張志明，周建軍，劉志雄

(1.華中光電技術研究所武漢光電國家實驗室，湖北 武漢 430073;2.海軍無線電研究所，北京 102249)

天空背景紅外圖像弱小目標的信息主要集中在位置和灰度特征上，無明顯的幾何形狀、紋理等特征，且遠距離紅外圖像受噪聲的干擾，目標與背景的對比度較差，可檢測的信號相對較弱，特別是在非平穩(wěn)起伏背景干擾下，目標甚至被噪聲淹沒，時有時無，這些都增加了紅外視頻流圖像跟蹤的難度[1]。本文根據紅外圖像背景特征的空間相關性以及連續(xù)圖像幀中目標灰度特征和運動特征的時域相關性，提出了一種“預處理+目標檢測+目標特征提取+目標特征后處理”的弱小目標跟蹤算法。

1 天空背景紅外弱小目標圖像特征

受天空結構化強云的影響，天空背景紅外圖像背景起伏較大，灰度變化劇烈，目標的灰度值可能比亮云背景灰度值低，從圖像局部對比度觀察，云背景變化緩慢，目標在局部范圍內灰度值突出，具有較高的局部對比度。圖1、圖2分別為天空背景原圖及其直方圖。

弱小目標包含目標“弱”和“小”兩個屬性?！叭酢睂傩杂脤Ρ榷群托旁氡让枋?“小”屬性為目標在圖像中占有的像素數(shù);紅外弱小目標一般是指對比度小于15%、信噪比小于1.5、成像尺寸小于3 ×3 的目標[2]。

2 跟蹤算法

基于后處理的紅外圖像弱小目標檢測跟蹤主要包括圖像預處理、目標檢測和目標跟蹤等過程，其算法流程如圖3所示。圖像預處理通過背景抑制處理提高圖像信噪比，目標檢測以低虛警率從復雜背景中檢測出目標點并提取目標特征，目標跟蹤是應用目標檢測輸出的特征實現(xiàn)目標穩(wěn)定可靠跟蹤。

圖3 紅外圖像弱小目標跟蹤流程框圖

紅外圖像弱小目標可利用的特征信息少，檢測跟蹤處理是利用背景特征的空間相關性實現(xiàn)弱小目標的檢測，并利用目標特征的時域相關性實現(xiàn)目標精確跟蹤和短時慣性跟蹤處理。

2.1 圖像預處理

通過圖像預處理提高圖像信噪比、抑制背景雜波和噪聲，增強弱小目標特征，降低檢測虛警率。紅外弱小目標圖像預處理按照3×3窗口的快速中值濾波算法，3×3中值濾波算法是一種通用的圖像預處理算法，濾除噪聲點的同時能很好地保持圖像中的細節(jié)部分，作用是濾除圖像中的單像素噪聲。3×3快速中值濾波算法實現(xiàn)過程如下:

將3×3窗口內的9個像素定義如圖4所示。

首先對窗口內的每一列分別計算最大值、中值和最小值，由各列的最大值、中值和最小值組成最大組、中值組和最小組3組數(shù)據，然后分別求取最大值組中的最小值Maxmin，中值組中的中值Medmed，最小值組中的最大值Minmax，最后濾波輸出的結果為Maxmin，Medmed和Minmax這3個值的中值?？焖僦兄邓惴▋H需作17次比較，與傳統(tǒng)算法相比較，比較次數(shù)減少了近2倍。

圖4 3×3快速中值濾波窗口定義

2.2 目標檢測

目標的紅外輻射與周圍背景的輻射強度無關，目標信號強于局部背景的輻射強度，目標在圖像中的灰度分布與其領域圖像灰度分布不相關。天空背景圖像灰度一般是大面積且變化緩慢，具有強相關性，背景邊緣兩側灰度也是緩變的。圖像噪聲的灰度特征與目標類似，均為圖像中局部灰度奇異點，但目標運動軌跡具有連續(xù)性，噪聲位置是隨機的，可在后續(xù)處理中濾除。紅外圖像弱小目標檢測采用一種基于圖像區(qū)域相關性的梯度檢測算法[3]。

定義圖像(x，y)位置處沿任意方向的梯度為

式中:Δx，Δy為水平和垂直方向的梯度步長。疑似目標點提取判斷準則如下

式中:∑G(i，j)Δx，Δy＞ T0表示圖像點 (x，y)處的各向梯度值全都大于梯度閾值T0。為了降低虛警概率，設計中選用Δx=16，Δy=12的全向梯度檢測。同時為了提高處理效率，在梯度比較過程中，如存在一點梯度小于給定閾值T0，則判斷該點不是目標點，直接進入下一點的梯度檢測。梯度閾值T0通過人工判斷輸入，一般取值為3～8。若T(x，y)為I則表示該點為目標點，否則即為背景點。

2.3 目標特征提取

目標特征提取以目標檢測輸出的目標點為輸入，對目標點進行歸類，生成疑似目標和各目標的特征。為便于后續(xù)幀弱小目標的跟蹤處理，提取的目標特征需具有:1)目標特征與非目標物體差異明顯;2)同類目標特征相同或相近;3)構建目標特征空間的特征互不相關;4)目標特征簡約無冗余。目標特征提取采用一種基于最短歐氏距離的提取算法，根據最短歐氏距離準則，距離小于一定閾值的目標點歸并為同一個目標點集，計算各目標點集的特征信息，生成目標特征空間矢量。針對天空紅外圖像弱小目標所具有的特征，設計中提取的目標特征包括:目標平均灰度值、目標邊緣的上下邊緣(ymax，ymin)和左右邊緣(xmax，xmin)、目標有效點數(shù)等信息，可能目標形心位置為

為減少噪聲對確定真實目標的影響，根據紅外圖像弱小目標具有的特征，濾除以下3類目標:1)像素數(shù)為1的目標:由于紅外成像暗噪聲多的特點，以及為減少目標后處理的計算量，提高目標跟蹤的實時性，認為單像素目標為噪聲點。2)對于長寬比大于3的目標，根據弱小目標成像尺寸小于3×3以及天空背景云雜波復雜的特點，長寬比大于3的目標多為云雜波。3)如跟蹤的目標為亮目標，則濾除目標灰度均值小于圖像灰度均值的目標;如跟蹤的目標為暗目標，則濾除目標灰度均值大于圖像灰度均值的目標。

2.4 目標跟蹤處理

目標跟蹤處理的作用是確定要跟蹤的目標并對外輸出目標位置參數(shù)。根據前后圖像幀中目標灰度特征和運動特征的一致性，目標跟蹤處理采用一種結合目標灰度特征計算的慣性跟蹤策略。目標跟蹤處理的步驟如下。

1)目標位置預測

在短期內，目標運動距離小，連續(xù)圖像幀中目標位置具有運動一致性，可通過適當?shù)念A測處理得到目標的可能位置。實際應用中，目標運動可看作是直線運動和二次曲線運動的組合，采用線性逼近和平方逼近的組合可預測目標中心位置坐標f(t)。設計中采用5點線性逼近和平方逼近的組合預測算法[4]，組合預測算法表達式為

上式中權函數(shù)ω根據實時測得的平方預測器誤差確定，當平方預測器誤差較大時則增大權值，否則減少權值，權函數(shù)與平方預測器誤差的函數(shù)關系應滿足0≤ω≤1。采用對以前的預測值進行誤差分析來確定當前使用的權值，權值確定方式為

2)目標確認

紅外弱小目標存在閃爍現(xiàn)象，目標會時有時無，目標確認處理分為預測位置附近“存在目標”或“不存在目標”兩種情況。

預測位置附近存在目標，根據連續(xù)圖像中弱小目標灰度特征的一致性，運用目標特征提取算法獲取的目標灰度均值、目標像素數(shù)、長寬比等信息構成特征空間，進行目標特征匹配計算，以相似度最高的目標作為跟蹤目標。同時為提高對目標特征信息變化的敏感程度，采用一種簡單的模板自適應更新策略，具體表達為

式中:Mnext為更新后的模板;Mmatch為最佳匹配目標特征空間;Mcur為當前模板;α為最佳匹配值。

預測位置附近不存在目標，無跟蹤目標，則根據目標運動的一致性，以預測位置作為目標位置，目標特征模板不變。

3 算法實現(xiàn)及試驗結果

天空背景紅外圖像弱小目標檢測跟蹤算法在以TI公司TMS320C6414芯片為核心處理器的硬件平臺進行了驗證。TMS320C6414工作頻率720 MHz，指令執(zhí)行速度為5760 MIPS(Million Instructions Per Second)，片內存儲器1 Mbyte，具有獨立的數(shù)據總線和地址總線，支持并行的程序和操作尋址。試驗采用紅外熱像儀實際獲取的圖像為處理對象，圖像大小384×288，目標為天空背景下的遠距離飛機，見圖5和圖6。為提高算法處理的實時性，圖像數(shù)據直接采集到DSP芯片的片內存儲器。

圖5 目標檢測結果

實驗結果表明:天空背景紅外圖像弱小目標檢測跟蹤算法可穩(wěn)定地檢測跟蹤信噪比1.5、目標尺寸3×3的目標;程序經優(yōu)化后單幀圖像“預處理+全圖像目標檢測+后處理”處理速度平均可達58 ms/f(毫秒每幀)，“預處理+波門圖像目標檢測+后處理”處理速度不超過15 ms/f;目標短暫丟失0.4 s后可自動重新跟蹤目標。

圖6 目標跟蹤結果

4 結論

利用圖像背景灰度緩變特征的空間相關性，結合圖像前后幀中目標灰度特征和運動特征時域相關性的紅外圖像弱小目標檢測跟蹤算法能夠實現(xiàn)弱小目標的穩(wěn)定可靠跟蹤，跟蹤過程具有較好的自適應性和穩(wěn)健性，算法實時性好，具有良好的使用價值。本算法對電視視頻圖像的目標跟蹤同樣具有借鑒作用。

[1]宗思光，王江安，陳啟水.海空復雜背景下紅外弱點目標檢測算法研究[J].光電工程，2005，32(4):9－12.

[2]WU Bin，JI Hongbing.A novle algorithm for point－target detection based on third－ order cumulant in infrared image[C]//Proc.ICSP 2006.[S.l.]:IEEE Press，2006:16－20.

[3]THAYAPARAN T，KENNEDY S.Detection of a maneuvering air target in sea－clutter using joint time－frequency analysis techniques[EB/OL].[2012－06－28].http://wenku.baidu.com/view/857a2d3410661ed9ad51f352.html.

[4]王鑫.復雜背景下紅外目標檢測與跟蹤算法研究[D].南京:南京理工大學，2010.