CN109271902A - 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 - Google Patents

Abstract

本发明提出一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法，首先，分析红外目标及背景特性；其次对红外序列图像的时域廓线进行EMD分解，之后选用前三个IMF高频分量进行细节特征提取形成特征描述符，构建支持向量机为每个高频分量生成特征描述符，通过SVM分类器对其进行分类；最后，通过加权分类方法，整合原始信号的特征信息得到最终检测结果从而找到红外弱小目标所在位置。本发明可用于对红外序列图像中的弱小目标进行检测，使得虚警率降低，有效的提高红外序列图像中小目标的检测精度。

Description

复杂背景下基于时域经验模态分解的红外弱小目标检测方法

技术领域

本发明属于图像处理技术领域，更进一步涉及复杂背景下红外序列图像处理领域中的一种基于时域经验模态分解的红外弱小目标检测方法。

背景技术

红外成像具有隐蔽性高，穿透能力强、可全天候工作等诸多优点，因此研究员将其被广泛应用到监视侦察及导航等军事领域。而强杂波环境中对红外弱小运动目标的检测是红外搜索与跟踪系统、红外预警系统等的一项核心技术，一直是该领域的研究热点和难点。

近年来，以经验模式分解(Empirical Mode Decomposition，EMD)为基础的红外小目标识别算法被研究者们广泛应用。该算法完全脱离了传统傅里叶分析的框架，其分解采用的基函数并没有统一的表达式且不需要提前设定，在对各种非平稳、非线性数据的分析与处理上均能够获得良好的效果。在红外图像处理方面，小波变化以及Wigner-Ville分布、局部Fourier基、经验正交函数展开等一系列依赖于傅里叶分析的图像处理方法，无法表述信号的时频局域特性。EMD算法之前有人将EMD应用到单帧图像的行和列，以及将一维EMD扩展到二维EMD处理单帧图像，然而这些单帧检测算法，针对强杂波、弱目标的情况，分割时目标的丢失率较高，多帧关联检测也受到影响，检测性能很难满足要求。

申请人课题组王振华在2017年提出在时域上对序列图像的像素点轮廓信号先EMD分解后分量合成，并根据虚警率设置滤波门限进行检测。这种对序列图像中的小目标进行检测的算法降低了检测的计算量，在时域目标检测上取得了良好的效果，但根据虚警率设置滤波门限检测的算法检测精度低，虚警率较高。

发明内容

本发明的目的在于针对以上现有技术的不足，通过对红外目标及背景的特性分析，对红外序列图像提出一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法，通过对不同形式的像素点轮廓信号进行精准的特性分析得到细节特征，再对像素点时域轮廓信号进行特征提取并使用SVM分类器进行分类检测，本发明可用于对红外序列图像中的弱小目标进行检测，使得虚警率降低，有效的提高红外序列图像中小目标的检测精度。

实现本发明的技术思路是：首先，分析红外目标及背景特性；其次对红外序列图像的时域廓线进行EMD分解，之后选用前三个IMF高频分量进行细节特征提取形成特征描述符，构建支持向量机为每个高频分量生成特征描述符，通过SVM分类器对其进行分类；最后，通过加权分类方法，整合原始信号的特征信息得到最终检测结果从而找到红外弱小目标所在位置。

本发明的技术方案为：

所述一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法。其特征在于：采用以下步骤：

步骤1：输入待处理的红外序列图像I_orig；

步骤2：对输入的图像进行归一化处理，将红外图像的灰度值归一化到0-1之间；

步骤3：选取第一帧图像上某一像素点，对图像序列的该像素点进行时域信息提取，得到由图像序列的某一像素点灰度值信息构成的时域信号x(t)；

步骤4：时域信号EMD分解：

选定某一像素点时域信号x(t)进行分解：

步骤4.1：找出该像素点时域轮廓线构成的时域信号x(t)的所有极值点；

步骤4.2：将全部极大值点和极小值点分别采用三次样条插值的曲线进行拟合，得到x(t)的上包络线x_up(t)和下包络线x_low(t)；

步骤4.3：逐点计算上包络线和下包络线的局部均值m(t)＝(x_up(t)+x_low(t))/2；

步骤4.4：采用时域信号x(t)减去局部均值得到d(t)＝x(t)-m(t)；

步骤4.5：通过判断d(t)是否满足以下两个条件，来判断d(t)是否是一个基本模式分量imf：

条件1：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；

条件2：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；

如果两个条件均满足，则将d(t)视为一个基本模式分量，取c₁＝d(t)，否则x(t)＝d(t)；

步骤4.6：分解出第一个imf分量c₁后，用x(t)减去c₁得到剩余信号r₁(t)，然后令x(t)＝r₁(t)，返回步骤4.1，依次可得到c₁,c₂,...，,c_n，最后剩下原始信号的余项r_n(t)；

步骤5：生成特征描述符：

对步骤4中得到的每个像素点时域信号的第i个分量通过以下方式进行特征描述，i＝1,2,3：

步骤5.1：选择第i个imf分量，将其灰度值最大值与最小值的区间设置为数据空间，对数据空间进行分区并标号a,b,c,d,e；相隔相同帧数对imf分量进行采样，根据采样得到的数据点所落在的数据空间区域，得到相应的空间标号，最终得到imf分量信号的符号序列S(i)；

步骤5.2：符号序列S(i)中每一个符号代表一种状态，根据符号序列S(i)的符号变换顺序计算该序列的状态转移概率P(O_i,a|O_i,b)：

其中O_i,b,O_i,a是第i个信号imf分量的b状态与a状态，P(O_i,a|O_i,b)表示状态O_i,b到状态O_i,a的状态转移概率，N(O_i,b,O_i,a)表示状态O_i,b转移到状态O_i,a的发生次数，表示符号序列中所有的状态集合；

步骤5.3：计算该符号序列的状态转移矩阵ω_i以及特征描述符f_i：

其中，f_i代表第i个imf分量的特征描述符，V_j代表状态转移矩阵ω_i的第j列标准化特征向量；

步骤5.4：重复步骤5.1～步骤5.3，分别得到该像素点时域信号的三个imf分量的特征描述符；

步骤6：构建向量机：

步骤6.1：获取四类像素点的时域信号；所述四类像素点分为：A类、云层中目标，B类、背景目标，C类、云层边缘，D类、背景像素点；构成A，B，C，D四类信号样本集，信号样本集由至少100个同属一类信号的第i个imf分量的特征描述符组成，i＝1,2,3；

步骤6.2：对于第i个特征描述符，分别创建AB、AC、AD、BC、BD、CD六个初级SVM分类器；在AB分类器中分别输入A，B类信号的第i个imf分量的信号样本集；通过SVM分类器训练样本，得到第i个分量信号的AB初级分类器；相应分别训练AC、AD、BC、BD、CD初级SVM分类器，AB、AC、AD、BC、BD、CD六个初级SVM分类器组成目标分类器；对于i个特征描述符最终构建i个目标分类器；

步骤6.3：将步骤5得到的某一像素点时域信号的第i个imf分量的特征描述符分别输入六个初级分类器，可得到六个初步分类结果，结果集合记为F(n)；

步骤6.4：对F(n)包含的A，B，C，D四类结果进行统计，选取得到最多分类结果的类别作为分离出的特征类型H(i)；

步骤7：对三个imf分量的分类结果H(i)中的A,B,C,D四类结果进行统计，选取得到最多分类结果的类别作为该像素点时域信号的最终类别；

步骤8：对步骤1中输入的红外序列图像中第一帧图像的每个像素点(x,y)重复步骤4-7，得到每个像素点的类别并进行统计，得到序列图像的最终检测结果并标出红外弱小目标所在的位置。

有益效果

本发明与现有技术相比较，具有以下优点：

1、由于单帧检测算法在针对强杂波、弱目标的情况时，分割时目标的丢失率较高，多帧关联检测也受到影响，检测性能很难满足要求，本发明综合利用空间和时间信息，使用多帧图像检测算法，将EMD分解应用到红外序列图像的时域信号上，对序列图像像素点的时域信号进行EMD分解，突出时域信号的特征信息。

2、通过进行天空背景、云层边缘、云层内目标以及天空背景处目标的红外序列图像像素点时域廓线的特性分析，寻找出不同情况下的序列图像像素点的时域信号的特征差异，并针对这些特征差异得到新的目标检测方法，由此突出了不同目标信号的特征差异，对目标信号的了解更加完善，极大地降低了低信噪比情况下目标检测的难度。

3、针对时域信号的特征差异，采用符号化及特征提取的方法识别时域信号的特征，并通过分类器和状态机的结合得到红外序列图像像素点信号特征的精确检测结果，这样使得弱小目标的检测精度更高，虚警率降低。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为红外序列图像弱小目标检测的基本流程。

图2为不同样本容量下，四类像素点信号进行分类的正确率直方图。

图3为红外弱小目标检测的结果：第一行为原始的红外输入图像；第二行为背景判定后的阈值分割图；第三行为检测结果。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明的目的在于针对以上现有技术的不足，通过对红外目标及背景的特性分析，对红外序列图像提出一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法，通过对不同形式的像素点轮廓信号进行精准的特性分析得到细节特征，再对像素点时域轮廓信号进行特征提取并使用SVM分类器进行分类检测，本发明可用于对红外序列图像中的弱小目标进行检测，使得虚警率降低，有效的提高红外序列图像中小目标的检测精度。

实现本发明的技术思路是：首先，分析红外目标及背景特性；其次对红外序列图像的时域廓线进行EMD分解，之后选用前三个IMF高频分量进行细节特征提取形成特征描述符，构建支持向量机为每个高频分量生成特征描述符，通过SVM分类器对其进行分类；最后，通过加权分类方法，整合原始信号的特征信息得到最终检测结果从而找到红外弱小目标所在位置。

参照图1，本发明的具体步骤为：

步骤1：输入待处理的红外序列图像I_orig。

步骤2：对输入的图像进行归一化处理：

为方便后续数据计算，对红外图像进行归一化处理，将红外图像的灰度值归一化到0-1之间。

步骤3：特性分析：

选取第一帧图像上某一像素点，对多帧图像序列的该像素点进行时域信息提取，得到由图像序列的特定像素点灰度值信息构成的时域信号，该一维信号表征特定像素点的时域轮廓信息。

在红外弱小目标检测过程中，红外图像序列中的某个像素点的像素值可以由背景、噪声和目标三要素叠加而成。因此红外场景图像序列可描述为：

F(x,y,k)＝F_T(x,y,k)+F_C(x,y,k)+N(x,y,k)

式中F(x,y,k)表示图像上某一点(x,y)在第k帧的灰度值，F_T(x,y,k)为目标在第k帧经过点(x,y)处的灰度值(无目标则该值为零)，F_C(x,y,k)为点(x,y)处背景的灰度值，N(x,y,k)为噪声灰度值。在红外序列图像中，相邻两帧间目标的亮度和尺寸变化较小，每帧目标大小一般占几个像素，而相邻帧间背景的变化量也很小，相对于目标的运动量可以忽略不计，故背景灰度F_C(x,y,n)在连续M(M≤l0)帧内通常认为是恒定的。N(x,y,n)是传感器及电路产生的噪声总和，在时间上可认为是服从高斯分布的白噪声。

分别对红外序列图像中天空背景、云层边缘、云层内目标以及天空背景内目标的像素点的时域轮廓线进行比对分析，可以发现有无目标的像素点轮廓线构成的时域信号具有不同的可识别特征。

天空背景像素的时域廓线用P_a(k)表示，k为采样时刻，其数学统计模型表达式如下：

P_a(k)＝C+n(k)

其中，C为背景均值常数，n(k)为背景高斯噪声。其中δ(·)为克罗内克(Kronecker)函数。天空背景像素的灰度值变化由红外成像过程中传感器的随机噪声引起，其时域轮廓线灰度变化相对比较平稳。

云层边缘像素点时域廓线用P_b(k)表示，其数学统计模型为：

P_b(k+1)＝P_b(k)+w(k)

式中，w(k)项里包含了高斯背景噪声n(k)，σ_b表示w(k)的标准差，云杂波边缘像素点的灰度呈缓慢增大或减小的波动趋势。

对于连续帧的红外图像，当有目标经过某个像素点的时域廓线，会在此时域廓线上形成一个一定宽度的脉冲信号，脉冲的宽度与目标经过的速度成反比，速度越慢，脉冲宽度越宽，否则宽度越窄，且目标脉冲与其时域背景是非相关的。脉冲高度即为目标的强度。因此天空背景内目标点像素点时域廓线的数学统计模型为：

P_c(k)＝t(k,p)+n(k)

式中t(k,p)表示时域上目标的灰度变化，P为表征目标幅值的参数，n(k)为背景噪声。该类时域轮廓线包含明显脉冲凸起且其他部分灰度值变换不明显。这种脉冲凸起就是小目标在时域上所表现出的奇异性。

云层内目标像素点时域廓线的数学统计模型为：

P_d(k+1)＝t(k+1,p)+P_d(k)+w(k)

该类像素点时域轮廓线包含明显脉冲凸起且其他部分灰度值呈整体上升或下降趋势。

因此，红外图像序列中的像素点信号可分为背景信号、云层边缘信号、背景目标信号和云层目标信号四类。分析序列突变不同区域像素点的时域轮廓线，得出结论表明有无目标的红外序列图像像素点时域信号具有不同的可识别特征(一维信号波动趋势)，根据这种可识别特征可对红外序列图像进行比对分类。因此分别对第一帧图像的每个像素点时域信号进行后续步骤4-8的处理。

步骤4：时域信号EMD分解：

经验模态分解算法是由黄锷等人在1998年提出的一种新的信号处理方法。该算法中基函数是由数据本身所分解得到的，相比于小波变换和傅里叶变换更加直观，同时不需要设置基函数的特性使它具有更好的自适应性，具有一定的优越性和发展前景。EMD方法在处理非平稳信号时可以有很高的信噪比且具有自适应性，它能使复杂信号分解为有限个本征模函数(Intrinsic Mode Function，IMF)。

从步骤3分析可知，识别红外序列像素点有无目标的关键就在于识别其可识别特征。假若被检测图像都类似平缓的背景像素从而不会有太大的波动，那么一些常规的方法就可以达到很好的效果，但是实测红外图像要复杂的多，其中会有大量的杂波和云层边缘等影响因素，这些像素点时域灰度起伏变化十分明显，同时，在原始信号中，有细节特征的部分仅占有很小的时间比例，原始信号很难提取其细节特征，综上因素对目标提取产生了极大的影响。基于红外图像的复杂特点及EMD的优点，这里我们引入EMD分解的方法，我们无需对被测红外图像做预处理，直接对序列图像像素点的时域廓线进行EMD分解，我们可以有效的分离出原始时域信号的细节特点并分解成一系列独立的可以反映信号实际幅值和频率信息的IMF分量。选定某一像素点时域信号进行分解：

(4a)找出该像素点时域轮廓线构成的时域信号x(t)的所有极值点(局部极大值和局部极小值)。

(4b)将全部极大值点和极小值点分别采用三次样条插值的曲线进行拟合，得到x(t)的上包络线x_up(t)和下包络线x_low(t)。

(4c)逐点计算上包络线和下包络线的局部均值m(t)＝(x_up(t)+x_low(t))/2。

(4d)采用时域信号x(t)减去局部均值得到d(t)＝x(t)-m(t)。

(4e)判断d(t)是否是一个基本模式分量(imf)，也即判断d(t)是否满足下述的两个条件：

(i)在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；

(ii)在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个。

如果条件满足，则将d(t)视为一个基本模式分量，取c₁＝d(t)，否则x(t)＝d(t)。

(4f)分解出第一个imf分量后，用x(t)减去c₁得到剩余信号r₁(t)，然后令x(t)＝r₁(t)，重复以上过程，依次可得到c₁,c₂,...，,c_n，最后剩下原始信号的余项r_n(t)。这样通过整个过程的分解，原始信号x(t)可以表示为：

步骤5：生成特征描述符：

对于图像检测，找寻图像特征进行匹配是进行图像识别的高效方法。图像特征就是指某一副或某一类图像区别于其他图像的本质特点或特性或是这些特点和特性的集合。它具备将一个目标或场景的不同影像进行匹配的条件。它对目标识别尤为重要，可用于探测杂乱背景下的小目标。步骤5已经得到具有原始时域信号细节特点且可以反映信号实际幅值和频率信息的IMF分量，其中前三个分量具有大部分细节信息，因此，只需要提取前三个imf分量特征信息即可完成分类判定。为了更好的提取前三个高频imf分量的特征信息，接着就要分别对imf分量进行符号化及特征提取，并得到各自的特征描述符。

实数序列符号化就是引入划分P＝{P1,P2,...Pq}，并把系统状态空间划分为m＝(q+1)d个单元，其中d是状态空间的维数，q是划分个数，q＝1为最简单的二进制划分。每个单元用一个符号进行标记。从而在相空间为连续曲线的系统的轨迹，将被转换为符号序列。这些符号是对原始数据的粗粒化处理，去除无关紧要的非本质特征，留下表达系统关键特征的信息，更有利于挖掘系统隐含模式，同时这些符号标记了被轨迹所访问的单元。这一符号模型以最简单地可能方式完全地描述了系统的动力学特征.然而信号的符号序列不能直接用于目标检测分类，因此在得到符号序列之后需要求解其特征描述符使其用于目标分类。

对步骤4中得到的每个像素点时域信号的第i(i＝1,2,3)个分量进行特征描述：

(5a)选择第i个imf分量，将其灰度值最大值与最小值的区间设置为数据空间。同时对数据空间进行分区并标号a,b,c,d,e，相隔相同帧数对imf分量进行采样，采样得到的数据点落在数据空间区域中得到相应的空间标号，最终得到imf分量信号的符号序列S(i)。该符号序列可表征分量的波动趋势和细节特征。

(5b)符号序列S(i)中每一个符号代表一种状态，根据符号序列S(i)的符号变换顺序可计算该序列的状态转移概率P(O_i,a|O_i,b)：

其中O_i,b,O_i,a是第i个信号imf分量的b状态与a状态，P(O_i,a|O_i,b)表示状态O_i,b到状态O_i,a的状态转移概率，N(O_i,b,O_i,a)表示状态O_i,b转移到状态O_i,a的发生次数，表示符号序列中所有的状态集合。

(5c)计算该符号序列的状态转移矩阵ω_i以及特征描述符f_i：

其中，f_i代表第i个imf分量的特征描述符，V_j代表状态转移矩阵ω_i的第j列标准化特征向量。重复这个过程分别得到该像素点时域信号的三个imf分量的特征描述符。

步骤6：构建向量机：

(6a)根据步骤3中红外目标及背景特性分析，不同位置的像素点时域轮廓线具有不同波动及细节特征，获取若干像素点，并将像素点的时域信号分为四类，即云层中目标(A类)、背景目标(B类)、云层边缘(C类)和背景像素点(D类)，构成A，B，C，D四类信号样本集，信号样本集由至少100个同属一类信号的第i个imf分量的特征描述符组成。

(6b)对于第i(i＝1,2,3)个特征描述符，分别创建AB、AC、AD、BC、BD、CD这六个初级SVM分类器。在AB分类器中分别输入A，B类信号的第i个imf分量的信号样本集；通过SVM分类器训练样本，得到第i个分量信号的AB初级分类器；相应分别训练AC、AD、BC、BD、CD初级SVM分类器，AB、AC、AD、BC、BD、CD六个初级SVM分类器组成目标分类器；对于i个特征描述符最终构建i个目标分类器；

(6c)构建向量机，将某一像素点时域信号的第i个imf分量的特征描述符分别输入六个初级分类器，可得到六个初步分类结果，结果集合记为F(n)。

(6d)对F(n)包含A，B，C，D四类结果进行统计，选取得到最多分类结果的类别作为分离出的特征类型H(i)。

步骤7：对前三个imf分量的分类结果H(i)中A,B,C,D四类结果进行统计，选取得到最多分类结果的类别作为该像素点时域信号的最终类别。

步骤8：对第一帧图像的每个像素点(x,y)重复步骤4-7，得到每个像素点的类别并进行统计，最终得到序列图像的最终检测结果并标出红外弱小目标所在的位置。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法，其特征在于：

采用以下步骤：

步骤1：输入待处理的红外序列图像I_orig；

步骤2：对输入的图像进行归一化处理，将红外图像的灰度值归一化到0-1之间；

步骤3：选取第一帧图像上某一像素点，对图像序列的该像素点进行时域信息提取，得到由图像序列的某一像素点灰度值信息构成的时域信号x(t)；

步骤4：时域信号EMD分解：

选定某一像素点时域信号x(t)进行分解：

步骤4.1：找出该像素点时域轮廓线构成的时域信号x(t)的所有极值点；

步骤4.2：将全部极大值点和极小值点分别采用三次样条插值的曲线进行拟合，得到x(t)的上包络线x_up(t)和下包络线x_low(t)；

步骤4.3：逐点计算上包络线和下包络线的局部均值m(t)＝(x_up(t)+x_low(t))/2；

步骤4.4：采用时域信号x(t)减去局部均值得到d(t)＝x(t)-m(t)；

步骤4.5：通过判断d(t)是否满足以下两个条件，来判断d(t)是否是一个基本模式分量imf：

条件1：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；

条件2：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；

如果两个条件均满足，则将d(t)视为一个基本模式分量，取c₁＝d(t)，否则x(t)＝d(t)；

步骤4.6：分解出第一个imf分量c₁后，用x(t)减去c₁得到剩余信号r₁(t)，然后令x(t)＝r₁(t)，返回步骤4.1，依次可得到c₁,c₂,...，,c_n，最后剩下原始信号的余项r_n(t)；

步骤5：生成特征描述符：

对步骤4中得到的每个像素点时域信号的第i个分量通过以下方式进行特征描述，i＝1,2,3：

步骤5.1：选择第i个imf分量，将其灰度值最大值与最小值的区间设置为数据空间，对数据空间进行分区并标号a,b,c,d,e；相隔相同帧数对imf分量进行采样，根据采样得到的数据点所落在的数据空间区域，得到相应的空间标号，最终得到imf分量信号的符号序列S(i)；

步骤5.2：符号序列S(i)中每一个符号代表一种状态，根据符号序列S(i)的符号变换顺序计算该序列的状态转移概率P(O_i,a|O_i,b)：

其中O_i,b,O_i,a是第i个信号imf分量的b状态与a状态，P(O_i,a|O_i,b)表示状态O_i,b到状态O_i,a的状态转移概率，N(O_i,b,O_i,a)表示状态O_i,b转移到状态O_i,a的发生次数，表示符号序列中所有的状态集合；

步骤5.3：计算该符号序列的状态转移矩阵ω_i以及特征描述符f_i：

其中，f_i代表第i个imf分量的特征描述符，V_j代表状态转移矩阵ω_i的第j列标准化特征向量；

步骤5.4：重复步骤5.1～步骤5.3，分别得到该像素点时域信号的三个imf分量的特征描述符；

步骤6：构建向量机：

步骤6.1：获取四类像素点的时域信号；所述四类像素点分为：A类、云层中目标，B类、背景目标，C类、云层边缘，D类、背景像素点；构成A，B，C，D四类信号样本集，信号样本集由至少100个同属一类信号的第i个imf分量的特征描述符组成，i＝1,2,3；

步骤6.2：对于第i个特征描述符，分别创建AB、AC、AD、BC、BD、CD六个初级SVM分类器；在AB分类器中分别输入A，B类信号的第i个imf分量的信号样本集；通过SVM分类器训练样本，得到第i个分量信号的AB初级分类器；相应分别训练AC、AD、BC、BD、CD初级SVM分类器，AB、AC、AD、BC、BD、CD六个初级SVM分类器组成目标分类器；对于i个特征描述符最终构建i个目标分类器；

步骤6.3：将步骤5得到的某一像素点时域信号的第i个imf分量的特征描述符分别输入六个初级分类器，可得到六个初步分类结果，结果集合记为F(n)；

步骤6.4：对F(n)包含的A，B，C，D四类结果进行统计，选取得到最多分类结果的类别作为分离出的特征类型H(i)；

步骤7：对三个imf分量的分类结果H(i)中的A,B,C,D四类结果进行统计，选取得到最多分类结果的类别作为该像素点时域信号的最终类别；

步骤8：对步骤1中输入的红外序列图像中第一帧图像的每个像素点(x,y)重复步骤4-7，得到每个像素点的类别并进行统计，得到序列图像的最终检测结果并标出红外弱小目标所在的位置。