基于紅外圖像目標檢測的輔助瞄準方法*

郝爭輝 ，王 高

（1.中北大學儀器科學與動態測試教育部重點實驗室，太原 030051；2.電子測試技術國家重點實驗室，太原 030051）

0 引言

瞄準設備是武器的重要構成部分，它性能的差異會直接導致射擊的準確性［1］。因此，如何使瞄準系統能快速、精準地輔助武器射擊目標是問題的關鍵。快速對目標定位、校準武器角度是瞄準系統輔助武器精確打擊的重點與難點。而目標檢測算法是瞄準系統中的關鍵部分。

紅外小目標檢測算法有小波變換、空域濾波、Top-hat、機器學習法等，但是許多方法依然存在著需要先驗條件較多、復雜度高等問題。文獻［2］中提出基于自適應噪聲平滑與空間濾波的背景雜波抑制算法，該方法是針對單像素進行模板操作，其中濾波器模板在運算中尺寸固定，且要提前設定。文獻［3］使用的Top-hat算法雖然計算速度較快，但要求對目標物結構元素尺寸進行確定后才能計算。文獻［4］提出一種利用局部灰度均值來確定圖像中紅外目標的尺寸與其對應位置信息的算法，但復雜度較高，其檢測速度有待進一步提高。文獻［5］中提出了一種新的對比度衡量標準LCM。但是當圖像中有高亮度的背景區域存在時，目標即使經過增強后，仍然低于高亮度背景區域的亮度，從而使得檢測率降低。

LoG算子可以有效地將圖像中含有的斑點區域檢測出來［5］，適用于找出圖像中疑似目標存在的區域。本文應用LoG算子檢測出圖像中疑似目標存在的區域，紋理對比度進行疑似區域的判別得到目標所在區域。最后對目標進行分割特征提取，利用光學系統的幾何特性計算出需要校正的角度。

1 目標位置定位及計算校正度數

1.1 算子原理

高斯-拉普拉斯由Marr等提出，主要原理先將視頻序列通過高斯濾波器抑制序列圖像中存在的高斯噪聲，接下來利用拉普拉斯變換來突出圖像中部分區域灰度信息劇烈變化的細節。LoG算子可以將圖像中含有的特征點檢測出來，該特征點一般是指和周圍區域存在一定的灰度或顏色差異［6］。

對于圖像f（x，y），高斯濾波由輸入圖像與高斯核進行卷積得到：

其中，高斯核函數為：

σ為高斯正態分布的方差。

進一步使用拉普拉斯變換對圖像進行處理：

整理得：

依據Δ算子與卷積的性質，應先計算LoG算子，然后再與圖像進行求卷積，表示為：

當LoG算子尺度與高斯目標特征點尺度相等時，此時所得到的響應值達到最大。因此，需要多次采用不同尺度下的LoG算子來對目標進行檢測，最后從中取最大響應值的LoG算子對圖像進行目標特征點檢測。

1.2 加權紋理對比度

紋理特征是描述與辨別物體的一種十分重要的特征，能夠將圖像當中的一些灰度信息量化。它描述了反復出現在圖像中局部形式與排列組合的規則，可以用來描述灰度值變化的規律。因此，圖像的組合是由不同的紋理區域構成的［7］。

灰度共生矩陣是由輸入圖像灰度矩陣中2個像素灰度級之間聯合分布的統計形式體現，是對2個像素點在一定的距離與方向上聯合概率統計的分布情況。利用該矩陣可以將紋理在灰度級空間中的一些相關性規律良好地反應出來。可將灰度共生矩陣定義為：假設圖像的某一區域內含有N個灰度值，那么該區域所對應灰度共生矩陣是N×N階的矩陣PN×N，灰度為i的點離開特定位置關系d到灰度為j的概率。為灰度共生矩陣。L為圖像的灰度級，i，j分別為圖像的灰度。d為圖像中兩個像素的空間位置關系。兩個像素間的距離與方向由d決定。方向通常取4個方向。為了方便分析，先將灰度共生矩陣進行歸一化得到共生矩陣。其中對比度特征是用來刻畫溝紋的深淺程度。圖像中所包含的溝紋比較深，所求出的對比度就越大。像素間灰度值差別較大的，所得的對比度也較大［8-9］。

因為所檢測的目標物在圖像中所占像素較少，所以對整幅圖像進行對比度計算來檢測目標效果較差。因此，本文采用對圖像矩陣先進行分塊，將其分為p×q塊圖像的區域矩陣來計算。其中p，q的大小根據所檢測的目標大小及圖像的尺寸來確定。其次計算圖像的灰度共生矩陣并生成相應的對比度矩陣，利用極大值的位置來判斷目標可能所在的區域。由于僅用對比度矩陣缺少原始圖像的灰度信息，因此，對所需檢測目標效果不佳。文中采用方差加權對比度來判斷該子圖像區域內是否含有檢測的目標物。計算圖像每個子區域內的灰度值方差var與對應的該區域內的對比度CON（權值），將它們相乘得到灰度方差加權紋理對比度：

1.3 計算校正度數

圖1 熱像儀測角示意圖

2 算法檢測步驟

在預處理階段應采用中值濾波的方法降低由于電路、傳感器等系統噪聲。然后對輸入圖像分別使用LoG算子與灰度方差加權紋理對比度進行計算，其中利用LoG算子用于檢測圖像中的斑點與紋理對比度極大值的區域，作為疑似區域并將其區域圖像分割再次判定。最后對目標進行分割提取，計算出其重心、邊界位置通過幾何光學特性來計算校正度數。

1）首先對圖像序列通過中值濾波器，以除去由電路、傳感器等所產生的噪聲。

2）LoG算子斑點檢測

利用LoG算子對圖像進行檢測斑點，可以將整幅圖像中的疑似目標存在的區域斑點檢測出來。并將檢測出斑點區域的重心點求出。通過檢測以后有效地排除大部分區域，而剩下具有較強對比度的部分區域，需要通過下面的步驟過濾。

3）分塊計算灰度方差加權紋理對比度矩陣

將整幅圖像矩陣先進行分塊處理，子圖像區域為M×N的矩陣。再對每一塊子區域圖像進行灰度方差紋理對比度的計算，從而得到整幅圖像的灰度方差加權紋理對比度矩陣。利用灰度方差加權紋理對比度矩陣，能夠精確地描述圖像在局部的灰度變化與紋理對比度的變化，如果圖像中局部出現斑點或者對比度出現較大的變化，都可以由通過矩陣中極大值將其位置檢測出來。由于圖像背景中的物體在灰度值上屬于漸變，所以物體的邊緣會導致紋理對比度矩陣產生波動，但是與目標區域的紋理對比度值相比就可以忽略不計，然后將疑似目標濾除。

4）結合步驟2）與步驟3）中的結果確定目標區域

通過判斷含有方差紋理對比度峰值的子圖像區域是否含有由LoG算子檢測出的斑點區域重心。

5）對目標區域分割

通過對目標存在的子區域采用Otsu算法，從而將目標分割出來，并計算出目標的重心位置、邊界區域等信息。

6）對目標進行角度校正

利用分割計算出的目標重心，及邊界范圍來計算瞄準目標所需要校正的角度。

3 實驗結果分析

實驗選取尺寸為201×303的小動物紅外圖像，圖像中目標一般在10個像素左右。目標在區域內移動，這種條件下相隔幀較大時目標在圖像中的大小變化比較明顯，如圖2所示。

圖2 目標紅外圖像

如圖3所示適當選取LoG算子的計算參數，將得到良好的檢測結果。經過該算子斑點檢測后，過濾掉大量的背景區域得到幾處疑似目標存在的區域。為了后續簡化計算，得到疑似目標存在區域的重心坐標。

圖3 檢測出的區域及重心

求紋理對比度時圖像采用3×3的子圖像來進行計算，其中子圖像的大小根據實際情況下的圖像尺寸與目標來進行選取。由于區域圖像中斑點的存在，使得該區域對比度明顯比其他區域要強。而且區域子圖像內灰度值之間的差別比較大，這也使得其方差變大。如圖4所示，灰度方差加權紋理對比度矩陣同時利用兩個方面指標，可以有效地得到區域圖像中極大值的位置（疑似目標區域）。

圖4 分塊計算圖像的灰度方差加權紋理對比度

4 分塊計算圖像的灰度方差加權紋理對比度

表1 紋理對比度的峰值坐標

從表1中檢測結果可以看出，目標區域的重心點都在紋理對比度矩陣的峰值區域內。利用LoG算子與灰度方差加權紋理對比度進行計算，可以有效檢測出目標所在的區域。本文采用Top-hat算法與文獻［11］中的算法作為紅外目標檢測的比較算法。分別運用這3種算法對紅外圖像中的目標進行分割提取，如圖5所示。

圖5 目標分割

從上述分割結果可以看出利用Top-hat算法對圖像中的目標進行提取時，由于圖像背景中存在盆栽與籠子等物體，使得背景變得不平滑，從而在利用該算法進行檢測時，得到許多偽目標點。文獻［7］中的算法雖然在一定程度上抑制了背景不平滑所帶來的問題，但還是將盆栽與籠子在較亮背景下的邊緣部分檢測出來了。而本文算法利用LoG算子檢測出圖像中疑似目標存在的區域，紋理對比度進行疑似區域的判別，得到目標所在區域。可以看出本文算法在背景不平滑的條件下，檢測出圖像中的小目標。

利用圖像對目標瞄準進行校正角度計算時，以圖像橫軸與縱軸中線的交點作為準星。依據圖像尺寸為 201×303，所以文中采用坐標為（101，152）點作為準星點。根據分割完的圖像可以得到圖像中目標的重心及邊界，采用文獻［10］中的參數進行計算。首先對目標區域的重心進行瞄準，并利用目標邊界上的點，作為瞄準目標所不能超越的范圍，以此求出所需調整水平角與仰俯角的度數范圍，以便更加精準的瞄準目標。

表2中目標重心由分割后的圖像得出，計算出目標所在最小外接矩形的左上方頂點與右下方頂點的坐標。水平角與仰俯角所需矯正的度數以準星點坐標（101，152）為參考點進行校正。因為所檢測的目標所占像素較少，導致邊界最小外接矩形與重心坐標相差像素較少，所以對其校正度數的影響偏差在0.02°左右。

表2 目標區域重心、邊界與需校正的度數

5 結論

本文采用LoG算子與加權紋理對比度的紅外弱小運動目標檢測算法。該方法首先通過LoG算子檢測出圖像中疑似目標存在的區域，然后利用分塊圖像加權方差紋理對比度矩陣中的極大值，從疑似目標存在區域中最終確定目標位置，最后從確定目標位置區域中將目標分割出來。確定目標的重心及最小外接矩形的邊界，并利用幾何光學特性來計算校正度數，已達到瞄準的效果。實驗表明，該算法可以有效地從圖像中檢測出目標所在位置，并計算出瞄準目標所需要校正的度數以便輔助瞄準目標。