复杂背景下红外弱小运动目标检测的新方法

第30卷 第9期航 空 学 报Vo l 30No 9 2009年 9月ACT A A ERON A U T ICA ET A ST RO N AU T ICA SIN ICA Sept. 2009收稿日期:2008 08 18;修订日期:2008 12 10基金项目:航空科学基金(20070112001)通讯作者:毛峡E mail:moukyou@b uaa edu cn文章编号:1000 6893(2009)09 175407复杂背景下红外弱小运动目标检测的新方法黄康1,毛峡1,胡海勇1,梁晓庚2(1 北京航空航天大学电子信息工程学院,北京 100191)(2 中国空空导弹研究院,河南洛阳 417009)Novel Approach to IR Moving Dim Target Detection Against C omplex BackgroundH uang Kang 1,M ao Xia 1,H u H aiyong 1,Liang Xiao geng2(1 Scho ol of Electro nic and Informat ion Eng ineering ,Beijing U niver sity o f A er onautics andA stro nautics,Beijing 100191,China)(2 China A ir bo rne M issile Academy,L uoy ang 417009,China )摘 要:提出了一种用于检测不同类型复杂背景下红外弱小运动目标的新方法。

该方法能够根据图像信息自动选择背景预测算子;同时,针对不同类型复杂背景中目标和背景特性的差异,提出了 局部小目标可辨识度 的概念,并定义了一种有效的方法将其量化。

在此基础上,采用蒙特卡罗实验方法构造了一种新的阈值函数,实现了单帧目标的检测,然后采用移动加权管道滤波提取目标的运动轨迹。

实验结果表明,该方法对不同类型复杂背景的红外弱小运动目标具有很好的检测性能。

关键词:红外图像;背景预测;弱小运动目标检测;局部小目标可辨识度;蒙特卡罗方法中图分类号:T P391 4 文献标识码:AAbstract:A nov el appro ach is pr oposed to detect moving dim infrar ed targ ets ag ainst different types of complex backgr ound Backg ro und pr edict or is select ed automatically based on imag e infor matio n M eanw hile,a co ncept of differ ent iatio n degr ee of lo cal small targ ets (DDL ST )is pro po sed fo r the discr epancy of char act eristics be tw een the tar get and t he backg ro und in co mplex backgr ound conditio ns,and an effectiv e metho d is defined to quantitize it A new thr esho ld function based on the DD LST is constr ucted by M onte Car lo metho ds to accom plish the targ et detecting algo rithm in a sing le frame T hen,v ariable w eig hted pipeline filter s ar e applied t o ex tr act the t race of mo ving dim tar gets T he exper imental r esults demo nstr ate the g oo d per formance o f this ap pro achKey words:inf rared imag e;backg ro und pr edict ion;detectio n of mo ving dim tar gets;differentiatio n deg ree o f small local targ ets;M onte Carlo methods复杂背景下的红外弱小运动目标检测是红外预警、红外自动寻的系统中关键技术之一,已经成为国内外的研究热点。

而近年来,随着雷达隐身技术的飞速发展,使得此项技术在探测远距离隐身运动目标领域发挥着越来越重要的作用。

典型的复杂红外背景包括:强起伏云层背景、带有阳光反射的海面背景、海天背景以及复杂低空地面混合背景等。

现有的算法一般利用空域、频域、时域或者小波域的信息,针对某一特定的复杂背景进行红外图像序列中的弱小运动目标检测。

常见的算法结构可分为 跟踪前检测 和 检测前跟踪 两类,具体的算法有:基于运动能量累计的方法[1]、基于运动假设的方法[2]、基于管道滤波的方法[3]、基于背景预测的方法[4]、基于形态学的方法[5]和基于频域高通滤波器的方法[6]等;而对于不同类型的复杂背景的鲁棒性研究较少。

在当前的实时系统中,基于空间滤波的 跟踪前检测 算法的复杂性和实时性更好,更具有实际应用价值[7 11],因此本文基于 跟踪前检测 对上述各种典型复杂背景下的红外弱小运动目标进行研究。

背景预测算法结构简单,易于实现,是一种抑制红外复杂背景行之有效的方法,然而以下3个问题限制了它对不同类型复杂背景的鲁棒性:!不同类型背景中目标和背景的相对特性不同;∀在残差图像中,真实目标的强度可能小于噪声[12];#红外成像器受到外界环境的干扰会发生随机抖动,某一帧的背景相对于前后帧可能会发生突变,甚至可能丢失目标。

本文主要针对上述3个问题进行研究,提出了一种基于局部对数加第9期黄康等:复杂背景下红外弱小运动目标检测的新方法权对比度的解决方法。

并采用蒙特卡罗方法设计了实验,通过大量数据对该方法进行了验证。

1 红外弱小运动目标检测算法框架红外弱小运动目标图像序列的信号模型可表示为f(k)=t(k)+b(k)+n(k)(1)式中:f(k)表示序列中第k帧的图像,由3部分叠加而成:目标t(k)、背景b(k)以及噪声n(k)[1]。

本文将图1(a)所示基于背景预测的弱小目标检测的经典算法框架进行了改进,改进后算法如图1(b)所示。

根据图像特性选择不同的背景预测算子,然后利用局部小目标可辨识度信息作为阈值对残差图像进行分割,以保证对于不同类型的背景均能够提取出真实目标,最后进行多帧判别。

图1 基于背景预测的弱小目标检测算法框架F ig 1 Algo rithm fr amewo rk of dim ta rget detect inga lg orithm based o n backgr oud predictio n2 背景预测算子选择背景预测算法主要考虑局部背景的影响,提高它对不同类型复杂背景的鲁棒性的实质是改善局部区域背景预测算法的可靠性。

典型红外弱小目标图像如图2所示。

图2(a)~2(c)为典型复杂背景下红外弱小目标图像,图2(d)~2(f)与图2(a)~2(c)是同样的图像,为了更清晰地对比查看目标的相对特性,用∃,%,&,▽,∋这5种标记对不同目标在图像中的位置进行标识。

显然,不同局部背景下的目标和背景的相对特性差异很大。

在实际应用中,一般采用经验的方法对不同的预测算子进行人工选择,本文引入量化的指标对背景预测算子进行自动选择。

文献[13]指出,图像的均值和平滑度是描述图像纹理的重要指标。

其中均值表示图像的整体灰度,平滑度用于描述灰度的偏移。

设方差为v,图2 典型红外弱小目标图像F ig 2 T ypical inf rared radiation(I R)imag es of dimta rg ets则平滑度可表示为R=1-(1+v)-1,显然R( [0,1],且R越小表示图像越平滑[13]。

本文对大量红外图像的均值和平滑度进行分析,综合了4种典型单帧背景预测算子[4]:基本加权背景预测、最小化背景预测、最大化背景预测以及最相似背景预测的优点,提出了一种根据局部图像纹理特性选择适当的背景预测算子的方法,如图3所示。

基本加权背景预测算子计算简单,对较为平滑的区域具有较好的特性。

因此,当平滑度小于阈值T R时,选择基本加权背景预测算子W(i,j)=r(i,j))i,j(Sr(i,j)(2)式中:W(i,j)为局部区域S中某一点的权重; r(i,j)为该点到中心点的距离。

图3 本文提出的背景预测算子选择方法F ig 3 Pr oposed method of backg round predictor selection反之,继续计算局部均值。

如果该局部区域的灰度值小于T m1,则中心点的灰度值低的可能性大,因此选择最小化背景预测算子Y min=m ini=1,2,3,4(Y i)(3)式中:Y i为4个象限对中心点的预测值。

同理,如果该局部区域的灰度值大于T m2,则采用最大化背景预测算子Y max=maxi=1,2,3,4(Y i)(4)1755航 空 学 报第30卷如果灰度值属于[T m1,T m2],则选择最相似背景预测算子Y s=arg{mini=1,2,3,4(abs(Y i-X))}(5)式中:abs(Y i-X)分别为4个象限的预测值和原图的差的绝对值。

3 局部小目标可辨识度通过背景预测算法获得的单帧残差图像中包含了真实目标和噪声。

如图2所示,灰度值小、灰度成分较为简单的局部背景中的目标强度相对较大;而灰度值大、灰度成分较为复杂的局部背景中的目标强度相对较小。

此外,由于成像噪声和其他干扰噪声的影响,在灰度成分较为简单、灰度值小的局部背景中,点噪声的相对强度一般较大;而在灰度成分较为复杂、灰度值大的局部背景中,真实目标的相对强度一般较小。

因此,如果采用同一阈值进行检测可能会造成目标丢失或者引入强烈的噪声干扰。

本文提出了局部小目标可辨识度的概念,并将其量化用于描述不同区域背景下目标与背景相对强度的差异,在此基础上对于不同区域采用不同的阈值完成单帧残差图像中目标的检测。

3 1 局部小目标可辨识度的定义局部小目标可辨识度表示局部背景中红外弱小目标与背景之间的可区分程度。

从主观上判断即为能够从复杂的局部背景中将红外弱小目标分辨出来的程度。