紅外搜索跟蹤系統的虛警率降低方法

宋治杭，張 晉，朱 亮，林丹丹，杜欣悅，林 宇

（昆明物理研究所，云南 昆明 650223）

0 引言

大視場多目標監視是目前紅外搜索跟蹤領域研究的熱點，該領域正朝著高分辨率、超大視場成像的方向發展[1-3]。對應大視場下多目標的監視與跟蹤任務，視場的增大，紅外圖像的背景成分變得極其復雜，又加上來自地面建筑物、地雜波等的干擾，極其容易在圖像區域產生偽目標，造成紅外全景搜索跟蹤系統的虛警[4-7]。在實施全景搜索跟蹤的任務過程中，視場中難免出現虛假運動目標，其中既有靜止物體，也可能包含運動方向與真實目標不一致的物體。如果不能對以上虛假目標及時進行識別并剔除，將會嚴重影響后續搜索跟蹤任務的執行。

針對紅外搜索跟蹤容易遇到的上述問題，王衛華[8]等人提出了一種基于興趣區（region of interest）提取的目標實時監測算法，根據目標運動特性與灰度特性快速提取目標可能存在的興趣區，再針對興趣區內的局部目標圖像切片，進一步剔除虛假目標干擾；陳炳文[9]提出一種基于時空融合與粒子濾波的弱目標檢測算法，首先利用像素點的幀間和鄰域相關性，采用短程非參數核建模算法檢測候選目標，接著使用粒子濾波跟蹤候選目標，以剔除虛假目標得到真實航跡；王雪梅[10]等提出了基于背景檢測的單幀檢測弱小目標改進算法，結合多方向多極梯度算法，對背景預測初步檢測出來的可能目標點進一步檢測，從而排除虛假目標；羅舉平[11]等針對紅外目標檢測任務，提出了變門限檢測與跟蹤的方法，減少了虛假量測的數量。張艷艷[12]等引入Lucas-Kanade（LK）光流法，對光流結果進行最大類間方差分割，視光流不連續區域為真實運動目標；西北工業大學[13]利用Lucas-Kanade 光流法對連續幀紅外圖像檢測疑似運動區域，再通過SVD（singular value decomposition）分解與目標背景重構檢測弱小目標；Lei Wang[14]等利用先驗概率降低視頻中目標檢測的誤報率；Recchia Giuseppe[15]等將Lucas-Kanade 光流法應用于無人機光電視避系統，有效降低了誤警率與虛警率。然而上述方法并不專門針對全景圖像，因此對于全景圖像中同一運動目標幀間距離過大造成的影響，這些方法并不能有效解決。類似方法甚至會錯把真實運動目標當作虛假目標加以剔除，因而并不適用于降低紅外搜跟系統的虛警率。本文針對以上問題提出了一種基于Lucas-Kanade 光流特征的紅外全景系統虛假目標甄別與剔除的方法。

1 建立圖像金字塔

選取前后相鄰兩幀紅外全景圖像I和J，為圖像I和J分別建立金字塔表達 {IL}L=0,...Lm和 {JL}L=0,...Lm，這里Lm通常取為3，也就是金字塔層數一般為4。把原始圖像作為第0 層，通過高斯濾波并令寬高縮小2L倍的圖像作為第L層，多層圖像組合類似金字塔，如圖1所示。

圖1 圖像金字塔的建立Fig.1 Image pyramid construction

2 計算前后幀圖像光流

由于紅外全景搜索跟蹤系統的任務在于利用360°全景影像實現對周圍環境態勢感知的能力，因此往往將目標定為包括人、車輛、艦船以及飛機等相比環境溫度較高的物體。在實際圖像中該類目標一般呈現較高的灰度值，因此本文利用二值化將圖像中的高亮目標都事先提取出來，在這些高亮目標區域中隨機選擇若干像素記為該目標對應的像素點u，接下來利用LK 光流法思想依次從最高層開始計算目標像素點u對應的LK 光流dL，并取LK 光流dL對應層光流初始值gL的和為下一層光流的初始值，直至迭代到原始圖像層（第0 層），最終獲取目標像素點u在原始圖像層的光流值按照如下步驟計算圖像光流d，接著利用光流d的模值與角度為主要特征，使用聚類算法將真實運動目標和虛假運動目標區分開來。首先計算前后幀圖像間的光流：

初始化最高層光流的初始值gLm= ［ 0 0］T，令L＝Lm，每迭代一次，L減1，直到L＝0：

由于圖像金字塔建立過程中，圖像的長寬依次縮小一倍，因此針對第L層圖像，計算圖像IL中像素點u對應的位置：

計算圖像IL在x方向的梯度：

計算圖像IL在y方向的梯度：

計算空間矩陣：

式中：wx、wy表示u處具有相同光流鄰域的大小。

初始化迭代LK 光流初始值d0＝[0 0]T；令k＝1，每迭代一次k加1，直到匹配差異向量小于1：

定義此時(x,y)處前后兩幀圖像的差異δI(x,y)，則有：

計算圖像差異：

計算匹配差異向量：

計算光流：

為下一次迭代提供初始值dk＝dk-1＋ηk；

結束k上的迭代，得到第L層圖像上的光流優化值dL＝dk；

為第L－1 層圖像提供光流初始值gL-1＝2(gL＋dL)；

結束L上的迭代，最終計算得到光流d＝g0＋d0；

得到圖像J中對應點坐標v＝u＋d。

3 重新表達目標光流

上述步驟求得前幀圖像I中目標區域像素點u在前后兩幀圖像對應的光流d，以及該像素點在后幀圖像J中的位置v。其中光流d為一個二維向量，該向量標識圖像平面內由位置u指向位置v的運動位移。而同一個運動目標其運動位移應該是一致的，這就給區分真實運動目標和虛假運動目標帶來了先決條件。針對圖像I中經過二值化后獲得的目標區域，每個區域選擇m個像素點（u1,u2,…,um），本方案根據圖像視場范圍以及處理器運算能力綜合考量選擇m＝5。對于每一個像素點ui，按照第2 章所述方法得到對應的光流d(ui)，然后利用算術平均值來求取對應目標區域Φ的光流dΦ：

4 目標分類

對于地面建筑或者地雜波等產生的虛假目標，由于全景成像系統鏡頭本身的運動，造成其通過上述計算也會產生光流值，但該光流值并不能反映像素點的實際運動。虛假目標光流值與真實目標光流值會有顯著不同，這主要表現在光流向量的方向和大小兩個方面。

1）虛假目標由于本身靜止或運動范圍很小，在疊加了紅外攝像機自身旋轉運動后，其光流方向會有高度趨同性，而真實運動目標的光流方向應與其實際位移方向一致，從而造成虛假目標與運動目標在運動方向上的顯著區別；

2）虛假目標因為本身基本處于靜止狀態，表征運動位移的光流僅反映紅外攝像機自身的運動，實際觀察光流值大小應不大于10 個像素，這也是區別于實際運動物體的顯著特征。

最后利用聚類算法將得到的目標光流進行分類，由圖2可以發現真實運動目標與虛假運動目標的光流分布區域有較大區別，為了把二者快速區分開來，首先在離θ軸較近的光流表征向量中隨機選擇一個作為第一個初始聚類中心，然后選擇距離該中心最遠的一個光流表征向量作為第二個初始聚類中心，通過計算各光流表征向量與初始化聚類中心的距離，將這些光流表征向量重新劃歸至距離最近的類別，并以新類別中各光流表征向量的均值作為新的聚類中心，持續迭代直至光流表征向量的分配聚類情況沒有更新，以實現最終把真實運動目標（類別1）與虛假靜止目標（類別2）分開的目的。

圖2 光流向量2D 分布Fig.2 Optical-flow vector 2-D lay out

5 實驗結果

為驗證本文的虛警率降低方法是否具有普遍性，項目組利用研發成功的紅外全景成像設備采集不同環境下（室內、室外）的中波紅外全景圖像，在Windows操作系統下使用Visual C＋＋開發環境將本文算法實現，將不同場景下前后兩幀全景圖作為輸入，以驗證算法有效性。

觀察圖3和圖4可以發現，無論室外還是室內環境，復雜背景下總會引入干擾，同時搜索跟蹤系統自身旋轉導致其中的高亮物體都會得到表征運動的光值，因此很多由于干擾產生的偽目標極易被搜索跟蹤系統誤判為真實運動目標。引入本文算法后，系統對輸入的前后兩幀全景圖像計算LK 光流，隨后將重點區域光流進行包括大小與方向的比對，按照聚類思想將其實施二分類，重復迭代直至真實運動物體被區分出來。根據圖3與圖4中處理后圖像可以發現，紅外全景圖像中的真實運動物體均以實線框標記出來，而由于干擾造成的虛假運動目標被虛線框標記出來，由此可見本文算法較好地將紅外搜索跟蹤系統所獲全景場景中的虛假運動目標加以抑制，從而有效降低了該類系統的虛警率。

圖3 虛假運動目標剔除效果（室內）Fig.3 False motion target elimination(indoor)

圖4 虛假運動目標剔除效果（室外）Fig.4 False motion target elimination result (outdoor)

6 結論

紅外全景監控設備是未來紅外熱像系統化發展的主要趨勢，而大視場的引入必然加大后續圖像處理設備的工作量，對于嵌入式圖像處理系統由于本身運算能力有限，因此在預處理階段自動排除虛假目標以減輕后續處理運算的壓力就顯得尤為必要。本文所述方法通過對實際采集的紅外全景序列圖像加以分析，很好地剔除了造成干擾的虛假運動目標，實驗結果也驗證了該方法的有效性。未來將把該方法向以GPU/FPGA＋DSP 為主處理器的嵌入式平臺移植，同時針對特征提取階段做更為深入的研究融入更多特征以提升虛假目標檢測效果，為紅外搜索跟蹤系統等產品提供有效的技術支持。