李 云，宋 勇，趙宇飛,趙尚男,李 旭，郝 群

(北京理工大學(xué)光電學(xué)院， 北京 100081)

紅外弱小目標(biāo)檢測技術(shù)是紅外探測系統(tǒng)的核心技術(shù)之一，引起了越來越多的研究興趣[1-2]。目前，紅外運(yùn)動目標(biāo)檢測領(lǐng)域主要面臨兩個關(guān)鍵問題：① 背景復(fù)雜。在具體應(yīng)用中，紅外圖像中的背景越來越復(fù)雜，導(dǎo)致圖像灰度分布不均勻，且雜波干擾嚴(yán)重；② 目標(biāo)弱小。弱小目標(biāo)通常僅有幾到十幾個像素，缺乏可利用的形狀和紋理信息，且目標(biāo)與背景的對比度較低，使得目標(biāo)的可檢測性下降。上述問題使得紅外弱小目標(biāo)的準(zhǔn)確和魯棒性檢測面臨挑戰(zhàn)。

目前，用于復(fù)雜背景下的紅外弱小目標(biāo)檢測的經(jīng)典算法主要包括：基于形態(tài)學(xué)的算法[3]，基于小波變換的算法[4]，基于背景抑制的算法[2]，背景減除法，三維匹配濾波法[5]，光流法[6]等。上述算法雖部分解決了強(qiáng)雜波背景下的紅外弱小目標(biāo)檢測問題，但均不同程度存在一定的缺陷。例如：形態(tài)學(xué)算法的檢測性能易受結(jié)構(gòu)元素的影響。當(dāng)圖像背景較為復(fù)雜時，其檢測結(jié)果會殘留背景雜波；小波變換算法、光流法相對復(fù)雜，對硬件系統(tǒng)要求較高[7]；背景抑制算法的檢測性能在很大程度上依賴于所構(gòu)造的模型或模板[8]，當(dāng)構(gòu)造的模型或模板不合適時，其檢測能力會受到嚴(yán)重影響；三維匹配濾波方法的檢測性能在很大程度上依賴于先驗知識，先驗知識不正確將導(dǎo)致檢測失敗。

近年來，紅外小目標(biāo)檢測和跟蹤領(lǐng)域的相關(guān)研究進(jìn)展包括： Bae等人提出一種新型二維最小均方(LMS)濾波器用于小目標(biāo)檢測[9]，其利用LMS濾波器可準(zhǔn)確預(yù)測圖像背景并提取出小目標(biāo)，但當(dāng)圖像背景復(fù)雜、邊緣起伏較大時，該算法的效果則難以保證；Chen等人提出一種基于局部對比度的紅外小目標(biāo)檢測算法[10]，利用目標(biāo)和背景圖像塊的對比度得到圖像的對比度圖，從而增強(qiáng)目標(biāo)和抑制背景。該算法簡單、有效，但在強(qiáng)雜波背景條件下易殘留背景邊緣導(dǎo)致虛警；何玉杰等人提出一種基于相關(guān)濾波的紅外弱小目標(biāo)檢測算法[11]，利用二維高斯模型構(gòu)造紅外小目標(biāo)訓(xùn)練集，通過訓(xùn)練得到對目標(biāo)和背景具有區(qū)分能力的相關(guān)濾波器以實現(xiàn)弱小目標(biāo)的檢測。該算法具有較好的檢測效果和實時性，但需要大量的訓(xùn)練集以保證檢測的準(zhǔn)確；Deng等人提出一種基于時空域?qū)Ρ榷葹V波器的紅外運(yùn)動點(diǎn)目標(biāo)檢測算法[12]，通過幀間目標(biāo)的對比度圖與單幀內(nèi)目標(biāo)對比度圖相乘融合實現(xiàn)背景抑制和目標(biāo)增強(qiáng)。對于信雜比較低的圖像，該算法的背景抑制能力有限，難以有效突出目標(biāo)。雖然上述算法在強(qiáng)雜波背景下的紅外弱小目標(biāo)檢測方面取得了一定的進(jìn)展，但仍存在一些問題，包括：對復(fù)雜背景的抑制能力不足，算法過于復(fù)雜等。上述因素使強(qiáng)雜波背景下的紅外弱小目標(biāo)檢測成為具有挑戰(zhàn)性的研究方向。

人腦視覺系統(tǒng)作為人類大腦獲取外界信息最主要的手段完成了人類70%以上的信息獲取。人腦視覺系統(tǒng)具有多種信息處理機(jī)制，包括：側(cè)抑制、同步脈沖發(fā)放機(jī)制等。其中，側(cè)抑制機(jī)制是人類視覺系統(tǒng)中的一種信息處理機(jī)制，具有增強(qiáng)反差，抑制低頻信息的作用[13]。利用側(cè)抑制網(wǎng)絡(luò)對圖像濾波進(jìn)行預(yù)處理，可有效抑制圖像背景和增強(qiáng)目標(biāo)[14]。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)作為第三代神經(jīng)網(wǎng)絡(luò)[15]用于模擬單個神經(jīng)元的同步脈沖發(fā)放機(jī)制，由于PCNN具有脈沖耦合特性、非線性調(diào)制特性、變閾值特性及神經(jīng)元的鄰域捕捉特性等多種特性，有利于完整地保留圖像的區(qū)域信息，使其在圖像分割方面具有獨(dú)特的優(yōu)勢。在該方向，文獻(xiàn)[15]提出了一種結(jié)合灰度熵變換的PCNN的小目標(biāo)檢測新方法，文獻(xiàn)[16]利用遺傳算法對PCNN的連接系數(shù)、閾值放大系數(shù)和閾值衰減時間常數(shù)進(jìn)行優(yōu)化，文獻(xiàn)[17]將側(cè)抑制網(wǎng)絡(luò)融入到PCNN模型，均獲得了良好的圖像分割效果。上述工作表明側(cè)抑制、同步脈沖發(fā)放機(jī)制有利于提高小目標(biāo)檢測的準(zhǔn)確性，為紅外弱小目標(biāo)的檢測提供了新的途徑[13,15]。

另一方面，PCNN僅能實現(xiàn)單幀紅外圖像的分割。為了實現(xiàn)強(qiáng)雜波背景下的紅外弱小目標(biāo)檢測，還需利用目標(biāo)在序列圖像中的連續(xù)性和關(guān)聯(lián)性。因此，需將PCNN與鄰域判決法[18]相結(jié)合，通過對候選目標(biāo)(包括真正的目標(biāo)和高頻噪聲點(diǎn))的運(yùn)動特性分析，實現(xiàn)強(qiáng)雜波背景下的紅外運(yùn)動目標(biāo)檢測。

然而，在常規(guī)鄰域判決法中，用來判斷目標(biāo)運(yùn)動連續(xù)性的鄰域是固定的[19]。當(dāng)目標(biāo)運(yùn)動速度較快或者圖像序列幀頻較低時，相鄰兩幀的目標(biāo)難以保證同時存在固定的鄰域中，從而嚴(yán)重影響了運(yùn)動目標(biāo)的檢測精度。

針對以上問題，本研究提出了一種基于PCNN和改進(jìn)鄰域判決的紅外弱小目標(biāo)檢測算法。該算法利用側(cè)抑制機(jī)制進(jìn)行圖像預(yù)處理，實現(xiàn)有效的背景抑制和目標(biāo)增強(qiáng)；利用PCNN實現(xiàn)單幀紅外圖像分割；通過改進(jìn)的鄰域判決方法，根據(jù)目標(biāo)的運(yùn)動速度自適應(yīng)地調(diào)整鄰域大小，實現(xiàn)紅外運(yùn)動弱小目標(biāo)的檢測。實驗結(jié)果表明：所提出的算法可準(zhǔn)確檢測出復(fù)雜背景下的運(yùn)動弱小目標(biāo)，對于解決強(qiáng)雜波干擾下的紅外運(yùn)動弱小目標(biāo)檢測問題具有重要意義。

1 原理與模型

1.1 側(cè)抑制

側(cè)抑制機(jī)制是人腦視覺系統(tǒng)的信息處理機(jī)制之一，它是由Hartline等人在對鱟視覺進(jìn)行電生理實驗時發(fā)現(xiàn)并證實的[8]。他們將鱟復(fù)眼的每個小眼看成一個感受器，每個感受器與周圍的感受器之間相互抑制，同時，這種抑制作用可空間疊加。在圖像處理中，側(cè)抑制網(wǎng)絡(luò)具有突出邊緣、增強(qiáng)反差的作用，可用于濾除空間低頻信息。因此，利用側(cè)抑制對圖像濾波進(jìn)行預(yù)處理，可抑制復(fù)雜背景和增強(qiáng)目標(biāo)。

首先選取側(cè)抑制濾波模板[14]，如式(1)所示：

(1)

利用式(1)所示的側(cè)抑制模板對原圖像中的各像素點(diǎn)進(jìn)行濾波，濾波處理過程如式(2)：

G(x,y)=F(x,y)-F(x,y)?L(r,s)=

(2)

式中：F(x,y)為輸入圖像的灰度分布；G(x,y)為經(jīng)過側(cè)抑制模板濾波后的輸出圖像的灰度分布；L(r,s)是像素點(diǎn)(r,s)對像素點(diǎn)(m,n)在抑制模板中的抑制系數(shù)。

1.2 PCNN原理與模型

PCNN模型是由Johnson等人提出的用于模擬哺乳動物大腦視覺皮層的同步脈沖發(fā)放機(jī)制的模型[16]，該模型具有良好的脈沖傳播特性，無需跟隨圖像的變化調(diào)整閾值，有利于完整保留圖像的區(qū)域信息。

PCNN模型主要由變閾值非線性動態(tài)神經(jīng)元組成。其中，每個神經(jīng)元由輸入域、非線性調(diào)制域、脈沖產(chǎn)生器3部分組成。PCNN模型中的單個神經(jīng)元結(jié)構(gòu)如圖1所示。

圖1 PCNN模型

PCNN運(yùn)行時，每個神經(jīng)元按照以下步驟進(jìn)行循環(huán)計算：

1) 接受域。接受域接收來自其他神經(jīng)元的鏈接輸入與外部輸入刺激信號。在圖像分割中，外部輸入可表示為輸入圖像，如式(3)所示。

Fij(n)=Iij

(3)

其中：Fij(n)為第(i,j)個神經(jīng)元的反饋輸入；Iij為外部輸入，即輸入圖像的灰度分布。

PCNN的鏈接輸入為輸出信號和鏈接權(quán)值W的加權(quán)，如式(4)：

(4)

其中：Lij(n)為耦合連接輸入；Ykl為(n-1)次迭代時神經(jīng)元的輸出；Wkl為鏈接權(quán)值矩陣。

2) 非線性調(diào)制域。在調(diào)制鏈接域，對被接收的外部輸入和鏈接輸入進(jìn)行全局調(diào)制耦合，即相乘調(diào)制，得到神經(jīng)元的內(nèi)部活動項U，如式(5)所示：

Uij(n)=Fij(n)(1+βLij(n))

(5)

其中：Uij(n)表示神經(jīng)元的內(nèi)部活動項；β為突觸之間的連接強(qiáng)度系數(shù)。

3) 脈沖產(chǎn)生器。在脈沖產(chǎn)生域，通過內(nèi)部活動項與動態(tài)閾值的比較確定輸出信號。其動態(tài)閾值和輸出脈沖為：

θij(n)=exp(-τθ)θij(n-1)+VεY(n-1)

(6)

(7)

式中：θij(n)為神經(jīng)元內(nèi)部活動動態(tài)門限；τθ為動態(tài)閾值θij的時間衰減常數(shù)；Vε為動態(tài)閾值的放大系數(shù)；Yij(n)為PCNN輸出的時序脈沖。當(dāng)神經(jīng)元內(nèi)部活動項Uij(n)>θij(n)時，神經(jīng)元激發(fā)產(chǎn)生脈沖輸出，否則，神經(jīng)元不激發(fā)，不產(chǎn)生脈沖輸出。

2 算法

2.1 改進(jìn)的鄰域判決方法

基于紅外圖像序列的鄰域判決法[18]的思想為：如果在第k幀圖像的像素點(diǎn)處有目標(biāo)，則該目標(biāo)在第k+1 幀中必然會出現(xiàn)在其上一幀像素點(diǎn)的鄰域內(nèi)，而在連續(xù)多幀圖像中并沒有這種連續(xù)性。因此，當(dāng)候選目標(biāo)點(diǎn)在M幀圖像中相應(yīng)的鄰域內(nèi)連續(xù)出現(xiàn)m次以上(m≤M)，則判定該點(diǎn)為真正的目標(biāo)點(diǎn)；反之，判定為隨機(jī)噪聲和干擾點(diǎn)[18]。

為了使改進(jìn)的鄰域判決法能根據(jù)目標(biāo)的運(yùn)動速度自適應(yīng)確定判決的鄰域大小，需要根據(jù)候選目標(biāo)的位置確定目標(biāo)的平均運(yùn)動速度v。首先，對分割后的二值圖像序列中的每一幀圖像進(jìn)行連接分量標(biāo)記，計算每一幀圖像中所有連接分量的質(zhì)心并保存；而后，取每一幀圖像中質(zhì)心的最大橫坐標(biāo)分別與前一幀質(zhì)心的最大橫坐標(biāo)相減，得到每一幀目標(biāo)運(yùn)動速度矩陣(單位為：像素/幀)；為了不受隨機(jī)噪聲的影響，對運(yùn)動速度矩陣取中位數(shù)，作為該圖像序列中弱小目標(biāo)的平均運(yùn)動速度。

根據(jù)平均運(yùn)動速度v可以確定尋找候選目標(biāo)的鄰域大小S，其計算方法如式(8)：

S=2v+1

(8)

為了利用幀間目標(biāo)運(yùn)動的連續(xù)性和關(guān)聯(lián)性，每次對紅外序列中的M幀圖像進(jìn)行一次判斷，M取值太大會影響運(yùn)算速度和效率，太小會降低檢測精度，M的取值范圍為7～9。

而后，在第k(k≥M)幀內(nèi)，選定一個候選目標(biāo)點(diǎn)P(x,y)，判斷第k-l幀中(x,y)點(diǎn)的S×S鄰域內(nèi)是否有候選目標(biāo)點(diǎn)。若有，則計數(shù)器n+1并繼續(xù)判斷第k-2幀；否則，將鄰域擴(kuò)大為(x,y)點(diǎn)的(S+1)×(S+1)鄰域，繼續(xù)判斷第k-2幀?？紤]到環(huán)境的干擾可能使目標(biāo)在某一幀的像面上暫時消失，因此每M幀中允許最多有t幀目標(biāo)暫時消失，即：此步操作限制次數(shù)為t次(t≤2)；若在M幀內(nèi)計數(shù)器n≥(M-t)，則判斷其為真正目標(biāo)的質(zhì)心，否則，則視其為噪聲點(diǎn)。

確定真正目標(biāo)的質(zhì)心之后，則在標(biāo)記圖像中找到該質(zhì)心所在的連通區(qū)域，即真正的目標(biāo)區(qū)域，從而將目標(biāo)提取出來。改進(jìn)后的鄰域判決法流程框圖如圖2所示。

2.2 算法總體流程

基于PCNN和改進(jìn)鄰域判決的紅外弱小目標(biāo)的檢測算法總體流程如下：

1) 利用側(cè)抑制模板對圖像序列進(jìn)行濾波處理，濾除平緩變化的背景和增強(qiáng)目標(biāo)區(qū)域。其處理公式如式(2)所示。

2) 將預(yù)處理后的圖像Iij作為外部輸入刺激，輸入到PCNN中運(yùn)行，根據(jù)式(3)～式(7)進(jìn)行計算。PCNN模型依據(jù)每個像素點(diǎn)自身及其周圍區(qū)域的灰度分布確定是否對該像素點(diǎn)火，從而獲得分割后的二值圖像，并提取出候選目標(biāo)。

3) 利用改進(jìn)的鄰域判決法提取出真正的目標(biāo)。通過計算目標(biāo)的運(yùn)動速度自適應(yīng)確定鄰域的大小，然后根據(jù)弱小運(yùn)動目標(biāo)運(yùn)動的連續(xù)性提取出真正目標(biāo)，剔除噪聲點(diǎn)。其詳細(xì)過程如表1所示。

圖2 改進(jìn)的鄰域判決法目標(biāo)檢測流程

算法1：所提出算法輸入：紅外圖像序列輸出：目標(biāo)檢測結(jié)果1)用式(2)中的側(cè)抑制網(wǎng)絡(luò)對圖像序列進(jìn)行濾波處理2)將預(yù)處理后的圖像輸入用PCNN神經(jīng)網(wǎng)絡(luò)，并利用式(3)～式(7)分割出候選目標(biāo)3)計算目標(biāo)運(yùn)動的平均速度和對應(yīng)鄰域大小4)根據(jù)候選目標(biāo)運(yùn)動連續(xù)性判斷候選目標(biāo)是目標(biāo)還是隨機(jī)噪聲，提取出目標(biāo)區(qū)域

3 實驗結(jié)果和分析

3.1 單幀圖像分割結(jié)果

為了驗證算法的有效性，選取6幀具有不同復(fù)雜背景和弱小目標(biāo)的紅外圖像作為測試對象，分別對最大中值濾波法、二維最小均方差法(TDLMS)、頂帽變化法(Top-hat)、基于視覺注意的算法(Wang’s)[2]、基于側(cè)抑制的算法(Shi’s)[13]和本研究提出的算法進(jìn)行對比實驗。需要說明的是：此節(jié)中比較的是單幀圖像的分割結(jié)果，還并未利用到改進(jìn)的鄰域判決法。本研究的實驗平臺為Windows 7+Matlab 2012b，CPU：2.7GHz，內(nèi)存4GB。

同時，選取信雜比增益(gSCR)和背景抑制因子(BSF)作為單幀實驗結(jié)果的客觀評價準(zhǔn)則[8]，其表達(dá)式為：

(9)

式中：f是目標(biāo)灰度；u是整幅圖像的灰度均值；δ為整幅圖像的方差。

(10)

式中：C是背景的標(biāo)準(zhǔn)偏差；下標(biāo)in和out分別表示輸入的原始圖像和輸出的結(jié)果圖像。

實驗中PCNN的鏈接權(quán)值矩陣、連接強(qiáng)度系數(shù)、時間衰減常數(shù)及動態(tài)閾值的放大系數(shù)依據(jù)經(jīng)驗值分別設(shè)為Wkl=[0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07]，β=0.32，τθ=0.31，Vε=0.2[15,20]。圖3為對比實驗結(jié)果，圖中的第1列為原始圖像，背景包括天空、云霧和地面等，目標(biāo)大小為4像素至25像素；第2到第7列分別為經(jīng)過最大中值濾波法、TDLMS法、Top-hat法、Wang’s算法、Shi’s算法和本研究算法經(jīng)過PCNN進(jìn)行單幀圖像分割后的圖像。

從圖3的實驗結(jié)果可以看出，對復(fù)雜背景下的弱小目標(biāo)檢測，最大中值濾波法和TDLMS法背景抑制能力較差，難以有效提取出目標(biāo)；Top-hat法雖然能抑制背景，但同時也會抑制目標(biāo)。當(dāng)目標(biāo)信號較為微弱時，不能有效增強(qiáng)目標(biāo)(如圖3(d)～圖3 (f))；Wang’s法是近年來提出的一種基于視覺注意機(jī)制的弱小目標(biāo)檢測算法[2]。該算法的檢測精度嚴(yán)重依賴于目標(biāo)的大小、對比度閾值等參數(shù)的選取，本研究中設(shè)定對比度閾值為0.05[2]。當(dāng)參數(shù)值選取不當(dāng)時，該算法會出現(xiàn)無法檢測出對比度較弱目標(biāo)(如圖3(d))或出現(xiàn)虛警點(diǎn)(如圖3(f))等現(xiàn)象；Shi’s法是一種基于側(cè)抑制機(jī)制的紅外弱小目標(biāo)檢測算法，該算法對于背景復(fù)雜的圖像有較多背景雜波殘留(如圖3(a)和圖3(f))。相比這5種方法，所提出的算法能有效抑制背景和準(zhǔn)確分割出目標(biāo)，有利于實現(xiàn)后續(xù)運(yùn)動目標(biāo)檢測。

表2為這6種方法對單幀紅外目標(biāo)檢測結(jié)果的信雜比增益(gSCR)和背景抑制因子(BSF)。另外，由于部分算法處理后的圖像背景灰度方差為0，從而導(dǎo)致了信雜比增益或背景抑制因子計算公式中分母為0，計算結(jié)果無窮大，在表2中則用“-”表示。

圖3 不同方法對單幀紅外圖像的實驗結(jié)果

序號最大中值濾波gSCRBSFTDLMSgSCRBSFTop?hatgSCRBSFWang’sgSCRBSFShi’sgSCRBSF提出的算法gSCRBSF圖3(a)1．210．782．361．411．828．026．77-4．538．757．57-圖3(b)2．260．895．391．184．639．6812．36-8．287．3912．36-圖3(c)0．390．511．190．971．477．063．206482．154．424．53748圖3(d)2．980．925．141．245．6959．27--7．9929．478．21-圖3(e)1．620．742．060．892．237．896．64-4．7419．357．17-圖3(f)1．350．541．910．751．435．638．678992．675．728．09-

從表2可以看出，大多數(shù)情況下，所提出的算法的gSCR和BSF均高于其他比較的算法。例如，對于圖3(a)，最大中值濾波法和TDLMS法的gSCR和BSF都低于3，說明這兩種算法的背景抑制和目標(biāo)增強(qiáng)能力較差；Top-hat法的gSCR較低，為1.82，而BSF較高，為8.02，說明其抑制背景的能力較好，但目標(biāo)增強(qiáng)能力有限；Wang’s法和Shi’s法的gSCR均較高，分別為6.77和4.53，說明它們具有較好的背景抑制和目標(biāo)增強(qiáng)能力；而所提出算法的gSCR為7.57，其值高于這5種對比方法，說明所提出算法具有更好的背景抑制和目標(biāo)增強(qiáng)能力。需要說明的是，所提出的算法對于圖3(f)比Wang’s法的信雜比增益略低，這是由于所提出的算法對圖3(f)的目標(biāo)增強(qiáng)效果略遜于Wang’s法，但是考慮到Wang’s法的穩(wěn)定性較差，綜合以上，所提出的算法的單幀檢測效果相比其他5種算法更好。

3.2 序列目標(biāo)檢測結(jié)果

為了驗證本研究中提出的運(yùn)動弱小目標(biāo)檢測方法的有效性，選取具有復(fù)雜背景(序列1)和弱小目標(biāo)(序列2)的紅外圖像序列進(jìn)行實驗，將混合高斯法、背景減除法、時空域?qū)Ρ榷葹V波法[12]、Wang’s法[2]和本研究所提方法的檢測結(jié)果進(jìn)行比較。如圖4(a)為輸入序列的第16和28幀原始圖像，圖4(b)～圖4 (f)分別為混合高斯法、背景減除法、時空域?qū)Ρ榷葹V波法、Wang’s法的運(yùn)動目標(biāo)檢測結(jié)果和本研究所提出算法的運(yùn)動目標(biāo)檢測結(jié)果。

從圖4可以看出，對于有復(fù)雜背景的序列1，基于混合高斯法、背景減除法和時空域?qū)Ρ榷葹V波不能有效去除復(fù)雜的背景，殘留較多的雜波，易造成虛警。而且，這3種算法的結(jié)果中目標(biāo)不明顯，甚至有漏檢現(xiàn)象。Wang’s法在圖4中的檢測結(jié)果較好，但是對于少數(shù)幀會存在目標(biāo)檢測不完全現(xiàn)象(如第28幀)，從而導(dǎo)致其目標(biāo)中心位置略有偏移。對于目標(biāo)信號較弱的序列2，背景減除法仍然存在虛警點(diǎn)；基于時空域?qū)Ρ榷葹V波法可檢測出目標(biāo)，但是也存在對于少數(shù)幀不能檢全目標(biāo)的現(xiàn)象；混合高斯法和Wang’s法均能檢測出目標(biāo)，但是均存在目標(biāo)丟失的情況(如圖4中序列2中的第28幀)，而本研究所提出的紅外弱小目標(biāo)檢測方法在序列檢測中均可有效檢測出真正目標(biāo)，剔除噪聲點(diǎn)，提高了目標(biāo)檢測精度。

圖5為所提出的算法與上述4種對比方法的檢測精度圖[5]，圖5(a)～圖5 (b)分別為序列1和序列2的結(jié)果，橫坐標(biāo)為位置誤差閾值，位置誤差是檢測目標(biāo)的中心位置與標(biāo)注的中心位置的歐式距離，縱坐標(biāo)為檢測精度。從圖中可以看出，在相同的位置誤差時，對于序列1和序列2，本研究提出算法的檢測精度明顯優(yōu)于混合高斯法、背景減除法和時空域?qū)Ρ榷葹V波法，這3種方法的檢測精度均低于80%。Wang’s法由于少數(shù)幀的目標(biāo)缺失從而導(dǎo)致在允許位置誤差<4時，檢測精度較低，而在允許位置誤差≥4時，檢測精度較為理想。而本研究所提出的算法在中心位置誤差為3像素時的檢測精度達(dá)到90%以上，整體檢測性能穩(wěn)定且優(yōu)于這4種對比方法，說明該算法可準(zhǔn)確有效地檢測出復(fù)雜背景中的紅外運(yùn)動弱小目標(biāo)。

圖4 不同方法的紅外序列弱小目標(biāo)檢測結(jié)果

圖5 序列檢測結(jié)果的精度曲線

4 結(jié)論

本研究提出了一種紅外運(yùn)動弱小目標(biāo)檢測算法。首先，基于側(cè)抑制網(wǎng)絡(luò)對輸入圖像進(jìn)行濾波預(yù)處理，實現(xiàn)背景抑制和目標(biāo)增強(qiáng)；而后，利用PCNN方法對圖像進(jìn)行分割，將可能的目標(biāo)和背景雜波及噪聲初步分離，確定候選目標(biāo)。最后，利用改進(jìn)的鄰域判決方法分析候選目標(biāo)的運(yùn)動特性，根據(jù)目標(biāo)的運(yùn)動速度自適應(yīng)確定判決的鄰域大小，結(jié)合多幀圖像流分析提取出真正的目標(biāo)。

通過單幀圖像分割實驗和序列目標(biāo)檢測實驗與經(jīng)典的紅外弱小目標(biāo)檢測算法進(jìn)行比較，結(jié)果表明：所提出的算法可有效抑制紅外圖像的復(fù)雜背景和準(zhǔn)確檢測出運(yùn)動弱小目標(biāo)。因此，所提出的算法可實現(xiàn)復(fù)雜背景條件下的紅外弱小目標(biāo)檢測，對復(fù)雜背景條件下的抗干擾目標(biāo)識別和跟蹤具有重要意義。

[1] 鄭力會,龐威.紅外成像制導(dǎo)炸彈捕捉目標(biāo)各種因素的影響分析[J].兵器裝備工程學(xué)報,2016,37(2):58-61.

[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] 程塨,郭雷,韓軍偉,等.基于形態(tài)學(xué)帶通濾波和尺度空間理論的紅外弱小目標(biāo)檢測[J].光學(xué)學(xué)報,2012,32(10):144-151.

[4] 王文龍,韓保君,張紅萍.一種海空背景下紅外小目標(biāo)檢測新算法[J].光子學(xué)報,2009,38(3):725-728.

[5] PORAT B,FRIEDLANDER B.A Frequency Domain Algorithm for Multiframe Detection and Estimation of Dim Targets[J].Pattern Analysis & Machine Intelligence IEEE Transactions on,1990,12(4):398-401.

[6] 羅寰,王芳,陳中起,等.基于對稱差分和光流估計的紅外弱小目標(biāo)檢測[J].光學(xué)學(xué)報,2010,30(6):1715-1720.

[7] YANG X,ZHOU Y,ZHOU D,et al.A new infrared small and dim target detection algorithm based on multi-directional composite window[J].Infrared Physics & Technology,2015,71:402-407.

[8] LI Y,SONG Y,ZHAO Y,et al.An infrared target detection algorithm based on lateral inhibition and singular value decomposition[J].Infrared Physics & Technology,2017,85:238-245.

[9] BAE T W,ZHANG F,KWEON I S.Edge directional 2D LMS filter for infrared small target detection[J].Infrared Physics & Technology,2012,55(1):137-145.

[10] CHEN C L P,LI H,WEI Y,et al.A Local Contrast Method for Small Infrared Target Detection[J].IEEE Transactions on Geoscience & Remote Sensing,2013,52(1):574-581.

[11] 何玉杰,李敏,張金利,等.基于相關(guān)濾波器的紅外弱小目標(biāo)檢測算法[J].光學(xué)學(xué)報,2016(5):88-96.

[12] DENG L,ZHU H,TAO C,et al.Infrared moving point target detection based on spatial-temporal local contrast filter[J].Infrared Physics & Technology,2016,76:168-173.

[13] 史漫麗,彭真明,張啟衡,等.基于自適應(yīng)側(cè)抑制網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測[J].強(qiáng)激光與粒子束,2011,23(4):906-910.

[14] DUAN H,DENG Y,WANG X,et al.Small and Dim Target Detection via Lateral Inhibition Filtering and Artificial Bee Colony Based Selective Visual Attention[J].Plos One,2013,8(8):e72035.

[15] 劉勍,許錄平,馬義德,等.結(jié)合灰度熵變換的PCNN小目標(biāo)圖像檢測新方法[J].北京理工大學(xué)學(xué)報,2009,29(12):1085-1090.

[16] 曲仕茹,楊紅紅.基于遺傳算法參數(shù)優(yōu)化的PCNN紅外圖像分割[J].強(qiáng)激光與粒子束,2015,27(5):32-37.

[17] 杜紅偉.生物側(cè)抑制機(jī)制及應(yīng)用研究[D].南京：南京航空航天大學(xué),2008.

[18] 徐英.紅外圖像序列中運(yùn)動弱小目標(biāo)檢測的方法研究[J].紅外技術(shù),2002,24(6):27-30.

[19] 魯居強(qiáng),王新增,劉順生,等.基于八鄰域判決的紅外運(yùn)動小目標(biāo)檢測方法[J].紅外,2006,27(9):20-23.

[20] ALA R.A New Automatic Parameter Setting Method of a Simplified PCNN for Image Segmentation[J].IEEE Transactions on Neural Networks,2011,22(6):880-92.