楊德振喻松林*馮進(jìn)軍李江勇王禮賀

機(jī)載復(fù)雜場(chǎng)景下的低虛警紅外目標(biāo)檢測(cè)

楊德振1，2，喻松林1*，馮進(jìn)軍2，李江勇1，王禮賀1

（1.華北光電技術(shù)研究所，北京 100015；2.北京真空電子技術(shù)研究所，北京 100015）

機(jī)載紅外光電探測(cè)系統(tǒng)進(jìn)行下視復(fù)雜場(chǎng)景目標(biāo)探測(cè)時(shí)，地面虛警干擾源同弱小目標(biāo)在空間分布上一致，傳統(tǒng)算法會(huì)導(dǎo)致大量虛警。因此，提出一種基于運(yùn)動(dòng)目標(biāo)特征的多維度特征關(guān)聯(lián)檢測(cè)算法。該算法首先對(duì)復(fù)雜場(chǎng)景進(jìn)行特征點(diǎn)檢測(cè)，引入基于相對(duì)速高比的跳幀機(jī)制，對(duì)經(jīng)過(guò)圖像配準(zhǔn)的幀間圖像進(jìn)行差分處理檢出候選目標(biāo)。同時(shí)，結(jié)合基于核相關(guān)濾波的目標(biāo)相似度方法進(jìn)行多維多幀關(guān)聯(lián)，進(jìn)一步抑制虛警并確認(rèn)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，在載機(jī)速高比大于30 mrad/s、系統(tǒng)幀時(shí)小于10 ms的機(jī)載環(huán)境下，該算法的平均檢測(cè)率達(dá)到99.13%，虛警率降至105。該方法在多種機(jī)載復(fù)雜場(chǎng)景下得到驗(yàn)證，適合流水并行運(yùn)算操作，滿足工程實(shí)踐需求。

目標(biāo)檢測(cè)；機(jī)載環(huán)境；運(yùn)動(dòng)目標(biāo)特征；核相關(guān)濾波；虛警抑制；并行流水操作

1 引　言

近年來(lái)，紅外目標(biāo)檢測(cè)在機(jī)載電子領(lǐng)域的作用愈加突出。機(jī)載場(chǎng)景下目標(biāo)分辨率低，可利用特征少，而且應(yīng)用場(chǎng)景復(fù)雜多變，尤其是下視對(duì)地目標(biāo)探測(cè)中，背景中涵蓋山川、海面、建筑等輻射源，復(fù)雜云層背景邊緣等，背景信息干擾大，極易產(chǎn)生虛警［1］。在軍事領(lǐng)域最大限度地抑制虛警，提供精確目標(biāo)信息，才能實(shí)現(xiàn)復(fù)雜環(huán)境下的“先敵發(fā)現(xiàn)、先敵打擊”。因此，實(shí)現(xiàn)機(jī)載復(fù)雜場(chǎng)景下的低虛警有效探測(cè)成為紅外目標(biāo)探測(cè)領(lǐng)域的研究重點(diǎn)。

近年來(lái)涌現(xiàn)出幾類優(yōu)秀的目標(biāo)檢測(cè)算法，Top-Hat［2］形態(tài)學(xué)濾波目標(biāo)檢測(cè)是通過(guò)形態(tài)學(xué)特征進(jìn)行卷積運(yùn)算，提取潛在目標(biāo)并抑制背景；基于低秩稀疏紅外塊圖像［3］（IPI）的弱小目標(biāo)檢測(cè)算法將目標(biāo)檢測(cè)轉(zhuǎn)換成低秩恢復(fù)和稀疏矩陣優(yōu)化的數(shù)學(xué)問(wèn)題；顯著性局部對(duì)比度［4］（LCM）的算法是通過(guò)計(jì)算圖像局部對(duì)比度來(lái)獲取顯著性區(qū)域，采用多尺度對(duì)比度提升檢測(cè)的魯棒性；基于相位相關(guān)差分相乘［5］（PC-DM）的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用求互功率譜的反傅里葉變換極值來(lái)估計(jì)幀間偏移量，多幀差分圖像相乘得出目標(biāo)位置。以上紅外弱小目標(biāo)檢測(cè)算法均能較好地檢測(cè)目標(biāo)，然而在抑制復(fù)雜背景的虛警能力方面，Top-Hat形態(tài)學(xué)濾波和LCM無(wú)法區(qū)分地面亮斑和弱目標(biāo)的差異，極易產(chǎn)生虛警；基于IPI模型的目標(biāo)檢測(cè)算法在將每個(gè)圖像塊矢量化為一列像素的過(guò)程中，像素間的結(jié)構(gòu)信息丟失導(dǎo)致難以準(zhǔn)確估計(jì)目標(biāo)；PC-DM雖然采用幀間相消去除復(fù)雜背景雜波，但相鄰幀差分沒(méi)有考慮目標(biāo)的機(jī)動(dòng)特性，目標(biāo)的不規(guī)則運(yùn)動(dòng)容易導(dǎo)致差分結(jié)果失效，進(jìn)而產(chǎn)生虛警。針對(duì)下視常見(jiàn)的虛警干擾源，結(jié)合地面和云層虛警源在相鄰幀的空間一致性，即相對(duì)移動(dòng)較固定的特點(diǎn)，本文基于載機(jī)與目標(biāo)機(jī)的相對(duì)速高比引入跳幀機(jī)制，采用運(yùn)動(dòng)目標(biāo)模型提取候選目標(biāo)，結(jié)合多維度特征關(guān)聯(lián)確定目標(biāo)的方法進(jìn)行低虛警紅外目標(biāo)檢測(cè)。

2 弱小目標(biāo)和背景干擾源分析

機(jī)載環(huán)境下視的典型背景多為復(fù)雜背景，復(fù)雜場(chǎng)景及傳統(tǒng)目標(biāo)檢測(cè)算法的實(shí)現(xiàn)結(jié)果如圖1所示。

圖1　傳統(tǒng)算法的目標(biāo)檢測(cè)效果

根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)（SPIE）的定義，目標(biāo)尺寸占用整幅圖像尺寸在0.1%左右［6］、目標(biāo)圖像對(duì)比度占整幅圖像（16位）對(duì)比度大約為0.15%即為弱小目標(biāo)。背景干擾源又稱為虛警源，信號(hào)處理領(lǐng)域常用雜波來(lái)定量地表征這些背景干擾對(duì)目標(biāo)探測(cè)性能的影響。圖2為幾類典型虛警源與弱小目標(biāo)的灰度分布，虛警源包括地面高亮背景與輻射源、復(fù)雜云層的背景邊緣和系統(tǒng)盲閃元。

圖2　弱小目標(biāo)與常見(jiàn)虛警源灰度分布比較

眾所周知，弱小目標(biāo)的空間分布灰度函數(shù)近似為高斯分布。從圖2可以看出，典型的地面虛警源也符合類高斯分布，而傳統(tǒng)目標(biāo)檢測(cè)算法主要利用目標(biāo)輻射灰度分布特性或者幾何特性來(lái)分類并提取目標(biāo)，采用的方法包括基于空域、頻域、形態(tài)學(xué)的濾波、背景估計(jì)、人類視覺(jué)系統(tǒng)（HVS）、卷積神經(jīng)網(wǎng)絡(luò)等［7］。然而在下視對(duì)地復(fù)雜場(chǎng)景下，以上方法在抑制虛警上的表現(xiàn)往往差強(qiáng)人意。針對(duì)軍事快速移動(dòng)目標(biāo)的特殊性，本文從目標(biāo)運(yùn)動(dòng)模型出發(fā)，采用跳幀差分檢測(cè)的方式進(jìn)行目標(biāo)預(yù)提取，以達(dá)到抑制地面大量自輻射和反射虛警源的目的。

3 關(guān)鍵算法

本文提出的紅外弱小目標(biāo)檢測(cè)主要包括目標(biāo)分割和目標(biāo)關(guān)聯(lián)兩大部分，具體流程見(jiàn)圖3。針對(duì)機(jī)載環(huán)境的載機(jī)運(yùn)動(dòng)和目標(biāo)機(jī)運(yùn)動(dòng)特性，本文首先對(duì)局部區(qū)域進(jìn)行Harris［8］角點(diǎn)檢測(cè)提取背景特征點(diǎn)，同時(shí)引入基于載機(jī)、目標(biāo)機(jī)相對(duì)速高比的跳幀機(jī)制進(jìn)行幀間差分，接著基于KLT［9］光流法進(jìn)行前后序列幀圖像的背景匹配，結(jié)合Ostu對(duì)圖像進(jìn)行閾值分割得出潛在目標(biāo)及其位置、大小、圖像模板等前景信息。在目標(biāo)關(guān)聯(lián)部分，引入多幀關(guān)聯(lián)，并采用CSK相似度［10］、目標(biāo)尺度、速度度量等多維度特征進(jìn)行目標(biāo)關(guān)聯(lián)。隨著關(guān)聯(lián)數(shù)量的增多，移動(dòng)目標(biāo)的置信度越來(lái)越大，關(guān)聯(lián)數(shù)量達(dá)到特性閾值的潛在目標(biāo)為極可能目標(biāo)，最后經(jīng)過(guò)盲元剔除算法最終輸出目標(biāo)信息。

圖3　紅外弱小目標(biāo)檢測(cè)算法流程

3.1　目標(biāo)分割

目標(biāo)分割算法的目的是從圖像中將疑似目標(biāo)從背景中分割出來(lái)，在經(jīng)過(guò)二值化處理后獲取潛在目標(biāo)區(qū)域的信息。本文提出的算法先采用基于Harris的角點(diǎn)檢測(cè)方法進(jìn)行多點(diǎn)校正，接著利用KLT光流法確定幀間背景圖像偏移量。為了在載機(jī)做大機(jī)動(dòng)動(dòng)作、光電探測(cè)設(shè)備擺掃和目標(biāo)機(jī)前后幀間靜止或者緩慢運(yùn)動(dòng)時(shí)防止固定幀差法失效［11］，采用基于相對(duì)速高比的跳幀機(jī)制進(jìn)行背景差分。利用改進(jìn)的三幀差分法對(duì)經(jīng)過(guò)偏移量補(bǔ)償?shù)膸蛄羞M(jìn)行做差求與，消除差分圖像移動(dòng)弱小目標(biāo)區(qū)域的“空洞”和“鬼影”現(xiàn)象［12］。最后，結(jié)合形態(tài)學(xué)濾波與Ostu算法進(jìn)行自適應(yīng)閾值分割得出目標(biāo)前景信息。

311基于相對(duì)速高比的差分跳幀機(jī)制

幀差法對(duì)幀序列中連續(xù)的兩幀或者多幀圖像進(jìn)行逐像素做差，提取差分圖像的極值點(diǎn)，一般就能檢測(cè)出移動(dòng)目標(biāo)［13］。而機(jī)載環(huán)境下，載機(jī)和目標(biāo)機(jī)都有極強(qiáng)的運(yùn)動(dòng)性，導(dǎo)致目標(biāo)在紅外焦平面的像移速度不確定，采用固定間隔的幀差無(wú)法有效提取運(yùn)動(dòng)目標(biāo)。針對(duì)這一問(wèn)題和算法的實(shí)時(shí)性要求，本文提出了基于相對(duì)速高比的差分跳幀機(jī)制。跳幀機(jī)制根據(jù)載機(jī)和目標(biāo)機(jī)的空間關(guān)系和目標(biāo)運(yùn)動(dòng)特性來(lái)動(dòng)態(tài)確定前后差分圖像的幀差數(shù)。跳幀機(jī)制的引入有如下優(yōu)點(diǎn)：

（1）隔幀或者隔多幀檢測(cè)，差分對(duì)象為當(dāng)前幀與前某一幀，可降低算法的實(shí)時(shí)性要求；

（2）在預(yù)處理階段對(duì)噪聲多的幀跳過(guò)，不執(zhí)行差分和后續(xù)關(guān)聯(lián)，可提升算法速度與關(guān)聯(lián)效率；

（3）結(jié)合機(jī)載環(huán)境和系統(tǒng)伺服信息對(duì)算法進(jìn)行幀差調(diào)整，可提升圖像匹配的成功率進(jìn)而提高算法的自適應(yīng)性。

本算法提出的跳幀機(jī)制結(jié)合了紅外探測(cè)系統(tǒng)成像機(jī)理和目標(biāo)相對(duì)運(yùn)動(dòng)模型，經(jīng)過(guò)分析，影響圖像匹配的因素有：紅外探測(cè)系統(tǒng)載機(jī)的速高比、載機(jī)與目標(biāo)機(jī)的相對(duì)速高比，紅外探測(cè)系統(tǒng)的擺掃速度、焦距、像元尺寸和系統(tǒng)幀頻，以及探測(cè)目標(biāo)尺寸和移動(dòng)目標(biāo)的速度［14］。

考慮下視高速移動(dòng)目標(biāo)在像面上的移動(dòng)速度，有：

即：

結(jié)合實(shí)際導(dǎo)航數(shù)據(jù)，帶入載機(jī)速高比、系統(tǒng)幀時(shí)、紅外焦平面像元參數(shù)，可自適應(yīng)地切換差分跳幀值。圖4為載機(jī)進(jìn)行大機(jī)動(dòng)瞬間連續(xù)幀序列算法的預(yù)處理結(jié)果。通過(guò)本研究采用的跳幀機(jī)制與固定跳幀幀差法的效果對(duì)比可以發(fā)現(xiàn)，固定跳幀幀差法的差分結(jié)果出現(xiàn)很多虛警，而且差分后目標(biāo)消失；基于相對(duì)速高比的差分跳幀法能有效提取高速運(yùn)動(dòng)目標(biāo)區(qū)域，同時(shí)最大限度地抑制虛警。

312改進(jìn)的Harris角點(diǎn)檢測(cè)

由Harris角點(diǎn)檢測(cè)［15］定義，首先采用高斯窗在圖像上平移，計(jì)算平移后像素灰度值的變化程度，得到：

其中矩陣為：

Harris角點(diǎn)檢測(cè)通過(guò)對(duì)比矩陣的兩個(gè)特征值，當(dāng)兩個(gè)特征值都大于閾值則認(rèn)為圖像在這一點(diǎn)上的灰度和曲率均有較大變化，即為角點(diǎn)。令為角點(diǎn)響應(yīng)值：

（1）針對(duì)Harris角點(diǎn)檢測(cè)在噪聲中敏感的缺陷，在角點(diǎn)檢測(cè)之前預(yù)先進(jìn)行了圖像降噪處理。

（2）為提高運(yùn)算速度，采用LOCOCO［16］算法減少工作量，引入積分圖像減少高斯梯度和角點(diǎn)響應(yīng)值的計(jì)算；引入圖像塊最大值替代在非極大值抑制（NMS）中逐點(diǎn)排序；每幀圖像僅提取20個(gè)角點(diǎn)。

（3）為了避免在跟蹤階段對(duì)目標(biāo)區(qū)域進(jìn)行角點(diǎn)匹配和減少雜散光成像干擾，并進(jìn)一步提高運(yùn)算速度，只針對(duì)特定區(qū)域進(jìn)行角點(diǎn)檢測(cè)。

角點(diǎn)檢測(cè)結(jié)果是選取特征最強(qiáng)的多個(gè)角點(diǎn)，一旦找到當(dāng)前幀圖像的多個(gè)角點(diǎn)就進(jìn)行差分操作，得出機(jī)體運(yùn)動(dòng)和系統(tǒng)抖動(dòng)引起的光流偏移量。

313基于KLT光流法的圖像配準(zhǔn)

KLT光流算法［17］是光流法領(lǐng)域經(jīng)典的目標(biāo)跟蹤算法，常用于繪制運(yùn)動(dòng)目標(biāo)的跟蹤軌跡，本設(shè)計(jì)采用KLT光流法獲取前后幀下視背景的偏移量。采用光流法有三個(gè)假設(shè)前提：

（1）背景特征點(diǎn)的亮度恒定；

（2）特征點(diǎn)的運(yùn)動(dòng)偏移矢量足夠小；

（3）背景中的點(diǎn)具有空間一致性。

這里介紹Lucas和Kanade［18］的KLT光流法的原理：假定光通量在相鄰幀中對(duì)相同特征點(diǎn)具有恒定強(qiáng)度，利用一階近似泰勒級(jí)數(shù)展開(kāi)，有：

其中：

在算法實(shí)現(xiàn)中，為進(jìn)一步提升算法速率，本研究引入了三層金字塔下采樣方法來(lái)減少遍歷時(shí)間；針對(duì)偏移量為小數(shù)的情況，采用線性雙插值算法在行列像素上逼近。

3.2　目標(biāo)關(guān)聯(lián)

高幀頻紅外探測(cè)器的一個(gè)幀頻周期往往只有幾毫秒，除了快速移動(dòng)的弱小目標(biāo)，其他干擾源因?yàn)榭臻g關(guān)系固定幾乎不會(huì)有位移，在場(chǎng)景校正時(shí)已經(jīng)對(duì)其進(jìn)行剔除。常用的目標(biāo)關(guān)聯(lián)方法有灰度和顯著性的相似度、基于目標(biāo)形狀特征、基于空間坐標(biāo)的關(guān)聯(lián)度等方法。本文采用的目標(biāo)關(guān)聯(lián)算法將近年來(lái)興起的CSK目標(biāo)跟蹤算法［19］應(yīng)用到目標(biāo)關(guān)聯(lián)中。

321基于核相關(guān)的CSK目標(biāo)相似度判定

弱小目標(biāo)在相鄰幀或者臨近幀具備目標(biāo)尺度不變性，基于速高比的跳幀機(jī)制保證了臨近幀目標(biāo)位移量為當(dāng)前幀目標(biāo)的檢測(cè)鄰域。因此，采用基于核相關(guān)濾波的目標(biāo)關(guān)聯(lián)算法能有效保證目標(biāo)檢測(cè)的穩(wěn)健度。信號(hào)處理中常利用卷積實(shí)現(xiàn)離散信號(hào)的傅里葉變換，CSK核相關(guān)濾波算法結(jié)合嶺回歸，采用循環(huán)移位矩陣對(duì)角化將圖像從空間域轉(zhuǎn)換到頻域進(jìn)行運(yùn)算，在保證檢測(cè)和跟蹤精度的前提下降低了運(yùn)算復(fù)雜度，便于硬件實(shí)現(xiàn)。

322基于多維度特征的目標(biāo)關(guān)聯(lián)

傳統(tǒng)的目標(biāo)關(guān)聯(lián)算法需要同時(shí)滿足多個(gè)條件才符合目標(biāo)關(guān)聯(lián)度的判定，類似于分類中的多層決策樹(shù)，通過(guò)訓(xùn)練獲取最優(yōu)分類器閾值。然而，將算法設(shè)計(jì)成多個(gè)階段實(shí)現(xiàn)會(huì)降低低虛警檢測(cè)的魯棒性，一旦一個(gè)階段有錯(cuò)誤會(huì)影響最終的虛警抑制性能。因機(jī)載環(huán)境背景變化迅速、目標(biāo)機(jī)機(jī)動(dòng)性能高、太陽(yáng)光照劇烈等因素影響，多個(gè)特征可能會(huì)存在突變，本文采用多維度特征關(guān)聯(lián)的方法，結(jié)合目標(biāo)幀間位移量、目標(biāo)尺寸和基于CSK核相關(guān)濾波的目標(biāo)相似度作為判定準(zhǔn)則。

假設(shè)相似度為最終目標(biāo)判定標(biāo)準(zhǔn)，則：

經(jīng)過(guò)以上步驟，算法實(shí)現(xiàn)了前后幀目標(biāo)關(guān)聯(lián)。為實(shí)現(xiàn)低虛警，引入了多幀關(guān)聯(lián)算法，將本幀預(yù)選目標(biāo)與之前多幀目標(biāo)進(jìn)行關(guān)聯(lián)，當(dāng)關(guān)聯(lián)數(shù)大于閾值，在排除盲元的前提下則確信為本幀圖像的目標(biāo)。

4 實(shí)驗(yàn)結(jié)果與分析

本文采用所提低虛警紅外目標(biāo)檢測(cè)方法對(duì)機(jī)載下視復(fù)雜場(chǎng)景序列進(jìn)行仿真；在兩個(gè)紅外數(shù)據(jù)集上，同其他優(yōu)秀紅外目標(biāo)檢測(cè)算法進(jìn)行定性和定量的比較分析。

4.1　低虛警目標(biāo)檢測(cè)方法實(shí)現(xiàn)結(jié)果

本文提出的下視復(fù)雜背景弱小目標(biāo)檢測(cè)算法各分模塊的預(yù)處理結(jié)果，如圖5所示。首先，對(duì)經(jīng)過(guò)跳幀機(jī)制選取的前后幀濾波圖像進(jìn)行Harris［9］角點(diǎn)檢測(cè)，通過(guò)背景特征點(diǎn)進(jìn)行匹配得出前后幀偏移量，角點(diǎn)檢測(cè)結(jié)果如圖5（a1）和圖5（a2）所示；圖5（b）是前后幀圖像場(chǎng)景校正后的差分結(jié)果，理論上差分圖像除了目標(biāo)位移部位外其他像素點(diǎn)均為零值，但因受光照與大氣擾動(dòng)、系統(tǒng)光學(xué)串?dāng)_、探測(cè)器暗電流噪聲和圖像配準(zhǔn)誤差等因素的影響，差分圖像存在起伏雜波；針對(duì)移動(dòng)目標(biāo)差分后的正負(fù)偶子特性采用三幀差分算法，結(jié)合形態(tài)學(xué)和Ostu進(jìn)行雜波抑制，結(jié)果如圖5（c）所示；圖5（d）展示了多幀目標(biāo)關(guān)聯(lián)原理；基于CSK目標(biāo)相似度計(jì)算得出的檢測(cè)結(jié)果如圖5（e）所示。仿真結(jié)果可以看出，本算法能準(zhǔn)確檢測(cè)出目標(biāo)并有效抑制虛警。

圖5　本文算法關(guān)鍵模塊預(yù)處理結(jié)果

4.2　低虛警目標(biāo)檢測(cè)方法對(duì)比與分析

國(guó)內(nèi)外弱小目標(biāo)檢測(cè)大多采用網(wǎng)上開(kāi)源數(shù)據(jù)集進(jìn)行仿真和分析，但開(kāi)源紅外小目標(biāo)數(shù)據(jù)集與實(shí)際機(jī)載試飛中采集的下視對(duì)地?cái)?shù)據(jù)差異較大。為有效解決機(jī)載環(huán)境下存在的對(duì)地虛警問(wèn)題，同時(shí)對(duì)提出的算法進(jìn)行全面客觀地評(píng)估，這里分別對(duì)5個(gè)開(kāi)源紅外小目標(biāo)序列和實(shí)際采集數(shù)據(jù)進(jìn)行了仿真驗(yàn)證，選取基于低秩稀疏的紅外塊圖像（IPI）、基于Top-Hat形態(tài)學(xué)濾波、基于顯著性的局部對(duì)比度（LCM）等近年來(lái)紅外弱小目標(biāo)檢測(cè)領(lǐng)域的優(yōu)秀算法進(jìn)行比較［21］。

圖6　基于紅外小目標(biāo)開(kāi)源圖像的算法結(jié)果對(duì)比

對(duì)上述幾種算法在紅外小目標(biāo)開(kāi)源序列進(jìn)行了仿真復(fù)現(xiàn)，結(jié)果如圖6所示。可以看出，開(kāi)源紅外序列背景雜波較少，信雜比較高，在開(kāi)源的序列場(chǎng)景下，除了LCM算法在海天交接場(chǎng)景（序列2）出現(xiàn)漏檢，其他算法均能有效檢出目標(biāo)。

然而，本文旨在研究機(jī)載復(fù)雜背景環(huán)境下低虛警目標(biāo)的探測(cè)方法，目前國(guó)內(nèi)外研究中虛警率最高、虛警抑制難度最大的就是對(duì)地下視的復(fù)雜場(chǎng)景目標(biāo)檢測(cè)，顯然紅外小目標(biāo)開(kāi)源圖像序列的背景不在這一范疇內(nèi)。為驗(yàn)證本文算法的性能，從實(shí)際機(jī)載紅外探測(cè)系統(tǒng)獲取的大量數(shù)據(jù)中挑選多組典型復(fù)雜背景視頻建立數(shù)據(jù)集并進(jìn)行測(cè)試，選取序列涵蓋了多種復(fù)雜背景、多個(gè)紅外波段、目標(biāo)尺度變化、載機(jī)機(jī)動(dòng)、不同速高比等場(chǎng)景，直觀的復(fù)雜場(chǎng)景高虛警序列如圖7所示，具體參數(shù)見(jiàn)表1。其中序列1，2，3，4為下視對(duì)地背景，序列5，6為下視對(duì)空云背景。為了表征抑制虛警難度，圖中展示了基于時(shí)空卷積神經(jīng)網(wǎng)絡(luò)［22］的紅外目標(biāo)檢測(cè)算法的硬件實(shí)現(xiàn)效果。

基于上述構(gòu)建的機(jī)載紅外目標(biāo)數(shù)據(jù)集，分別采用本文設(shè)計(jì)的算法與基于Top-Hat形態(tài)學(xué)濾波、基于低秩稀疏的紅外塊圖像（IPI）、基于顯著性的局部對(duì)比度（LCM）、基于廣義結(jié)構(gòu)張量（GST）的弱小目標(biāo)檢測(cè)算法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量分析；為了進(jìn)一步顯示所提的算法與其他差分算法的區(qū)別，同時(shí)引用基于相位相關(guān)和差分相乘（PCDM）的紅外目標(biāo)檢測(cè)方法進(jìn)行對(duì)比。

圖7　機(jī)載下的紅外高虛警序列集示例

評(píng)價(jià)指標(biāo)有背景抑制因子BSF、局部信雜比增益SCRg［23］、檢測(cè)率D和虛警率fa［24］。需要說(shuō)明的是，每個(gè)序列樣本量為表1中的幀數(shù)，以下圖表計(jì)算的參量是紅外高虛警序列集的每一個(gè)連續(xù)幀系列的統(tǒng)計(jì)平均值，因差分算法經(jīng)過(guò)形態(tài)學(xué)濾波抑制雜波效果顯著，統(tǒng)計(jì)時(shí)為方便量化，當(dāng)本算法的背景抑制因子出現(xiàn)無(wú)窮大的情況則按照次優(yōu)值統(tǒng)計(jì)，虛警率的統(tǒng)計(jì)標(biāo)準(zhǔn)為每十萬(wàn)幀出現(xiàn)虛警的個(gè)數(shù)的均數(shù)。

表2為不同算法在機(jī)載紅外高虛警序列集的抑制因子BSF，表3為不同算法在機(jī)載紅外高虛警序列集的局部信雜比增益SCRg?？梢钥闯觯疚奶岢龅乃惴ㄔ诮^大部分驗(yàn)證集中表現(xiàn)優(yōu)異，能抑制背景雜波干擾，顯著提高目標(biāo)信雜比。

表1機(jī)載紅外復(fù)雜背景數(shù)據(jù)集

Tab.1　Complex background airborne infrared data set

表2不同算法背景抑制因子（BSF）對(duì)比

Tab.2　Comparison of BSF of different algorithms

圖8為不同算法在機(jī)載紅外高虛警序列集的檢測(cè)率D。分析可知，本文算法在前5個(gè)序列集的檢測(cè)率最優(yōu)；序列6的檢測(cè)率下降到92.13%，是因?yàn)楣怆娤到y(tǒng)在大范圍搜索過(guò)程中云層背景變化，出現(xiàn)了短暫無(wú)云干凈背景，難以提取背景特征點(diǎn)；序列3和序列5受太陽(yáng)輻射的影響和探測(cè)器動(dòng)態(tài)響應(yīng)調(diào)整，出現(xiàn)暗目標(biāo)，Top-Hat、LCM、IPI等算法的魯棒性不足，基于差分的算法則不受影響。

圖9展示了不同算法在機(jī)載紅外高虛警序列集的虛警率fa。顯然，相比于其他算法在下視復(fù)雜背景動(dòng)輒上千的虛警個(gè)數(shù)，本文提出算法的虛警個(gè)數(shù)始終保持在個(gè)位數(shù)，虛警率小于105。同時(shí)，兩種基于背景差分的弱小目標(biāo)檢測(cè)算法在下視對(duì)地復(fù)雜背景下抑制虛警的能力更強(qiáng)，但基于相位相關(guān)的背景差分算法在載機(jī)出現(xiàn)大機(jī)動(dòng)時(shí)的自適應(yīng)性能不佳，出現(xiàn)大量虛警。

表3不同算法局部信雜比增益（SCRg）對(duì)比

Tab.3　Comparison of SCRg of different algorithms

圖8　不同算法的檢測(cè)率對(duì)比

圖9　不同算法的虛警率對(duì)比

5 結(jié)　論

本文針對(duì)機(jī)載環(huán)境下視復(fù)雜場(chǎng)景下紅外弱小目標(biāo)檢測(cè)虛警率高的問(wèn)題，提出了基于運(yùn)動(dòng)目標(biāo)模型的低虛警紅外目標(biāo)檢測(cè)方法。通過(guò)基于相對(duì)速高比的跳幀幀差方法、改進(jìn)的Harris角點(diǎn)檢測(cè)、基于KLT光流法的圖像配準(zhǔn)得到抑制地面雜波虛警的預(yù)選目標(biāo)；通過(guò)基于核相關(guān)濾波的CSK相似度判定，結(jié)合多維度特征關(guān)聯(lián)和多幀關(guān)聯(lián)，在保證檢測(cè)率的前提下，對(duì)地面亮斑、復(fù)雜云層背景邊緣和雜波噪聲等典型虛警源進(jìn)行抑制。仿真結(jié)果和飛行實(shí)驗(yàn)數(shù)據(jù)表明，所提出的方法在機(jī)載紅外高虛警序列集性能最優(yōu)，在不同機(jī)載環(huán)境、多種復(fù)雜背景下仍能有效檢測(cè)出紅外弱小目標(biāo)，平均檢測(cè)率達(dá)到99.23%，虛警率降至105。本文算法在JFM7VX690T現(xiàn)場(chǎng)可編程門陣列與FT-M6678多核數(shù)字信號(hào)處理器的國(guó)產(chǎn)平臺(tái)框架下實(shí)現(xiàn)硬件移植，滿足高幀頻的應(yīng)用需求，為機(jī)載環(huán)境下低虛警紅外弱小目標(biāo)檢測(cè)提供了一種新思路。

［1］ DONG L L， WANG B， ZHAO M，. Robust infrared maritime target detection based on visual attention and spatiotemporal filtering［J］.， 2017， 55（5）： 3037-3050.

［2］ MARVASTI F S， MOSAVI M R， NASIRI M. Flying small target detection in IR images based on adaptive toggle operator［J］.， 2018， 12（4）： 527-534.

［3］ GAO C Q， MENG D Y， YANG Y，. Infrared patch-image model for small target detection in a single image［J］.， 2013， 22（12）： 4996-5009.

［4］ CHEN C L P， LI H， WEI Y T，. A local contrast method for small infrared target detection［J］.， 2014， 52（1）： 574-581.

［5］ 周許超，屠大維，陳勇，等. 基于相位相關(guān)和差分相乘的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)［J］. 儀器儀表學(xué)報(bào)， 2010， 31（5）： 980-983.

ZHOU X CH， TU D W， CHEN Y，. Moving object detection under dynamic background based on phase-correlation and differential multiplication［J］.， 2010， 31（5）： 980-983. （in Chinese）

［6］ BAI X Z， ZHOU F G. Analysis of new top-hat transformation and the application for infrared dim small target detection［J］.， 2010， 43（6）： 2145-2156.

［7］ 范麗麗，趙宏偉，趙浩宇，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述［J］. 光學(xué)精密工程， 2020， 28（5）： 1152-1164.

FAN L L， ZHAO H W， ZHAO H Y，. Survey of target detection based on deep convolutional neural networks［J］.， 2020， 28（5）： 1152-1164. （in Chinese）

［8］ Shi J B， Tomasi C. Good Features to Track［C］. 1994June 21-23， 1994： 593-600.

［9］ HE Q F， CHEN W J， ZOU D P，. A novel framework for UAV returning based on FPGA［J］.

［10］ HENRIQUES J F， CASEIRO R， MARTINS P，. Exploiting the circulant structure of tracking-by-detection with kernels［C］.12：12， 2012： 702-715.

［11］ PRASAD D K， PRASATH C K， RAJAN D，. Object detection in a maritime environment： performance evaluation of background subtraction methods［J］.， 2019， 20（5）： 1787-1802.

［12］ LIU L， CHAI G H， QU Z. Moving target detection based on improved ghost suppression and adaptive visual background extraction［J］.， 2021， 28（3）： 747-759.

［13］ 王梅，屠大維，周許超. SIFT特征匹配和差分相乘融合的運(yùn)動(dòng)目標(biāo)檢測(cè)［J］. 光學(xué)精密工程， 2011， 19（4）： 892-899.

WANG M， TU D W， ZHOU X CH. Moving object detection by combining SIFT and differential multiplication［J］.， 2011， 19（4）： 892-899. （in Chinese）

［14］ 張玉欣. 基于面陣CCD的速高比計(jì)研究［D］. 北京：中國(guó)科學(xué)院大學(xué)， 2011.

ZHANG Y X.［D］. Beijing： University of Chinese Academy of Sciences， 2011. （in Chinese）

［15］ LI Y S， LI Z Z， ZHANG C，. Infrared maritime dim small target detection based on spatiotemporal cues and directional morphological filtering［J］.， 2021， 115： 103657.

［16］ MAINALI P， YANG Q， LAFRUIT G，. Robust low complexity corner detector［J］.， 2011， 21（4）： 435-445.

［17］ TOMASI C， KANADE T. Shape and motion from image streams： a factorization method［J］.， 1993， 90（21）： 9795-9802.

［18］ TOMASI C. Detection and tracking of point features［J］.， 1991， 91（21）： 9795-9802.

［19］ 吳燕茹，程詠梅，趙永強(qiáng)，等. 基于核Rayleigh商二次相關(guān)濾波器的紅外目標(biāo)檢測(cè)［J］. 紅外與毫米波學(xué)報(bào)， 2011， 30（2）： 142-148.

WU Y R， CHENG Y M， ZHAO Y Q，. Infrared target detection using kernel Rayleigh quotient quadratic correlation filter［J］.， 2011， 30（2）： 142-148. （in Chinese）

［20］ HENRIQUES J F， CASEIRO R， MARTINS P，. High-speed tracking with kernelized correlation filters［J］.， 2015， 37（3）： 583-596.

［21］ YANG L， YANG J， YANG K. Adaptive detection for infrared small target under sea-sky complex background［J］.， 2004， 40（17）： 1083-1085.

［22］ LI M ， LIN Z P， FAN J P，. Point target detection based on deep spatial tem poral convolution neural network［J］.， 2021， 40（1）： 122-132.

［23］ ZHANG X Y， DING Q H， LUO H B，. Infrared small target detection based on directional zero-crossing measure［J］.， 2017， 87： 113-123.

［24］ 鞠默然，羅海波，劉廣琦，等. 采用空間注意力機(jī)制的紅外弱小目標(biāo)檢測(cè)網(wǎng)絡(luò)［J］. 光學(xué)精密工程， 2021， 29（4）： 843-853.

JU M R， LUO H B， LIU G Q，. Infrared dim and small target detection network based on spatial attention mechanism［J］.， 2021， 29（4）： 843-853. （in Chinese）

Low false alarm infrared target detection in airborne complex scenes

YANG Dezhen1，2，YU Songlin1*，F(xiàn)ENG Jinjun2，LI Jiangyong1，WANG Lihe1

（1，100015，；2，100015，），：8511

When an infrared photoelectric detection system detects a target in a complex airborne scene， the spatial distribution of the ground false alarm interference source is consistent with the spatial distribution of the small dim target. Therefore， a multi-dimensional feature association detection algorithm based on moving target features was proposed herein. First， feature points were detected in complex scenes， and a frame skipping mechanism based on the relative velocity-height ratio was introduced. Candidate targets were detected by inter-frame image difference after image registration. Simultaneously， multi-dimension and multi-frame correlations based on the kernel correlation filter were used to suppress false alarms. In an airborne environment where the vehicle speed-to-height ratio is greater than 30 mrad/s and frame time is less than 10 ms， the average detection rate of this algorithm is 99.13%， and the false alarm rate is 10-5. This method was verified in various complex scenarios. In addition， it is suitable for pipeline parallel operation and meets the engineering needs.

target detection； airborne environment； moving target features； kernelized correlation filtering； false alarm suppression； pipeline parallel operation

TP391

A

10.37188/OPE.20223001.0096

1004-924X（2022）01-0096-12

2021-04-30；

2021-07-07.

國(guó)家863高技術(shù)研究發(fā)展計(jì)劃資助項(xiàng)目（No.2013AA7031066B）；軍委科技委基礎(chǔ)加強(qiáng)基金資助項(xiàng)目（No.2019JCJQZD33600）

楊德振（1988），男，廣東汕頭人，博士研究生，2011年于東北大學(xué)獲得學(xué)士學(xué)位，2016年于電子科學(xué)研究院獲得碩士學(xué)位，主要從事數(shù)?；旌霞呻娐吩O(shè)計(jì)、弱信號(hào)提取及圖像處理的研究。E-mail：yangdezhen88@126.com

喻松林（1966），男，江西宜春人，研究員，博士生導(dǎo)師，1988年于華中科技大學(xué)獲得學(xué)士學(xué)位，主要從事光電系統(tǒng)及其圖像處理、高性能紅外探測(cè)器設(shè)計(jì)與制備、新體制光電探測(cè)等方面的研究。E-mail：yusir8511@sina.com