CN109859247B - 近地面场景红外小目标检测方法 - Google Patents

Abstract

本发明公开一种近地面场景红外小目标检测方法，包括如下步骤：(10)红外图像预处理：采用混合滤波算法，对红外图像进行预处理；(20)背景抑制：采用罗宾逊滤波，对预处理红外图像进行背景抑制，得到背景抑制红外图像；(30)目标增强：计算背景抑制图像的积分图，计算背景因子参数，利用背景因子参数重新调整图像，得到目标增强图像；(40)目标潜在区域质心获取：对目标增强图像进行阈值分割，形态学处理，连通域标记，获得目标潜在区域的质心坐标；(50)目标真实坐标获取：对潜在目标进行时域关联，航迹判别，获得目标真实坐标。本发明的小目标检测方法，鲁棒性强、虚警率低、探测精度高。

Description

近地面场景红外小目标检测方法

技术领域

本发明属于红外目标探测技术领域，特别是一种鲁棒性强、虚警率低、探测精度高的近地面场景红外小目标检测方法。

背景技术

近年来，随着社会经济和科学技术的发展，在军用方面，用红外探测器探测具有红外辐射特性的小目标的红外小目标探测技术被广泛应用于红外制导系统，红外预警系统以及海事监视系统等领域，在民用方面，红外小目标检测也开始应用于无人机探测和安防监控等领域。总的来说，红外小目标检测技术在军事和民用上都具有很高的应用价值。

在国外，红外小目标检测技术在上个世纪七十年代开始就逐渐引起关注，包括美国的NASA、空军研究实验室、麻省理工学院等众多研究机构都在这方面取得了很多优秀的成果。而一些知名期刊也不断刊登一些最新的红外小目标探测领域的成果，包括InfraredPhysics and Technology、IEEE Transaction on Image Processing与IEEE Transactionon Signal Processing等。

在国内，也逐步加强了红外小目标探测领域的研究，已经形成了一定的成果。国内的主要研究机构包括长春光机所、国防科技大学和南京理工大学。另一方面，国内的一些期刊，例如《红外与毫米波学报》、《光子学报》和《红外与激光工程》等也不断发表最新的研究成果。

在实际的工程应用中，红外小目标检测方法可以简单的分为两大类：跟踪前检测(TBD)方法和检测前跟踪(DBT)方法。

TBD方法通常利用红外小目标在空间分布上的灰度特性，构建滤波算法，先对单帧图像进行处理，然后进行阈值分割以获得候选目标，再利用序列帧图像中目标的运动规律获得正确的目标。这类方法通常具有较好的算法实时性，在工程里得到了更广泛的应用。但是这类算法的检测结果很大程度上依赖于滤波算法的性能，对于复杂场景的探测能力往往不足。

DBT方法先对序列图像进行处理以获得目标疑似航迹，在进行航迹分割以获得正确的目标。这种方法虽然鲁棒性更强但需要消耗较多的系统储存空间，而且算法实时性往往不强。

然而，传统的红外小目标检测方法主要是针对天空背景或者海面背景设计实现的，对于近地面场景下的小目标检测算法目前还没有形成较好的一体化方法。这主要是因为相较于天空和海面，近地面场景中的杂波更强，对目标检测的干扰更大，对探测算法的鲁棒性要求更强。而随着科技的发展，在近地面场景下的红外小目标探测的需求越来越强烈。

总之，现有技术存在的问题是：传统的红外小目标检测方法通常只能实现空中或者海面场景下的检测功能，而近地面场景红外小目标探测方法检测能力局限，很难适应光照变化大、恶劣天气环境为背景的小目标检测，很难抑制强杂波，尤其是地面杂波，使得这些方法的探测能力有限，鲁棒性差；另外，传统的红外小目标检测方法往往只考虑到目标的空间分布特性或者时域运动特性，限制了目标检测性能，使得探测虚警率高、探测精度低。

发明内容

本发明的目的在于提供一种近地面场景红外小目标检测方法，鲁棒性强、虚警率低、探测精度高。

实现本发明目的的技术解决方案为：

一种近地面场景红外小目标检测方法，包括如下步骤：

(10)红外图像预处理：采用混合滤波算法，对红外探测器采集到的包含近地面场景小目标的红外图像进行预处理；

(20)背景抑制：采用罗宾逊滤波，对预处理之后的红外图像进行背景抑制，得到背景抑制红外图像；

(30)目标增强：计算背景抑制图像的积分图，根据目标局部对比度特性，计算背景因子参数，利用背景因子参数重新调整图像，得到目标增强图像；

(40)目标潜在区域质心获取：对目标增强图像进行阈值分割，获得目标潜在区域，然后进行形态学处理，并进行连通域标记，最后使用灰度加权法获得目标潜在区域的质心坐标；

(50)目标真实坐标获取：采用基于目标运动特征的航迹关联算法，对潜在目标进行时域关联，进而对航迹进行判别，分割出真实航迹，从而获得目标真实坐标。

本发明与现有技术相比，其显著优点为：

1、鲁棒性强：

该方法的鲁棒性强，能够实现多种场景的红外小目标探测功能。传统的红外小目标检测方法通常只能实现空中或者海面场景下的检测功能，但是本方法不仅能够实现空中与海面场景下的目标检测功能，还能实现近地面低信杂比场景下的目标检测功能。同时，算法能够在光照变化和恶劣天气环境下也能实现目标检测功能，因此具有更好的鲁棒性。

2、虚警率低、探测精度高：该方法的结合空域滤波与时域关联技术，能够达到更好的目标检测性能。传统的红外小目标检测方法往往只考虑到目标的空间分布特性或者时域运动特性，而本方法针对空间分布特性设计空域滤波方法同时结合针对时域运动特性设计时域关联方法，提高了目标检测性能，达到了更好的目标探测结果，使得探测虚警率低、探测精度高。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明

图1是本发明近地面场景红外小目标检测方法的主流程图。

图2是原始红外图像。

图3是预处理之后的图像。

图4是基于罗宾逊滤波的背景抑制之后的图像。

图5是图1中目标增强步骤的流程图。

图6是基于背景因子的目标增强之后的图像。

图7是图1中目标潜在区域质心获取步骤的流程图。

图8是图1中目标坐标获取步骤的流程图。

图9是时域关联后的航迹图。

具体实施方式

结合图1，本发明近地面场景红外小目标检测方法，包括如下步骤：

(10)红外图像预处理：采用混合滤波算法，对红外探测器采集到的包含近地面场景小目标的红外图像进行预处理，以去除图像噪声，提高图像信噪比。

作为原始输入的红外探测器采集到的的包含近地面场景小目标的红外图像如图2所示。

采用混合滤波算法对红外图像进行预处理，具体方法描述如下：

对于一个尺寸为N×N的图像窗口，则混合滤波算法可以表示为：

式中，G_mix(x,y)表示混合滤波结果，f(i,j)表示原始红外图像中位置(i,j)的灰度值，N为窗口大小，med{}为取中值操作。

上式表示，先对图像的四个方向作中值滤波，然后对滤波结构取均值。

预处理之后的图像如图3所示。

(20)背景抑制：采用罗宾逊滤波，对预处理之后的红外图像进行背景抑制，得到背景抑制红外图像。

采用罗宾逊滤波对图像进行卷积处理，抑制缓变的背景区域，同时增强目标区域。由于背景区域和目标区域是相对的，所以抑制了背景区域相当于就增强了目标区域

罗宾逊滤波(Robinson Guard Filter)是一种非线性非参数型滤波器，使用一个结构体遍历整个图像，当结构体每经过一个像素时，通过比较中心像素和其结构体最外围一圈的像素的差值来代替结构体中心像素的灰度值。

这种方法不容易丢失小目标其本身的信息，对于缓变的背景具有较好的抑制效果。

滤波过程可以用公式表示为：

上式中，f_Robinson(i,j)为罗宾逊滤波后的图像，l表示滤波窗口大小，若l取7，则可以对3×3大小的目标进行保护，max为求最大值，min为求最小值，med为求中值操作。

图4为经过基于罗宾逊滤波的背景抑制之后的图像，即背景抑制红外图像。

(30)目标增强：计算背景抑制图像的积分图，根据目标局部对比度特性，计算背景因子参数，利用背景因子参数重新调整图像，得到目标增强图像。

所述(30)目标增强步骤包括：

(31)积分图计算：

对红外图像中每个像素点计算其邻域内的灰度值累加值H，其公式如下：

式中，同前所述，f(i,j)表示原始红外图像中位置(i,j)的灰度值，R表示邻域的范围；

(32)背景因子参数计算：

计算对应(32)的每个像素点计算背景因子，公式如下：

其中，H表示该像素邻域内的灰度累加值，该值越大，则该点所在的位置背景越复杂；α为比例系数，R表示邻域的范围，选取的邻域是以该点为中心，边长为R的正方形；T表示该点的背景因子数值，该值越大，说明该点处的背景越复杂；

(33)图像重调整：为了使图像中不同的背景下具有相同的探测率，使用背景因子对图像进行重新调整。

其中，f_o表示经过调整后的图像，f_pre表示调整前的图像。

本发明方法采用计算背景因子的方式来表征背景的复杂程度，能更好的突出目标，提高红外小目标的探测率。

目标增强图像如图6所示。

(40)目标潜在区域质心获取：对目标增强图像进行阈值分割，获得目标潜在区域，然后进行形态学处理，并进行连通域标记，最后使用灰度加权法获得目标潜在区域的质心坐标。

所述(40)目标潜在区域质心获取步骤包括：

(41)图像阈值分割：对目标增强后的图像按下式进行阈值分割，以获取点迹图，

式中，BI(x,y)表示图像二值化后的结果，f_o表示经过调整后的图像；

(42)形态学滤波：对二值化图像按下式进行开运算与闭运算，实现形态学滤波处理，以进一步去除图像中的孤立噪点与目标中的空洞现象

B(x，y)＝Close(Open(BI(x，y))) (7)

上式中，Open()和Close()分别表示形态学处理中的开运算和闭运算。

所谓的开运算就是对图像进行先腐蚀后膨胀处理，开运算能够去除孤立的小点，毛刺和连通两块区域的小点，而总的位置和形状不变；闭运算是对图像进行先膨胀后腐蚀处理，闭运算能够填平小孔，弥合小裂缝，而总的位置和形状不变。

(43)连通域标记：对经过形态学滤波后的二值化图像进行遍历，考虑每个像素及其周围8个邻接像素，值相同，则彼此连通，将图中划分为一个一个的连通域，然后，将同一个连通域内且像素值为1的像素点赋予同一个标签，实现连通域标记；

通过连通域标记，获得目标区域。在图像中，最小的单位是像素，每个像素周围有8个邻接像素。在视觉上看来，彼此连通的点形成了一个区域，而不连通的点形成了不同的区域。这样一个所有的点彼此连通点构成的集合，将其称为一个连通区域。连通域标记就是把同一个连通域内且像素值为1的像素点赋予同一个标签。

(44)目标质心获取：按下式

利用灰度加权方法来获取目标质心，

其中，L表示坐标点的位置。l_i表示同一个连通域内的第i个像素坐标值。I_G(l_i)表示阈值分割之后的图像中l_i位置的灰度值。M为此连通域内所有的像素数量。

这样，红外图像的单帧检测结果就以一个个离散的点迹组成，这些点迹被称为潜在目标。

(50)目标坐标获取：使用基于目标运动特征的航迹关联算法，从时域出发，对潜在目标进行时域关联，进而对航迹进行判别，分割出真实航迹，从而获得最终的目标坐标。

所述(50)目标坐标获取步骤包括：

(51)目标粗坐标获取：

对于这段红外图像序列，其中第k帧图像点迹的水平角坐标为集合

俯仰角坐标为集合

则角度的运动方程可以表示为如下形式，以算出目标x方向和y方向的粗坐标：

式中，t表示帧周期，m∈{1,2,...,n},速度V_m与加速度A_m的计算公式如下：

(52)目标粗坐标修正：由于式(9)与式(10)考虑的是目标短时间内做匀加速运动，但是对于目标的实际运动来说，考虑到目标运动的机动性特点以及红外成像系统的一些天然缺陷(例如镜头的畸变)导致目标在水平角与俯仰角上偏离匀加速运动，因此本发明对匀加速规律进行修正，得到修正后的目标x方向和y方向的坐标：

式中，△L^x,△L^y分别表示目标水平角与俯仰角坐标的误差距离。

利用式(13)与式(14)，对第k帧图像中的每一个点迹都与之前帧图像中的点迹进行数据关联，若某一个点迹持续N帧图像都能关联上，则认为这是一条目标运动的轨迹。否则，如果持续ε帧没有关联上，则删除这条航迹。本例取N＝20，取ε＝3。

(53)航迹挑选：挑选速度与加速度满足下式的目标加以，形成航迹，

式中，W表示一条航迹持续的帧数，|·|表示取绝对值，若不满足这个条件，则认为是伪目标，舍去。

需要注意的是，对于背景的某些孤立亮点(主要为噪声点以及背景角点)，很难在基于单帧的检测算法中消除，这些亮点与目标最大的区别在于，目标是运动的，而亮点是几乎不动的。因此，为了利用目标的运动规律抑制这些亮点，本文对速度与加速度进行约束，即被挑选的航迹，必须满足：

式中，W表示一条航迹持续的帧数，|·|表示取绝对值。

时域关联的航迹结果如图9所示。

本方法既考虑了目标的空间分布特性，也考虑了目标的时域运动特性，本例结果显示航迹检测准确。

Claims (6)

1.一种近地面场景红外小目标检测方法，其特征在于，包括如下步骤：

(10)红外图像预处理：采用混合滤波算法，对红外探测器采集到的包含近地面场景小目标的红外图像进行预处理；

(20)背景抑制：采用罗宾逊滤波，对预处理之后的红外图像进行背景抑制，得到背景抑制红外图像；

(30)目标增强：计算背景抑制图像的积分图，根据目标局部对比度特性，计算背景因子参数，利用背景因子参数重新调整图像，得到目标增强图像；

(40)目标潜在区域质心获取：对目标增强图像进行阈值分割，获得目标潜在区域，然后进行形态学处理，并进行连通域标记，最后使用灰度加权法获得目标潜在区域的质心坐标；

(50)目标真实坐标获取：采用基于目标运动特征的航迹关联算法，对潜在目标进行时域关联，进而对航迹进行判别，分割出真实航迹，从而获得目标真实坐标。

2.根据权利要求1所述的小目标检测方法，其特征在于，所述(10)红外图像预处理步骤具体为：

对于一个尺寸为N×N的图像窗口，以混合滤波算法表示为：

式中，G_mix(x,y)表示混合滤波结果，f(i,j)表示原始红外图像中位置(i,j)的灰度值，N为窗口大小，med{}为取中值操作。

3.根据权利要求2所述的小目标检测方法，其特征在于，所述(20)背景抑制步骤具体为：

按下式预处理之后的红外图像进行滤波，得到背景抑制红外图像，

上式中，f_Robinson(i,j)为罗宾逊滤波后的图像，l表示滤波窗口大小，若l取7，则可以对3×3大小的目标进行保护，max为求最大值，min为求最小值，med为求中值操作。

4.根据权利要求3所述的小目标检测方法，其特征在于，所述(30)目标增强步骤包括：

(31)积分图计算：

对背景抑制红外图像中每个像素点计算其邻域内的灰度值累加值H，其公式如下：

式中，f(i,j)表示原始红外图像中位置(i,j)的灰度值，R表示邻域的范围；

(32)背景因子参数计算：

计算每个像素点的背景因子，公式如下：

其中，H表示该像素邻域内的灰度累加值，该值越大，则该点所在的位置背景越复杂；α为比例系数，R表示邻域的范围，选取的邻域是以该点为中心，边长为R的正方形，T表示该点的背景因子数值，该值越大，说明该点处的背景越复杂；

(33)图像重调整：使用背景因子对图像进行重新调整，

其中，f_o表示经过调整后的目标增强图像，f_pre表示调整前的图像。

5.根据权利要求4所述的小目标检测方法，其特征在于，所述(40)目标潜在区域质心获取步骤包括：

(41)图像阈值分割：对目标增强后的图像按下式进行阈值分割，以获取点迹图，

式中，BI(x,y)表示图像二值化后的结果，f_o表示经过调整后的图像；

(42)形态学滤波：对二值化图像按下式进行开运算与闭运算，实现形态学滤波处理，

B(x，y)＝Close(Open(BI(x，y))) (7)

上式中，Open()和Close()分别表示形态学处理中的开运算和闭运算；

(43)连通域标记：对经过形态学滤波后的二值化图像进行遍历，考虑每个像素及其周围8个邻接像素，值相同，则彼此连通，将图中划分为一个一个的连通域，然后，将同一个连通域内且像素值为1的像素点赋予同一个标签，实现连通域标记；

(44)目标质心获取：利用灰度加权方法按下式获取目标质心，

其中，L表示坐标点的位置，l_i表示同一个连通域内的第i个像素坐标值，I_G(l_i)表示阈值分割之后的图像中l_i位置的灰度值，M为此连通域内所有的像素数量。

6.根据权利要求5所述的小目标检测方法，其特征在于，所述(50)目标真实坐标获取步骤包括：

(51)目标粗坐标获取：按下式计算目标x方向和y方向的粗坐标，

式中，t表示帧周期，m∈{1,2,...,n}，速度V_m与加速度A_m的计算公式如下，

对于一段红外图像序列，第k帧图像点迹的水平角坐标为集合

俯仰角坐标为集合

(52)目标粗坐标修正：按下式对目标x方向和y方向的粗坐标进行修正，得到目标真实坐标，

式中，△L^x,△L^y分别表示目标水平角与俯仰角坐标的误差距离；

(53)航迹挑选：挑选速度与加速度满足下式的目标，形成航迹，

式中，W表示一条航迹持续的帧数，|·|表示取绝对值，若不满足这个条件，则认为是伪目标，舍去。

Images