王霞成，唐 述

(1.昆山登云科技職業(yè)學(xué)院 工學(xué)院，江蘇 蘇州 215300；2.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065)

0 引言

紅外弱小目標(biāo)檢測(cè)是精確制導(dǎo)、紅外搜索跟蹤、紅外監(jiān)視等系統(tǒng)中常用的關(guān)鍵技術(shù)，如何獲得良好的檢測(cè)性能一直都是充滿挑戰(zhàn)性[1- 2]。主要原因?yàn)?，由于目?biāo)與探測(cè)器之間的距離很遠(yuǎn)[3]，采集的圖像中目標(biāo)尺寸通常很小，無(wú)法利用形狀或紋理信息；同時(shí)，由于遠(yuǎn)距離大氣吸收，目標(biāo)亮度很弱，目標(biāo)檢測(cè)非常困難，檢測(cè)率很低；還由于海面雜波、云等復(fù)雜背景的存在，原始紅外圖像中存在多種類(lèi)型干擾，真實(shí)目標(biāo)容易湮滅在大量虛假目標(biāo)中[4]，導(dǎo)致檢測(cè)的高虛警率；隨著紅外焦平面陣列靶面增大，輸出的紅外圖像大小逐漸增加，計(jì)算量越來(lái)越大[5]。

近些年來(lái)，提出了很多新穎的紅外小目標(biāo)檢測(cè)算法，其中基于當(dāng)下最熱門(mén)的機(jī)器學(xué)習(xí)領(lǐng)域算法的弱目標(biāo)檢測(cè)也引起很多學(xué)者注意，包括有監(jiān)督類(lèi)型和無(wú)監(jiān)督類(lèi)型[6]，但它們依賴(lài)于先驗(yàn)知識(shí)，而且對(duì)于復(fù)雜背景下紅外小目標(biāo)檢測(cè)效果仍不理想[7]。

紅外弱小目標(biāo)檢測(cè)方法可分為兩類(lèi)：跟蹤前檢測(cè)和檢測(cè)前跟蹤。

傳統(tǒng)的跟蹤前檢測(cè)算法對(duì)單幀圖像進(jìn)行濾波，如高通濾波和形態(tài)學(xué)算子。這些算法或者利用小目標(biāo)的特性直接檢測(cè)目標(biāo)，或者估計(jì)雜波背景進(jìn)行目標(biāo)增強(qiáng)[8]。近年來(lái)，大量學(xué)者在該領(lǐng)域進(jìn)行了廣泛的研究，通常這些檢測(cè)算法都從空間上檢測(cè)目標(biāo)，這些算法適用于目標(biāo)在局部背景中形態(tài)相對(duì)明顯的應(yīng)用場(chǎng)合。然而，當(dāng)圖像中存在大量噪聲干擾時(shí)，性能并不理想。

近年來(lái)，基于生物視覺(jué)機(jī)制的研究成果給紅外小目標(biāo)檢測(cè)領(lǐng)域提供新思路。研究發(fā)現(xiàn)，對(duì)人類(lèi)視覺(jué)系統(tǒng)影響最明顯的部分是對(duì)比度而非亮度，該研究成果被稱(chēng)為人類(lèi)視覺(jué)系統(tǒng)對(duì)比機(jī)制[9]。有助于快速鎖定紅外小目標(biāo)在整圖中的位置，因?yàn)榧词鼓繕?biāo)不是全圖中輻射最強(qiáng)的部分，仍然比領(lǐng)域背景亮度高，并且在大多數(shù)情況下局部對(duì)比度更強(qiáng)，在實(shí)際應(yīng)用中常見(jiàn)目標(biāo)通常比周?chē)h(huán)境溫度更高。因此，與傳統(tǒng)算法相比，基于局部對(duì)比度的算法一般能獲得更好的檢測(cè)性能。并且算法簡(jiǎn)單、易實(shí)現(xiàn)。

總體而言，提取局部對(duì)比度的差異可有效消除高亮背景，但對(duì)真實(shí)目標(biāo)的增強(qiáng)效果有限[10]；而提取局部對(duì)比度比值可增強(qiáng)真實(shí)目標(biāo)，但很難有效地消除高亮背景[11]。很多學(xué)者提出將兩者分為兩個(gè)階段結(jié)合起來(lái)的算法，試圖解決上述問(wèn)題[12]。但可能帶來(lái)更復(fù)雜的算法結(jié)構(gòu)，算法的魯棒性欠佳。

與跟蹤前檢測(cè)方法不同，檢測(cè)前跟蹤算法不針對(duì)每幀圖像檢測(cè)目標(biāo)。而對(duì)多幀聯(lián)合處理，然后進(jìn)行檢測(cè)決策。代表性的檢測(cè)前跟蹤方法有霍夫變換、時(shí)間假設(shè)檢驗(yàn)和三維匹配濾波等。

其中，時(shí)間假設(shè)檢驗(yàn)可理解為分類(lèi)器[13]。目標(biāo)運(yùn)動(dòng)在圖像中的像素時(shí)間分布與雜波的像素時(shí)間分布不同，然而，該算法忽略了圖像的空間信息，導(dǎo)致檢測(cè)性能下降[14]。在時(shí)間假設(shè)檢驗(yàn)中，大量的候選軌跡按樹(shù)狀結(jié)構(gòu)排列。當(dāng)累積的能量總和大于設(shè)定閾值時(shí)，疑似軌跡為目標(biāo)軌跡的假設(shè)將被接受。當(dāng)信噪比較低時(shí)，隨著軌跡數(shù)目增加，計(jì)算量會(huì)出現(xiàn)幾何上升問(wèn)題[15]?；诨舴蜃儞Q的方法首先將弱小目標(biāo)軌跡在圖像平面上的投影，然后在二維數(shù)據(jù)空間中尋找運(yùn)動(dòng)目標(biāo)。但投影會(huì)導(dǎo)致信噪比損失，且在強(qiáng)噪聲環(huán)境下，算法性能?chē)?yán)重退化。三維匹配濾波被應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)，假設(shè)運(yùn)動(dòng)目標(biāo)的速度已知且不變[16]。然而，算法的性能受到速度失配和目標(biāo)機(jī)動(dòng)的影響。

1)針對(duì)復(fù)雜背景下的紅外小目標(biāo)檢測(cè)問(wèn)題，提出了一種基于分塊顯著度的局部對(duì)比檢測(cè)(local contrast detection based on block saliency，簡(jiǎn)稱(chēng)LCD-BBS算法)。首先，將全圖分為多子塊，各子塊都為小區(qū)域，對(duì)子塊進(jìn)行圖像處理，由于子塊數(shù)目遠(yuǎn)小于像素?cái)?shù)目，可極大減少計(jì)算量。然后，針對(duì)各子塊計(jì)算BBS指標(biāo)，獲取更簡(jiǎn)單的算法結(jié)構(gòu)。在計(jì)算結(jié)果中，包含真實(shí)小目標(biāo)的子塊指標(biāo)最顯著，干擾都得到很好抑制，處理結(jié)果進(jìn)入緩存。

2)提取緩存區(qū)的多幀連續(xù)圖像，并基于定加速度模型在序列圖像中檢測(cè)弱小目標(biāo)，在位移及速度空間中檢測(cè)序列圖像中的運(yùn)動(dòng)紅外弱小目標(biāo)。之后，通過(guò)恒虛警檢測(cè)獲得目標(biāo)位置、速度和加速度向量。

1 生物視覺(jué)注意力機(jī)制及卷積神經(jīng)網(wǎng)絡(luò)算法

在檢測(cè)弱小目標(biāo)時(shí)，需獲取更多的細(xì)節(jié)。尺度空間理論需在圖像中引入尺度參數(shù)以建立模型。通過(guò)調(diào)整參數(shù)，可獲取更多的圖像信息。

高斯卷積函數(shù)為尺度變換的核函數(shù)，Dog濾波器定義如下：

Dog(x，y，σ)=G(x，y，kσ)-G(x，y，σ)

(1)

其中：G為尺度可變的高斯函數(shù)，(x，y)為空間坐標(biāo)，σ為標(biāo)準(zhǔn)差。大尺度的處理算法可以表示圖像一般特征，小尺度的處理算法可表示圖像細(xì)節(jié)。

當(dāng)高斯濾波器中心與目標(biāo)中心重合時(shí)，響應(yīng)達(dá)到峰值。根據(jù)該特征，它可檢測(cè)目標(biāo)位置。在實(shí)際操作中，通過(guò)兩個(gè)不同尺度的高斯濾波器處理后的兩幅圖像，獲得Dog濾波器結(jié)果圖像。選擇具有局部最大響應(yīng)的點(diǎn)作為候選目標(biāo)。通過(guò)該過(guò)程，大部分目標(biāo)均能被有效檢測(cè)出。

為抑制虛假目標(biāo)，設(shè)計(jì)小型卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolutional neural networks)分類(lèi)器對(duì)候選區(qū)域進(jìn)行篩選，確定其是否包含真實(shí)目標(biāo)，如圖1所示。分類(lèi)網(wǎng)絡(luò)模型包括圖像預(yù)處理層、特征提取模塊、全局平均池層和軟性結(jié)構(gòu)層組成。在收集了大量紅外圖像后，在送圖像進(jìn)入卷積層之前，進(jìn)行預(yù)處理，調(diào)整圖像對(duì)比度和亮度在合適的范圍內(nèi)。進(jìn)行特征提取時(shí)，使用兩個(gè)卷積層組成的堆棧，堆棧具備有效內(nèi)核。使用兩個(gè)八通道卷積層進(jìn)行特征提取。每次下采樣進(jìn)行完畢后，特征圖通道數(shù)量增加了幾倍。池層的內(nèi)核大小與步長(zhǎng)為兩個(gè)參數(shù)，特征提取模塊輸出為圖像塊及四通道的特征映射。

圖1 卷積神經(jīng)網(wǎng)絡(luò)示意圖

在提取特征后，使用全局平均池。優(yōu)勢(shì)是：完全連接層具備大量訓(xùn)練參數(shù)。但在全局平均池中，不需優(yōu)化任何參數(shù)。另外，全局平均池匯總出空間信息，有利于提高干擾輸入的魯棒性，全局平均池將每個(gè)特征映射對(duì)應(yīng)于一個(gè)類(lèi)別，并輸出每個(gè)特征映射的平均值作為相應(yīng)。最后，將所有的數(shù)據(jù)相應(yīng)輸入下一層進(jìn)行分類(lèi)。當(dāng)概率大于某閾值時(shí)，識(shí)別其為潛在目標(biāo)區(qū)域。

2 基于Retinex理論的檢測(cè)算法

根據(jù)生物注意力機(jī)制及卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算，絕大部分目標(biāo)都能被檢測(cè)到，但目標(biāo)會(huì)被湮滅在復(fù)雜背景中?；谠撜J(rèn)識(shí)，對(duì)圖像幀使用MSR(multi-scale Retinex)理論進(jìn)行區(qū)域增強(qiáng)，并分割目標(biāo)。由于Retinex理論從顏色恒定性理論出發(fā)進(jìn)行推導(dǎo)，通過(guò)人類(lèi)視覺(jué)恒定性的機(jī)理，可對(duì)圖像細(xì)節(jié)進(jìn)行補(bǔ)償和增強(qiáng)。在Retinex理論中，有單尺度SSR，多尺度MSR及集成色彩恢復(fù)的MSRCR算法。深度學(xué)習(xí)方法中也成功應(yīng)用提出的Retinex方法。

MSR理論在不同尺度上都具備單尺度Retinex的優(yōu)勢(shì)。該理論由物體對(duì)不同波長(zhǎng)光線的反射確定，而非反射光決定。物體表面的彩色以一種一致性的方式出現(xiàn)，即色感一致性。相比經(jīng)典方法只能用于增強(qiáng)圖像某特征方法，Retinex算法能夠維持動(dòng)態(tài)壓縮、增強(qiáng)邊緣、色彩維持恒定?？蓪?duì)不同背景的圖像進(jìn)行針對(duì)性增強(qiáng)。

對(duì)圖像進(jìn)行MSR的步驟為：

1)首先檢測(cè)當(dāng)前幀中的目標(biāo)。如果沒(méi)有目標(biāo)且檢測(cè)到的最后一幀中的目標(biāo)不在圖像的邊界上。這意味著在此幀中，目標(biāo)的SNR可能太小而無(wú)法檢測(cè)，然后轉(zhuǎn)到步驟3)。如果此幀中存在目標(biāo)，請(qǐng)轉(zhuǎn)至步驟2)并繼續(xù)判斷。

2)遍歷最后一幀中檢測(cè)到的每個(gè)目標(biāo)，判斷該幀中是否有目標(biāo)靠近它。僅當(dāng)最后一幀中的目標(biāo)未出現(xiàn)在圖像的邊界處且附近沒(méi)有目標(biāo)時(shí)，轉(zhuǎn)至步驟3)。

3)利用MSR理論，在最后一幀中增強(qiáng)目標(biāo)周?chē)木植繀^(qū)域。該區(qū)域可以設(shè)置為目標(biāo)大小的幾倍；在本文中，區(qū)域設(shè)置為目標(biāo)大小的五倍。

4)在局部區(qū)域分割目標(biāo)。

3 基于分塊顯著度的局部對(duì)比檢測(cè)算法

以典型紅外圖像為例以分析真實(shí)弱小目標(biāo)和其他干擾的區(qū)別，在真實(shí)原始紅外圖像中包含單個(gè)真實(shí)弱小目標(biāo)，弱目標(biāo)尺寸非常小，且無(wú)結(jié)構(gòu)及紋理信息。但探測(cè)器成像時(shí)會(huì)發(fā)生光學(xué)點(diǎn)擴(kuò)展，真實(shí)弱小目標(biāo)成像面積仍會(huì)大于1像素×1像素，并大致均勻分布。另外，在多數(shù)情況下，目標(biāo)通常比其周?chē)h(huán)境溫度更高，于是它會(huì)比圖像中鄰近環(huán)境更亮，且在局部區(qū)域?qū)Ρ榷容^低。背景通常平坦均勻，灰度值較低，局部對(duì)比度低。高亮背景通常面積較大，內(nèi)部灰度值連續(xù)，因此局部對(duì)比度不明顯，盡管其灰度值可能遠(yuǎn)大于真實(shí)目標(biāo)。背景邊緣局部對(duì)比度信息較強(qiáng)，但因灰度在兩側(cè)不連續(xù)，且背景邊緣通常沿特定方向分布，與真實(shí)目標(biāo)存在一定差異。隨機(jī)噪聲與真實(shí)目標(biāo)最相似，但隨機(jī)噪聲通常由隨機(jī)因素引起，在序列圖像中出現(xiàn)無(wú)連續(xù)性特征，與真實(shí)目標(biāo)不同。

首先考慮真實(shí)目標(biāo)占據(jù)區(qū)域很小，認(rèn)為無(wú)需逐像素計(jì)算局部對(duì)比度信息，將全圖劃分為多個(gè)子塊代替，計(jì)算工作在子塊級(jí)進(jìn)行，于是計(jì)算量被大幅減少。然后針對(duì)各子塊，提出了基于分塊顯著度的局部對(duì)比檢測(cè)算法(LCD-BBS)。提出的算法可同時(shí)增強(qiáng)目標(biāo)并抑制背景雜波干擾，包含真實(shí)紅外弱小目標(biāo)的子塊指標(biāo)最高。

傳統(tǒng)基于局部對(duì)比度算法基本都在像素級(jí)進(jìn)行，計(jì)算量相當(dāng)大。為減少計(jì)算量，提高實(shí)時(shí)性，在計(jì)算局部對(duì)比度前，先將全圖分為多子塊，各子塊都為單個(gè)小區(qū)域，基于字塊而非像素進(jìn)行局部對(duì)比度計(jì)算。

為有效及合理劃分字塊，需設(shè)置合理的窗口大小及移動(dòng)步長(zhǎng)，若窗口太大，子塊數(shù)量少，且計(jì)算量小，但檢測(cè)的子塊中可能除目標(biāo)外，包含太多的背景信息，檢測(cè)性能不夠；若窗口太小，子塊數(shù)量多，計(jì)算量大，但檢測(cè)的子塊中目標(biāo)突出，檢測(cè)性能好。文章按目標(biāo)先驗(yàn)大小3×3像素，設(shè)定窗口大小為9×9像素，步長(zhǎng)為4像素，取得檢測(cè)性能及實(shí)時(shí)性的平衡。

由于弱小目標(biāo)在局部區(qū)域顯著，在全圖中不顯著，因此重點(diǎn)關(guān)注局部圖像塊，該圖像塊由9領(lǐng)域子塊組成，使用中心子塊與周邊子塊的比值差聯(lián)合局部對(duì)比度檢測(cè)小目標(biāo)。

(2)

如果BBS<0，令BBS=0。

其中：Gz為中心圖像塊的平均顯著度灰度值，Gk為周邊圖像塊的平均顯著度灰度值，求解方式為子塊像素排序，灰度值最大的前n個(gè)像素的灰度值平均。

因?yàn)楦蓴_噪聲一般以單像素形式出現(xiàn)。由于真實(shí)小目標(biāo)通常比其鄰近區(qū)域更亮，因此使用非負(fù)約束來(lái)抑制雜波。

然后，考慮到背景邊緣通常在一個(gè)小的局部區(qū)域內(nèi)沿著一個(gè)特定的方向分布，而真正的小目標(biāo)通常在各個(gè)方向上大致均勻地分布[17]，算法中使用各個(gè)方向最小值作為BBS的最終指標(biāo)[18]。

然而，真實(shí)小目標(biāo)與其鄰近目標(biāo)之間的灰度差可能不夠顯著，尤其是當(dāng)目標(biāo)較暗時(shí)。因此，需增強(qiáng)真實(shí)目標(biāo)。文章考慮到真實(shí)小目標(biāo)通常是局部區(qū)域內(nèi)最亮的目標(biāo)，采用中心子塊比值作為增強(qiáng)因子以增強(qiáng)真實(shí)目標(biāo)。最終在各個(gè)方向定義BBS最小值。為同時(shí)實(shí)現(xiàn)增強(qiáng)真實(shí)目標(biāo)及抑制高亮度背景，將局部對(duì)比度比值和差值求乘。經(jīng)過(guò)LCD-BBS計(jì)算后，真實(shí)目標(biāo)獲得增強(qiáng)，各種干擾得到抑制。

4 基于定加速運(yùn)動(dòng)模型的多幀圖像處理算法

鑒于紅外圖像的像素噪聲也是獨(dú)立的。其次，在研究紅外噪聲特性時(shí)，短期和局部窗口的噪聲可以近似地看作是時(shí)空平穩(wěn)的高斯噪聲。這兩點(diǎn)說(shuō)明紅外圖像中的噪聲是獨(dú)立的、同分布的，并且服從高斯分布。紅外噪聲特性是輻射積累的理論基礎(chǔ)。它們確保輻射累積增加有效目標(biāo)能量，同時(shí)降低接收到的噪聲。

弱小目標(biāo)被探測(cè)器捕獲，在探測(cè)器上的運(yùn)動(dòng)形式為在序列圖像的連續(xù)幀中沿一定運(yùn)動(dòng)軌跡方式連續(xù)出現(xiàn)。處理圖像時(shí)，為保證不漏檢，需檢測(cè)各個(gè)空間位置目標(biāo)的位置。

然后，定義二位位置空間PT。對(duì)于勻速直線運(yùn)動(dòng)弱小目標(biāo)，定義速度及位置矢量可確定其精確的運(yùn)動(dòng)軌跡。信噪比通過(guò)沿目標(biāo)運(yùn)動(dòng)軌跡累積能量來(lái)提高。在沒(méi)有先驗(yàn)信息的條件下，遍歷速度及位置域可無(wú)漏檢地實(shí)現(xiàn)目標(biāo)檢測(cè)。

為實(shí)現(xiàn)定加速運(yùn)動(dòng)下目標(biāo)檢測(cè)，創(chuàng)建速度向量空間：

V={v|v=(vx，vy)}

(3)

其中：vx，vy均為沿x軸和y軸的速度大小。

創(chuàng)建加速度向量空間：

A={a|a=(ax，ay)}

(4)

其中：ax，ay均為沿x軸和y軸的加速度大小。

假設(shè)待檢測(cè)的圖像序列按序列幀順序排列，將圖像序列定義在原始圖像序列空間K中：

K={I|I=I(p，k)}

(5)

其中：k是圖像序列序號(hào)，p為目標(biāo)位置向量，I為圖像函數(shù)。

在定加速度空間中的能量累積過(guò)程函數(shù)如下：

(6)

其中：k為能量累積的幀數(shù)，表示當(dāng)積累目標(biāo)的能量時(shí)，應(yīng)沿目標(biāo)運(yùn)動(dòng)反方向?qū)⑵渌麕B加在參考幀上。因此，當(dāng)輸入準(zhǔn)確的速度及加速度信息后，可獲得信噪比提高的結(jié)果圖像，即使用圖像疊加的手段提升目標(biāo)的信噪比。

5 算法流程

如圖2所示，文章提出的處理算法步驟如下：

圖2 算法流程圖

1)對(duì)序列圖像每幀進(jìn)行基于塊顯著度的局部對(duì)比檢測(cè)處理，同時(shí)增強(qiáng)目標(biāo)輻射能量并抑制背景，且能夠顯著減少計(jì)算量。

2)創(chuàng)建位置及速度空間，對(duì)序列圖像進(jìn)行變速運(yùn)動(dòng)空間輻射能量累積，在位置及速度空間中檢測(cè)序列圖像中的目標(biāo)。

恒虛警檢測(cè)得到疑似目標(biāo)的位置向量及速度、加速度向量。

6 實(shí)驗(yàn)

實(shí)驗(yàn)中使用的紅外探測(cè)器參數(shù)為：中波紅外探測(cè)器、視場(chǎng)角5°×4.8°，焦距103 mm，像元尺寸22 μm×22 μm，陣列大小520×480，幀頻30 Hz。

為說(shuō)明該算法有效性，比較了該算法與其他現(xiàn)有算法的檢測(cè)性能。這里選擇了幾種先進(jìn)算法，包括Max-Mean、Max-Median、TDLMS、LCD和提出的LCD-BBS算法。利用SCR增益(SCRG)和背景抑制因子(BSF)來(lái)測(cè)試目標(biāo)增強(qiáng)和復(fù)雜背景抑制能力。

SCRG=SCRout/SCRin

BSF=σin/σout

其中：SCRout為算法輸出圖像的目標(biāo)信雜比，SCRin為算法輸入圖像的目標(biāo)信雜比。σout為算法輸出圖像的局部噪聲標(biāo)準(zhǔn)差。σin為算法輸入圖像的局部噪聲標(biāo)準(zhǔn)差。

選取五組序列圖像，挑選典型圖進(jìn)行指標(biāo)計(jì)算，結(jié)果如表1～3所示。由表中數(shù)據(jù)可見(jiàn)，提出的LCD-BBS算法在SCRG和BSF指標(biāo)方面都超出傳統(tǒng)算法及近些年提出的新算法，目標(biāo)檢測(cè)效果十分顯著。

表1 SCRG指標(biāo)對(duì)比

表2 BSF指標(biāo)對(duì)比

由表中數(shù)據(jù)可知，新提出算法的SCRG指標(biāo)可達(dá)32.56，BSF即背景抑制因子可達(dá)3 874.58，證明提出算法在信噪比提升能力方面及背景抑制方面的優(yōu)良效果。與傳統(tǒng)的Max-Mean及Max-Median算法相比，在序列圖像中表現(xiàn)均一般。而TDLMS算法效果強(qiáng)于Max-Mean及Max-Median算法，尤其背景抑制效果，要高出很多。對(duì)于LCD算法而言，雖然比經(jīng)典3種算法Max-Mean、Max-Median及TDLMS都要高一些，但總體而言，表現(xiàn)不如LCD-BBS算法，即進(jìn)行本文提出算法的改進(jìn)后，LCD算法效果得到了極大提升，對(duì)于檢測(cè)目標(biāo)及背景上的抑制，均得到了很多優(yōu)化。

可知，提出的LCD-BBS算法的耗時(shí)最短，在10～20 ms范圍，其它算法比提出算法的耗時(shí)至少高一個(gè)數(shù)量級(jí)。

為驗(yàn)證提出算法在序列圖像中的處理能力，在序列圖像1中進(jìn)行測(cè)試，如圖3所示，用×表示真實(shí)目標(biāo)軌跡，用○表示提出算法的檢測(cè)軌跡?？梢?jiàn)，檢測(cè)準(zhǔn)確率很高，檢測(cè)軌跡點(diǎn)距離真實(shí)軌跡點(diǎn)很近。繪制誤差曲線如圖4所示，易知，檢測(cè)軌跡位置誤差大部分都在2像素以內(nèi)。

圖3 目標(biāo)軌跡檢測(cè)圖

圖4 目標(biāo)軌跡誤差圖

為了進(jìn)一步驗(yàn)證提出算法的優(yōu)勢(shì)，對(duì)6個(gè)序列紅外圖像繪制ROC曲線，如圖5所示。以虛警率Pf為橫坐標(biāo)，以檢測(cè)率Pd為縱坐標(biāo)，兩個(gè)變量定義為：Pd表示檢測(cè)到真實(shí)目標(biāo)的幀數(shù)除以存在真實(shí)目標(biāo)的總幀數(shù)，Pf表示檢測(cè)到虛假目標(biāo)的幀數(shù)除以檢測(cè)到目標(biāo)的總幀數(shù)。

圖5 ROC曲線

為了進(jìn)一步揭示該算法的優(yōu)點(diǎn)，將ROC曲線應(yīng)用于所選的序列圖像，即，對(duì)于每個(gè)算法，將其閾值設(shè)置為不同的值，并繪制ROC曲線關(guān)系。從圖中可以看出，對(duì)于相同的虛警率，所提出的算法在大多數(shù)情況下都能達(dá)到最高的檢測(cè)率。這一結(jié)果表明，與其他算法相比，該算法在不同信噪比背景下的性能更穩(wěn)定。

7 結(jié)束語(yǔ)

文章提出一種基于分塊顯著度的局部對(duì)比檢測(cè)變加速弱小目標(biāo)算法。首先，對(duì)單幀圖像進(jìn)行處理以抑制背景、增強(qiáng)目標(biāo)。處理方法是先將全圖按字塊劃分，按分塊顯著度的局部對(duì)比檢測(cè)指標(biāo)計(jì)算。然后，按照定加速模型對(duì)序列圖像的弱小目標(biāo)進(jìn)行能量累積。最后，按照恒虛警檢測(cè)算法獲得目標(biāo)的位置向量及速度、加速度向量。實(shí)驗(yàn)結(jié)果表明，提出的算法能夠準(zhǔn)確檢測(cè)低信噪比圖像中的弱小目標(biāo)，并對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)預(yù)測(cè)。與其他算法相比，在相同的虛警率下，提出的算法檢測(cè)率更高，且實(shí)時(shí)性、魯棒性較強(qiáng)。