紅外成像導引頭目標檢測識別共性技術綜述

李偉忠，劉明娜，姚 勤

（1.中國人民解放軍海軍駐上海地區航天系統軍事代表室，上海 201109；2.上海航天控制技術研究所，上海 201109）

0 引言

紅外成像制導是利用目標和背景間的熱輻射差，形成目標和周圍景物的圖像實現自動導引的一種制導方法，目前已廣泛用于多種戰術武器系統，其核心就是目標檢測識別技術。紅外自動目標檢測識別是當前成像導引頭的一項重要技術。

本文對紅外成像導引頭目標檢測識別共性技術進行了綜述。

1 紅外弱小目標檢測技術

紅外弱小目標的檢測方法直接決定了紅外成像系統的探測靈敏度和發現距離，是反映紅外低可觀測目標識別能力至關重要的一項核心技術［1－3］。由于遠距離時目標成像面積小、對比度較低、邊緣模糊、無紋理特征、尺寸及形狀變化不定，可檢測信號相對較弱，特別是在非平穩的復雜起伏背景干擾下，樹木、道路、海浪、太陽亮帶、亮暗云層等與目標交疊，無法直接從灰度、尺寸和形狀區別目標，成像的信噪比較低，使小目標檢測變得困難，因此復雜紅外場景中小目標的檢測是紅外成像系統中的關鍵。目前對紅外弱小目標檢測的研究主要針對低信噪比、復雜背景條件下提高檢測算法的性能及算法的實時性和有效性，研究運算量小、性能高、利于硬件實時實現的檢測算法。

小目標檢測一般采用空－時濾波算法。時間濾波器置于空間濾波器后的算法為DBT，此類算法先進行空間濾波預處理，對單幀圖像實現目標增強和背景抑制，提高圖像的信噪比，再用門限檢測方法進行目標檢測，通過時間序列分析進行時間域濾波，去偽存真，找到真正的目標。時間濾波器在空間濾波器前算法為TBD，這類算法不宣布單幀檢測結果，不設檢測門限，而是將每幀的信息數字化并存儲，在幀與幀間對假設路徑包含的點作幾乎無信息損失的相關處理，經過多幀積累，在目標軌跡被估計出后，檢測結果與目標航跡同時宣布。

1.1 DBT方法

利用先檢測后跟蹤的方法對紅外弱小目標進行檢測，需對單幀圖像提取候選目標，單幀圖像的處理效果在弱小目標檢測算法中是關鍵。單幀紅外圖像檢測方法是根據紅外目標與背景的差異，表現為像素的灰度差異特性，一般需在變換域進行檢測，常用變換有小波變換、curvelet變換等。小波分析的多尺度特性，適于在低信噪比環境中進行紅外目標檢測，其伸縮特性可使部分圖像特征在某個尺度下被有效抑制，而某些感興趣的特性可被突顯出。因為小波的基函數的間隔可變，能使定位信號間斷，當對一幅圖像進行二維離散小波變換時，可產生具有不同分辨力和減小了空間的子圖，而保持目標和雜波的適當空間位置。小波變換的另一優點是不但能檢測一個或兩個子帶的系數，而且可減少處理的總像素數。

對單幀圖像檢測還可利用基于背景估計與抑制方法進行，常用的有高通濾波、中值濾波、均值濾波以及自適應背景估計等［4］。這些方法雖能一定程度抑制背景，但仍存在不足：目標不一定是圖像中灰度值最高或頻率最高的成分，采用自適應門限背景抑制濾波和頻率高通濾波時，背景成分泄漏較嚴重；中值濾波不能處理超過濾波窗口大小的噪聲；空間高通濾波需要根據目標形狀決定濾波模板，在目標先驗知識未知時濾波性能將受影響。

圖像處理的一個重要研究領域是形態學濾波，主要包括形態學算子和結構元素選擇兩個基本內容。在紅外弱小目標檢測中，目前多數研究采用形態學Top－Hat算子進行檢測。以往Top－Hat算子研究中，一般采用單一結構元素處理圖像，其濾波器僅在對應某類圖像模型中有較好的性能，而圖像信號通常極復雜且處于不斷變化中，采用單一結構元素形態學處理方法對圖像的適應性較差。用單幀圖像檢測出候選目標再用序列圖像確認真實目標，是小目標檢測算法中不可或缺的技術。紅外成像系統中，圖像的幀頻較高（一般大于50Hz），在規定時間內能提供一定數量的序列圖像進行檢測，可提高檢測概率并降低虛警概率。

利用序列圖像檢測目標最直接最簡單的方法是管道濾波。管道濾波實際上是一時空濾波器，是在序列圖像的空間位置上以目標為中心建立的一個空間管道，管道的直徑（如果管道為圓形）代表空間的作用尺寸，管道長度代表檢測時間長度。管道濾波是一種較經典時空濾波器，采用時間域和空間域的管道濾波方法時，需預先知道目標的最大運動速度以設置合理的管徑。若目標運動過快，則管道濾波器需選粗管徑，這樣就增加了算法的復雜度。

1.2 TBD方法

跟蹤前檢測方法要求每獲得一幀數據就進行檢測，通常一經檢測就將未關聯上的數據當作雜波點丟掉，丟掉的數據中可能含有目標信息，這種做法難以提高對低可觀測目標的檢測性能。TBD方法能有效避免此問題，它將多次掃描獲得的數據同時處理，增強了低可觀測目標的信噪比，且在得到檢測結果的同時，可獲得目標航跡。TBD方法包括基于動態規劃的方法、基于極大似然的方法、基于Hough變換的方法、三維匹配濾波器算法、多級假設檢驗方法以及高階相關等算法。這類方法先對圖像中較多的可能軌跡同時進行跟蹤，用某種判據對每條軌跡的真實性做出軟判斷，逐步剔除由噪聲構成的虛假軌跡，維持真實軌跡，當軟判斷超過某門限時，做出該軌跡為目標航跡的硬判斷，這就避免了因信噪比低而造成的航跡漏檢，提高了檢測概率。因此，該類算法適于低信噪比時的弱小目標檢測，但缺點是實時性差、計算復雜。

2 圖像配準技術

紅外成像系統應用中，圖像傳感器常安裝在運動平臺上，即使是安裝在靜止平臺上，某些干擾也會導致傳感器出現抖動，傳感器的運動會嚴重影響目標檢測與跟蹤算法的性能。因此，在進行成像目標檢測前還必須進行圖像傳感器的運動估計與補償［6］。成像運動目標的檢測方案如圖1所示。

圖1 運動目標檢測方案Fig.1 Moving target detection

成像運動目標檢測中的關鍵技術有：提取圖像特征，進行圖像配準獲得兩幀圖像對應的匹配對；對圖像傳感器的運動選擇一種合適的運動模型，根據圖像配準結果估計運動參數；利用運動參數對運動模型進行圖像補償；對補償后的圖像序列進行運動目標檢測。

2.1 圖像匹配分析

傳統上大致可分為基于區域的匹配算法和基于特征的匹配算法兩大類。前者包括灰度相關算法和相位相關算法等，這類算法中圖像的像素點直接參與匹配運算，采用的相似性度量主要是各種互相關系數或圖像差，較適于處理大尺度結構特征和區域灰度分布特征不變而細節特征發生畸變的兩幅圖像。后者先提取圖像中的特征，再建立兩幅圖像間特征的匹配對應關系，其難點是自動、穩定、一致的特征提取和匹配過程消除特征的模糊性與不一致性，較適于處理大尺度結構特征不變而區域灰度特征發生畸變，以及大尺度結構特征發生仿射變換或由圖像變化等因素引起的結構特征改變的兩幅圖像。

在許多場合無法嚴格區分灰度匹配與特征匹配，如用特征點進行灰度匹配時直接或間接利用了圖像的點特征。因而由特征匹配發展了關系匹配，其基本方法是建立一個結構描述與其他結構描述間的對應關系。結構描述定義為一組圖像初值（點、線、面）和它們間的對應關系，關系匹配目的是匹配兩個或更多的結構描述，其特點是利用了圖像的特征，以及拓撲和幾何關系，故可在無圖像內外定向參數時進行圖像匹配。關系匹配的缺點是可能的匹配量大，尋找最佳匹配的計算時間長。

2.2 全局運動估計與補償分析

經圖像匹配獲得兩幀圖像的對應匹配對后，可根據結果估計圖像傳感器的運動。全局運動估計目的是根據兩幀圖像的匹配結果求解運動參數模型。攝像機的全局運動一般可用2D變換表示，常用的參數模型有2參數的平動模型、4參數的相似變換模型、6參數的仿射變換模型、8參數的投影變換模型，以及12參數的2次曲面變換模型。參數越多，場景變換就越精確，計算復雜度也越高，一般場景常選取精度和復雜性較適中的仿射變換模型表示全局運動。用圖像匹配獲得的兩幀圖像匹配對數遠大于求解運動參數模型所需匹配對的最少數量，但視頻圖像中存在局部運動，所得兩幀圖像匹配結果中會有一定數量的錯誤匹配，因此在全局運動估計過程中須消除局部運動的影響。估計算法須有好的魯棒性，估計本質是一個超定方程組的求解。傳統全局運動估計算法常依靠各種迭代算法及改進的快速迭代算法區分全局與局部運動，無法解決迭代特征點的嚴格要求、運算占用資源大、高頻分量丟失、重建噪聲較高等問題。M估計算法實質是將估計問題轉化為遞推重加權最小二乘問題，對估計余差采用不同的加權，可抑制大余差對估計過程的影響，常采用迭代方法求解，初始值常由最小二乘算法估算，對大誤差數據有較好的抑制作用，但不能處理完全錯誤的部分數據。最小中值算法通過最小化余差平方中值求解，理論上失效點數最高可達到50%，當錯誤點超過50%時，該算法不再適用。FISHIER，BOLLES提出的RANSAC算法對錯誤率超過50%的數據仍能進行處理，是最有效的魯棒估計算法之一。

當根據運動估計方法得到攝像機的運動參數后，對序列圖像I（x，y，k）中的每個像素點（x，y），由攝像機運動參數模型式計算出該點的運動矢量（dx，dy），可得dx＝Xi－xi，dy＝Yi－yi。則該點在第k＋1幀中的校正坐標為

式中：x0，αx分別x＋dx的整數和小數部分；y0，αy分別為y＋dy的整數和小數部分。在第k幀圖像I（x，y，k）中，灰度值僅在整數位置（x，y）處被定義，而式（1）得到的坐標常為非整數，故用前向映射或后向映射方法解決。前向映射，1個輸入像素被映射到4個輸出像素間的位置，其灰度值利用插值算法在4個像素間分配；后向映射，輸出像素逐個映射回輸入圖像中，若1個輸出像素被映射到4個輸入像素間，其灰度要用插值算法由4個輸入像素決定。常用的插值算法有最近鄰域插值、雙線性插值算法和高階插值算法等。

2.3 運動目標檢測

按圖像傳感器與背景間有無運動，運動目標的檢測方法分為靜態背景與運動背景兩大類［5］。當背景存在運動時，經運動估計與補償后可轉化為靜態背景中的運動目標檢測。運動目標檢測的方法有背景差分法、幀差分法、背景模型法以及基于光流的方法等。

背景差分法用當前幀圖像與已知背景圖像做差以檢測目標，理論上該法最易檢測出運動目標，但實際應用中很難獲得一幅理想的背景圖像。對攝像機固定的場合，獲取背景圖像的理想方法是在場景中無運動目標時采集一幅背景圖像并存儲，之后根據外界環境的變化不斷更新圖像。對攝像機運動的場合，則幾乎不能實現。因此，背景差分法常用于視頻監控等攝像頭相對靜止的場合，而不能直接用于背景存在運動的環境中的目標檢測。

幀差分法是用當前幀圖像與相鄰幀圖像進行差分以檢測目標。該法的優點是對動態背景適應快、計算速度快、占用系統資源少等，缺點有：在目標和背景均存在運動時，直接應用幀差分法無法進行有效的目標檢測；當背景變化頻率較高時，不能很好地抑制噪聲，背景泄漏嚴重；當背景的某部分移動時，檢測結果中會出現“空洞”，一般檢測不到移動目標的全部；需選擇合適的分割閾值。

背景模型方法是建立一模型以模擬背景圖像，并通過比較當前幀圖像的像素點值與背景模型確定是目標像素還是背景像素，從而檢測到目標。

基于光流的方法根據圖像光流場分布的變化檢測運動目標，該法能在攝像機存在運動時檢測出獨立的運動目標，缺點是運算公式復雜，計算量大，實時性差，不適于實時性要求很高的場合。

3 彈道終端目標識別技術

紅外成像型導彈彈道終端是目標接近充滿成像系統視場至戰斗部起爆間的彈道階段。某些戰術導彈的飛行時間較短，且攔截目標圖像變化也非常大，彈道終端階段的自動目標識別算法應具有良好的實時性。另外，除需完成彈道所有階段應具有的探測、識別、跟蹤目標的功能外，導彈自動目標識別系統還應能識別目標的易損（要害）部位，提取飛行剩余時間等彈目相對運動參數，自適應控制炸點，使戰斗部在各種彈目交會條件下均能攻擊這些易損（要害）部位。

3.1 圖像分割

自動目標識別系統識別目標、跟蹤目標和炸點控制等均依賴于圖像分割結果，圖像分割結果的優劣直接影響系統的性能。由于圖像種類繁多，復雜程度不同，適合某類圖像的分割方法未必適合另一類圖像。當圖像復雜時，如信噪比低、灰度差異不明顯等（其直方圖表現為雙峰差別很大，甚至單峰），有些分割方法的分割效果就不佳，甚至產生分割錯誤。目前，還沒有對所有測試圖像分割效果均為最佳的方法。在分割復雜紅外圖像時，應根據具體的紅外背景和目標類型選擇合適的分割方法。

圖像分割方法有多種，其中閾值分割法因實現簡單，實時性強，成為圖像分割中最基本且應用最廣的分割算法，但目前還無一通用方法確定最佳閾值。近年來以基于最大熵概念或基于最大類間方差（Otsu法）的閾值選取方法頗受關注，這兩類方法也由一維拓展到二維，對圖像的灰度信息和像素點間的空間鄰域信息均加以考慮，當圖像信噪比較低時效果較一維方法有明顯改善。二維方法計算量大、運算時間長，故采用混沌粒子群算法優化運行時間，搜索出分割紅外圖像的最優閾值。基于混沌粒子群優化的Otsu和最大熵紅外圖像分割方法能根據圖像背景與目標面積相差大的特點，自適應搜索到最優閾值，快速有效分割背景起伏、目標特征不明顯的紅外圖像。當圖像質量較好和目標存在形態特征時，用Otsu方法分割的目標區域內部均勻，邊界形狀精確，分割結果更接近實際；最大熵的分割方法可較好地抑制雜波干擾的影響，提取目標信息能力強，更適于目標不具備形態特征及低信噪比紅外圖像。

3.2 目標要害部位選取

在彈道終端，導引頭瞬時視場很小，且由于導彈飛行沖擊、振動和擺動而存在抖動，過大的跟蹤部位（如發動機尾焰）很容易再次溢出導引頭視場，因此局部圖像跟蹤點的選擇須從易于識別和利于縮短跟蹤盲區及是否為目標要害部位三方面綜合考慮。

對不同種類的目標，相似性和軸對稱性是其頭部共有的重要特征，且受目標飛行姿態影響小，易于實現快速自動識別和在相鄰幀特征點間建立對應，頭部圓錐形特征的提取相對目標的尾焰、形心、機翼等特征有更高的識別精度和可實現性，只需通過相應的圖像處理方法就可精確地提取其位置。在彈目遭遇過程中，交會速度快且時間極短，目標可視為慣性飛行，目標軸向在彈體坐標系內的空間姿態角保持不變，相鄰兩幀圖像中目標軸向的相關性非常強，局部圖像跟蹤過程中可利用由形心圖像跟蹤向局部圖像跟蹤轉換時刻的目標軸向信息逆向搜索灰度突變點，第一個突變點的位置即為該時刻的目標頭部位置，跟蹤視場中心由形心切換到目標頭部位置，實現對目標的局部圖像跟蹤。

4 紅外成像仿真技術

紅外目標與背景圖像仿真是紅外成像仿真中的關鍵技術，只有獲得了目標和背景的紅外圖像，才能對各種濾波算法、圖像增強與補償算法、特征提取算法及目標狀態估計等算法的有效性進行研究。其中產生實時、長時間可用且具有一定通用性的紅外圖像，是研究的重難點。

紅外圖像反映的是物體的溫度和發射率信息，生成紅外圖像必須分析物體（包括目標和背景）的紅外特性以及大氣傳輸對紅外輻射衰減的影響。紅外圖像的生成涉及紅外輻射物理學、傳熱學、大氣輻射物理學、計算機圖形學等學科。

4.1 目標紅外輻射

確定了溫度和發射率，就可確定物體的紅外輻射［7］。對飛機、軍艦等目標，不同部位的溫度各異。飛機的典型部位是蒙皮、噴管、尾焰等，各典型部位間存在傳導、對流和輻射換熱。目標的溫度主要受自身溫度和背景輻射的影響，飛機各部位的溫度可用兩種方法求得。一是用經驗數據和經驗公式，主要取決于飛機具體型號，不同型號間的差別較大，不同飛行狀態的溫度差別較大，因未考慮不同溫度部位的熱傳遞，該法的精度不高。另一較精確的方法是建立各典型部位間的熱傳遞方程，包括傳導、對流和輻射等，工程計算中通常將連續性的微分方程離散化再求解，常用的有差分法和有限元法。物體的發射率取決于其表面材料，對特定的目標，需確定其表面材料，因表面材料常經表面陽極化、涂清漆等處理，某些目標表面采用了紅外隱身處理，發射率明顯減小。

4.2 背景紅外輻射

由于自然條件的影響，不確定性因素過多，背景的輻射相對目標的紅外輻射復雜得多。如海洋背景的輻射，在氣候變化過程中海面會呈現不同的紅外輻射特性，風使海面形成海浪，海浪的斜率及大小直接影響海面的紅外發射率和透射率的變化，而這些變化可反映在紅外探測器中；空氣濕度、大氣溫度等氣象因素影響海上大氣紅外輻射與衰減，對紅外探測器也會產生一定的影響；天空、云層、太陽的紅外輻射通過海面的反射也能在探測器中反映出。上述諸因素聯合作用確定了海面的紅外輻射。

4.3 輻射傳輸

目前國內大多數研究紅外熱像生成的文獻僅局限在與觀察者零距離時的靜態熱像生成，對戰場環境中紅外系統探測到的紅外熱像應考慮大氣傳輸和傳感器的影響。紅外輻射經大氣產生衰減，而大氣本身也會產生輻射。目前，公認的大氣透過率計算精度較高的是LOWTRAN模型。

生成最終的紅外系統探測到的紅外熱像須對傳感器進行模擬。按功能分，紅外輻射經光學系統聚焦后進入探測器，探測器將輻射通量轉換成電信號，輸出的電信號相當微弱，經放大處理最終將電信號轉為顯示器上的灰度。傳感器的模擬同時提供了一種仿真圖像的灰度線性量化準則，即確定最高和最小灰度分別對應的輻射，否則無法進行量化。因此，為真正生成紅外系統的熱圖像，須要對傳感器進行模擬，才能與紅外系統的圖像處理算法構成閉合仿真系統。經上述模擬產生的紅外熱像，可與圖像處理單元構成閉合仿真回路，以考查算法的優劣，評估紅外成像系統探測跟蹤目標的能力。

與外場試驗相比，計算機模擬生成熱像可節省大量的試驗費用，還能產生外場試驗無法獲取的戰場條件，全面測試評估紅外成像系統的性能，有極高的價值。

5 結束語

本文對紅外凝視成像導引頭目標檢測識別中的共性技術進行了綜述。紅外成像導引頭目標檢測識別是當前智能化信息處理的前沿技術，是提高成像導引頭性能的關鍵。由于戰場環境和目標特性復雜多變，不可能找到一種可用于所有場景的通用算法，因此要求有一個算法庫以適應條件的改變，導引頭能針對性地選用相應算法，以獲得最佳效果。

［1］ 許 彬，鄭 鏈，王永學，等.紅外序列圖像小目標檢測與跟蹤技術綜述［J］.紅外與激光工程，2004，33（5）：482－487.

［2］ CHE Hong，SUN Long－he.A novel method for plane array infrared image to detect point target［C］／／2009Fifth International Conference on Information Assurance and Security.［s.l.］：［s.n.］，2009：3373，234－240.

［3］ SUN Xie－chang，ZHANG Tian－xu，LI Meng.Moving point target detection using temporal variance filter in IR imagery［C］／／Proc SPIE Conference on Signal and Data Processing of Small Targets.［s.l.］：［s.n.］，2007：6786，67861Z－1.

［4］ 余 農，吳常泳，湯心溢，等.紅外目標檢測的自適應背景感知算法［J］.電子學報，2005，33（2）：200－204.

［5］ 余 農，吳常泳，湯心溢，等.紅外成像自動目標識別技術研究——計算模型與數據流程［J］.現代防御技術，2003，31（6）：52－59.

［6］ 卓志敏.紅外成像目標檢測與跟蹤技術研究［D］.哈爾濱：哈爾濱工程大學，2007.

［7］ 孫少軍，王學偉.紅外成像仿真中的若干關鍵技術研究［J］.光學與光電技術，2004，2（3）：18－20.