閆鈞華，段 賀，艾淑芳，李大雷，許倩倩

?

旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)實(shí)時(shí)檢測(cè)

閆鈞華1,2，段 賀1，艾淑芳2，李大雷2，許倩倩1

(1. 南京航空航天大學(xué)航天學(xué)院 南京 210016；2 光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室 河南洛陽 471009)

針對(duì)旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)誤檢率高、實(shí)時(shí)性差等問題，提出了目標(biāo)檢測(cè)新算法。首先對(duì)圖像進(jìn)行中值濾波預(yù)處理，計(jì)算圖像光流場(chǎng)，提取特征點(diǎn)，估算背景光流；然后設(shè)置閾值，判斷提取備選目標(biāo)特征點(diǎn)集合；最后通過特征點(diǎn)光流矢量角度、目標(biāo)灰度值區(qū)間、目標(biāo)特征點(diǎn)區(qū)域邊緣檢測(cè)的方法，排除備選目標(biāo)特征點(diǎn)集合中的背景特征點(diǎn)，實(shí)時(shí)準(zhǔn)確檢測(cè)旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確地檢測(cè)出紅外多個(gè)運(yùn)動(dòng)小目標(biāo)，檢測(cè)率93.8%，平均虛警率0.126 次/幀，平均每幀耗時(shí)15.53 ms，每幀圖像處理的最大時(shí)間為20.45 ms，能夠滿足運(yùn)動(dòng)目標(biāo)檢測(cè)對(duì)實(shí)時(shí)性的要求。

復(fù)雜背景; 紅外目標(biāo); 旋轉(zhuǎn); 目標(biāo)檢測(cè); 特征點(diǎn)光流矢量角

長(zhǎng)波紅外(8～12 μm)成像技術(shù)已被廣泛地應(yīng)用于紅外精確制導(dǎo)、預(yù)警、視頻檢測(cè)和跟蹤等多種軍事及民用領(lǐng)域[1-3]。長(zhǎng)波紅外成像的本質(zhì)是將物體紅外輻射的強(qiáng)度信號(hào)轉(zhuǎn)換成人類視覺分辨的圖像，溫度越高，長(zhǎng)波紅外輻射強(qiáng)度越強(qiáng)，成像時(shí)的灰度值越大?；陂L(zhǎng)波紅外成像技術(shù)檢測(cè)運(yùn)動(dòng)目標(biāo)的本質(zhì)是利用目標(biāo)與周圍環(huán)境的溫度差檢測(cè)目標(biāo)，適用于夜晚運(yùn)動(dòng)目標(biāo)的檢測(cè)。如果目標(biāo)與周圍環(huán)境的溫度差小，長(zhǎng)波紅外圖像中的目標(biāo)與背景的差異小，目標(biāo)檢測(cè)難度大。夏季周圍環(huán)境溫度全年中最高，在長(zhǎng)波紅外視頻圖像中的運(yùn)動(dòng)目標(biāo)與背景的對(duì)比度[4]最低，本文特選擇拍攝于夏季城市夜晚道路的長(zhǎng)波紅外視頻圖像，展開針對(duì)性的研究以實(shí)時(shí)精確檢測(cè)道路上運(yùn)動(dòng)的車輛。夏季城市夜晚道路的狀況復(fù)雜，造成紅外視頻圖像背景復(fù)雜。固定安裝的攝像機(jī)無法有效持續(xù)檢測(cè)跟蹤道路上的運(yùn)動(dòng)車輛，利用運(yùn)動(dòng)平臺(tái)使攝像機(jī)平移和旋轉(zhuǎn)以持續(xù)檢測(cè)跟蹤運(yùn)動(dòng)[5]的車輛，造成紅外視頻圖像背景旋轉(zhuǎn)[6]。城市夜晚道路上的運(yùn)動(dòng)車輛體積小，各種車輛運(yùn)動(dòng)速度不同，造成紅外視頻圖像中待檢測(cè)的運(yùn)動(dòng)目標(biāo)是多種速度的小目標(biāo)。運(yùn)動(dòng)車輛的長(zhǎng)波紅外輻射區(qū)域主要集中在發(fā)動(dòng)機(jī)的區(qū)域。上述情況使得目標(biāo)檢測(cè)難度大，本文展開針對(duì)性的研究以實(shí)時(shí)檢測(cè)旋轉(zhuǎn)復(fù)雜背景[7]中紅外運(yùn)動(dòng)小目標(biāo)。

通過感興趣區(qū)域增強(qiáng)[8]、區(qū)域生長(zhǎng)和連續(xù)圖像特征匹配融合的算法對(duì)于簡(jiǎn)單背景下的運(yùn)動(dòng)目標(biāo)可以有效的檢測(cè)，但對(duì)于復(fù)雜背景下的紅外目標(biāo)檢測(cè)效果不是很理想[9]。文獻(xiàn)[10]提出了基于形態(tài)學(xué)和高斯函數(shù)模型的目標(biāo)檢測(cè)算法，能夠很好地去除云霧等復(fù)雜氣象條件干擾，提取高亮度點(diǎn)作為空中目標(biāo)，局限在僅限于檢測(cè)空中目標(biāo)，無法應(yīng)用在有高亮度干擾的地面上。文獻(xiàn)[11]提出了基于圖像匹配差分的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法，可以有效去除背景中樹木等干擾，只適用于檢測(cè)速度較大的運(yùn)動(dòng)目標(biāo)，不適用于慢速小目標(biāo)的檢測(cè)。文獻(xiàn)[12]提出了圖像分塊重建的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法，算法簡(jiǎn)單，運(yùn)算速度快，抗噪聲強(qiáng)，但是算法建立在目標(biāo)灰度值大于背景灰度值假設(shè)基礎(chǔ)上，不能適用于復(fù)雜背景下的目標(biāo)檢測(cè)。本文針對(duì)旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)誤檢率高、實(shí)時(shí)性差等問題，提出了目標(biāo)檢測(cè)新算法。

1 背景估計(jì)

1.1 估算圖像背景光流

表1 Shi-Tomasi Harris特征點(diǎn)檢測(cè)結(jié)果

長(zhǎng)波紅外視頻圖像背景旋轉(zhuǎn)復(fù)雜時(shí)可以提取的特征點(diǎn)較多，當(dāng)背景特征點(diǎn)的數(shù)量遠(yuǎn)大于目標(biāo)特征點(diǎn)的數(shù)量時(shí)，用圖像總的特征點(diǎn)數(shù)量替代背景特征點(diǎn)數(shù)量來估算背景光流是簡(jiǎn)單高效的。從2 642幀拍攝于夏季城市夜晚道路的長(zhǎng)波紅外視頻圖像中隨機(jī)抽取10幀圖像，實(shí)驗(yàn)驗(yàn)證估算背景光流方法的有效性。特征點(diǎn)檢測(cè)采用Shi和Tomasi提出的角點(diǎn)檢測(cè)方法，對(duì)每幀圖像檢測(cè)背景特征點(diǎn)和目標(biāo)特征點(diǎn)，其數(shù)量關(guān)系如表1所示。

實(shí)驗(yàn)結(jié)果表明：不同場(chǎng)景中檢測(cè)的背景特征點(diǎn)數(shù)占特征點(diǎn)總數(shù)的93.82%以上，平均為96.91%。因此，用全部檢測(cè)出的特征點(diǎn)代替背景特征點(diǎn)來估算圖像背景光流是簡(jiǎn)單高效的。

1.2 金字塔Lucas-Kanade光流法[13]計(jì)算圖像光流

文獻(xiàn)[14]中Lucas-Kanade稀疏光流算法應(yīng)用在輸入圖像中的一組點(diǎn)上，基于如下3個(gè)假設(shè)：

1) 像素亮度恒定：連續(xù)視頻圖像前后兩幀極短時(shí)間內(nèi)，跟蹤像素的灰度()不隨時(shí)間變化。

2) 時(shí)間連續(xù)或者運(yùn)動(dòng)是緩慢運(yùn)動(dòng)：時(shí)間變化相對(duì)圖像中運(yùn)動(dòng)的比例要足夠小。

3) 運(yùn)動(dòng)一致性：視頻圖像上在一塊′小區(qū)域內(nèi)的像素運(yùn)動(dòng)是近似一致的。

可以得到光流矢量為：

2 運(yùn)動(dòng)目標(biāo)檢測(cè)

利用金字塔Lucas-Kanade稀疏光流法估算圖像背景光流，計(jì)算目標(biāo)光流，得到目標(biāo)備選特征點(diǎn)集合。由于夏季城市夜晚道路的長(zhǎng)波紅外視頻圖像含有大量的噪聲、干擾，所以在目標(biāo)備選特征點(diǎn)集合中含有大量背景特征點(diǎn)。利用特征點(diǎn)光流矢量角度、目標(biāo)灰度值區(qū)間、目標(biāo)特征點(diǎn)區(qū)域邊緣檢測(cè)的方法，排除其中的背景特征點(diǎn)，實(shí)現(xiàn)目標(biāo)特征點(diǎn)的準(zhǔn)確提取，從而檢測(cè)出紅外運(yùn)動(dòng)小目標(biāo)。

2.1 提取運(yùn)動(dòng)目標(biāo)特征點(diǎn)

利用光流矢量把運(yùn)動(dòng)目標(biāo)特征點(diǎn)從紅外圖像的背景中提取出來。在連續(xù)兩幀圖像中檢測(cè)出對(duì)匹配特征點(diǎn)，特征點(diǎn)光流矢量為：

設(shè)定閾值，根據(jù)式(4)逐一判定個(gè)特征點(diǎn)是否為運(yùn)動(dòng)目標(biāo)特征點(diǎn)。

閾值的設(shè)定非常關(guān)鍵，值越小，運(yùn)動(dòng)目標(biāo)檢測(cè)的漏檢率越低。因此排除背景點(diǎn)的誤檢尤為關(guān)鍵。為了檢測(cè)出旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)，需要將閾值設(shè)置盡可能小，使初步得到的備選目標(biāo)特征點(diǎn)集合包含所有的運(yùn)動(dòng)目標(biāo)的特征點(diǎn)和部分背景特征點(diǎn)。從該集合中排除背景特征點(diǎn)，剩下的就是運(yùn)動(dòng)目標(biāo)特征點(diǎn)，進(jìn)而把所有運(yùn)動(dòng)目標(biāo)檢測(cè)出來。

2.2 判斷光流矢量角度排除背景特征點(diǎn)

當(dāng)攝像機(jī)平移和旋轉(zhuǎn)以持續(xù)檢測(cè)跟蹤運(yùn)動(dòng)目標(biāo)時(shí)，造成紅外視頻圖像背景旋轉(zhuǎn)。利用特征點(diǎn)光流矢量角度的方法，排除背景特征點(diǎn)。

圖1 特征點(diǎn)光流矢量角度

2.3 確定目標(biāo)灰度值區(qū)間排除背景特征點(diǎn)

長(zhǎng)波紅外圖像受環(huán)境熱源、空氣流動(dòng)、天氣狀況、季節(jié)溫度的影響，背景像素灰度值分布范圍很大，運(yùn)動(dòng)目標(biāo)的像素灰度值一般較大，其分布在一定的范圍內(nèi)。利用一種適應(yīng)環(huán)境的動(dòng)態(tài)目標(biāo)灰度值區(qū)間[15]確定方法，可以確定目標(biāo)像素灰度值的分布區(qū)間，從而排除部分背景特征點(diǎn)。本文提出一種改進(jìn)的確定目標(biāo)灰度值區(qū)間的方法，從圖像直方圖峰值向兩側(cè)搜索灰度值區(qū)間，可以有效避免因某一灰度值統(tǒng)計(jì)量較小而中斷，從而獲取足夠大的目標(biāo)灰度值區(qū)間。

根據(jù)式(7)～式(10)可以確定目標(biāo)的灰度值區(qū)間，避免因?yàn)閭€(gè)別灰度值數(shù)量太低而導(dǎo)致灰度區(qū)間較窄的情況，如圖2所示。

圖2 搜索灰度值區(qū)間

根據(jù)確定的直方圖區(qū)間，如圖3所示(箭頭指示的區(qū)間)，可以去除部分背景特征點(diǎn)。原始圖像經(jīng)過灰度值區(qū)間濾除后的圖像仍然包含所有運(yùn)動(dòng)目標(biāo)，并去除部分背景，如圖4所示。

圖3 圖像灰度直方圖及其目標(biāo)灰度區(qū)間

a. 原始圖像 b. 灰度區(qū)間的圖像

2.4 檢測(cè)目標(biāo)特征點(diǎn)區(qū)域邊緣排除背景特征點(diǎn)

夏季城市夜晚道路上由于路燈、廣告屏、道路旁各種建筑、橋梁、湖面等的干擾，導(dǎo)致紅外視頻圖像背景復(fù)雜，因此在目標(biāo)備選特征點(diǎn)集合中含有大量背景特征點(diǎn)。本文提出一種目標(biāo)特征點(diǎn)區(qū)域邊緣檢測(cè)的方法對(duì)目標(biāo)備選特征點(diǎn)逐一進(jìn)行甄別，以排除背景特征點(diǎn)。

首先對(duì)原始圖像進(jìn)行線性拉伸[16]，增強(qiáng)目標(biāo)與背景的對(duì)比度：

最后，目標(biāo)特征點(diǎn)在邊緣上，如圖5所示。

圖5 目標(biāo)特征點(diǎn)區(qū)域邊緣檢測(cè)

值的選取與運(yùn)動(dòng)目標(biāo)的大小有關(guān)，′的區(qū)域應(yīng)能包含目標(biāo)，可以有選擇地檢測(cè)不同尺寸的運(yùn)動(dòng)目標(biāo)，如大客車、小汽車、摩托車等。

3 運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程

運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程如圖6所示。

圖6 運(yùn)動(dòng)目標(biāo)檢測(cè)算法流程圖

4 實(shí)驗(yàn)結(jié)果及分析

本文所用的實(shí)驗(yàn)視頻圖像是用長(zhǎng)波紅外攝像機(jī)拍攝的夏季城市夜晚道路的長(zhǎng)波紅外視頻圖像(幀率為25 幀/s，尺寸為352′288)，拍攝時(shí)利用運(yùn)動(dòng)平臺(tái)使攝像機(jī)可以平移和旋轉(zhuǎn)，從而能夠持續(xù)檢測(cè)跟蹤運(yùn)動(dòng)的車輛。視頻圖像背景中有路燈、高架橋、各式各樣的建筑，造成背景復(fù)雜、干擾較多；視頻圖像中運(yùn)動(dòng)車輛較多，車輛大小不盡相同，運(yùn)動(dòng)速度各異，需要檢測(cè)出多種速度的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)平臺(tái)為Windows XP操作系統(tǒng)的PC機(jī)，使用VC6.0進(jìn)行編程實(shí)現(xiàn)。

圖7為長(zhǎng)波紅外視頻圖像中選取的4幀圖像，圖8為背景的旋轉(zhuǎn)情況，圖中圓點(diǎn)表示同一位置，箭頭標(biāo)示背景旋轉(zhuǎn)的方向(背景的旋轉(zhuǎn)中心位于圖像右下方，旋轉(zhuǎn)方向?yàn)槟鏁r(shí)針)，由圖8可以看出圖像伴隨有上下抖動(dòng)的現(xiàn)象。圖9是上述4幀圖像中的特征點(diǎn)光流減去背景光流后產(chǎn)生的備選目標(biāo)特征點(diǎn)光流。圖10是利用特征點(diǎn)光流矢量角度、目標(biāo)灰度值區(qū)間、目標(biāo)特征點(diǎn)區(qū)域邊緣檢測(cè)的方法，排除備選目標(biāo)特征點(diǎn)集合中的背景特征點(diǎn)，實(shí)現(xiàn)目標(biāo)特征點(diǎn)的準(zhǔn)確提取。

圖7 原始長(zhǎng)波紅外圖像

圖8 背景旋轉(zhuǎn)方向

a. 第951幀圖像備選目標(biāo)特征 b. 第1 184幀圖像備選目標(biāo)特征點(diǎn)光流 點(diǎn)光流

c. 第1 595幀圖像備選目標(biāo)特征 d. 第1 763幀圖像備選目標(biāo)特征點(diǎn)光流 點(diǎn)光流

圖9 長(zhǎng)波紅外圖像備選目標(biāo)特征點(diǎn)光流

a. 第951幀圖像運(yùn)動(dòng)目標(biāo) b. 第1 184幀圖像運(yùn)動(dòng)目標(biāo)

c. 第1 595幀圖像運(yùn)動(dòng)目標(biāo) d. 第1 763幀圖像運(yùn)動(dòng)目標(biāo)

圖10 檢測(cè)出的運(yùn)動(dòng)目標(biāo)

表2 剔除背景特征點(diǎn)

視頻(2 642幀)中出現(xiàn)的5 890個(gè)運(yùn)動(dòng)目標(biāo)，檢測(cè)目標(biāo)5 524個(gè)，準(zhǔn)確檢測(cè)率為93.8%，出現(xiàn)虛警目標(biāo)334次，平均虛警率0.126次/幀。虛警率與環(huán)境的復(fù)雜程度直接相關(guān)。目標(biāo)檢測(cè)總耗時(shí)為41 023 ms，平均耗時(shí)15.53 ms/幀，每幀圖像處理的最大時(shí)間為20.45 ms。本文算法檢測(cè)時(shí)間小于40 ms，完全能夠滿足對(duì)路面運(yùn)動(dòng)目標(biāo)檢測(cè)實(shí)時(shí)性的要求。該算法針對(duì)長(zhǎng)波紅外場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)，因此要求目標(biāo)與背景的灰度值存在一定差異，進(jìn)而有效提取特征點(diǎn)，這是該算法進(jìn)行目標(biāo)檢測(cè)前提和基礎(chǔ)。但是該算法仍有尚需改進(jìn)之處，如對(duì)于極其慢速的運(yùn)動(dòng)目標(biāo)(即將靠近紅燈前將要停止的運(yùn)動(dòng)車輛)，難以檢測(cè)出來。

5 結(jié)束語

本文提出了一種旋轉(zhuǎn)復(fù)雜背景中紅外運(yùn)動(dòng)小目標(biāo)實(shí)時(shí)檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明該算法能夠準(zhǔn)確地檢測(cè)出紅外多個(gè)運(yùn)動(dòng)小目標(biāo)，虛警率低，且具有很好的實(shí)時(shí)性。

[1] YANG L, YANG J, YANG K. Adaptive detection for infrared small target under sea-sky complex background[J]. Electronics Letters, 2004, 40(17): 1083-1085.

[2] WANG X, LV G, XU L. Infrared dim target detection based on visual attention[J]. Infrared Physics & Technology, 2012, 55(6): 513-521.

[3]WEIHUA W, YAN H, ZHIJUN L, et al. A real-time target detection algorithm for Infrared Search and track system based on ROI extraction[C]//Signal Processing, Communication and Computing (ICSPCC), 2012 IEEE International Conference on. [S.l.]: IEEE, 2012: 774-778.

[4] 張肅,王文生,徐春云. 低對(duì)比度環(huán)境下運(yùn)動(dòng)目標(biāo)光學(xué)相關(guān)檢測(cè)技術(shù)[J]. 儀器儀表學(xué)報(bào),2013, 34(2):319-325.

ZHANG Su, WANG Wen-sheng, XU Chun-yun. Optical correlation detection technology of moving target under low contrast environment[J]. Chinese Journal of Scientific Instrument,2013, 34(2):319-325.

[5] 蔣建國,安紅新,齊美彬, 等. 復(fù)雜場(chǎng)景下的快速目標(biāo)檢測(cè)算法[J]. 電子測(cè)量與儀器學(xué)報(bào),2012, 26(3):261-266.

JIANG Jian-guo, AN Hong-xin, QI Mei-bin, et al. Rapid target detection algorithm in complex scene[J]. Journal of Electronic Measurement and Instrument, 2012, 26(3):261-266.

[6] 蔣建國, 蔡志祥, 齊美彬, 等. 旋轉(zhuǎn)攝像機(jī)下的快速目標(biāo)檢測(cè)算法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2012, 26(7): 624-628.

JIANG Jian-guo, CAI Zhi-xiang, QI Mei-bin, et al. The method of rapid moving object detection in rotating camera[J]. Journal of Electronic Measurement and Instrument, 2012, 26(7):624-628.

[7] 李勁菊,朱青,王耀南. 一種復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法[J]. 儀器儀表學(xué)報(bào),2010, 31(10): 2242-2247.

LI Jing-ju, ZHU Qing, WANG Yao-nan. Detecting and track ingmethod ofmoving target in complex environment Chinese[J]. Journal of Scientific Instrument, 2010, 31(10):2242-2247.

[8] DONG X, HUANG X, ZHENG Y, et al. Infrared dim and small target detecting and tracking method inspired by Human Visual System[J]. Infrared Physics & Technology, 2014, 62: 100-109.

[9] CHEN Y, LIU X, HUANG Q. Real-time detection of rapid moving infrared target on variation background[J]. Infrared Physics & Technology, 2008, 51(3): 146-151.

[10] KIM J H, PARK J J, AHN S H, et al. A small target detection system based on morphology and modified gaussian distance function[M]. Berlin, Germany: Springer Berlin Heidelberg, 2014.

[11] 李建成,劉興淼,潘偉全,等. 動(dòng)態(tài)背景下的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 光電工程,2013, 40(3):1-6.

LI Jian-cheng, LIU Xing-miao, PAN Wei-quan, et al. A method of infrared image moving object detection on dynamic background[J]. Opto-Electronic Engineering, 2013, 40(3):1-6.

[12] 劉興淼,王仕成,趙靜. 圖像分塊重建的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 紅外與激光工程,2011, 40(1):176-180.

LIU Xing-miao, WANG Shi-cheng, ZHAO Jing. Infrared image moving object detection based on image block reconstruction[J]. Infrared and Laser Engineering, 2011, 40(1): 176-180.

[13] LUCAS B D, KANADE T. An iterative image registration technique with an application to stereo vision[C]//IJCAI'81 Proceedings of the 7th International Joint Conference on Artificial Intelligence. Vancouver, BC, Canada: Morgan Kaufmann Publishers Inc, 1981.

[14] BRADSKI G, KAEHLER A. Learning openCV: Computer vision with the openCV library[M]. [S.l.]: O'Reilly Media Inc, 2008.

[15] LIU Z, ZHOU F, CHEN X, et al. Iterative infrared ship target segmentation based on multiple features[J]. Pattern Recognition, 2014, 47(9): 2839-2852.

[16] TAN D, CUI L, ZHANG A. Object Detection Based on Cluttered Infrared Image Background Suppression[C]// Proceedings of the 9th International Symposium on Linear Drives for Industry Applications, Volume 2. Berlin, Germany: Springer, 2014: 787-795.

編 輯 稅 紅

Real-Time Detection for Infrared Motion Small Targets in Rotation and Complex Background

YAN Jun-hua1,2, DUAN He1, AI Shu-fang2, LI Da-lei2, and XU Qian-qian1

(1. College of Astronautics, Nanjing University of Aeronautics & Astronautics Nanjing 210016; 2. Science and Technology on Electro-Optic Control Laboratory Luoyang Henan 471009)

A new algorithm of real-time detection for infrared motion small targets in rotational and complex background is proposed for solving the problems of high error rate of detection and poor real-time performance. The algorithm, at the first, processes the original infrared image with median filter, calculates the optical flows field, extracts the image’s feature points, estimates the background optical flows field, and then extracts the assemblage of the target feature points by setting the threshold. Finally, according to the optical flow vector angle of feature points, target gray interval and the area of feature points of edge detection, the background features points are removed from the assemblage, and thus the infrared motion small targets in rotational and complex background are detected accurately and timely. The experimental results show that the rate of detection of infrared motion small targets reaches 93.8%, the rate of average false alarm is 0.126 times per frame, the average time of target detection per frame is 15.53 milliseconds, and the maximum processing time for each frame is 20.45 milliseconds. It is concluded that the proposed algorithm meets the requirements of real-time moving target detection.

complex background; infrared targets; rotation; target detection; the optical flow vector angle of feature points

TP391.41

A

10.3969/j.issn.1001-0548.2017.05.010

2015-10-08；

2017-03-23

國家自然科學(xué)基金(61471194)；航空電子系統(tǒng)綜合技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助(20155552050)；國家留學(xué)基金(201506835020)

閆鈞華(1972-)，女，博士，副教授，主要從事多源信息融合、目標(biāo)檢測(cè)跟蹤與識(shí)別方面的研究.