采用人類視覺對比機制的紅外弱小目標檢測

劉 旭，崔文楠

采用人類視覺對比機制的紅外弱小目標檢測

劉 旭1,2,3，崔文楠1,2

（1. 中國科學院 智能紅外感知重點實驗室，上海 200083；2. 中國科學院 上海技術物理研究所，上海 200083；3. 中國科學院大學，北京 100049）

針對復雜背景下紅外弱小目標檢測難題，提出一種基于人類視覺系統(tǒng)對比機制的紅外弱小目標檢測算法。首先，對紅外圖像進行預處理，通過中值濾波去除紅外圖像中的孤立噪聲點。然后對處理后的圖像進行高斯函數(shù)差分濾波處理，抑制圖像中大面積高亮區(qū)域。最后，通過改進的基于局部對比度方法去除高亮邊緣區(qū)域，消除高疑似目標，最終實現(xiàn)對復雜背景下紅外弱小目標的檢測。實驗表明：相較于傳統(tǒng)的LCM算法、Top-hat算法、TDLMS算法和Infrared Patch-Image Model算法等，該算法在虛警率、正確檢測率、檢測時間等方面更有優(yōu)勢，具有檢測率高、虛警率低、魯棒性好、運行時間短的特點。

弱小目標檢測；高斯函數(shù)差分濾波器；局部對比度方法；紅外圖像

0 引言

近年來隨著計算機視覺和紅外成像技術的發(fā)展，紅外成像被廣泛應用于人臉識別、精確制導和醫(yī)學成像等各個領域[1]，而弱小目標的檢測與跟蹤一直是紅外成像探測系統(tǒng)的核心技術之一，目標檢測算法會直接影響到整個探測系統(tǒng)的性能[2]。在背景復雜的實際場景中，由于成像距離遠、長距離大氣程輻射干擾造成的影響，導致目標成像面積小、信號弱，經(jīng)常具有形狀信息缺失、紋理特征不明顯、低信噪比等特點，常被淹沒在亮度較高且高疑似目標較多的圖像背景中。

針對復雜背景下的弱小目標檢測問題，大量基于不同原理的檢測算法被提出，這些算法可歸為兩類：檢測前跟蹤（track before detect, TBD）和跟蹤前檢測（detect before track, DBT）算法。檢測前跟蹤即對多幀圖像中較多疑似軌跡進行跟蹤，跟蹤前檢測即根據(jù)門限閾值對每幀圖像檢測。其中跟蹤前檢測算法大致分為基于濾波、基于人類視覺系統(tǒng)（human visual system, HSV）和基于時域檢測3類。其中人類視覺系統(tǒng)的工作機制包括：①對比機制（contrast mechanism）：模擬人眼以局部對比度信息為依據(jù)處理視場信息；②自適應尺度匹配機制（size-adaptive process）：模擬人眼搜索目標時快速捕捉與目標尺度相似的“小面積”區(qū)域，而非像通常算法逐像素處理圖像；③視場彈出機制（pop-out phenomenon）：模擬人眼優(yōu)先關注最突出（局部對比度最大）區(qū)域，直接舍棄不突出區(qū)域；④回歸抑制機制（inhibition-of-return）：模擬人眼對之前關注過的突出區(qū)域不再重復關注，直接搜索下一個次突出區(qū)域直至該區(qū)域低于某閾值搜索結束。

目前，大量基于局部對比度機制的目標檢測算法被提出。Kim等[3]在2009年使用LoG（Laplacian of Gaussian）濾波器對圖像進行濾波實現(xiàn)小目標檢測，即先對圖像進行高斯濾波，再用Laplace算子進行邊緣檢測，由此形成用于極值點檢測的LoG算子。Wang等[4]在2012年使用更為簡便的高斯函數(shù)差分（difference of Gaussian, DoG）濾波器，DoG濾波器是由兩個不同參數(shù)的二維高斯函數(shù)進行求差，得到中心為正、四周為負的無方向性的卷積濾波器，可模擬人類視覺神經(jīng)細胞的感受野模式。Chen等[5]在2013年提出基于局部對比度的方法（local contrast method, LCM）的目標檢測算法，算法采用中心灰度最大值和周圍灰度平均值作為增強系數(shù)來對目標增強。同時，算法將周圍鄰域按方向劃為8個子塊，具有方向敏感性。Xie等[6]在2014年提出ACSDM（accurate center-surround difference measure）算法，在求對比度時采用差值形式，有效消除大面積高亮背景區(qū)域，并同時考慮對比度的方向性問題，消除普通背景邊緣干擾。傳統(tǒng)的基于局部對比度機制的目標檢測算法在信噪比較高、背景單一時有較為理想的檢測結果，但其缺點在于部分檢測算法未考慮方向性，無法有效區(qū)分真實目標和普通背景邊緣，而考慮方向性的算法需要逐像素計算，實時性較差。

本文針對復雜背景下的紅外弱小目標檢測問題，提出一種基于人類視覺對比機制的弱小目標檢測算法。首先，對紅外圖像進行中值濾波預處理去除孤立噪聲點，然后進行DoG濾波處理，接著使用改進的基于局部對比度方法處理，最終閾值分割得到檢測結果。整個算法流程如圖1所示。

圖1 弱小目標檢測流程圖

1 紅外弱小目標特性分析

目前紅外成像系統(tǒng)在空間分辨率方面已經(jīng)做到或接近理論上的極限值，但由于實際應用場景中距離過遠，紅外目標的成像尺寸在圖像中所占比例較小。根據(jù)國際光學工程學會（society of photo-optical instrumentation engineers, SPIE）對于紅外弱小目標的定義，對于256×256的圖像，成像尺寸小于總像素數(shù)的0.12%的目標為弱小目標[7]。

包含弱小目標的紅外圖像可認為由目標、噪聲和背景組成，模型如下：

(,)＝T(,)＋B(,)＋(,) (1)

式中：(,)為紅外圖像；T(,)為弱小目標；B(,)為背景雜波；(,)為噪聲。其中，弱小目標T(,)和背景區(qū)域相關性較差，表現(xiàn)為一個個孤立的亮斑，屬于高頻成分；背景雜波B(,)除了邊緣區(qū)域有少量高頻成分，一般是連續(xù)的大塊區(qū)域，大部分屬于低頻成分；噪聲(,)的空間分布比較隨機，幀間相關性較小。

2 高斯函數(shù)差分濾波器

復雜背景下的遠距離弱小目標非常接近點目標，經(jīng)過光學點擴散函數(shù)成像后其在焦平面上呈高斯斑點，成像函數(shù)表達式如下[8]：

式中：0為目標尺度；為目標幅值；為位置矢量，＝(,)，、為二維平面橫縱坐標。

DoG濾波器是一種基于人類視覺對比度機制的帶通濾波器，其表達式如下：

式中：u、v分別為二維平面橫、縱坐標；s1和s2分別為兩個二維高斯函數(shù)的尺度參數(shù)，并且s1＜s2，其幾何空間分布示意圖如圖2所示，其中s1＝2，s2＝10即本文算法設定參數(shù)。

顯然，當DoG算子中心區(qū)域對四周均為背景的弱小目標區(qū)域進行卷積濾波時，響應值較大；當DoG算子對背景區(qū)域進行卷積濾波時，無論背景區(qū)域亮度如何，響應值均為0。當DoG算子尺度與高斯斑點尺度相等時，響應值最大。因此，DoG算子可以有效地消除紅外圖像中低頻大面積高亮背景和高頻噪聲干擾，保留弱小目標。

然而，經(jīng)典的DoG算子是圓形對稱的不具有方向敏感性，其對背景邊緣較為敏感，即所謂的邊緣效應[9]。因此，僅靠DoG濾波器不足以將復雜背景下的弱小目標提取出來，需要對紅外圖像作進一步處理。

3 改進的LCM算法

LCM算法的核心思想是利用紅外弱小目標亮度高于周圍背景且為孤立點的特性，將中心最大灰度值與周圍背景平均灰度值比值作為目標灰度值的增強系數(shù)，最終達到增強目標抑制背景的目的。其具體原理如下：

首先通過窗口滑動得到相應區(qū)域，再將該區(qū)域分割為9個子塊如圖3所示，中心子塊標號為0，其他8個子塊依次標號為1，2，3，…，7，8，平均灰度值依次為0，1，2，…，7，8，標號為0的子塊記為，內所有像素點灰度值的最大值為n。

然后按照表達式(4)計算n并替代中心子塊的灰度值：

最后按照從左到右、從上到下的順序逐個像素遍歷整幅圖像，閾值分割后即可得到結果。

LCM算法具有方向性，但其仍有一定缺陷。首先，逐個像素計算并比較8個方向的對比度信息導致算法耗時較長；其次，如圖4所示，算法檢測到的目標為右側框選區(qū)域中的建筑邊緣，而真實目標為左側框選區(qū)域中的無人機，結果顯示對相較于目標更亮且所占像素較少的高亮邊緣，在高疑似目標較多的復雜背景下LCM算法實際處理效果并不理想。

圖3 滑動窗口v及其子塊

圖4 LCM算法處理結果

考慮到上述LCM算法不足之處，Chen等[5]提出多尺度計算方式提高算法準確率，但不斷改變窗口大小會導致算法耗時較長；Han等[10]通過對圖像濾波預處理并劃分子塊的計算方式降低虛警率并減少算法耗時；Qin等[11]提出了一種新型的局部對比度測量算法（novel local contrast method, NLCM），引入自定義的均值和方差；Shi等[12]先通過一種改進的高增壓濾波器增強高頻信號并抑制低頻信號，然后再使用MLCM（multiscale local contrast measure）算法處理圖像。

本文提出了一種改進的基于局部對比度算法。首先，由于LCM算法逐個像素點移動窗口的計算方式耗時較長，因此理論上移動步長大于1個像素點即可節(jié)省算法時間；其次，利用弱小目標亮度通常高于周圍環(huán)境，尤其經(jīng)過DoG算子濾波后此特征更加明顯的特性，僅對亮度高于經(jīng)驗值的像素點進行LCM相關計算，進一步節(jié)省算法耗時；最后，利用高疑似目標（建筑物邊緣、云層邊緣等）周圍環(huán)境通常較為復雜、高頻成分較多的特點，采用多尺寸聯(lián)合計算的方式，對像素點周圍高頻成分像素點占比進行計算，高于經(jīng)驗值的像素點將被舍棄，不再進行LCM相關計算，有效降低虛警率，剔除疑似目標。算法具體流程如下：

步驟1：待處理圖像記為，通過窗口滑動得到大小為3×3的相應區(qū)域，再將該區(qū)域分割為9個×大小的子塊，內所有像素點灰度值的最大值為n，當n大于閾值Th1時繼續(xù)步驟2，其中Th1表達式如下：

步驟2：分割得到以為中心的5×5大小的子塊如圖5所示，計算中心子塊的環(huán)境復雜程度cl，其表達式如下：

式中：(,)為子塊二值化處理后(,)處的灰度值；(,)為子塊內的像素點個數(shù)。

步驟3：當cl小于閾值Th2時繼續(xù)步驟4，否則子塊內所有像素的灰度值置為0。其中Th2表達式如下：

步驟4：按照表達式(4)計算n并替代中心子塊的灰度值。

步驟5：以一定步長在紅外圖像內選擇子塊窗口，直至整幅圖像遍歷結束。

依據(jù)目標大小設定合適的窗口尺寸和移動步長是算法能否得到理想結果的關鍵，通常窗口尺寸略大于目標尺寸，依據(jù)數(shù)據(jù)集圖像尺寸本文設為10。在窗口尺寸選定前提下，目標與滑動窗口的關系如圖6所示，顯然，滑動窗口若想在移動步長較大的前提下盡可能覆蓋目標，步長宜設為左右。

除此之外，閾值1、2的取值對算法性能亦有影響。1即Th1過小可能導致參與LCM算法計算的像素點過多，增加算法耗時；1過大則可能導致真實目標像素點無法參與LCM算法計算，影響算法準確率。2即Th2過小可能導致真實目標因鄰域存在雜波被誤判為虛警目標而被剔除；2過大則可能導致高疑似目標無法被有效剔除。算法處理過程及最終結果如圖7所示。

圖5 滑動窗口w及其子塊

圖6 滑動窗口與弱小目標尺寸比較

4 實驗結果

為驗證本文算法性能，本文在配置為2.2GHz Intel? Core? i7-8750H處理器、4G獨顯GTX1050Ti、8G內存的OMEN by HP Laptop 15-dc0006TX電腦上對若干實際環(huán)境中拍攝的紅外圖像進行仿真實驗，系統(tǒng)環(huán)境為64位Windows 10家庭中文版，所用軟件為MATLAB R2018a。弱小目標信號質量通常可以用信噪比SNR和信雜比SCR描述，同時為衡量算法有效性，設置了正確檢測率d、虛警率aPR和算法耗時3個性能指標參數(shù)，其定義如下：

信噪比SNR：

SNR＝t/b(8)

式中：t表示目標區(qū)域的平均灰度；b表示背景區(qū)域的標準差。

信雜比SCR：

式中：b表示背景區(qū)域的平均灰度。

正確檢測概率d：

虛警率aPR：

圖8為5種算法對3幅復雜場景下紅外圖像進行目標檢測的結果，其中(a1)中兩目標的SNR為4.8824、3.4537，SCR為2.1004、0.7285，(b1)目標的SNR為2.1722，SCR為0.1822，(c1)目標的SNR為2.177，SCR為0.4468，不同檢測算法性能如表1所示。從圖8和表1中可以看出，當目標信噪比和信雜比較低時，本文算法在得到較為理想的檢測結果的同時，虛警率較低，所用時間低于LCM[5]和TDLMS[13]算法，與Top-hat[14]和Infrared Patch-Image Model[15]所用時間相近。

表2為實驗中不同算法對103幅實際拍攝的640×512圖像的處理結果，表3為實驗中不同算法對30幅256×200圖像[16]的處理結果，結果表明本文算法在所用時間較短的情況下，可以有效剔除疑似目標，保持較高的正確檢測概率。

圖7 本文算法處理結果

圖8 不同算法處理結果

表1 不同檢測算法性能比較

表2 不同算法對多幅640×512圖像的檢測結果

表3 不同算法對多幅256×200圖像的檢測結果

5 結論

針對復雜背景下紅外弱小目標檢測問題，本文提出一種基于人類視覺系統(tǒng)對比機制的弱小目標檢測算法。該算法通過DoG濾波器抑制了圖像中的大面積高亮區(qū)域，再通過改進的LCM算法剔除高亮邊緣和高疑似目標，解決了復雜背景下檢測弱小目標時虛警率較高的問題。上述實驗表明：本文算法在低信噪比、低信雜比的情況下，有效降低了虛警率并保證算法速度，保證了較高的正確檢測概率，得到了較為理想的檢測結果，解決了實際應用場景中環(huán)境復雜、目標弱小等問題。

[1] 王艷紅. 基于OpenCV的運動目標檢測與跟蹤算法的研究[D]. 杭州: 杭州電子科技大學, 2014.

WANG Yanhong. Research of Moving Object's Detection and Tracking Based on OpenCV[D]. Hangzhou: Dianzi University, 2014.

[2] 陸福星, 陳忻, 陳桂林, 等. 背景自適應的多特征融合的弱小目標檢測[J]. 紅外與激光工程, 2019, 48(3): 277-283.

LU Fuxing, CHEN Xi, CHEN Guilin, et al. Dim and small target detection based on background adaptive multi-feature fusion[J]., 2019, 48(3): 277-283.

[3] Kim S, 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.

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

[5] CHEN C P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[J]., 2013, 52(1): 574-581.

[6] XIE K, FU K, ZHOU T, et al. Small target detection based on accumulated center-surround difference measure[J].., 2014, 67: 229-236.

[7] ZHANG W, CONG M, WANG L. Algorithms for optical weak small targets detection and tracking[C]//, 2003: DOI: 10.1109/ ICNNSP.2003.1279357.

[8] 周苑, 張健民, 林曉. 基于加權LoG算子的紅外弱小目標檢測方法研究[J]. 應用光學, 2017, 38(1): 114-119.

ZHOU Yuan, ZHANG Jianmin, LIN Xiao. Infrared small target detection using weighting LoG operator[J]., 2017, 38(1): 114-119.

[9] 韓金輝. 基于人類視覺特性的復雜背景紅外小目標檢測研究[D]. 武漢: 華中科技大學, 2016.

HAN Jinhui. Infrared Small Target Detection under Complex Background Based on Human Visual System[D]. Wuhan: Huazhong University of Science and Technology, 2016.

[10] HAN J, LIANG K, ZHOU B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]., 2018, 15(4): 612-616.

[11] QIN Y, LI B. Effective infrared small target detection utilizing a novel local contrast method[J]., 2016, 13(12): 1890-1894.

[12] SHI Y, WEI Y, YAO H, et al. High-boost-based multiscale local contrast measure for infrared small target detection[J]., 2017, 15(1): 33-37.

[13] CAO Y, LIU R, YANG J. Small target detection using two-dimensional least mean square(TDLMS) filter based on neighborhood analysis[J]., 2008, 29(2): 188-200.

[14] BAI X, ZHOU F. Analysis of new top-hat transformation and the application for infrared dim small target detection[J].., 2010, 43(6): 2145-2156.

[15] GAO C, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J].., 2013, 22(12): 4996-5009.

[16] LI Y, LI P, SHEN Q. Real-time infrared target tracking based on l1 minimization and compressive features[J]., 2014, 53(28): 6518-6526.

Infrared-Image-Based Detection of Dim and Small Targets Using Human Visual Contrast Mechanism

LIU Xu1,2,3，CUI Wennan1,2

(1.,,200083,; 2.,,200083,; 3.,100049,)

In this paper, an infrared-image-based algorithm is proposed for the detection of dim and small targets in complex backgrounds. The proposed algorithm is based on the contrast mechanism of the human visual system. First, an infrared image was preprocessed, and isolated noise points in the image were removed via median filtering. The processed image was then subjected to difference-of-Gaussians filtering to suppress large-area highlighted areas in the image. Finally, an improved local contrast algorithm was used to remove the highlighted edge regions and eliminate the high suspect target to achieve the detection of dim and small targets in complex backgrounds using infrared images. Experimental results show that compared with the traditional LCM algorithm, top-hat algorithm, TDLMS algorithm, and infrared patch-image model, the proposed algorithm is more advantageous with regard to the false alarm rate, correct detection rate, detection time, etc. It also has the characteristics of a high detection rate, low false alarm rate, good robustness, and short running time.

dim and small target detection, difference of Gaussians, local contrast method, infrared image

TP751.1

A

1001-8891(2020)06-0559-07

2019-08-01；

2019-09-18.

劉旭（1994-），女，黑龍江人，碩士，主要從事紅外圖像處理方面的研究工作。E-mail：lxulxu1994@163.com。

崔文楠（1979-），男，遼寧人，博士，主要從事紅外成像與仿真方面的研究工作。E-mail：cuiwennan@mail.sitp.ac.cn。