時空聯合紅外小目標檢測算法的設計與實現

朱碩雅,楊德振,賈 鵬,李江勇,柴 欣

(華北光電技術研究所,北京 100015)

1 引 言

隨著紅外成像技術的發展,紅外小目標檢測技術在現代戰爭中的作用愈發重要。在遠距離成像的情況下,紅外目標主要表現為對比度低的點狀目標,且紅外圖像中存在強雜波干擾,背景比較復雜,使得目標檢測難度較大[1]。

針對傳統檢測方法如中值濾波,形態學濾波,小波變換等方法在圖像信噪比較高的情況下對檢測效果較高,但隨著信噪比的降低檢測效果迅速下降,本文提出了一種時空聯合檢測的小目標檢測方法,首先為了提高局部對比度的檢測效果,使用了高斯濾波對檢測窗口進行優化,并與梯度特征相結合實現空域檢測；然后檢測采用了局部對比度的思路對幀差法進行了改進,有效地抑制了背景雜波,實現時域檢測；最后將時域空余檢測結果相融合,完成目標檢測,并將該方法移植到以FPGA為核心的硬件平臺,驗證其對實時圖像的檢測效果。試驗結果證明,該方法能夠完成在復雜背景的小目標實時檢測。

2 時空聯合檢測算法

時空聯合檢測是通過使用局部對比度和梯度特征從紅外圖像中篩選出疑似目標,然后通過運動特征對疑似目標在進一步進行篩選進而得到真實目標來完成對弱小目標的檢測[2]。

其主要分為局部對比度篩選目標,梯度特征篩選目標和時域檢測目標三個部分,最后將時域檢測和頻域檢測結果進行融合,得到結果圖,檢測流程圖如圖1所示。

圖1 時空聯合檢測流程圖

2.1 局部對比度檢測

局部對比度檢測是一種基于人類視覺原理的仿生學檢測方法,該方法結構簡單,運算簡潔,且于紅外小目標契合較好。

常用的局部對比度方法如LCM,DoG在待檢測目標信噪比較高的情況下能夠有效地增強,但在圖像信噪比較低的情況下效果較差。

為了能過抑制雜波,增強目標,本文采用高斯濾波對檢測窗口內的圖像進行處理,由于紅外小目標溫度較高,且成像距離較遠,在紅外圖像中多表現為較小的亮斑,且根據熱擴散原理處于向四周擴散的形式,與二階高斯函數類似,根據匹配濾波原理,使用高斯濾波可以有效地提升信噪比[3]。如圖2所示。

通過將高斯濾波嵌套在檢測窗口,隨著檢測窗口對圖像實現遍歷,其濾波結果如式(1)所示:

(1)

其中,(i,j)為當前像素點的坐標;T為檢測窗口內的圖像;G為高斯濾波窗口;I為濾波后的結果。

為避免檢測窗口大小與目標大小不匹配造成的漏檢誤檢,對同一個多尺度對比度取最大值,將局部對比度推廣到多尺度。

I(x,y)=MAX{I1(x,y),I2(x,y),I3(x,y)}

(2)

2.2 梯度特征小目標檢測

紅外小目標的溫度較高,且成像距離較遠,根據物理定律在紅外圖像中表現出向外擴散的點目標其灰度表現為向外擴散的趨勢,梯度方向一致性較小；而容易形成誤判的云層邊緣梯度方向大致相同,一致性較強[4],如圖3所示。

圖3 目標、云層及云層邊緣梯度圖

為了對梯度一致性進行定量處理,本文采用結構張量來表明圖像區域梯度場的分布規律。

結構張量定義如下:

(3)

其中,r為計算區域的尺度。

式(3)分別描述了檢測窗口內圖像的X方向及Y方向梯度相關性,其梯度相關性越差,該矩陣的特征值越小,因此利用g來衡量該區域內的梯度一致性:

(4)

其中,λ1,λ2為結構張量的特征值。

為了有效地檢測小目標,使用梯度抑制系數篩選小目標,其計算公式如式(5)所示:

Er(x,y)=exp(-g)

(5)

2.3 自適應閾值分割

紅外圖像經過處理操作后會得到處理圖包含灰度值較低的背景及灰度值較高的目標。為了將目標從背景中分離出來,采用自使用閾值分割的方法將目標和背景進行區分[3]。

本文采用高斯自使用閾值分割,由于小目標的灰度較高,處于高頻范圍,所以通過使用圖像的均值與標準差的線性組合作為閾值,對圖像進行二值化。

(6)

f(x,y)=Er(x,y)·I(x,y)

(7)

t=mean(f)+λStd(f)

(8)

其中,mean(f)表示該幀圖像的均值；Std(f)表示該幀圖像的標準差。

2.4 時域局部對比度

由于單幀檢測缺少運動信息,背景雜波于目標難以完全區分[5],采用時域局部對比度檢測方法對時域檢測進行補充。

時域局部對比度是一種從幀差法改進而來的時域檢測方法,為了提高充分利用紅外圖像序列的信息,提高在運動背景下的運動目標檢測,采用第K幀前n幀圖像的均值進行對比度運算,其計算公式如下:

(9)

為了提高對噪聲的抑制,本文通過方差對背景進行抑制,其公式如下[7]:

(10)

其中,T(x,y,i)表示第i幀圖像。

為了提高檢測效果,本文將相鄰兩幀方差相乘合并為最后一幀的檢測結果,其運算公式如下:

Ot(x,y,k)=S(x,y,k)·S(x,y,k-1)

(11)

2.5 算法仿真

本文使用matlab對紅外探測器采集到的圖像進行仿真,仿真結果如圖4所示。

圖4 仿真結果圖

本文采用三個序列進行仿真實驗,每個序約的圖像均為320×256,圖像為50張,序列1、2、3分別為云層邊緣小目標、地面背景小目標和云層內小目標,可以直觀的看出該算法能夠在復雜背景下實現對小目標的檢測。為了客觀地證明算法的有效性,本文通過引用信雜比增益與各算法進行比較分析。

信雜比通過描述紅外圖像的信號幅度與雜波方差之比描述對背景雜波抑制能力,其定義如式(12)所示,通過將處理后圖像的信雜比與源圖像的信雜比相比,可以獲得描述目標正確能力的信雜比增益[7],其定義如式(13)所示:

(12)

(13)

其中,I為目標最大灰度值;u和σ分別表示目標周圍區域的灰度均值與標準差;SCRin和SCRout分別為原始圖像的SCR和輸出圖像的SCR。

表1 不同算法信雜比增益

表1為不同算法信雜比增益。通過表1可以看出,本文提出的方法充分的利用了圖像序列的時空特性,能夠有效地在復雜背景下實現對小目標的檢測。

3 檢測算法硬件實現

3.1 圖像窗口實現

對圖像的局部對比度處理及梯度特征檢測需要使用檢測窗口對圖像進行遍歷,為了避免目標尺寸和檢測窗口尺寸不匹配的問題,本文分別采用3×3、5×5、7×7尺寸的窗口對圖像實現遍歷[8]。由于硬件系統使用FPGA上的SRIO接口實現圖像傳輸,圖像按時鐘周期進行并行傳輸,為了能夠實現7×7的開窗,采用硬件上的RAM資源作為移位寄存器對圖像進行緩存,如圖5所示。

由于采用了7×7的窗口對圖像進行遍歷,為了保證處理完成之后的圖像和原圖像的大小一致,所以不對圖像的左右各3列,上下各三行不進行處理,并在處理后的圖像將該部分置零,該部分像素值為3420,僅占圖像總像素的0.041,所以將其舍棄的影響可以忽略不計。

圖5 開窗示意圖

3.2 自適應閾值檢測實現

進行自適應閾值分割需要計算當前圖像多尺度局部對比度檢測和梯度特征檢測處理后圖像的閾值及方差。

直接使用當前幀圖像處理后結果計算均值和方差需要將圖像緩存下來進行兩次運算分別計算圖像的均值和方差,浪費了大量的硬件資源,且降低檢測算法的實時性。

由于采用的紅外探測器幀數較高,相鄰圖像統計特征變化較小,所以可以通過前一幀的紅外圖像處理后結果值方差變化較小,因此可以在可以忽略兩幀間均值與方差的差異,使用前兩幀的紅外圖像的均值與方差計算閾值。

圖6為優化后的自適應檢測流程圖,可以看到通過使用上一幀的閾值對本幀圖像進行處理,可以使得門限值計算和圖像分割同時進行,提高了運算的實時性。

圖6 自適應閾值計算流程圖

3.3 時域檢測實現

為了兼顧檢測實時性和檢測準確率,本文采用前3幀圖像均值進行局部對比度,因此需要對前兩幀圖像進行緩存,且需要對檢測結果進行緩存便于后續檢測結果合并,所以需要使用硬件上RAM資源,通過使用FPGA上的BLOCK RAM ip實現,圖像及方差大小為320×256×8,所以需要開辟的RAM深度為65536,寬度為8位,其流程如圖7所示。

圖7 時域檢測流程示意圖

3.4 FPGA處理結果

將采集到的紅外圖像輸入硬件系統,其經過FPGA處理后的結果如圖8所示。

圖8 FPGA運行結果圖

該算法處理在FPGA內處理單幀圖像的耗時為4 ms,單幀計算耗時較短,能夠滿足實時圖像處理的需求。

4 結 語

本文提出了一種時空聯合檢測的小目標檢測方法,通過利用紅外小目標的灰度特征,梯度特征從圖像中篩選出小目標,并使用運動特征對小目檢測結果進行篩選,降低虛警率,實現了在信噪比較低的情況下實現對目標的檢測,并將該算法在以FPGA為核心的平臺進行實現,能夠實現對目標的實時檢測。