基于局部對比度測量的紅外弱小目標恒虛警檢測

姚朝霞，謝 濤

基于局部對比度測量的紅外弱小目標恒虛警檢測

姚朝霞1，謝 濤2

（1. 臺州職業技術學院 機電工程學院，浙江 臺州 318000；2. 西安交通大學 電子與信息工程學院，陜西 西安 710049）

魯棒有效的弱小目標檢測算法是光電跟蹤系統成功的關鍵。本文針對空中遠距離紅外弱小目標檢測的實際問題，在人類視覺對比機制基礎上提出了一種檢測率高、誤報率低、處理時間短的紅外小目標檢測方法。首先，利用基于恒虛警率的Top-hat濾波和自適應閾值操作對原始圖像進行預處理，得到疑似目標區域，該步驟可大大減少計算時間，同時保持恒定的虛警概率和可預測的檢測概率；然后，定義了一種新穎有效的局部對比度測量算子，并引入圖像局部的自相似性計算局部顯著圖，該過程不僅可以增強圖像目標的視覺顯著性，同時還可以抑制噪聲，提高區域目標的信噪比；最后，在顯著圖基礎上，利用簡單的閾值操作就可以獲得真實目標。定性定量實驗結果表明，本文提出的方法與4種現有檢測算法相比，具有更高的檢測率、更低的虛警率和更少的檢測時間，是復雜背景下紅外弱小目標檢測的有效方法。

目標檢測；弱小目標；恒虛警率；自適應閾值；局部對比度增強；視覺顯著圖

0 引言

眾所周知，紅外成像技術具有抗干擾、隱蔽性好、全天時、全天候等優點，廣泛運用在軍事領域和民用領域中，如防空探測、紅外制導、廣域監控等[1]。然而，由于成像距離遠，成像面積小，目標在圖像中多以小目標的形式存在，而且受到噪聲和背景雜波的影響，增加了目標檢測和跟蹤的難度[2]。在紅外搜索跟蹤系統中，如何在復雜背景條件下實現對紅外弱小目標穩健的檢測與跟蹤具有重要的研究意義[3]。

一般來說，大多數情況下的弱小目標和背景的灰度分布具有差異性，明顯區別于其所在局部區域，因此大多數紅外弱小目標檢測算法都是基于這一策略進行，采用閾值分割法將小目標分割出來，其經典的方法有最大類間方差法（OTSU）[4]、最大熵法和迭代法[5]等。由于目標容易受噪聲、云層等背景干擾，傳統的常規算法容易出現漏檢，大大影響檢測的效率。紅外弱小目標經過多年的發展，已經取得了長足的進展，如小波變換，匹配濾波，高通濾波器，貝葉斯目標估計等[5-6]。這些方法無疑都是為了增強目標與背景的差異性，提升檢測性能。

近年來，人類視覺系統（HVS）已被引入到紅外小目標檢測應用中，獲得了非常好的檢測效果。根據人眼的視覺特性，在復雜背景區域中存在目標的顯著區域往往能引起人眼的迅速注意，即可以快速準確地識別視覺場中的顯著區域，其顯著性特征包括對比度，大小，尖銳性等，現有許多顯著區域檢測算法通過計算每個圖像子區域同其一定范圍內的相鄰區域的對比度來度量該圖像子區域的顯著性。在HVS原理的基礎上，國內外學者提出了一系列改進方法。Kim等人在HVS特性基礎上，通過調整和最大化拉普拉斯尺度空間中的信噪比實現目標信號的增強和背景雜波抑制[7]。Wang等人引入高斯濾波器差分信息提取目標顯著區域，再利用具有高檢測精度和效率的視覺注意算法選擇出真正目標[8]。文獻[9]提出了一種結合視覺注意理論的顯著性檢測算法，并在紅外目標檢測中表現出了良好的性能和魯棒性。陳民浩等人提出了一種新的對比度測量算法的LCM檢測算法，提高了目標顯著性，改善了圖像信噪比[10]。仿真實驗結果顯示此類顯著性目標檢測算法比傳統檢測方法更有效。然而，當圖像的噪聲和雜波較強時，大多數算法并不能得到滿意的檢測效果，且計算復雜性在某些方法中不能忽略[11-17]。

本文源于“國內某機場對空弱小目標監控系統項目”，對闖入禁飛區的消費級無人機等小目標進行檢測跟蹤。由于探測器所獲得的紅外圖像信雜比低、對比度差，目標尺寸小，缺乏形狀、紋理等信息，背景也比較復雜，這使得紅外弱小目標很難被有效地檢測出來。本文致力于提供一種檢測率高、誤報率低、處理時間短的紅外小目標檢測方法，并在機場對空監控項目中取得不錯的檢測效果。

1 紅外圖像預處理

為了有效抑制紅外噪聲干擾，同時減少算法處理的時間復雜度，本文在微弱小目標識別前對原始圖像進行預處理。首先引入傳統的Top-hat形態學濾波對原始圖像進行處理，有效增強圖像的信噪比。結合紅外圖像的性質，本文結構元素設置為3×7，圖1展示了形態學濾波后的結果，其中真實目標用矩形標注，假目標則用小圓圈標注。

圖1 疑似目標預處理結果

在復雜背景中微弱小目標檢測系統中，本文致力于獲取最優目標檢測概率，實現恒虛警，我們采用了基于恒虛警率的自適應閾值操作。最終，我們能夠獲取一些潛在的目標像素。基于恒虛警率的自適應閾值定義如下：

＝－－1()(1)

式中：是自適應閾值；是虛警概率；是標準正態分布函數；、是預處理圖像的均值與標準方差。給定預處理圖像大小×，其中(,)表示坐標(,)的灰度值，因此，的計算公式如下：

在實際應用中，閾值可以修改如下：

＝－－1()(4)

式中：是可控調節系數。若大于該閾值的像素灰度則考慮為疑似目標。實際應用過程中，可以采用重疊分塊處理的方式，提升精度，但會增加算法的時間復雜度。仿真實驗可以看出，利用本文提出的自適應閾值分割，可以找到一些疑似目標，并排除大量的背景噪聲的干擾。接下來，將在獲取的疑似目標區域進行局部對比度增強，獲取相應的局部顯著圖。

2 弱小目標檢測

在低層次視覺注意力機制中，對比度是非常重要的影響因素。現有的顯著區域檢測算法通過計算每個圖像子區域同其一定范圍內的相鄰區域的對比度來度量該圖像子區域的顯著性。人類視覺對比機制意味著它是目標強度和背景強度之間的對比，但并不是依據目標的亮度，該機制在人類視覺注意力和整個目標探測過程起著非常重要的作用[18]。為了突出目標與背景的差異，我們需要做的是定義一種有效的局部對比度的度量方式，以便有效魯棒的獲取顯著圖。由于在預處理階段，已經選擇出多個像素作為疑似目標。因此，本章只需處理這些已被選擇的像素區域，大大減少時間復雜度。接下來，我們將詳細描述本文的算法和閾值的計算操作。

2.1 局部顯著圖

以0為中心定義一個圖像塊，其邊長是0的3倍。因此，繞著0可以獲得8個不重疊的圖像塊V(＝1, …, 8)，其大小與0相同。在中，0的各個鄰域塊可以分別獲得其相應的中值m，即：

式中：N是中值的數量，本文設置為8。不同于傳統LCM算法，LCM采用鄰域塊最大平均強度，而本文采用的是平均中值強度。周圍鄰域具有較高亮度的孤立背景噪聲的影響將被減弱，同時也將降低虛警率。同時，被檢測為真實目標的概率被表示為顯著值。局部對比值定義為：

式中：(,)是圖像塊中的像素位置坐標。以p為中心的區域是目標的概率可以通過如下公式進行計算：

2.2 閾值分割

一旦獲得所選擇像素的局部LCM，就可以在圖像中提出最顯著的目標區域。為了消除噪聲的影響并準確地提取目標，我們對LCM進行簡單的閾值操作，其閾值如下：

＝×max(LSM) (12)

3 實驗結果及其分析

試驗采用某機場紅外監控系統作為采集平臺，其探測器是采用高德紅外的C615M碲鎘汞中波紅外焦平面探測器。仿真平臺采用MATLAB(R2010a)， CPU為Core 2處理器：主頻2.94GHZ，內存4G；操作系統：WINDOWS 10上運行。

3.1 參數設置

為了評估本文提出的算法性能，本文采用了3段紅外視頻進行處理，圖像大小為640×512的分辨率，幀頻50Hz。實驗中，虛警設置為10－4，＝2.5，＝0.6。圖2(a)是原始紅外圖像；圖2(b)展示了可能的目標像素；圖2(c)則是檢測的結果。從圖2可以看出，本文提出的算法在測試序列上檢測到的目標沒有虛警。

圖2 紅外小目標預處理結果：(a)原始紅外目標；(b)預處理后的疑似目標區域；(c)本文處理后的檢測結果

3.2 性能對比

本文采用統計所有紅外序列中檢測率（DR）和虛警率（FR）的平均概率，以驗證我們所提出的方法的有效性，其結果如表1，表2所示。檢測率與虛警率分別定義如下：

從表2中各算法虛警率和檢測檢測率對比可以看出，我們提出的算法時效果最好的。

圖3則展示了本文所提出算法在不同場景檢測流程效果圖。定性對比可以看出，在恒虛警檢測算法的基礎上可以完全檢測出所需目標，雖然第二行檢測出了虛假目標，對于紅外監控系統來說，只要不漏檢，虛假目標完全可以通過后續場的檢測進行消除。同時，由于系統沒有目標識別的功能，即便檢測出孤立的云朵等干擾點目標，也是正常合理的，滿足弱小目標檢測的應用需求。

為了測試本文提出算法的有效性和實用性，Top-hat算法，最大均值濾波算法，DoG算法[17]以及LCM算法[10]被采用作為對比算法，其最終分割結果如圖4所示（由于所檢測目標的對比度很微弱，難以在原圖中區分。為了便于分析，我們僅僅在最終的分割結果上進行算法對比）。為了直觀地對比各算法的性能，約定矩形標注的目標為真實目標，而圓圈標注的則是虛假目標。

為了準確客觀地分析各算法的有效性，實驗結果定性描述如下：Top-Hat算法由于采用全局的灰度變換，雖然能夠準確找到小目標的位置，但是當信噪比較低時，則無法有效地檢測出弱小目標。同時，從實驗結果可以看到，即便背景比較平緩，目標和背景的對比度較高，但是直接分割的效果并不好，主要是因為背景中也有很多高亮區域，使得檢測結果出現較大的虛假目標。最大均值濾波都是一種非線性平滑技術，通過將每一像素點的灰度值設置為該點某鄰域窗口內沿不同方向的均值的最大值，其可以很好地保護細節信息，是經典的顯著性增強弱小目標并平滑噪聲的方法。從實驗結果可以看出該算法的虛警主要出現在圖像的邊緣部分或云層區域，表明該算法對于邊緣確實很敏感；由于DoG算子對圖像中的背景邊緣和角點的響應與對圖像中的亮點響應截然不同，這一特點非常有利于運用尺度空間算法檢測點狀的紅外小目標，然而DoG算法對于局部噪聲和邊緣響應比較敏感，所以給出的候選點中虛假目標較多，同時該算法對復雜背景圖像的檢測效果不理想。LCM算法在局部信息上進行了目標的增強和背景的抑制，因此LCM算法對簡單背景紅外小目標圖像能夠得到較好的檢測效果，但是隨著圖像復雜度的增加，目標的檢測概率和虛警概率會嚴重增大。從定性定量結果可以看出本文提出的檢測算法比LCM算法具有更高的檢測性能，對簡單背景圖像和復雜背景圖像都具有更高的檢測概率和更低的虛警概率，大大地拓展了LCM算法在復雜背景下的適應性。通過以上分析可以看出本文提出的算法在不同場景下目標檢測的效果都優于現有其他算法，統計數據定量的表明本文算法在處理復雜場景下微小目標檢測的性能，為后續目標跟蹤奠定了良好的基礎。

表1 不同紅外視頻上不同檢測算法的對應目標檢測率

表2 不同紅外視頻上不同檢測算法的對應目標虛警率

圖3 不同場景本文檢測算法檢測流程效果圖

圖4 各算法的定性檢測結果對比

3.3 真實場景仿真對比

針對禁飛區內小型飛行器的目標識別技術的需求日趨強烈，消費級無人機具有低、慢、小的特點，必須針對小型飛行器的紅外成像特點，對典型的消費級無人機識別分類技術進行研究，以充分發揮系統在復雜空域環境下的獨特作用。本文對大疆無人機（PHANTOM 3）進行了檢測跟蹤，其結果如圖5所示。

圖5(b)和(c)中無人機在云中飛行，從圖中可以看出此時無人機的對比度較弱，極易淹沒在背景中，從實驗過程表明本算法可以穩定地檢測出復雜背景下的旋轉翼消費級無人機。圖5(d)左上角是闖入視場的飛鳥，本算法也能將其檢測出來，這是由于系統沒有目標識別的功能，檢測出飛鳥是正常的狀態。本文算法全過程能檢測出目標，沒有出現漏檢，足以說明本文算法適用于機場弱小目標檢測。

圖5 系統對大疆無人機檢測效果

4 結論

本文在人類視覺對比機制基礎上提出了一個有效的紅外弱小目標檢測算法。利用基于恒虛警率的Top-hat濾波和自適應閾值操作對原始圖像進行預處理，得到疑似目標區域，該步驟可大大減少計算時間，同時保持恒定的虛警概率的期望和可預測的檢測概率。定義了一種新穎有效的局部對比度測量算子，并引入圖像局部的自相似性計算局部顯著圖，該過程不僅可以增強圖像目標的視覺顯著性，同時還可以抑制噪聲，提高區域目標的信噪比；最后，在顯著圖基礎上，利用簡單的閾值操作就可以獲得真實目標。試驗結果表明，本文提出的復雜空中背景下弱小目標檢測算法在檢測率、虛警率以及檢測時間上都優于現有常用檢測算法。

[1] 張風超, 楊杰. 紅外圖像序列的目標增強和檢測[J]. 紅外與激光工程, 2014, 33(4): 380-384.

ZHANG Fengchao, YANG Jie. Object enhancement and detection of infrared image sequences [J]., 2004, 33 (4): 380-384.

[2] 鄒江威, 陳曾平. 應用形態學與圖像流法的空間小目標提取方法[J]. 光電工程, 2005, 32(4): 13-15.

ZOU J W, CHEN Z P. Application of morphology and image flow in spatial small object extraction[J]., 2005, 32 (4): 13-15.

[3] 楊萬海. 多傳感器數據融合及其應用[M]. 西安: 西安電子科技大學出版社, 2004: 52-56.

YANG Wanhai.[M]. Xidian University Press, 2004: 52-56.

[4] Deshpande M, Er H, Ronda V, et al. Max-mean andmax-median filters for detection of small-targets[C]//, 1999, 3809: 74-83.

[5] XU Y. Small moving target detection in infrared image sequences[J]., 2004, 24(6): 27-30.

[6] Matthews K E, Namazi N M. A Bayes decision test for detection uncovered background and moving pixels in image sequences[J]., 1998, 7(5): 720-728.

[7] KIM Y, YANG Y, LEE J, et al. Small target detection utilizing robust methods of the human visual system for IRST[J]., 2009, 30(9): 994-1011.

[8] WANG X, LV G, XU L. Infrared dim target detection based on visual attention[J]., 2012, 55(6): 513-521.

[9] MA Qi, TAO C, YANG C C, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]., 2013, 10(3): 495-499.

[10] CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[J].., 2014, 52(1): 574-581.

[11] Chatfield K, Philbin J, Zisserman A. Efficient retrieval of deformable shape classes using local self-similarities[C]//, 2009: 264-271.

[12] Shechtman E, Ira M. Matching local self-similarities across images and videos[C]//, 2007: 1-8.

[13] GAO C, ZHANG T, LI Q. Small infrared target detection using sparse ring representation[J]., 2012, 27(3): 21-30.

[14] ZENG M, LI J, PENG Z. The design of top-hat morphological filter and application to infrared target detection[J]., 2006, 48(1): 67-76.

[15] HOU J C, DONG S. P. Research of adaptive threshold of constant false alarm detection[J].1994(7): 8-12.

[16] Sevg L. Hypothesis testing and decision making: constant-false-alarm rate detection[J]., 2009, 51(3): 218-224.

[17] Nilufar S, Ray N, ZHANG H. Object detection with DoG scalespace: a multiple kernel learning approach[J]., 2012, 21(8): 3744-3756.

Robust Small Dim Object CFA Detection Algorithm Based on Local Contrast Measure in Aerial Complex Background

YAO Zhaoxia1，XIE Tao2

(1.,,318000,; 2.,,710049,)

A robust and effective small dim object detection algorithm is the key to the success of an infrared tracking system. To help solve practical tracking problems, we propose a small dim infrared object detection algorithm with a high detection rate, a low false alarm rate, and a short processing time. First, using Top-hat filter and adaptive threshold operation based on a constant false alarm rate, original images are pre-processed to obtain the suspected object area, greatly reducing computation time and detection probability, while maintaining a constant false alarm probability. Second, we define a novel and effective local contrast measurement operator, and introduce a local self-similarity measure of a local saliency map, enhancing not only visual saliency, but also improving signal-to-noise ratio. Finally, a simple threshold operation in the saliency map can be used to detect the real object. Many simulation results show that our proposed algorithm is superior to existing detection algorithms in a complex background.

object detection，infrared small object，constant false alarm rate，adaptive threshold，local contrast enhancement，visual saliency map

TN219

A

1001-8891(2017)10-0940-06

2017-05-02；

2017-10-11 .

姚朝霞（1979-），男，湖南岳陽人，博士，臺州職業技術學院講師，主要研究方向是智能控制應用，模式識別，光機電一體化設計等。

民航聯合研究基金（U13331017）；浙江省科技廳基礎研究項目（016C21045）；高等學校訪問學者專業發展項目（FX2012121）。