陳紫強(qiáng)，梁 晨

(桂林電子科技大學(xué)a.信息與通信工程系;b.認(rèn)知無線電與信息處理教育部重點(diǎn)實(shí)驗(yàn)室，廣西 桂林541004)

0 引 言

在盡可能遠(yuǎn)的距離依然可以有效檢測(cè)與跟蹤目標(biāo)，是紅外小目標(biāo)自動(dòng)檢測(cè)與跟蹤技術(shù)的研究意義。然而遠(yuǎn)距離成像時(shí)，目標(biāo)表現(xiàn)為信噪比較低的點(diǎn)狀小目標(biāo)，沒有明顯的紋理、大小、形狀等特征，容易淹沒在背景雜波中，給目標(biāo)的檢測(cè)帶來了很大的困難[1]。

為了有效檢測(cè)低信噪比條件下的紅外小目標(biāo)，國(guó)內(nèi)外眾多學(xué)者進(jìn)行了廣泛而深入的研究。近年來，基于人類視覺機(jī)制(Human Visual System,HVS)的目標(biāo)檢測(cè)算法由于具備良好的檢測(cè)性能引起了學(xué)者們的廣泛關(guān)注。文獻(xiàn)[2]提出局部對(duì)比度算法(Local Contrast Measure,LCM)，通過目標(biāo)局部區(qū)域的最大像素值與周圍局部背景塊的最大均值之間的比值來增強(qiáng)目標(biāo)與背景之間的對(duì)比度，但是該算法容易受到高亮點(diǎn)噪聲的影響。針對(duì)這一問題，文獻(xiàn)[3]提出了局部差異對(duì)比度算法(Difference-Based Local Contrast Method,DBLCM)，使用目標(biāo)局部區(qū)域的均值與背景區(qū)域的最大均值來增強(qiáng)目標(biāo)，以及利用抑制因子來消除高亮點(diǎn)噪聲干擾。針對(duì)傳統(tǒng)LCM算法計(jì)算耗時(shí)高的問題，文獻(xiàn)[4]提出了雙層局部對(duì)比度機(jī)制算法(Double-layer Local Contrast Measure,DLCM)。該算法通過雙層對(duì)角灰度差對(duì)比度機(jī)制，增強(qiáng)目標(biāo)的同時(shí)也能很好地抑制背景雜波，并且通過單尺度窗口進(jìn)行圖像遍歷，計(jì)算量大大降低。然而，這些基于空間濾波的單幀檢測(cè)算法往往檢測(cè)能力有限，因?yàn)楹雎粤硕鄮蛄兄心繕?biāo)的時(shí)間相關(guān)性，很難完全消除虛警。

文獻(xiàn)[5]提出了一種時(shí)空局部對(duì)比度濾波算子(Spatial-Temporal Local Contrast Filter,STLCF)，采用空域局部對(duì)比度和時(shí)域局部對(duì)比度算子同時(shí)來增強(qiáng)目標(biāo)與局部背景之間的差異，但該算法在遠(yuǎn)距離場(chǎng)景下的檢測(cè)性能有限。文獻(xiàn)[6]提出了時(shí)空域聯(lián)合預(yù)測(cè)模型(Spatial-Temporal Local Contrast Map,STLCM)，在空間域利用均值濾波來預(yù)測(cè)背景，同時(shí)結(jié)合時(shí)域的局部對(duì)比度差異信息進(jìn)行小目標(biāo)的檢測(cè)。該算法能夠很好地抑制高亮背景，但易受到高亮點(diǎn)噪聲的干擾，導(dǎo)致虛警率高。文獻(xiàn)[7]提出了時(shí)空局部差分算法(Spatial-Temporal Local Difference Measure,STLDM)，通過構(gòu)造一個(gè)三維的時(shí)-空域滑動(dòng)窗口，在時(shí)域和空域同時(shí)進(jìn)行目標(biāo)局部對(duì)比度的計(jì)算，使得檢測(cè)結(jié)果得到了很大的提高，但是該算法在遠(yuǎn)距離場(chǎng)景下易受到高亮度背景物體以及背景邊緣的干擾。

針對(duì)遠(yuǎn)距離場(chǎng)景下目標(biāo)信噪比低的情況，本文提出了一種時(shí)空域相融合的紅外弱小目標(biāo)檢測(cè)算法。實(shí)驗(yàn)結(jié)果證明，在遠(yuǎn)距離復(fù)雜場(chǎng)景下，該算法能夠很好地降低虛警，同時(shí)保持較高的檢測(cè)率。

1 時(shí)空域融合的檢測(cè)算法

時(shí)空域融合檢測(cè)算法主要包括空域相對(duì)局部對(duì)比度算法(Relative Local Contrast Measure,RLCM)、時(shí)域局部差分算法(Temporal Local Difference Algorithm,TLCD)、時(shí)空域融合的局部顯著檢測(cè)圖(Spatial-Temporal Relative Local Contrast Difference,STRLCD)，自適應(yīng)閾值分割。本文的目標(biāo)檢測(cè)算法框圖如圖1所示。

1.1 局部對(duì)比度計(jì)算

基于人類視覺對(duì)比度機(jī)制(Human Visual System,HVS)相關(guān)的最經(jīng)典的算法就是LCM[2]，后續(xù)的很多算法都是在LCM算法上的延伸，本文采用的RLCM[8]算法就是在LCM算法的基礎(chǔ)上進(jìn)行的改進(jìn)。

LCM提出使用一個(gè)滑動(dòng)窗口在圖像上從左至右、從上至下逐像素滑動(dòng)，如圖2所示。每個(gè)窗口被劃分成9個(gè)子窗口，如圖3所示。中間區(qū)域0是目標(biāo)可能出現(xiàn)的區(qū)域，在它周圍的區(qū)域1～8代表局部背景塊。

圖2 目標(biāo)區(qū)域與局部背景區(qū)域的定義

圖3 LCM算法滑動(dòng)窗口

LCM算法計(jì)算目標(biāo)局部對(duì)比度的公式可表示為

(1)

式中：L0為中心目標(biāo)區(qū)域塊的最大值；mi為周圍第i個(gè)局部背景塊的灰度均值。

LCM算法通過式(1)的比值運(yùn)算可以很好地增強(qiáng)目標(biāo)，但是很容易對(duì)高亮度背景物體以及噪聲點(diǎn)也進(jìn)行增強(qiáng)，使得虛警目標(biāo)增多。

針對(duì)這種情況，本文采用RLCM算法來進(jìn)行空域局部對(duì)比度的計(jì)算。RLCM算法不僅采用了比值運(yùn)算來進(jìn)行目標(biāo)的增強(qiáng)，而且還采用差值運(yùn)算來進(jìn)一步抑制高亮背景，因此相較于其他算法，具有更好的魯棒性;同時(shí)該算法結(jié)構(gòu)簡(jiǎn)單，只采用局部背景塊和中心區(qū)域塊中的k個(gè)參數(shù)進(jìn)行計(jì)算，相比于傳統(tǒng)LCM算法，檢測(cè)速度得到大大提高。RLCM算法的滑動(dòng)窗口如圖4所示。由于遠(yuǎn)距離背景下紅外目標(biāo)多呈現(xiàn)點(diǎn)狀，目標(biāo)尺寸通常不大于3×3，本實(shí)驗(yàn)所選取的局部子塊窗口尺寸大小為3×3。

圖4 RLCM算法的滑動(dòng)窗口

中心窗口的像素點(diǎn)的RLCM定義如公式(2)～(5)所示：

(2)

(3)

(4)

(5)

1.2 時(shí)域局部差分計(jì)算

傳統(tǒng)的紅外小目標(biāo)檢測(cè)算法大多都是基于空域?yàn)V波的單幀檢測(cè)方法，此類算法由于忽略了多幀序列中運(yùn)動(dòng)目標(biāo)的時(shí)空相關(guān)性，在復(fù)雜場(chǎng)景下的檢測(cè)能力有限，會(huì)造成大量虛警。

對(duì)于目標(biāo)而言，在不同幀圖像中所處的位置不同，相應(yīng)的灰度強(qiáng)度也會(huì)發(fā)生一定的變化[7]。然而，對(duì)于圖像中的高亮點(diǎn)噪聲大多都是隨機(jī)產(chǎn)生的，在圖像中所處位置相對(duì)固定，灰度值也不會(huì)發(fā)生變換。由此，采用時(shí)域局部差分算法，利用目標(biāo)中心區(qū)域在時(shí)空域的灰度強(qiáng)度變化，進(jìn)一步提高目標(biāo)檢測(cè)率，抑制虛警目標(biāo)。時(shí)域局部差分的計(jì)算公式如式(6)～(9)所示：

Imax=max{MTfn-t,MTfn,MTfn+t}，

(6)

Imin=min{MTfn-t,MTfn,MTfn+t}，

(7)

TLCD(i,j)=(Imax-Imin)2，

(8)

(9)

式中：MTfn、MTfn-t分別代表當(dāng)前第n幀以及第n-t幀的中心目標(biāo)區(qū)域塊(3×3)的最大灰度值，t為間隔的幀數(shù)。序列圖像間隔幀t的選取會(huì)影響一定的檢測(cè)結(jié)果，本文采用t=3。

1.3 時(shí)空域融合

對(duì)于空域RLCM算法，采用式(2)中的比值運(yùn)算和差分運(yùn)算可以增強(qiáng)目標(biāo)以及抑制高亮度背景的干擾，但是當(dāng)圖像中存在高亮度固定噪聲點(diǎn)時(shí)，此種算法也會(huì)增強(qiáng)噪點(diǎn)，使得檢測(cè)結(jié)果中存在大量虛警。

對(duì)于時(shí)域局部差分TLCD算法，利用了目標(biāo)的時(shí)域運(yùn)動(dòng)特征，可以檢測(cè)出運(yùn)動(dòng)的目標(biāo)，消除固定噪點(diǎn)的干擾。由于在圖像序列中背景也存在相對(duì)運(yùn)動(dòng)，所以當(dāng)紅外圖像中背景物的亮度明顯大于目標(biāo)時(shí)，TLCD算法很難抑制高亮背景物的干擾。

因此，為了提高檢測(cè)率，并且更好地降低虛警率，將空域?yàn)V波結(jié)果和時(shí)域?yàn)V波結(jié)果進(jìn)行乘積融合，如式(10)所示：

STRLCM(i,j,n)=RLCM(i,j,n)×TLCD(i,j,n) 。

(10)

STRLCM定義為時(shí)空域相融合的局部顯著檢測(cè)圖。對(duì)于單獨(dú)的空域RLCM檢測(cè)算法和時(shí)域TLCD檢測(cè)算法，都可以大致檢測(cè)出目標(biāo)位置，但在復(fù)雜場(chǎng)景下，目標(biāo)容易淹沒在大量虛警下?？沼蚝蜁r(shí)域檢測(cè)算法都會(huì)產(chǎn)生虛警，但產(chǎn)生虛警的位置不相同，而目標(biāo)位置相同。因此通過乘積融合，使得目標(biāo)得以保留同時(shí)增強(qiáng)，背景物以及噪聲得到極大抑制，從而虛警率大大降低。

1.4 自適應(yīng)閾值分割

融合RLCM和TLCD的濾波結(jié)果得到的顯著檢測(cè)圖STRLCM中，目標(biāo)得到增強(qiáng)，高亮背景物、背景邊緣以及高亮噪聲點(diǎn)等干擾目標(biāo)都得到了抑制。當(dāng)STRLCM的值越大時(shí)，說明此處為真實(shí)目標(biāo)的概率越大。

通過對(duì)局部顯著檢測(cè)圖進(jìn)行自適應(yīng)閾值分割[4]，即可提取出真實(shí)的紅外小目標(biāo)。本文中閾值分割的表達(dá)式為

TH=μSTRLCM+kσSTRLCM。

(11)

式中：μSTRLCM和σSTRLCM分別代表時(shí)空域相結(jié)合檢測(cè)圖STRLCM的均值和標(biāo)準(zhǔn)差；k值為分割系數(shù)，k值的選取需要根據(jù)實(shí)際場(chǎng)景而定。本文通過對(duì)所采用的數(shù)據(jù)集進(jìn)行驗(yàn)證，選取k為[20,45]之間。經(jīng)過TH閾值分割后即可得到最終的檢測(cè)結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 算法的參數(shù)確定

本文數(shù)據(jù)集中的目標(biāo)尺寸較小，在256×256的圖片像素中只占到不到2×2的像素范圍，因此，局部塊的濾波窗口采用3×3的大小即可。空域RLCM算法中K1和K2的參數(shù)根據(jù)虛警率進(jìn)行選取，K1和K2選取過大會(huì)影響計(jì)算效率，因此選取過小不能很好地抑制噪點(diǎn)。因此，選取K1=2、K2=4作為參數(shù)的應(yīng)用，便可以有效地檢測(cè)到目標(biāo)。

對(duì)于時(shí)域TLCD算法中幀數(shù)t的選取，t選取過小，目標(biāo)的位置發(fā)生變化不大，目標(biāo)灰度值的變化不夠明顯，檢測(cè)效果不好；t選取過大，容易造成高亮度噪點(diǎn)的誤檢。因此，本實(shí)驗(yàn)采用t=3作為參數(shù)。

對(duì)于自適應(yīng)閾值中分割系數(shù)K值的選取，根據(jù)虛警率進(jìn)行選取，選取的K值參數(shù)要使虛警率盡可能小，由于不同場(chǎng)景下閾值的選取不是固定的，因此選取了[20,45]這個(gè)適應(yīng)的范圍進(jìn)行目標(biāo)的檢測(cè)。

2.2 本文算法驗(yàn)證

為了驗(yàn)證本文算法的有效性，引用文獻(xiàn)[9]中的遠(yuǎn)距離紅外真實(shí)場(chǎng)景進(jìn)行紅外目標(biāo)檢測(cè)的實(shí)驗(yàn)，采用數(shù)據(jù)集中的data6、data8、data18、data19四組不同的遠(yuǎn)距離場(chǎng)景下的圖像序列。表1給出了四組圖像序列的詳細(xì)信息。本文所有試驗(yàn)均在一臺(tái)采用2.2 GHz英特爾酷睿i7-10700F處理器、內(nèi)存(RAM)為8 GB的臺(tái)式電腦上運(yùn)行，所使用的測(cè)試軟件為Pycharm2019。

表1 四組圖像序列的詳細(xì)信息

圖5展示了本文算法對(duì)data6圖像序列中取某幀圖片的濾波結(jié)果，分別顯示空域RLCM濾波結(jié)果、時(shí)域TLCD濾波結(jié)果，以及STRLCM的濾波結(jié)果。圖5中紅色框代表了目標(biāo)所在的位置。

圖5 時(shí)空域融合STRLCM濾波結(jié)果三維圖

對(duì)于圖5(a)中data6序列圖像選取的這幀圖片可以看出，目標(biāo)信噪比極低，并且淹沒在高亮度地面背景邊緣中。從圖5(b)的空域RLCM濾波結(jié)果可以看出，雖然檢測(cè)出了目標(biāo)的位置，但目標(biāo)周圍存在大量虛警，甚至虛警的RLCM檢測(cè)值大于目標(biāo)的檢測(cè)值。從圖5(c)時(shí)域TLCD濾波的檢測(cè)結(jié)果可以看出,目標(biāo)位置的檢測(cè)結(jié)果值小于虛警的檢測(cè)結(jié)果值，使得容易造成誤檢現(xiàn)象。圖5(d)對(duì)應(yīng)的本文算法的結(jié)果顯示，虛警得到很好抑制，并且目標(biāo)得到增強(qiáng)。上述結(jié)果可以解釋為：?jiǎn)为?dú)的空域和時(shí)域處理產(chǎn)生的目標(biāo)位置相同，虛警位置不同，通過時(shí)空域融合處理，目標(biāo)位置信息得到保留，虛警被相互抵消，使得虛警率較大程度地降低。

2.3 算法性能分析

為了評(píng)價(jià)本文算法的性能，將本文算法與STLCF算法[5]、STLCM算法[6]、STLDM算法[7]進(jìn)行性能比較。圖6給出了各個(gè)算法的檢測(cè)結(jié)果圖。輸入圖片來自于表1中四組紅外圖像序列所選取的某幀紅外原圖，本文算法的閾值選取為25，每個(gè)算法的間隔幀數(shù)t都選取為3。圖6中黑色框代表了檢測(cè)到的目標(biāo)。

圖6 各個(gè)算法檢測(cè)結(jié)果圖

由圖6可以看出，相比較其他算法，STLDM算法和本文算法可以很好地檢測(cè)出data8、data18、data19圖像序列中的小目標(biāo)，而 data6圖像序列的這幀圖片只有本文算法正確檢測(cè)到了目標(biāo)，并且沒有虛警目標(biāo)，說明本文算法對(duì)高亮度背景干擾物以及高亮點(diǎn)噪聲的抑制效果很好。

為了衡量相關(guān)算法的檢測(cè)性能，本文采用信雜比增益(Signal Clutter Ratio Gain,SCRG)和背景抑制因子(Background Suppress Factor,BSF)[10]，以及檢測(cè)率(Pd)、虛警率(Pf)[3]作為評(píng)價(jià)指標(biāo)，對(duì)各個(gè)算法進(jìn)行比較。通過比較各個(gè)算法的SCRG值、BSF值以及檢測(cè)率和虛警率值，可以有效判斷算法對(duì)真實(shí)目標(biāo)的檢測(cè)性能。對(duì)于SCRG值和BSF值分表代表對(duì)目標(biāo)的增強(qiáng)能力以及對(duì)背景的抑制能力，兩者的值越大，說明目標(biāo)越容易被檢測(cè)到，算法的性能越好。而針對(duì)Pd值和Pf值，Pd值越大，Pf值越小，代表對(duì)應(yīng)算法的檢測(cè)結(jié)果越好。各個(gè)指標(biāo)定義如公式(12)～(16)所示：

(12)

(13)

(14)

(15)

(16)

式(12)中:GT為目標(biāo)區(qū)域的最大灰度值；Gb為目標(biāo)周圍局部背景區(qū)域的平均灰度值；σb為目標(biāo)周圍局部背景區(qū)域的標(biāo)準(zhǔn)差。目標(biāo)區(qū)域取3×3尺寸大小，局部背景區(qū)域取7×7尺寸大小。式(14)中，σin和σout分別表示原始圖像和檢測(cè)結(jié)果圖STRLCM的標(biāo)準(zhǔn)差。

表2～5分別展示了各個(gè)算法對(duì)序列圖像的檢測(cè)性能指標(biāo)。

表2 各圖像序列下(取其中一幀為例)不同算法的SCRG值

表3 各圖像序列(取其中一幀為例)不同算法的BSF值

表4 各圖像序列(取其中一幀為例)不同算法的檢測(cè)率

表5 各圖像序列(取其中一幀為例)不同算法的虛警率

從表2～3可以看出，data6、data18、data19中本文算法的信噪比增益SCRG值都是最高的，data8中最高值是STLDM算法，但是本文算法和其結(jié)果相差不大。本文算法的背景抑制因子BSF值最高。因此，相比較其他算法而言，本文算法不僅能很好地增強(qiáng)目標(biāo)，同時(shí)更好地抑制了高亮背景。

從表4～5可以看出，在data8中，本文算法的檢測(cè)率不及STLDM算法的檢測(cè)率，但本文算法的虛警率相比較其降低了0.237。綜合而言，本文算法相比較于其他算法，能夠得到較好檢測(cè)結(jié)果的同時(shí)保持更低的虛警率。

data8數(shù)據(jù)序列中存在目標(biāo)丟失以及畫面模糊等現(xiàn)象，導(dǎo)致本文算法的檢測(cè)效果不及STLDM檢測(cè)算法。這是由于STLDM算法采用了局部幀差分的思想，當(dāng)某幀中目標(biāo)丟失，但下一幀或隔幾幀目標(biāo)又重新出現(xiàn)，那么通過隔幀相差，目標(biāo)的灰度值還是存在，便盡可能不會(huì)漏檢目標(biāo)。而本文算法僅僅在時(shí)域采取了目標(biāo)灰度值的變換大小進(jìn)行差分運(yùn)算，當(dāng)目標(biāo)在圖像中丟失時(shí)灰度值大小并沒有改變，目標(biāo)沒有得到增強(qiáng)，檢測(cè)效果也就不好。因此在利用目標(biāo)時(shí)域的灰度值變化，同時(shí)加上隔幀差分的思想，可以進(jìn)一步提高檢測(cè)效果。

3 結(jié) 論

本文針對(duì)遠(yuǎn)距離復(fù)雜場(chǎng)景提出了時(shí)空域?yàn)V波融合的方法進(jìn)行紅外小目標(biāo)檢測(cè)。在空間域，采用相對(duì)局部對(duì)比度算法(RLCM)增強(qiáng)目標(biāo)，同時(shí)抑制高亮度背景。在時(shí)間域，通過時(shí)域局部差分算法(TLCD)來消除固定高亮噪聲點(diǎn)的干擾。融合時(shí)域和空域的檢測(cè)結(jié)果，可以更好地增強(qiáng)目標(biāo)與背景之間的差異性，抑制高亮度噪點(diǎn)，從而更準(zhǔn)確地提取出目標(biāo)，大大降低了虛警率。有效的紅外小目標(biāo)檢測(cè)在精確制導(dǎo)以及安防預(yù)警中起到重要作用，檢測(cè)出低虛警率的紅外小目標(biāo)為后期對(duì)真實(shí)目標(biāo)的實(shí)時(shí)跟蹤提供了良好的基礎(chǔ)。