并且對于動態(tài)場景容錯性較高，即使不進行濾波操作，也不會有高斯白噪聲的產生，因此能夠將模型的時間復雜度大大降低。第三，對于在一些比較常見的閃爍噪聲問題，這種問題在建模算法往往是比較復雜和令人頭疼的問題，這時可以采用基于 Vi Be+的目標檢測， Vi Be+的目標檢測的構成比較簡單，包括背景模型初始化、前景檢測以及背景模型更新三個環(huán)節(jié)。

4.2紅外背景下的“低小慢”目標檢測

在紅外背景下的“低小慢”目標檢測，能夠有效地透過煙霧成像，這種方法尤其適用于光照不足的環(huán)境，成像效果好。但是需要注意的是，由于低空慢速小目標自身的點目標特性，在紅外相機中容易被誤認為噪聲，因此在基于復雜動環(huán)境下的“低小慢”目標檢測，一般不適用紅外背景下的“低小慢”目標檢測，

4.3基于源傳感器融合的“低小慢”目標檢測

將可見光相機與紅外相機有效結合，能夠大大提升識別的效率和準確性，多傳感器圖像融合的目標檢測技術就能夠有效的實現(xiàn)這一目標，具體操作如下，首先，選定目標區(qū)域。這里主要用到的是紅外成像特征定位的方法。其次，對可見光圖像進行識別。由基于加權移動均方差算法建立相應的背景減除模型，由此定位可見光成像的候選區(qū)域。最后，再將兩者的圖像結果進行結合，形成一定的基于候選區(qū)域的局部像素背景模型，從而實現(xiàn)目標的準確提取。在目標候選區(qū)域提取上，使用加權移動平均背景建模算法，基于滾動引導濾波和加權最小二乘優(yōu)化的圖像融合，然后從多尺度進行分解，利用視覺顯著性算法，將紅外圖像與見光圖像基礎層進行綜合的融合處理。也可以使用基于局部 Su BSENSE 的目標檢測來提升準確性。

五、結束語

復雜背景下“低小慢”目標檢測技術研究仍處于初級階段，雖然取得了一些成就，但是技術上仍不成熟，在未來的發(fā)展中，還需要將復雜背景下“低小慢”目標檢測技術和算法進行進一步的研究，提升準確性，降低虛警率，使其發(fā)揮出更大的價值。

6參考文獻：

[1]吳言楓. 復雜背景下“低小慢”目標檢測技術研究[D].中國科學院大學（中國科學院長春光學精密機械與物理研究所），2020.

[2]吳言楓，王延杰，孫海江，劉培勛.復雜動背景下的“低小慢”目標檢測技術[J].中國光學，2019，12（04）：854-866.

[3]王順飛. 基于復雜環(huán)境視頻序列的運動目標檢測研究[D].南京航空航天大學，2017.

[4]吳亞濤. 復雜電磁環(huán)境下基于目標動特性的微波成像技術[D].電子科技大學，2014.

參? 考? 文? 獻

[1]吳言楓. 復雜背景下“低小慢”目標檢測技術研究[D].中國科學院大學（中國科學院長春光學精密機械與物理研究所），2020.

[2]吳言楓，王延杰，孫海江，劉培勛.復雜動背景下的“低小慢”目標檢測技術[J].中國光學，2019，12（04）：854-866.

[3]王順飛. 基于復雜環(huán)境視頻序列的運動目標檢測研究[D].南京航空航天大學，2017.

[4]吳亞濤. 復雜電磁環(huán)境下基于目標動特性的微波成像技術[D].電子科技大學，2014.