郝争辉 ，王 高

（1.中北大学仪器科学与动态测试教育部重点实验室，太原 030051；2.电子测试技术国家重点实验室，太原 030051）

0 引言

瞄准设备是武器的重要构成部分，它性能的差异会直接导致射击的准确性［1］。因此，如何使瞄准系统能快速、精准地辅助武器射击目标是问题的关键。快速对目标定位、校准武器角度是瞄准系统辅助武器精确打击的重点与难点。而目标检测算法是瞄准系统中的关键部分。

红外小目标检测算法有小波变换、空域滤波、Top-hat、机器学习法等，但是许多方法依然存在着需要先验条件较多、复杂度高等问题。文献［2］中提出基于自适应噪声平滑与空间滤波的背景杂波抑制算法，该方法是针对单像素进行模板操作，其中滤波器模板在运算中尺寸固定，且要提前设定。文献［3］使用的Top-hat算法虽然计算速度较快，但要求对目标物结构元素尺寸进行确定后才能计算。文献［4］提出一种利用局部灰度均值来确定图像中红外目标的尺寸与其对应位置信息的算法，但复杂度较高，其检测速度有待进一步提高。文献［5］中提出了一种新的对比度衡量标准LCM。但是当图像中有高亮度的背景区域存在时，目标即使经过增强后，仍然低于高亮度背景区域的亮度，从而使得检测率降低。

LoG算子可以有效地将图像中含有的斑点区域检测出来［5］，适用于找出图像中疑似目标存在的区域。本文应用LoG算子检测出图像中疑似目标存在的区域，纹理对比度进行疑似区域的判别得到目标所在区域。最后对目标进行分割特征提取，利用光学系统的几何特性计算出需要校正的角度。

1 目标位置定位及计算校正度数

1.1 算子原理

高斯-拉普拉斯由Marr等提出，主要原理先将视频序列通过高斯滤波器抑制序列图像中存在的高斯噪声，接下来利用拉普拉斯变换来突出图像中部分区域灰度信息剧烈变化的细节。LoG算子可以将图像中含有的特征点检测出来，该特征点一般是指和周围区域存在一定的灰度或颜色差异［6］。

对于图像f（x，y），高斯滤波由输入图像与高斯核进行卷积得到：

其中，高斯核函数为：

σ为高斯正态分布的方差。

进一步使用拉普拉斯变换对图像进行处理：

整理得：

依据Δ算子与卷积的性质，应先计算LoG算子，然后再与图像进行求卷积，表示为：

当LoG算子尺度与高斯目标特征点尺度相等时，此时所得到的响应值达到最大。因此，需要多次采用不同尺度下的LoG算子来对目标进行检测，最后从中取最大响应值的LoG算子对图像进行目标特征点检测。

1.2 加权纹理对比度

纹理特征是描述与辨别物体的一种十分重要的特征，能够将图像当中的一些灰度信息量化。它描述了反复出现在图像中局部形式与排列组合的规则，可以用来描述灰度值变化的规律。因此，图像的组合是由不同的纹理区域构成的［7］。

灰度共生矩阵是由输入图像灰度矩阵中2个像素灰度级之间联合分布的统计形式体现，是对2个像素点在一定的距离与方向上联合概率统计的分布情况。利用该矩阵可以将纹理在灰度级空间中的一些相关性规律良好地反应出来。可将灰度共生矩阵定义为：假设图像的某一区域内含有N个灰度值，那么该区域所对应灰度共生矩阵是N×N阶的矩阵PN×N，灰度为i的点离开特定位置关系d到灰度为j的概率。为灰度共生矩阵。L为图像的灰度级，i，j分别为图像的灰度。d为图像中两个像素的空间位置关系。两个像素间的距离与方向由d决定。方向通常取4个方向。为了方便分析，先将灰度共生矩阵进行归一化得到共生矩阵。其中对比度特征是用来刻画沟纹的深浅程度。图像中所包含的沟纹比较深，所求出的对比度就越大。像素间灰度值差别较大的，所得的对比度也较大［8-9］。

因为所检测的目标物在图像中所占像素较少，所以对整幅图像进行对比度计算来检测目标效果较差。因此，本文采用对图像矩阵先进行分块，将其分为p×q块图像的区域矩阵来计算。其中p，q的大小根据所检测的目标大小及图像的尺寸来确定。其次计算图像的灰度共生矩阵并生成相应的对比度矩阵，利用极大值的位置来判断目标可能所在的区域。由于仅用对比度矩阵缺少原始图像的灰度信息，因此，对所需检测目标效果不佳。文中采用方差加权对比度来判断该子图像区域内是否含有检测的目标物。计算图像每个子区域内的灰度值方差var与对应的该区域内的对比度CON（权值），将它们相乘得到灰度方差加权纹理对比度：

1.3 计算校正度数

图1 热像仪测角示意图

2 算法检测步骤

在预处理阶段应采用中值滤波的方法降低由于电路、传感器等系统噪声。然后对输入图像分别使用LoG算子与灰度方差加权纹理对比度进行计算，其中利用LoG算子用于检测图像中的斑点与纹理对比度极大值的区域，作为疑似区域并将其区域图像分割再次判定。最后对目标进行分割提取，计算出其重心、边界位置通过几何光学特性来计算校正度数。

1）首先对图像序列通过中值滤波器，以除去由电路、传感器等所产生的噪声。

2）LoG算子斑点检测

利用LoG算子对图像进行检测斑点，可以将整幅图像中的疑似目标存在的区域斑点检测出来。并将检测出斑点区域的重心点求出。通过检测以后有效地排除大部分区域，而剩下具有较强对比度的部分区域，需要通过下面的步骤过滤。

3）分块计算灰度方差加权纹理对比度矩阵

将整幅图像矩阵先进行分块处理，子图像区域为M×N的矩阵。再对每一块子区域图像进行灰度方差纹理对比度的计算，从而得到整幅图像的灰度方差加权纹理对比度矩阵。利用灰度方差加权纹理对比度矩阵，能够精确地描述图像在局部的灰度变化与纹理对比度的变化，如果图像中局部出现斑点或者对比度出现较大的变化，都可以由通过矩阵中极大值将其位置检测出来。由于图像背景中的物体在灰度值上属于渐变，所以物体的边缘会导致纹理对比度矩阵产生波动，但是与目标区域的纹理对比度值相比就可以忽略不计，然后将疑似目标滤除。

4）结合步骤2）与步骤3）中的结果确定目标区域

通过判断含有方差纹理对比度峰值的子图像区域是否含有由LoG算子检测出的斑点区域重心。

5）对目标区域分割

通过对目标存在的子区域采用Otsu算法，从而将目标分割出来，并计算出目标的重心位置、边界区域等信息。

6）对目标进行角度校正

利用分割计算出的目标重心，及边界范围来计算瞄准目标所需要校正的角度。

3 实验结果分析

实验选取尺寸为201×303的小动物红外图像，图像中目标一般在10个像素左右。目标在区域内移动，这种条件下相隔帧较大时目标在图像中的大小变化比较明显，如图2所示。

图2 目标红外图像

如图3所示适当选取LoG算子的计算参数，将得到良好的检测结果。经过该算子斑点检测后，过滤掉大量的背景区域得到几处疑似目标存在的区域。为了后续简化计算，得到疑似目标存在区域的重心坐标。

图3 检测出的区域及重心

求纹理对比度时图像采用3×3的子图像来进行计算，其中子图像的大小根据实际情况下的图像尺寸与目标来进行选取。由于区域图像中斑点的存在，使得该区域对比度明显比其他区域要强。而且区域子图像内灰度值之间的差别比较大，这也使得其方差变大。如图4所示，灰度方差加权纹理对比度矩阵同时利用两个方面指标，可以有效地得到区域图像中极大值的位置（疑似目标区域）。

图4 分块计算图像的灰度方差加权纹理对比度

4 分块计算图像的灰度方差加权纹理对比度

表1 纹理对比度的峰值坐标

从表1中检测结果可以看出，目标区域的重心点都在纹理对比度矩阵的峰值区域内。利用LoG算子与灰度方差加权纹理对比度进行计算，可以有效检测出目标所在的区域。本文采用Top-hat算法与文献［11］中的算法作为红外目标检测的比较算法。分别运用这3种算法对红外图像中的目标进行分割提取，如图5所示。

图5 目标分割

从上述分割结果可以看出利用Top-hat算法对图像中的目标进行提取时，由于图像背景中存在盆栽与笼子等物体，使得背景变得不平滑，从而在利用该算法进行检测时，得到许多伪目标点。文献［7］中的算法虽然在一定程度上抑制了背景不平滑所带来的问题，但还是将盆栽与笼子在较亮背景下的边缘部分检测出来了。而本文算法利用LoG算子检测出图像中疑似目标存在的区域，纹理对比度进行疑似区域的判别，得到目标所在区域。可以看出本文算法在背景不平滑的条件下，检测出图像中的小目标。

利用图像对目标瞄准进行校正角度计算时，以图像横轴与纵轴中线的交点作为准星。依据图像尺寸为 201×303，所以文中采用坐标为（101，152）点作为准星点。根据分割完的图像可以得到图像中目标的重心及边界，采用文献［10］中的参数进行计算。首先对目标区域的重心进行瞄准，并利用目标边界上的点，作为瞄准目标所不能超越的范围，以此求出所需调整水平角与仰俯角的度数范围，以便更加精准的瞄准目标。

表2中目标重心由分割后的图像得出，计算出目标所在最小外接矩形的左上方顶点与右下方顶点的坐标。水平角与仰俯角所需矫正的度数以准星点坐标（101，152）为参考点进行校正。因为所检测的目标所占像素较少，导致边界最小外接矩形与重心坐标相差像素较少，所以对其校正度数的影响偏差在0.02°左右。

表2 目标区域重心、边界与需校正的度数

5 结论

本文采用LoG算子与加权纹理对比度的红外弱小运动目标检测算法。该方法首先通过LoG算子检测出图像中疑似目标存在的区域，然后利用分块图像加权方差纹理对比度矩阵中的极大值，从疑似目标存在区域中最终确定目标位置，最后从确定目标位置区域中将目标分割出来。确定目标的重心及最小外接矩形的边界，并利用几何光学特性来计算校正度数，已达到瞄准的效果。实验表明，该算法可以有效地从图像中检测出目标所在位置，并计算出瞄准目标所需要校正的度数以便辅助瞄准目标。