干擾條件下的紅外目標檢測方法研究

黃成++王紅梅

摘要： 為了實現紅外誘餌彈干擾下的紅外目標檢測， 提出了一種基于相對位置的綜合決策算法。 該算法首先使用多尺度形態學去除背景和誘餌的高亮度影響， 在此基礎上分別進行基于特征塊的閾值分割以及邊緣檢測， 根據目標和誘餌的物理、 運動特征的差別分別檢測出候選目標區域， 并對該區域進行基于相對位置的綜合決策， 判定出真實目標的位置。 結果表明， 使用基于相對位置的綜合決策得到的結果遠優于單獨使用這兩種方法得到的檢測結果。

關鍵詞： 紅外目標檢測； 多尺度形態學； 特征塊； 邊緣檢測； 綜合決策

中圖分類號： TJ760； TP391.4文獻標識碼： A文章編號： 1673-5048（2017）05-0031-060引言

隨著紅外誘餌彈的普及和發展， 出現了各式各樣新型的大載荷、 大面積、 寬光譜的紅外誘餌彈[1]， 因此空中對抗的抗干擾能力顯得愈發重要， 如何在各種復雜背景以及干擾條件下檢測出目標就成了當下研究的重點和難點。

文獻[2]使用快速直方圖聚類后進行雙映像后映射， 將目標和干擾映射到不同的通道， 實現了干擾條件下目標的識別和跟蹤。 文獻[3]利用目標和干擾在不同波段下的信息差別， 實現了基于雙波段信息融合的紅外誘餌識別。 文獻[4]使用邊緣檢測的方法， 根據目標和誘餌的幾何特征， 實現了紅外面目標的識別。 文獻[5]基于多光譜與顯著性， 根據離差平方和準則將目標和干擾分類， 從而檢測出目標。 文獻[6]基于譜尺度空間使用非負矩陣分解、 Gabor小波以及信息熵實現了復雜條件下紅外目標的檢測。 此外， 還存在其他更加復雜的算法， 如小波自適應濾波[7]、 模擬退火算法[8]等在復雜條件下識別出紅外目標。

1相對位置的綜合決策方法

針對現有目標和干擾檢測算法復雜及準確性不高的問題， 本文提出了一種基于相對位置的綜合決策方法， 對基于特征塊的閾值分割和邊緣檢測的結果進行特征提取后綜合決策， 實現了干擾條件下目標的檢測， 圖1為該算法流程。

圖1目標與誘餌檢測流程圖

Fig.1The flow chart of target and decoy detection

收稿日期： 2017-03-30

基金項目： 國家自然科學基金項目（61401366）； 教育部留學回國人員科研啟動基金（第50批）； 航空科學基金項目（20150153001）

作者簡介： 黃成（1994-）， 男， 湖北當陽人， 碩士研究生， 研究方向為圖像處理及目標檢測和識別。

引用格式： 黃成， 王紅梅 . 干擾條件下的紅外目標檢測方法研究[ J]. 航空兵器， 2017（ 5）： 31-36.

Huang Cheng， Wang Hongmei. Research on Infrared Target Detection Method under Jamming Condition[ J]. Aero Weaponry， 2017（ 5）： 31-36. （ in Chinese）2紅外圖像處理

由于干擾和復雜背景條件的特殊性， 常規的濾波等預處理工作在去除噪聲的同時會影響目標的特征信息， 也會加強誘餌的干擾。 故本文使用多尺度形態學的方法， 充分利用不同大小結構元素的優點， 進行形態學濾波， 有效消除背景和誘餌的高亮度干擾， 在此基礎上分別進行閾值分割和邊緣檢測。

2.1基于多尺度形態學的預處理

形態邊緣檢測器主要使用形態梯度的思想[9]， 雖然對噪聲比較敏感， 但不會增強噪聲。

單尺度形態學梯度定義為

grad[f（x）]=（f⊕g）-（fΘg）（1）

式中： f為原始圖像； g為結構元素； f⊕g表示利用結構元素g對輸入圖像f進行膨脹； fΘg表示利用結構元素g對輸入圖像f進行腐蝕。

結構元素g的大小對單尺度形態學梯度算子的性能影響很大。 大的結構元素會造成邊緣間相互影響， 可能使梯度極大值與邊緣不一致； 反之， 結構元素過小會使提取的邊緣效果不好[10]。

使用多尺度形態學梯度算子， 可以綜合大結構元素和小結構元素各自的優點。 假設Bi（0≤i≤n）為一組正方形結構元素， Bi的大小為（2i+1）×（2i+1）個像素點， 則多尺度梯度定義為[11]

MG（f）=1n∑ni=0[（（f⊕Bi）-（fΘBi））ΘBi-1] （2）

2.2基于特征塊的閾值分割

基于特征塊的圖像配準思想[12]提出的基于特征塊閾值分割法， 能夠有效分割出目標區域， 減小噪聲干擾。 在圖像中選取大小為m×m的窗口， 定義評價函數：

F=α μ+（1-α）σ（3）

式中： μ， σ分別為窗口的灰度均值和標準差； α為調節因子。 選取圖像中評價函數值最大的窗口作為特征塊， 把該特征塊的灰度均值作為分割閾值， 這樣選取的特征塊包含的圖像細節較多， 且可以有效減少干擾。

2.3邊緣提取

使用數學形態學進行預處理后去除了大量噪聲， 在此基礎上使用經典的Sobel算子進行邊緣檢測[13]， 進而通過特征提取定位目標區域。

3目標與誘餌的檢測

3.1目標的特征提取

航空兵器2017年第5期黃成， 等： 干擾條件下的紅外目標檢測方法研究目標釋放的干擾彈都在目標附近， 盡管兩者在成像上有一定的相似度， 但是飛機目標和誘餌的物理特性以及運動特性卻有所不同[14]， 所以本文提取以下特征并綜合起來區分目標和誘餌。

（1） 像素意義下與區域具有相同標準二階中心矩的橢圓長軸與短軸之比（Rio）endprint

假設圖像中存在某一連通區域L， 該連通區域的質心為（a， b）， 其所有邊界點的橫坐標按逆時針順序存儲在向量X中， 其縱坐標相應地存儲在向量Y中， 邊界點總數為N。 下面計算該連通區域的歸一化二階中心矩：

令x=X-a， y=Y-b（4）

uxx=1N∑Ni=1x2i+112（5）

uyy=1N∑Ni=1y2i+112（6）

uxy=1N∑Ni=1xiyi（7）

C=（uxx-uyy）2+4u2xy （8）

式中： 1/12表示單位長度像素的歸一化二階中心矩的大小。 那么等效橢圓的長軸計算公式為

Axis（maj）=22·uxx+uyy+C（9）

等效橢圓的短軸計算公式為

Axis（min）=22·uxx+uyy-C（10）

則與區域具有相同標準二階中心矩的橢圓的長軸與短軸之比為

Rio=Axis（maj）/Axis（min）（11）

該特征可以表征目標的幾何形狀。

（2） 最小外接矩形長寬比特征（CK）

根據目標的邊界得到目標的最小外接矩形[15]， 該矩形的長寬比特征可以描述目標繞其主軸的旋轉程度。

（3） 目標面積的改變量（ΔS）

目標面積的改變量可以描述目標的運動速度和加速度[16]。

3.2候選目標區域的檢測與定位

經過閾值分割或者邊緣檢測后的圖像一定存在若干個連通區域。 假設經過前期處理后的圖像為 f， 圖像 f 中有M個連通區域， 每個連通區域使用標簽L=（L1， …， LM）來標記[17]。 對每個連通區域分別計算Rio， CK和ΔS三個特征。 當滿足下式時， 將該連通區域視為候選目標區域：

Rio≤r， CK≤c， ΔS≤area（12）

式中： r為設定的與區域具有相同標準二階中心矩的橢圓長軸與短軸之比閾值， 當Rio大于閾值r時， 視作非目標區域； c為最小外接矩形長寬比閾值， 受限于飛機目標外形的不變性， CK的變化應在閾值c的范圍內； area為目標面積改變量的閾值， 由于誘餌的擴散作用， 其面積的變化較形狀固定的飛機目標會更快， 所以此閾值對正確地分辨目標和誘餌很重要。

無論是單目標檢測還是多目標檢測， 都需要計算出圖像中所有連通區域的特征， 在閾值范圍內的連通區域都視作候選目標區域， 參與最終的綜合決策， 以確定是否為真實目標； 不在設定閾值范圍內的連通區域則視作誘餌和背景干擾， 不再參與后面的綜合決策。

確定連通區域Lk（Lk∈L1， …， LM）為候選目標區域后， 可根據其質心位置（a， b）和邊界確定候選目標的位置， 并用矩形框標識。

需要注意的是， 根據特征的閾值范圍來分辨目標和誘餌時， 可能會出現將特征相近的誘餌誤檢測為目標的情況， 所以單獨使用每個檢測方法進行目標區域檢測時， 檢測出的候選區域并不一定是真實目標。 為了解決這一問題， 使用基于相對位置的綜合決策方法進一步檢測出真實目標， 剔除特征相近的誘餌干擾。

3.3目標檢測綜合決策

分別使用基于特征塊的閾值分割和邊緣檢測方法對目標進行檢測， 再對兩種方法的檢測結果進行基于相對位置的綜合決策， 可有效提高目標的檢測概率。

圖2所示為采用基于特征塊的閾值分割獲取的候選連通區域（用矩形rec0標識）和邊緣檢測獲取的候選連通區域（用矩形rec1標識）。 這兩個矩形的左上角頂點坐標分別為（r0， c0）和（r1， c1）， 圖2基于相對位置的綜合決策示意圖

Fig.2The figure of comprehensive decisionmaking based on relative position

矩形框的寬度分別為l0和l1， 矩形框的高度分別為h0和h1。

基于相對位置的綜合決策方法為

c0-c1

式中： c， l為設定的誤差閾值。 由于目標和誘餌在物理特性和運動特性方面的不同， 通過基于特征塊的閾值分割和邊緣檢測的方法對誘餌的檢測區域會有較大的差別； 而對于特征穩定的飛機目標， 兩種方法的檢測結果區域應該近似重合。 當這兩種方法的候選目標區域滿足式（13）時， 便可確定出真實目標區域， 最終目標區域的位置可用最小矩形標識出：

box=r0+r12， c0+c12， h0+h12， l0+l12（14）

式中： box用來存儲矩形的各個參數， 從左至右分別為矩形的左上角頂點的橫、 縱坐標， 矩形框的高度和寬度。

4實驗結果與分析

本文通過實測紅外圖像序列來驗證算法的有效性， 并采用誤檢率作為檢測結果的評價指標：

PL=NLN×100% （15）

式中： NL為將誘餌誤檢測為目標的數目； N為序列圖像中出現的真實目標的數目。 誤檢率的大小能表征算法正確檢測目標和誘餌的能力。

對干擾條件下的紅外面目標進行檢測的結果見圖3。 圖3（a）為待檢測序列中的一幀圖像； 圖3（b）為使用多尺度形態學進行預處理后的結果， 可以看出， 誘餌的高亮度干擾被有效地消除； 圖3（c）為對預處理后的圖像進行基于特征塊分割后得到的結果； 圖3（d）為對預處理后的圖像進行邊緣檢測得到的結果； 圖3（e）～（f）分別為對圖3（c）～（d）進行特征提取后檢測到目標區域的結果； 圖3（g）是對圖3（e）～（f）的檢測結果采用基于相對位置的綜合決策后得到的目標區域。 實驗結果表明， 基于相對位置的綜合決策方法能有效排除誘餌的干擾。

圖4為對共70幀的紅外圖像序列進行檢測后得到的第15， 27， 37， 48幀的檢測結果。

表1為單獨使用基于特征塊的閾值分割得到的目標檢測誤檢率、 單獨使用邊緣檢測得到的目標檢測誤檢率以及基于相對位置綜合決策得到的圖3紅外面目標檢測結果

Fig.3Detection results of infrared surface target

圖4圖像序列中第15， 27， 37， 48幀的目標檢測結果

Fig.4Target detection results of 15th， 27th， 37th， 48th frame

誤檢率的比較。 在70幀紅外圖像中， 基于特征塊的閾值分割方法在檢測出正確目標的同時， 共有28幀出現將干擾彈識別為目標的情況； 基于邊緣檢測的方法有54幀； 而綜合決策只有1幀出現了誤檢測的情況。 從實驗結果可以看出： 綜合決策檢測的結果遠好于單獨決策檢測結果。

表1單獨決策與綜合決策誤檢率的比較

Table 1False detection rate comparison of

individual decisionmaking and

comprehensive decisionmaking方法誤檢率基于特征塊的閾值分割40.0%邊緣檢測77.1%基于相對位置的綜合決策1.4%

綜合決策算法不僅適用于單目標檢測， 也適用于多目標檢測。 無論是單目標還是多目標， 只要連通區域的特征滿足設定的閾值， 就會把該連通區域作為候選目標區域（點線窗口： 基于特征塊的閾值分割方法； 虛線窗口： 邊緣檢測方法）。 只有通過基于相對位置的綜合決策才會進一步判定候選目標區域是否為真實目標， 從而剔除虛假目標。 圖5為使用綜合決策算法對多目標進行檢測的結果。

圖5多目標檢測結果

Fig.5Multitargets detection results

前文驗證分析所采用的圖像序列中， 目標與誘餌的形態特征差別較大， 檢測效果較好。 但飛機目標通常處于不斷機動的狀態， 當目標的姿態和誘餌的形態較接近時， 該算法也能較好地檢測出目標。

圖6（a）中目標姿態相較于圖4有了明顯的變化， 目標和誘餌在視覺上相似性更大， 基于特征塊的閾值分割（點線窗口）和基于邊緣檢測（虛線窗口）兩種方法均出現了將誘餌識別為目標的情況， 但兩種方法對同一誘餌檢測出的區域位置有明顯的不同。 利用基于相對位置的綜合決策條件的約束， 就可以將誘餌干擾排除， 得到如圖6（b）所示的綜合決策檢測區域。 實驗結果表明， 綜合決策算圖6目標與誘餌形態相近時的檢測結果

Fig.6The detecting results when the shape and attitude of target and decoy are similar

法在目標的各種姿態下都能較好地檢測出目標。

5結論

本文采用基于相對位置的綜合決策方法實現了干擾條件下的紅外目標檢測。 首先使用多尺度形態學去除誘餌和背景的高亮度影響， 只保留邊緣信息， 在此基礎上分別進行基于特征塊的閾值分割和邊緣檢測， 根據這兩種方法對提取誘餌特征時產生的區別使用基于相對位置的綜合決策排除掉誘餌的干擾。 實驗結果表明： 多尺度形態學方法不僅可以檢測邊緣， 也可去除復雜背景下大面積云層的干擾， 有利于提高目標檢測的精度； 本文的綜合決策算法不僅適用于面目標的檢測， 對具有一定特征的小目標也能夠取得較高的檢測精度； 此外， 本文算法處理每幀平均耗時0.35 s左右， 相較于其他復雜算法實時性較好。

此外， 本文算法還存在一些不足之處。 當獨立檢測算法中的一種算法檢測出候選目標區域， 而另一種算法未檢測出相應候選目標區域時， 使用綜合決策算法后該目標區域將被剔除， 若該區域為真實目標， 則會造成目標丟失， 解決此問題的方法是根據前幾幀中真實目標的位置信息來估算當前幀的目標位置并進行標記； 此外， 對于特征不明顯的點目標， 在誘餌干擾下進行檢測還存在一定的局限性。 未來工作中， 如何進一步提高本文算法的魯棒性以及適配到不同的目標檢測也是需要努力的方向。

參考文獻：

[1] 閆曉珂， 鄭均杰. 反艦長波紅外成像導引頭誘餌彈識別算法[J]. 紅外與激光工程， 2012， 41（10）： 2583-2587.

Yan Xiaoke， Zheng Junjie. SurfaceType Decoy Recognition for Long Wave Infrared Imaging Seeker Based on AntiShip Missile[J]. Infrared and Laser Engineering ， 2012， 41（10）： 2583-2587. （in Chinese）

[2] 蘇冠華. 紅外成像目標識別跟蹤算法研究[D]. 北京： 清華大學， 2011： 1-2.

Su Guanhua. Research on the Tracking and Recognizing Algorithm for Infrared Target [D]. Beijing： Tsinghua University， 2011： 1-2. （in Chinese）

[3] Yang Songqi， Wang Bingjian， Yi Xiang， et al. Infrared Decoys Recognition Method Based on DualBand Information Fusion[J]. Infrared Physics & Technology， 2014， 67： 542-546.endprint

[4] 楊松啟. 紅外制導技術中的誘餌識別算法研究[D]. 西安： 西安電子科技大學， 2014： 34-37.

Yang Songqi. A Study of Decoy Recognition Methods in Infrared Guided Technology[D]. Xian： Xidian University， 2014： 34-37. （in Chinese）

[5] 顧章源， 劉達， 李建勛， 等. 基于多光譜與顯著性的紅外弱小目標融合檢測[J]. 航空兵器， 2016（2）： 47-51.

Gu Zhangyuan， Liu Da， Li Jianxun， et al. Fusion and Detection of Infrared Dim and Small Targets Based on MultiSpectral and Saliency[J]. Aero Weaponry， 2016（2）： 47-51.（in Chinese）

[6] Xin Yunhong， Zhou Jiao， Chen Yishuan. Dual MultiScale Filter with SSS and GW for Infrared Small Target Detection[J]. Infrared Physics & Technology， 2017， 81： 97-108.

[7] 孫國棟， 吉書鵬， 周楨. 小波域自適應濾波的紅外弱小目標檢測[J]. 航空兵器， 2011（3）： 20-23.

Sun Guodong， Ji Shupeng， Zhou Zhen. Dim Small IR Target Detection Based on the Wavelet Domain Adaptive Filtering[J]. Aero Weaponry， 2011（3）： 20-23. （in Chinese）

[8] 曾萬梅， 吳慶憲， 姜長生. 基于模擬退火算法的空中目標識別[J]. 航空兵器， 2008（6）： 28-31.

Zeng Wanmei， Wu Qingxian， Jiang Changsheng. Air Target Recognition Based on Simulated Annealing Algorithm[J]. Aero Weaponry， 2008（6）： 28-31. （in Chinese）

[9] Evans A N， Liu X U. A Morphological Gradient Approach to Color Edge Detection[J]. IEEE Transactions on Image Processing， 2006， 15（6）： 1454-1463.

[10] 徐康為. 基于多尺度形態學的運動目標邊緣檢測算法研究[J]. 電子技術與軟件工程， 2016（1）： 105-106.

Xu Kangwei. Research on Moving Target Edge Detection Algorithm Based on MultiScale Morphology[J]. Electronic Technology & Software Engineering， 2016（1）： 105-106.（in Chinese）

[11] Zhang Yu， Bai Xiangzhi， Wang Tao. Boundary Finding Based MultiFocus Image Fusion through MultiScale Morphological FocusMeasure[J]. Information Fusion， 2016， 35： 81-101.

[12] 李建成， 劉興淼， 潘偉全， 等. 動態背景下的紅外運動目標檢測[J]. 光電工程， 2013， 40（3）： 1-6.

Li Jiancheng， Liu Xingmiao， Pan Weiquan， et al. A Method of Infrared Image Moving Object Detection on Dynamic Background[J]. OptoElectronic Engineering， 2013， 40（3）： 1-6. （in Chinese）

[13] 李言俊， 張科. 景象匹配與目標識別技術[M]. 西安： 西北工業大學出版社， 2009： 84-86.

Li Yanjun， Zhang Ke. Scene Matching and Target Recognition Technology[M].Xian： Northwestern Polytechnical University Press， 2009： 84-86. （in Chinese）

[14] 楊衛平， 王煒華， 沈振康. 目標與誘餌紅外特性及其識別技術研究[J]. 紅外與激光工程， 2006， 35（S）： 239-247.

Yang Weiping， Wang Weihua， Shen Zhenkang. Infrared Features and Recognition for Target and Decoy[J]. Infrared and Laser Engineering， 2006， 35（S）： 239-247. （in Chinese）

[15] 盧蓉， 范勇， 陳念年， 等. 一種提取目標圖像最小外接矩形的快速算法[J]. 計算機工程， 2010， 36（21）： 178-180.endprint

Lu Rong， Fan Yong， Chen Niannian， et al. Fast Algorithm for Extracting Minimal Enclosing Rectangle of Target Image[J]. Computer Engineering， 2010， 36（21）： 178-180.（in Chinese）

[16] 王永義. 復雜背景下弱小目標的特征提取與識別[D]. 長沙： 國防科學技術大學， 2007： 38-39.

Wang Yongyi. The Feature Extraction and Recognition for Small Target under Complex Background[D]. Changsha： National University of Defense Technology， 2007： 38-39. （in Chinese）

[17] 石文君， 王登位， 徐海全， 等. 復雜動態背景下的紅外運動多目標跟蹤與檢測[J]. 光電工程， 2010， 37（1）： 49-54.

Shi Wenjun， Wang Dengwei， Xu Haiquan， et al. Tracking and Detection of Moving Infrared MultiTarget in Complex Dynamic Background[J]. OptoElectronic Engineering， 2010， 37（1）： 49-54. （in Chinese）

Research on Infrared Target Detection

Method under Jamming Condition

Huang Cheng1， 2， Wang Hongmei1， 2

（1. School of Astronautics， Northwestern Polytechnical University， Xian 710072， China；

2. National Key Laboratory of Aerospace Flight Dynamics， Xian 710072， China）

Abstract： In order to detect the infrared target under infrared decoy jamming， a comprehensive decisionmaking algorithm based on relative position is proposed. The multiscale morphological method is used to remove the high brightness of the background and decoys. The threshold segmentation based on the feature block and edge detection are carried out to detect the candidate target area according to the difference of physical and movement characteristics of target and decoys. Using the comprehensive decisionmaking method by relative position to detect the candidate target area， and the real target position is obtained. The experimental results show that the comprehensive decisionmaking method based on relative position is much better than other methods.

Key words： infrared target detection； multiscale morphology； feature block； edge detection； comprehensive decisionmaking

Oppressive jamming will incapacitate its normal function for phased array radar。 for this problem， the basic of polarization mismatch will be used， and isolate the interference source at the receiver， improve the ability of antiinterference. In this paper， a joint beamforming technique for polarization and spatial domain is first proposed， which is derive， which is a problem of secondorder cone programs， to obtain the polarized beam with a null and polarization constraint in desired sidelobe region. Numerical examples are provided to demonstrate the usefulness and effectiveness of the proposed approaches.

Polarization； interference rejection； phased array radar0引言endprint