圖像序列中的自動點目標空時快速檢測

摘要：提出了一種新的序列圖像中點狀運動目標空時快速檢測方法，該方法假設經過背景雜波抑制預處理后圖像已轉換為類SPGWN（信號加高斯白噪聲）模型。自動目標檢測時圖像序列被劃分為多組檢測單元，每單元包含兩幀相鄰的圖像。根據目標速度限制條件，采用在單元內以及兩相鄰單元間沿軌跡集成像素灰度的檢測算法。在付出同等運算量的代價下，克服了二維投影檢測性能較差的弱點，同時也具備可檢測多速率目標的優點。理論分析和仿真試驗表明了該檢測方法的有效性。

關鍵詞：點狀運動目標；檢測單元；沿軌跡集成；多維高斯分布

中圖分類號：TP391.41文獻標志碼：A

文章編號：1001—3695(2007)03—0294—03

從視頻（紅外或可見光）序列圖像中檢測微弱點狀運動目標對空基或地基遠程監控系統有著重要的意義。由于目標距離較遠或者其本身的弱小特性，在成像系統中表現為無形狀和紋理特征的點目標特性。在這種情況下，目標幾乎完全淹沒在背景及噪聲之中，采用傳統的閾值法不可能在單幀圖像中檢測出目標。目前的檢測算法一般采用多幀累積檢測方法。文獻[1，2]從軌跡統計分析的觀點出發，通過假設短時間內目標所有可能運行的軌跡，直接對三維圖像序列（兩維空間域、一維時間域）的各個像素點進行統計假設檢驗來檢測目標是否出現。文獻[3]則采用像素統計的方法，在最大目標速度的限制下對像素灰度進行多幀最大值集成，并詳細分析了不同速度及信噪比下的檢測性能。這些方法盡管均能達到很好的效果，但是要求直接處理三維數據，計算量太大，很難實時實現。為減少計算量，可以采用投影檢測方法[4，5]將三維圖像序列投影到二維空間中形成組合幀，在組合幀中按直線軌跡集成檢測目標的存在性。雖然投影算法計算量小、實時性強，但文獻[6]已經從理論上證明了投影將導致信噪比下降，而且當信噪比較低時集成的幀數越多檢測性就越差。另外，投影檢測對變速度機動目標也顯得無能為力。

1圖像基本模型

2目標檢測

3檢測性能分析

其中，K為集成幀數，且設定為不小于4的偶數，而P″_fa=P[x≥Th|x—N(0，2)]。由式（7）繪出K=6，V_m=1ppf時不同SNR下的接收機運行性能（ReceiverOperatingCharacteristic，ROC）曲線，如圖2所示。圖3顯示了在K=10，SNR=3時，不同V_m下的ROC曲線。從圖中可以看出：在目標最大速度一定的情況下，SNR越高檢測性能越好；而當SNR恒定時，V_m越大檢測性能越差，并且檢測性能隨著集成幀數的增多而增強。

為了更好地說明該方法在檢測性能的優勢，將本文算法性能同文獻[4]提出的算法進行比較，條件為參加集成的幀數是6幀（K=6），V_m=1ppf，虛警概率P_FA=10^-5（對應本文的系統虛警概率P_fa=10^-4），比較檢測概率P_D，結果如表1所示。

其中文獻中的數據是由圖中直接估計出來，存在一定的誤差。在算法的實時性方面，對于一個M×N×K的圖像序列，只考慮雜波抑制后的檢測運算并且設V_m=1ppf，則文獻[1]需要做9^K-1（k-1)×M×N次加法；文獻[4]需要做6(K-1)×M×N次加法；而本文算法的加法運算量為5KMN次。另外，文獻[1]需幀存K幀，文獻[4]需幀存3幀，本文所需的幀存數為4幀。

4仿真實驗

從實際拍攝的紅外圖像序列中取出10幀，圖像大小為270×450，圖4為其中的一幀。首先利用7×7的Epanechnikov核函數[7]估計雜波分量B^(k)，并同各幀圖像相減后得到雜波抑制后的序列f_SB(k)，再以9×9空域窗口內的灰度標準差對f_SB進行歸一化后得到序列I(k)用于檢測。在10幀預處理后的圖像上的不同位置加入12個運動點目標，SNR=3—5，目標速度是0—2ppf。我們以SNR=3.5、最大速度是2ppf的目標作基準，將檢測門限設為4.8，對于SNR=3.5，V_m=2ppf的點目標，系統虛警和檢測概率分別為P_fa=10^-5，P_D=0.883。圖5為檢測結果（放大四倍顯示），成功檢測其中11個目標（散狀亮斑反映的是較大SNR目標），并出現兩個虛警點（圓圈框出），丟失一個SNR=3、速度為2ppf的目標。

5結束語

本文提出的方法的優點在于計算量小、實時性好，同時又克服了二維投影檢測性能較差以及無法檢測變速度目標的弱點。當然在信噪比特別低以及目標快速運動時需要集成較多的幀數，增大了計算量。理論分析和大量仿真試驗證明了其有效性。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。