楊德振喻松林*馮進軍李江勇王禮賀

機載復雜場景下的低虛警紅外目標檢測

楊德振1，2，喻松林1*，馮進軍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）

機載紅外光電探測系統(tǒng)進行下視復雜場景目標探測時，地面虛警干擾源同弱小目標在空間分布上一致，傳統(tǒng)算法會導致大量虛警。因此，提出一種基于運動目標特征的多維度特征關(guān)聯(lián)檢測算法。該算法首先對復雜場景進行特征點檢測，引入基于相對速高比的跳幀機制，對經(jīng)過圖像配準的幀間圖像進行差分處理檢出候選目標。同時，結(jié)合基于核相關(guān)濾波的目標相似度方法進行多維多幀關(guān)聯(lián)，進一步抑制虛警并確認目標。實驗結(jié)果表明，在載機速高比大于30 mrad/s、系統(tǒng)幀時小于10 ms的機載環(huán)境下，該算法的平均檢測率達到99.13%，虛警率降至105。該方法在多種機載復雜場景下得到驗證，適合流水并行運算操作，滿足工程實踐需求。

目標檢測；機載環(huán)境；運動目標特征；核相關(guān)濾波；虛警抑制；并行流水操作

1 引　言

近年來，紅外目標檢測在機載電子領(lǐng)域的作用愈加突出。機載場景下目標分辨率低，可利用特征少，而且應用場景復雜多變，尤其是下視對地目標探測中，背景中涵蓋山川、海面、建筑等輻射源，復雜云層背景邊緣等，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，提供精確目標信息，才能實現(xiàn)復雜環(huán)境下的“先敵發(fā)現(xiàn)、先敵打擊”。因此，實現(xiàn)機載復雜場景下的低虛警有效探測成為紅外目標探測領(lǐng)域的研究重點。

近年來涌現(xiàn)出幾類優(yōu)秀的目標檢測算法，Top-Hat［2］形態(tài)學濾波目標檢測是通過形態(tài)學特征進行卷積運算，提取潛在目標并抑制背景；基于低秩稀疏紅外塊圖像［3］（IPI）的弱小目標檢測算法將目標檢測轉(zhuǎn)換成低秩恢復和稀疏矩陣優(yōu)化的數(shù)學問題；顯著性局部對比度［4］（LCM）的算法是通過計算圖像局部對比度來獲取顯著性區(qū)域，采用多尺度對比度提升檢測的魯棒性；基于相位相關(guān)差分相乘［5］（PC-DM）的運動目標檢測方法，采用求互功率譜的反傅里葉變換極值來估計幀間偏移量，多幀差分圖像相乘得出目標位置。以上紅外弱小目標檢測算法均能較好地檢測目標，然而在抑制復雜背景的虛警能力方面，Top-Hat形態(tài)學濾波和LCM無法區(qū)分地面亮斑和弱目標的差異，極易產(chǎn)生虛警；基于IPI模型的目標檢測算法在將每個圖像塊矢量化為一列像素的過程中，像素間的結(jié)構(gòu)信息丟失導致難以準確估計目標；PC-DM雖然采用幀間相消去除復雜背景雜波，但相鄰幀差分沒有考慮目標的機動特性，目標的不規(guī)則運動容易導致差分結(jié)果失效，進而產(chǎn)生虛警。針對下視常見的虛警干擾源，結(jié)合地面和云層虛警源在相鄰幀的空間一致性，即相對移動較固定的特點，本文基于載機與目標機的相對速高比引入跳幀機制，采用運動目標模型提取候選目標，結(jié)合多維度特征關(guān)聯(lián)確定目標的方法進行低虛警紅外目標檢測。

2 弱小目標和背景干擾源分析

機載環(huán)境下視的典型背景多為復雜背景，復雜場景及傳統(tǒng)目標檢測算法的實現(xiàn)結(jié)果如圖1所示。

圖1　傳統(tǒng)算法的目標檢測效果

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

圖2　弱小目標與常見虛警源灰度分布比較

眾所周知，弱小目標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)目標檢測算法主要利用目標輻射灰度分布特性或者幾何特性來分類并提取目標，采用的方法包括基于空域、頻域、形態(tài)學的濾波、背景估計、人類視覺系統(tǒng)（HVS）、卷積神經(jīng)網(wǎng)絡等［7］。然而在下視對地復雜場景下，以上方法在抑制虛警上的表現(xiàn)往往差強人意。針對軍事快速移動目標的特殊性，本文從目標運動模型出發(fā)，采用跳幀差分檢測的方式進行目標預提取，以達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檢測主要包括目標分割和目標關(guān)聯(lián)兩大部分，具體流程見圖3。針對機載環(huán)境的載機運動和目標機運動特性，本文首先對局部區(qū)域進行Harris［8］角點檢測提取背景特征點，同時引入基于載機、目標機相對速高比的跳幀機制進行幀間差分，接著基于KLT［9］光流法進行前后序列幀圖像的背景匹配，結(jié)合Ostu對圖像進行閾值分割得出潛在目標及其位置、大小、圖像模板等前景信息。在目標關(guān)聯(lián)部分，引入多幀關(guān)聯(lián)，并采用CSK相似度［10］、目標尺度、速度度量等多維度特征進行目標關(guān)聯(lián)。隨著關(guān)聯(lián)數(shù)量的增多，移動目標的置信度越來越大，關(guān)聯(lián)數(shù)量達到特性閾值的潛在目標為極可能目標，最后經(jīng)過盲元剔除算法最終輸出目標信息。

圖3　紅外弱小目標檢測算法流程

3.1　目標分割

目標分割算法的目的是從圖像中將疑似目標從背景中分割出來，在經(jīng)過二值化處理后獲取潛在目標區(qū)域的信息。本文提出的算法先采用基于Harris的角點檢測方法進行多點校正，接著利用KLT光流法確定幀間背景圖像偏移量。為了在載機做大機動動作、光電探測設(shè)備擺掃和目標機前后幀間靜止或者緩慢運動時防止固定幀差法失效［11］，采用基于相對速高比的跳幀機制進行背景差分。利用改進的三幀差分法對經(jīng)過偏移量補償?shù)膸蛄羞M行做差求與，消除差分圖像移動弱小目標區(qū)域的“空洞”和“鬼影”現(xiàn)象［12］。最后，結(jié)合形態(tài)學濾波與Ostu算法進行自適應閾值分割得出目標前景信息。

311基于相對速高比的差分跳幀機制

幀差法對幀序列中連續(xù)的兩幀或者多幀圖像進行逐像素做差，提取差分圖像的極值點，一般就能檢測出移動目標［13］。而機載環(huán)境下，載機和目標機都有極強的運動性，導致目標在紅外焦平面的像移速度不確定，采用固定間隔的幀差無法有效提取運動目標。針對這一問題和算法的實時性要求，本文提出了基于相對速高比的差分跳幀機制。跳幀機制根據(jù)載機和目標機的空間關(guān)系和目標運動特性來動態(tài)確定前后差分圖像的幀差數(shù)。跳幀機制的引入有如下優(yōu)點：

（1）隔幀或者隔多幀檢測，差分對象為當前幀與前某一幀，可降低算法的實時性要求；

（2）在預處理階段對噪聲多的幀跳過，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)合機載環(huán)境和系統(tǒng)伺服信息對算法進行幀差調(diào)整，可提升圖像匹配的成功率進而提高算法的自適應性。

本算法提出的跳幀機制結(jié)合了紅外探測系統(tǒng)成像機理和目標相對運動模型，經(jīng)過分析，影響圖像匹配的因素有：紅外探測系統(tǒng)載機的速高比、載機與目標機的相對速高比，紅外探測系統(tǒng)的擺掃速度、焦距、像元尺寸和系統(tǒng)幀頻，以及探測目標尺寸和移動目標的速度［14］。

考慮下視高速移動目標在像面上的移動速度，有：

即：

結(jié)合實際導航數(shù)據(jù)，帶入載機速高比、系統(tǒng)幀時、紅外焦平面像元參數(shù)，可自適應地切換差分跳幀值。圖4為載機進行大機動瞬間連續(xù)幀序列算法的預處理結(jié)果。通過本研究采用的跳幀機制與固定跳幀幀差法的效果對比可以發(fā)現(xiàn)，固定跳幀幀差法的差分結(jié)果出現(xiàn)很多虛警，而且差分后目標消失；基于相對速高比的差分跳幀法能有效提取高速運動目標區(qū)域，同時最大限度地抑制虛警。

312改進的Harris角點檢測

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

其中矩陣為：

Harris角點檢測通過對比矩陣的兩個特征值，當兩個特征值都大于閾值則認為圖像在這一點上的灰度和曲率均有較大變化，即為角點。令為角點響應值：

（1）針對Harris角點檢測在噪聲中敏感的缺陷，在角點檢測之前預先進行了圖像降噪處理。

（2）為提高運算速度，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響應值的計算；引入圖像塊最大值替代在非極大值抑制（NMS）中逐點排序；每幀圖像僅提取20個角點。

（3）為了避免在跟蹤階段對目標區(qū)域進行角點匹配和減少雜散光成像干擾，并進一步提高運算速度，只針對特定區(qū)域進行角點檢測。

角點檢測結(jié)果是選取特征最強的多個角點，一旦找到當前幀圖像的多個角點就進行差分操作，得出機體運動和系統(tǒng)抖動引起的光流偏移量。

313基于KLT光流法的圖像配準

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

（1）背景特征點的亮度恒定；

（2）特征點的運動偏移矢量足夠?。?/p>

（3）背景中的點具有空間一致性。

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相同特征點具有恒定強度，利用一階近似泰勒級數(shù)展開，有：

其中：

在算法實現(xiàn)中，為進一步提升算法速率，本研究引入了三層金字塔下采樣方法來減少遍歷時間；針對偏移量為小數(shù)的情況，采用線性雙插值算法在行列像素上逼近。

3.2　目標關(guān)聯(lián)

高幀頻紅外探測器的一個幀頻周期往往只有幾毫秒，除了快速移動的弱小目標，其他干擾源因為空間關(guān)系固定幾乎不會有位移，在場景校正時已經(jīng)對其進行剔除。常用的目標關(guān)聯(lián)方法有灰度和顯著性的相似度、基于目標形狀特征、基于空間坐標的關(guān)聯(lián)度等方法。本文采用的目標關(guān)聯(lián)算法將近年來興起的CSK目標跟蹤算法［19］應用到目標關(guān)聯(lián)中。

321基于核相關(guān)的CSK目標相似度判定

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

322基于多維度特征的目標關(guān)聯(lián)

傳統(tǒng)的目標關(guān)聯(lián)算法需要同時滿足多個條件才符合目標關(guān)聯(lián)度的判定，類似于分類中的多層決策樹，通過訓練獲取最優(yōu)分類器閾值。然而，將算法設(shè)計成多個階段實現(xiàn)會降低低虛警檢測的魯棒性，一旦一個階段有錯誤會影響最終的虛警抑制性能。因機載環(huán)境背景變化迅速、目標機機動性能高、太陽光照劇烈等因素影響，多個特征可能會存在突變，本文采用多維度特征關(guān)聯(lián)的方法，結(jié)合目標幀間位移量、目標尺寸和基于CSK核相關(guān)濾波的目標相似度作為判定準則。

假設(shè)相似度為最終目標判定標準，則：

經(jīng)過以上步驟，算法實現(xiàn)了前后幀目標關(guān)聯(lián)。為實現(xiàn)低虛警，引入了多幀關(guān)聯(lián)算法，將本幀預選目標與之前多幀目標進行關(guān)聯(lián)，當關(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。

4 實驗結(jié)果與分析

本文采用所提低虛警紅外目標檢測方法對機載下視復雜場景序列進行仿真；在兩個紅外數(shù)據(jù)集上，同其他優(yōu)秀紅外目標檢測算法進行定性和定量的比較分析。

4.1　低虛警目標檢測方法實現(xiàn)結(jié)果

本文提出的下視復雜背景弱小目標檢測算法各分模塊的預處理結(jié)果，如圖5所示。首先，對經(jīng)過跳幀機制選取的前后幀濾波圖像進行Harris［9］角點檢測，通過背景特征點進行匹配得出前后幀偏移量，角點檢測結(jié)果如圖5（a1）和圖5（a2）所示；圖5（b）是前后幀圖像場景校正后的差分結(jié)果，理論上差分圖像除了目標位移部位外其他像素點均為零值，但因受光照與大氣擾動、系統(tǒng)光學串擾、探測器暗電流噪聲和圖像配準誤差等因素的影響，差分圖像存在起伏雜波；針對移動目標差分后的正負偶子特性采用三幀差分算法，結(jié)合形態(tài)學和Ostu進行雜波抑制，結(jié)果如圖5（c）所示；圖5（d）展示了多幀目標關(guān)聯(lián)原理；基于CSK目標相似度計算得出的檢測結(jié)果如圖5（e）所示。仿真結(jié)果可以看出，本算法能準確檢測出目標并有效抑制虛警。

圖5　本文算法關(guān)鍵模塊預處理結(jié)果

4.2　低虛警目標檢測方法對比與分析

國內(nèi)外弱小目標檢測大多采用網(wǎng)上開源數(shù)據(jù)集進行仿真和分析，但開源紅外小目標數(shù)據(jù)集與實際機載試飛中采集的下視對地數(shù)據(jù)差異較大。為有效解決機載環(huán)境下存在的對地虛警問題，同時對提出的算法進行全面客觀地評估，這里分別對5個開源紅外小目標序列和實際采集數(shù)據(jù)進行了仿真驗證，選取基于低秩稀疏的紅外塊圖像（IPI）、基于Top-Hat形態(tài)學濾波、基于顯著性的局部對比度（LCM）等近年來紅外弱小目標檢測領(lǐng)域的優(yōu)秀算法進行比較［21］。

圖6　基于紅外小目標開源圖像的算法結(jié)果對比

對上述幾種算法在紅外小目標開源序列進行了仿真復現(xiàn)，結(jié)果如圖6所示?？梢钥闯?，開源紅外序列背景雜波較少，信雜比較高，在開源的序列場景下，除了LCM算法在海天交接場景（序列2）出現(xiàn)漏檢，其他算法均能有效檢出目標。

然而，本文旨在研究機載復雜背景環(huán)境下低虛警目標的探測方法，目前國內(nèi)外研究中虛警率最高、虛警抑制難度最大的就是對地下視的復雜場景目標檢測，顯然紅外小目標開源圖像序列的背景不在這一范疇內(nèi)。為驗證本文算法的性能，從實際機載紅外探測系統(tǒng)獲取的大量數(shù)據(jù)中挑選多組典型復雜背景視頻建立數(shù)據(jù)集并進行測試，選取序列涵蓋了多種復雜背景、多個紅外波段、目標尺度變化、載機機動、不同速高比等場景，直觀的復雜場景高虛警序列如圖7所示，具體參數(shù)見表1。其中序列1，2，3，4為下視對地背景，序列5，6為下視對空云背景。為了表征抑制虛警難度，圖中展示了基于時空卷積神經(jīng)網(wǎng)絡［22］的紅外目標檢測算法的硬件實現(xiàn)效果。

基于上述構(gòu)建的機載紅外目標數(shù)據(jù)集，分別采用本文設(shè)計的算法與基于Top-Hat形態(tài)學濾波、基于低秩稀疏的紅外塊圖像（IPI）、基于顯著性的局部對比度（LCM）、基于廣義結(jié)構(gòu)張量（GST）的弱小目標檢測算法對實驗結(jié)果進行定量分析；為了進一步顯示所提的算法與其他差分算法的區(qū)別，同時引用基于相位相關(guān)和差分相乘（PCDM）的紅外目標檢測方法進行對比。

圖7　機載下的紅外高虛警序列集示例

評價指標有背景抑制因子BSF、局部信雜比增益SCRg［23］、檢測率D和虛警率fa［24］。需要說明的是，每個序列樣本量為表1中的幀數(shù)，以下圖表計算的參量是紅外高虛警序列集的每一個連續(xù)幀系列的統(tǒng)計平均值，因差分算法經(jīng)過形態(tài)學濾波抑制雜波效果顯著，統(tǒng)計時為方便量化，當本算法的背景抑制因子出現(xiàn)無窮大的情況則按照次優(yōu)值統(tǒng)計，虛警率的統(tǒng)計標準為每十萬幀出現(xiàn)虛警的個數(shù)的均數(shù)。

表2為不同算法在機載紅外高虛警序列集的抑制因子BSF，表3為不同算法在機載紅外高虛警序列集的局部信雜比增益SCRg。可以看出，本文提出的算法在絕大部分驗證集中表現(xiàn)優(yōu)異，能抑制背景雜波干擾，顯著提高目標信雜比。

表1機載紅外復雜背景數(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）對比

Tab.2　Comparison of BSF of different algorithms

圖8為不同算法在機載紅外高虛警序列集的檢測率D。分析可知，本文算法在前5個序列集的檢測率最優(yōu)；序列6的檢測率下降到92.13%，是因為光電系統(tǒng)在大范圍搜索過程中云層背景變化，出現(xiàn)了短暫無云干凈背景，難以提取背景特征點；序列3和序列5受太陽輻射的影響和探測器動態(tài)響應調(diào)整，出現(xiàn)暗目標，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雜背景動輒上千的虛警個數(shù)，本文提出算法的虛警個數(shù)始終保持在個位數(shù)，虛警率小于105。同時，兩種基于背景差分的弱小目標檢測算法在下視對地復雜背景下抑制虛警的能力更強，但基于相位相關(guān)的背景差分算法在載機出現(xiàn)大機動時的自適應性能不佳，出現(xiàn)大量虛警。

表3不同算法局部信雜比增益（SCRg）對比

Tab.3　Comparison of SCRg of different algorithms

圖8　不同算法的檢測率對比

圖9　不同算法的虛警率對比

5 結(jié)　論

本文針對機載環(huán)境下視復雜場景下紅外弱小目標檢測虛警率高的問題，提出了基于運動目標模型的低虛警紅外目標檢測方法。通過基于相對速高比的跳幀幀差方法、改進的Harris角點檢測、基于KLT光流法的圖像配準得到抑制地面雜波虛警的預選目標；通過基于核相關(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)，在保證檢測率的前提下，對地面亮斑、復雜云層背景邊緣和雜波噪聲等典型虛警源進行抑制。仿真結(jié)果和飛行實驗數(shù)據(jù)表明，所提出的方法在機載紅外高虛警序列集性能最優(yōu)，在不同機載環(huán)境、多種復雜背景下仍能有效檢測出紅外弱小目標，平均檢測率達到99.23%，虛警率降至105。本文算法在JFM7VX690T現(xiàn)場可編程門陣列與FT-M6678多核數(shù)字信號處理器的國產(chǎn)平臺框架下實現(xiàn)硬件移植，滿足高幀頻的應用需求，為機載環(huán)境下低虛警紅外弱小目標檢測提供了一種新思路。

［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)和差分相乘的動態(tài)背景下運動目標檢測［J］. 儀器儀表學報， 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)絡的目標檢測研究綜述［J］. 光學精密工程， 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動目標檢測［J］. 光學精密工程， 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的速高比計研究［D］. 北京：中國科學院大學， 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，等. 基于核Rayleigh商二次相關(guān)濾波器的紅外目標檢測［J］. 紅外與毫米波學報， 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. 采用空間注意力機制的紅外弱小目標檢測網(wǎng)絡［J］. 光學精密工程， 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.

國家863高技術(shù)研究發(fā)展計劃資助項目（No.2013AA7031066B）；軍委科技委基礎(chǔ)加強基金資助項目（No.2019JCJQZD33600）

楊德振（1988），男，廣東汕頭人，博士研究生，2011年于東北大學獲得學士學位，2016年于電子科學研究院獲得碩士學位，主要從事數(shù)模混合集成電路設(shè)計、弱信號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，博士生導師，1988年于華中科技大學獲得學士學位，主要從事光電系統(tǒng)及其圖像處理、高性能紅外探測器設(shè)計與制備、新體制光電探測等方面的研究。E-mail：yusir8511@sina.com