张晟翀,蔡 军,孙玉铭,王立新

(1.光电信息控制和安全技术重点实验室,河北 三河 065201;2.第二炮兵驻锦州地区专用保障装备军事代表室,辽宁 锦州 121000;3.北京理工大学光电学院,北京 100081)

·图像与信号处理·

复杂背景下减少红外小目标检测虚警率的算法

张晟翀1,蔡 军1,孙玉铭2,王立新3

(1.光电信息控制和安全技术重点实验室,河北 三河 065201;2.第二炮兵驻锦州地区专用保障装备军事代表室,辽宁 锦州 121000;3.北京理工大学光电学院,北京 100081)

为了减小复杂背景下红外小目标检测的虚警率,采用自适应平滑再中值滤波的方法抑制背景噪声,边缘增强阈值分割检测方法突出和提取目标,利用小目标是孤立奇异点且不能发生突变的特点,通过多特性联合判断方法实现虚警目标剔除算法。实验表明,本文的算法计算量小、实时性好、实现灵活,在复杂背景下能有效降低虚警又不漏检目标,并实际完成了FPGA和DSP的硬件实现。

复杂背景；红外小目标检测；虚警；奇异点

1 引 言

远距离大视场的红外告警,会引入复杂的地物背景,而目标变为小(点)目标,可利用的有效信息一般为目标灰度的平稳性和目标运动轨迹的连续性[1]。由于云层和地面的小亮背景与点目标难以区分,造成虚警率较高。因此,许多文献进行了相关的探索,如采用序贯图像检测方法[2-3]、多量级多向梯度表决融合检测算法[4]、利用目标运动轨迹连续性的光流法[5-6]和角坐标变化的检测算法[7]以及利用背景本身固有的规律性特性的背景预测算法[8-10]等。这些算法各有侧重,但较为复杂,要达到实用和实时硬件实现,仍有一定困难。本文通过对实际图像的分析,结合点目标与背景差异的多特性联合判断,研究一种既能有效降低虚警率又快速简便易于硬件实现的红外小目标检测算法。

2 目标检测前的背景噪声抑制

为了使目标检测更准确,需要在目标检测前对背景噪声进行抑制,一般采用中值滤波器[11]、高通滤波器、平滑和匹配滤波器以及它们的一些组合改进形式[12]。我们采用先自适应平滑再中值滤波的方法,使背景内部灰度值更均匀,即可避免将小目标当成噪声点被中值滤波滤除,又保留目标强边缘的灰度值。对红外图像f(x，y)的自适应平滑滤波处理过程为：

(1)

其中,滤波窗口的大小为(2P+1)×(2P+1);Kx,y为加权系数。中值滤波模板采用如图1所示的十字形,即可滤除单个的噪声点又能尽量保留点目标。滤波后的效果图如图2所示,背景变得更为干净,目标也更清晰了。

图1 中值滤波模板

图2 平滑加中值滤波效果图

上述滤波均可通过固定的系数模板用FPGA硬件实现,可有效保证实时性。此外,在滤波后还要采用帧相减的方法进一步滤除不变的背景以及像面的坏点、镜头的杂质等形成的位置固定的噪声。由于目标是运动的,只有变化的目标不会被相减掉。这样我们就可以利用图像中变化的部分进行目标提取,提高目标检测的速度和效率。

3 边缘增强阈值分割目标检测

利用小目标边缘仍然比较清晰的重要特征,通过对图像采用边缘增强和阈值分割,突出可能的目标点,然后再通过对其边缘轮廓的有效像素进行搜索,检测出目标的大小和位置,如图3所示。

图3 边缘增强阈值分割效果图

边缘增强采用Sobel算子进行,阈值分割可采用最优阈值法、迭代阈值法、Otsu阈值化法、最大熵法[13]等。但为了满足实时性和有效地分离小目标,采用一种相对快速的自适应阈值分割方法。阈值T取为：

T=E+k×σk=1.0～2.0

(2)

其中,E表示目标点矩形领域的灰度均值；σ表示同一领域的灰度标准方差；k为门限系数。经过边缘增强阈值分割处理后,输出图像就仅含有目标和少量高频噪声及与目标相似的有亮边缘的背景。它们被统称为“可疑目标”,是否为真正的目标需要进一步地检测和判决。

在二值图像中对目标边缘轮廓进行搜索,采用了较为快速的边界扩展法。即在搜索到第一个值为1的像素点开始,每次均在其上下左右四个边界寻找相邻的值为1的像素,找到后就将其边界在此方向上扩展一个像素。找到的像素均置为0,以保证每个值为1的像素只被搜索一次。当四个方向都找不到有效像素时,该目标的边界扩展结束。图4示意了通过六次边界扩展确定两个目标位置和大小的过程。黑色方块表示搜索到的目标区域,虚线表示每次搜索的边界。该方法避免了重复搜索,简单实用,能快速地找到目标的边界和位置。

因为前面的处理可能会造成某些背景大目标的边缘不连续,形成一些假的小目标,所以还要将距离很近的目标合并。这里距离很近的目标主要是对边界有重叠区域,以及边界间距离小于2个像素的目标而言。

图4 六次边界扩展进行目标搜索的示意图

4 虚警目标剔除算法

在复杂背景下,前面提取检测出的“可疑目标”中大多含有如云层、地面物体的边缘等形成的虚警目标。通过对红外图像的反复观察发现：小目标除了比背景亮和具有灰度突变的边缘特征外,还具有下列与背景目标特性不同的特点：

(1)小目标一般为点状目标,这是唯一可以利用的形状特征;

(2)小目标的亮度在连续的几帧内是比较稳定的,不会发生突变；

(3)小目标在其周围相邻背景中为一个孤立的奇异点，这个奇异点的特性是亮度比周边都高而且灰度值高出的量在四面都比较均匀;

(4)小目标的方位是连续变化的,不会突变也不会不变。

这样就可以通过这些特点进行多特性联合判断来剔除虚警目标。具体算法为：

(1)首先通过目标边界的长度、宽度和长宽比信息,将各种复杂背景(云层、树木、建筑等)边缘形成的比较大的或明显不是点目标的细长目标剔除。

(2)判断目标是否为孤立的奇异点。即将目标平均灰度值与在目标上下左右所取的四个背景灰度值相减,如果差值相近且均为正值,则为目标点。否则为虚警。

(3)建立连续帧都检测到的目标库,记录位置、大小、亮度角速度等信息。

(4)同一方位的目标,如果亮度、大小和位置在两帧内变化较大的是虚警。

(5)目标的运动方向突然变化或突然出现又消失。比如飞鸟,以及闪光等可视为虚警。

(6)最后将连续多帧位置和大小均不变的目标剔除(区分地面不动的小目标)。

(7)实时更新目标参数,连续记录目标的变化,使虚警降到最低。

图5为整个算法的流程图。

图5 算法流程图

5 实验结果及分析

通过FPGA和TMS320C6416 DSP对本文的算法进行编程,在硬件上实现实时的小目标检测,得到的实验结果，如图6和图7所示。其中白色十字指示了检测到的目标点。

图6 未采用虚警目标剔除的检测算法结果图

图7 采用了虚警目标剔除算法的结果图

从图6中可以看出，图6(a)、(b)、(c)由于复杂云层和地物背景的干扰,在有目标的情况下出现了虚警；图6(d)虽然没有目标出现,但由于地面树木等复杂背景的干扰也出现了虚警。而从图7可以看出,由于采用了虚警目标剔除算法,图7(a)在比较复杂的地面背景下没有因为树木等物体的干扰出现虚警,并检测到了正确的飞机目标；图7(b)、(c)、(d)在同样云层和地面电线杆背景干扰下检测到了正确的目标,没有出现虚警。

6 结 语

本文的算法通过对背景噪声抑制、边缘增强阈值分割检测和关键的虚警目标剔除算法,根据小目标是孤立奇异点且不能发生突变的特点,采用较为简单的多特性联合判断方法,成功地在复杂背景下检测出了小目标。具有计算量小、实现灵活、检测效果好、实时性强和便于硬件实现的特点。在复杂地空背景下的虚警率经连续帧实测,由原来的50%左右降低到2%以下,且大多数背景下虚警率为0。

[1] WANG Guoyou,CHEN Zhenxue,LI Qiaoliang.A review of infrared weak and small targets detection under complicated background[J].Infraed Technology，2006,28(5)：287-292.(in Chinese) 汪国有,陈振学,李乔亮.复杂背景下红外弱小目标检测的算法研究综述[J].红外技术,2006,28(5)：287-292.

[2] YU Jiancheng,SUN Shengli,CHEN Guilin.Study of point target detection in infrared images[J].Infrared,2006,27(4)：15-19.(in Chinese) 俞建成,孙胜利,陈桂林.红外图像中小目标检测研究[J].红外,2006,27(4)：15-19.

[3] Blostein S D,Huang T S.Detecting small moving objects in image sequences using sequential hypothesis testing[J].IEEE Trans.On Signal Processing，1991,39(7):1611-1629.

[4] ZONG Siguang,WANG Jiangan,CHEN Qishui.New detection algorithm for dim IR point targets under complicated sea and sky background[J].Opto-Electronic Engineering，2005,32(4)：9-12.(in Chinese) 宗思光,王江安,陈启水.海空复杂背景下红外弱点目标检测新算法[J].光电工程,2005,32(4)：9-12.

[5] Horn B K,Schunck B G.The image flow cons-traint equation[J].CVGIP，1986,35(3):26-31.

[6] ZOU Jiangwei,CHEN Zengping.Small space target extraction based on morphology and image flow method[J].Opto-Electronic Engineering，2005,32(4)：13-15，31.(in Chinese) 邹江威,陈曾平.应用形态学与图像流法的空间小目标提取方法[J].光电工程,2005,32(4)：13-15，31.

[7] LI Peng,CHEN Qian.An efficient detection algorithm for decreasing false alarm rate of infrared surveillance system[J].Opto-Electronic Engineering,2010,37(4)：15-19.(in Chinese) 李鹏,陈钱.一种有效降低红外预警系统虚警率的检测算法[J].光电工程,2010,37(4)：15-19.

[8] Nishiguchi K,Kobayashi M,Ichikawa A.Small target detection from image using recursive max filter[C]//SPIE，1995,2561:153-165.

[9] CHEN Zhenxue,WANG Guoyou.Infrared small and weak target detection based on self-adaptive background forecast[J].Laser & Infrared,2005,35(8)：608-610.(in Chinese) 陈振学,汪国有.基于自适应背景预测的红外弱小目标检测算法[J].激光与红外,2005,35(8)：608-610.

[10]LI Jicheng,SHEN Zhenkang,LU Xinping,et al.Weak and small target detection based on adaptive prediction of IR background clutter[J].Laser & Infrared,2004,34(6)：478-480,486.(in Chinese) 李吉成,沈振康,鲁新平,等.基于背景杂波自适应预测的红外弱小目标检测[J].激光与红外,2004,34(6)：478-480，486.

[11]Barnett J.Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds[C]//SPIE，1989,1050:10-18.

[12]YU Hainan,ZHAO Baojun.Detection of small targets of low SNR infrared image[J].Laser & Infrared,2004,34(1)：40-42.(in Chinese) 于海南,赵保军.低信噪比红外图像小目标的检测[J].激光与红外,2004,34(1)：40-42.

[13]LI Zhongjie,YANG Guanliang,XU Xiaojie.Image segmentation based on automatic thresholding selection and edge detection[J].Journal of Naval University of Engineering.2002,14(4)：88-91.(in Chinese) 李忠杰,杨关良,徐小杰.自动阈值选取与边缘检测相结合的图像分割算法[J].海军工程大学学报,2002,14(4)：88-91.

Algorithm to reduce false alarm of IR small targets detection in complex background

ZHANG Sheng-chong1,CAI Jun1,SUN Yu-ming2,WANG Li-xin3

(1.Science and Technology on Electro-optical Information Security Control Laboratory，Sanhe 065201，China;2.Special Support Equipment Military Representative Office of Second Artillery Stationed in Jinzhou，Jinzhou 121000，China;3.School of Electro-Optical,Beijing Institute of Technology，Beijing 100081，China)

In order to reduce the false alarm of IR small targets detection under complicated background,adaptive smooth and median filtering algorithm were used to suppress background noise,and edge enhancement threshold segmentation method was used to highlight and extract the target. Because small target is the isolated singular point and can′t mutate,false alarm deletion algorithm was realized through multiple features combined with judgment method. Experiment results show that this algorithm has the merits of simple calculation,good real-time and flexible implementation. Under the complex background it can effectively reduce the false alarm and don′t leave out target. It has been realized with FPGA and DSP hardware structure.

complex background；IR small targets detection；false alarm；singular ponit

1001-5078(2015)02-0221-04

张晟翀(1973-)，男，硕士研究生，研究方向为数字信号处理。E-mail：zsc417@126.com

2014-07-01;

2014-07-15

TP391.41

A

10.3969/j.issn.1001-5078.2015.02.022