復雜背景下紅外圖像弱小目標檢測

蔡 偉，徐佩偉，楊志勇，蔣昕昊，姜 波

（火箭軍工程大學 兵器發射理論與技術國家重點學科實驗室，陜西 西安 710025）

引言

由于紅外成像系統可以全天候提供清晰圖像，且能夠穿透霧、煙和其他大氣條件等障礙物，在民用與軍事領域都有著廣泛應用。紅外弱小目標檢測作為目標識別與跟蹤領域的重要內容，近年來已成為研究熱點[1]。根據國際光學工程學會（SPIE）的定義，把面積不大于9×9 像素的紅外目標稱為紅外弱小目標[2-3]。紅外弱小目標檢測的研究對象通常為距離較遠的機動目標——紅外弱小目標，往往占有像素少，缺少顏色、形狀和紋理等細節信息，檢測難度較大。而且紅外圖像獲取受環境因素和設備的影響，會產生背景噪聲和固有噪聲，難以區分噪聲和弱小目標，使得紅外弱小目標檢測更加困難[4-6]。

隨著計算機視覺的不斷發展，基于深度學習的目標檢測算法由于其突出的學習和表征能力，已經廣泛應用于各類目標檢測任務中[7]。李小寧等人[8]提出一種用于檢測車輛小目標的方法，采取淺層與深層特征融合的策略來提高檢測效果，但在復雜背景下算法性能有待提高。受到可見光目標檢測領域的啟發，深度學習也被一些學者用于紅外目標檢測。Zhao 等人[9]設計了一種用于紅外弱小目標檢測卷積神經網絡TBC-Net，使用語義約束提取目標特征，解決了背景和目標不平衡導致的特征學習困難問題。總的來說，基于深度學習的檢測算法有更好的適應性和更高的準確性，但在復雜背景下弱小目標檢測仍然會存在虛警的情況。……