施天俊，鮑廣震，王福海，蘭超飛，鞏晉南

(哈爾濱工業(yè)大學(xué) 空間光學(xué)工程研究中心，哈爾濱 150001)

0 引 言

隨著遠(yuǎn)距離紅外探測(cè)技術(shù)的發(fā)展，紅外弱小目標(biāo)檢測(cè)已成為航天、遙感等領(lǐng)域研究的熱門問(wèn)題。紅外成像系統(tǒng)具有全天候、抗干擾性強(qiáng)、探測(cè)距離遠(yuǎn)、低功耗[1]等諸多優(yōu)點(diǎn)，但常存在以下問(wèn)題：(1)拍攝距離一般較遠(yuǎn)，導(dǎo)致目標(biāo)常失去其面形與紋理信息，空間結(jié)構(gòu)表征效率低[2]；(2)紅外探測(cè)器獲取場(chǎng)景的紅外輻射信息，背景中常存在與目標(biāo)強(qiáng)度相似的雜波干擾，使得檢測(cè)虛警率高[3]；(3)由于大氣傳輸?shù)扔绊?，紅外圖像中目標(biāo)信噪比較低；(4)紅外探測(cè)器常存在無(wú)效像元，影響成像質(zhì)量[4]。

傳統(tǒng)的紅外圖像目標(biāo)檢測(cè)方法常基于抑制背景特性或提取目標(biāo)特性展開。抑制背景特性可從空域、變化域兩個(gè)方向展開?；诳沼虻淖畲笾兄禐V波[5]、形態(tài)學(xué)Top-hat變換[6]等方法，原理直觀，實(shí)現(xiàn)簡(jiǎn)單，但性能常依賴所選結(jié)構(gòu)元，算法自適應(yīng)能力差?；谧兓虻姆椒ㄓ谢陬l域的譜殘差法[7]和小波域處理算法[8]，小波變化實(shí)質(zhì)上是提取目標(biāo)的外觀特征信息，檢測(cè)效果并不理想?；谀繕?biāo)特征的方法則關(guān)注圖像中的顯著性區(qū)域。若目標(biāo)灰度特征較背景突出，可采用常見的最大類間方差法、極大值檢測(cè)法[9]，但此類方法易受噪聲干擾，僅在簡(jiǎn)單場(chǎng)景下能有較好的檢測(cè)效果。Facet模型關(guān)注極值點(diǎn)或方向?qū)?shù)的顯著性，可用于復(fù)雜背景小目標(biāo)檢測(cè)中，但目標(biāo)隱于背景時(shí)易出現(xiàn)漏檢情況[10]。

近年來(lái)，基于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的算法也被用于紅外小目標(biāo)檢測(cè)。如為了增強(qiáng)檢測(cè)效果，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的學(xué)習(xí)，使模糊圖像變至清晰以獲得更多的特性信息[11]，也可以篩選小目標(biāo)區(qū)域并抑制虛警[12]，但此類方法需要大量的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，并且計(jì)算量大，很難滿足實(shí)時(shí)性要求。

針對(duì)傳統(tǒng)算法不能同時(shí)滿足不同場(chǎng)景下目標(biāo)檢測(cè)的要求和在信噪比較低時(shí)虛警、漏警較多的缺陷，以及基于學(xué)習(xí)的算法樣本量需求及計(jì)算量大的問(wèn)題，本文提出了一種更為精確且高效的適用于多場(chǎng)景的紅外弱小目標(biāo)檢測(cè)跟蹤算法。該算法基于圖像復(fù)雜度進(jìn)行紅外場(chǎng)景判別以選擇合適的檢測(cè)算法，同時(shí)采取檢測(cè)與跟蹤結(jié)合的方式減少僅使用單幀檢測(cè)所出現(xiàn)的虛警和漏警。

1 算法總體框圖

算法總體框架如圖1所示。首先，針對(duì)紅外探測(cè)器中的無(wú)效像元對(duì)檢測(cè)產(chǎn)生的干擾，通過(guò)中值濾波對(duì)紅外圖像中的無(wú)效像元進(jìn)行補(bǔ)償；然后，針對(duì)不同紅外場(chǎng)景中弱小目標(biāo)的檢測(cè)，通過(guò)信息熵判斷復(fù)雜度，選用N-P準(zhǔn)則直接檢測(cè)或基于顯著性幀間差分法檢測(cè)目標(biāo)；最終，針對(duì)檢測(cè)所遺留的虛警與漏警問(wèn)題，通過(guò)改進(jìn)優(yōu)化后的波門跟蹤法連接目標(biāo)軌跡，篩選目標(biāo)并對(duì)漏檢幀中的目標(biāo)位置進(jìn)行補(bǔ)償。

圖1 算法總體框圖

Fig.1 The flow chart of this algorithm

2 理論模型

算法主要分為圖像預(yù)處理、檢測(cè)、跟蹤三個(gè)模塊，針對(duì)提供數(shù)據(jù)集的實(shí)際情況，每個(gè)模塊都選擇相匹配的理論模型。

2.1 基于中值濾波的紅外圖像無(wú)效像元補(bǔ)償模型

紅外探測(cè)器件中，由于無(wú)效像元的存在會(huì)影響成像質(zhì)量，因此，圖像預(yù)處理需要進(jìn)行無(wú)效像元的剔除。無(wú)效像元包括死像元和過(guò)熱像元，前者定義為像元響應(yīng)率小于平均響應(yīng)率1/10的像元，后者定義為像元響應(yīng)率大于平均響應(yīng)率10倍的像元[13]。在實(shí)際的紅外圖像序列中，若存在同一位置處的像素灰度總是保持過(guò)大或過(guò)小，則可以看作為無(wú)效像元，需要進(jìn)行補(bǔ)償。圖2為紅外圖像中無(wú)效像元的出現(xiàn)情況。

由于利用同一探測(cè)器得到的紅外圖像序列的無(wú)效像元的位置不變，而背景灰度分布處于不斷變動(dòng)之中，因此對(duì)多幀灰度進(jìn)行累加并取平均得到的圖像中，死像元位置處的灰度值極小，而過(guò)熱像元處的灰度值極大，周圍背景灰度分布則相對(duì)平緩。對(duì)灰度累加圖作中值濾波處理后可得到背景估計(jì)圖，如圖3(a)所示。將灰度累加圖與背景估計(jì)圖作差得到殘差圖，如圖3(b)所示。殘差圖中過(guò)熱像元與死像元位置較背景極為突出，因此選出合適的閾值可以將無(wú)效像元的位置篩選出。得到圖像序列中的無(wú)效像元位置后，在進(jìn)行檢測(cè)前對(duì)無(wú)效像元處進(jìn)行灰度補(bǔ)償。補(bǔ)償方法為：選取以無(wú)效像元為中心的區(qū)域，取該區(qū)域的灰度中值替代無(wú)效像元處的灰度。圖3(c)為對(duì)紅外圖像中無(wú)效像元補(bǔ)償后的結(jié)果。

圖2 紅外圖像中無(wú)效像元示例

圖3 紅外圖像無(wú)效像元補(bǔ)償

Fig.3 Invalid pixel compensation of infrared image

2.2 基于圖像復(fù)雜度的目標(biāo)檢測(cè)模型

紅外圖像按照背景復(fù)雜度可分為簡(jiǎn)單場(chǎng)景和復(fù)雜場(chǎng)景。簡(jiǎn)單場(chǎng)景下目標(biāo)灰度特性明顯、背景平緩且起伏小，此時(shí)利用合適的閾值分割手段即可將目標(biāo)與背景分離；復(fù)雜場(chǎng)景下背景起伏大，且可能存在許多與目標(biāo)灰度特性相似的區(qū)域，直接利用閾值分割的手段會(huì)得到若干虛警，此時(shí)問(wèn)題關(guān)鍵在于如何抑制背景雜波的干擾。因此這里針對(duì)圖像復(fù)雜度采取不同的檢測(cè)算法。

2.2.1 基于圖像熵的圖像復(fù)雜度的判斷

圖像熵是圖像的信息熵，定義為

(1)

式中：p(Ik)為灰度值Ik的像素比率;b為圖像數(shù)據(jù)的bit數(shù)。圖像熵是一種圖像特征的統(tǒng)計(jì)形式，反映了圖像中平均信息量的多少。

若一幅圖像灰度范圍為[0, 255]，則圖像熵最大為8。圖像灰度分布越均勻，熵就越大?；叶确植荚骄鶆蛞馕吨鴪D像信息越雜亂，相應(yīng)的圖像背景越復(fù)雜。根據(jù)所提供的紅外數(shù)據(jù)集的測(cè)試結(jié)果，一般簡(jiǎn)單場(chǎng)景的圖像熵要小于4.5，而復(fù)雜場(chǎng)景的圖像熵要大于5，因此選取圖像熵閾值，可以較好地分開復(fù)雜場(chǎng)景與簡(jiǎn)單場(chǎng)景。圖4(a)為簡(jiǎn)單場(chǎng)景紅外圖像，圖像熵為4.111 5; 圖4(b)為復(fù)雜場(chǎng)景紅外圖像，圖像熵為6.626 9。

圖4 紅外圖像

Fig.4 Infrared image

2.2.2 基于Neyman-Pearson準(zhǔn)則的閾值分割

紅外系統(tǒng)在檢測(cè)判決時(shí)，無(wú)法估計(jì)各種判定可能付出的風(fēng)險(xiǎn)，難以確定漏報(bào)損失，實(shí)際中常根據(jù)具體工作狀況確定一個(gè)允許的虛警概率值，然后再使發(fā)現(xiàn)概率達(dá)到最大值，因此，Neyman-Pearson(N-P)準(zhǔn)則是紅外系統(tǒng)適用的最佳檢測(cè)準(zhǔn)則[14]，如圖5所示。

圖5 N-P準(zhǔn)則示例圖

Fig.5 Neyman-Pearson criterion

在利用N-P準(zhǔn)則時(shí)，錯(cuò)誤判決概率P(H1|H0)是虛警概率Pf，而正確判決概率P(H1|H0)是檢測(cè)概率Pd，利用拉格朗日乘子法，構(gòu)造目標(biāo)函數(shù)使在P(H1|H0)=α約束下，P(H1|H0)最大。最終通過(guò)閾值分割分離圖像中的背景和可能的目標(biāo)，簡(jiǎn)化的閾值表達(dá)式為

Th=E+kσ

(2)

式中:E和σ分別代表待檢測(cè)圖像的均值和均方差，通常需要針對(duì)不同應(yīng)用場(chǎng)景選取合適的k(通常在3～15之間)進(jìn)行閾值分割。本算法中基于簡(jiǎn)單背景的閾值分割可直接利用N-P準(zhǔn)則。

2.2.3 基于顯著性幀間差分的復(fù)雜背景目標(biāo)檢測(cè)

當(dāng)?shù)孛姹尘爸谐霈F(xiàn)小目標(biāo)時(shí)，小目標(biāo)具有的顯著特點(diǎn)是其與背景的不相關(guān)性(即存在區(qū)域突變)。這一特性可通過(guò)對(duì)目標(biāo)圖像做二維離散傅里葉變換體現(xiàn)，由此得到的頻譜由幅度A(u,v)和相位P(u,v)兩部分組成：

A(u,v)=|FFT(I(x,y))|

(3)

P(u,v)=Angle(FFT(I(x,y)))

(4)

若去除傅里葉變換后的幅度信息的干擾，僅保留其相位信息，對(duì)此相位譜做重構(gòu)就能夠定位到一幅圖像灰度值具有非周期性或者缺乏統(tǒng)一性的區(qū)域，該區(qū)域即為圖像的顯著性區(qū)域[15]。

僅基于顯著性檢測(cè)復(fù)雜背景中的目標(biāo)并不能完全消除背景雜波的干擾，如圖6所示，背景中同樣可能存在與目標(biāo)顯著性相當(dāng)甚至更顯著的區(qū)域，此時(shí)采用幀間差分可以較好地減少背景雜波的干擾[16]，如圖7所示。

圖6 顯著性檢測(cè)框圖

Fig.6 The flow chart of detection based on saliency

定義幀間差分?jǐn)?shù)k，若檢測(cè)幀為第i幀，則差分對(duì)照幀為第i-k幀。當(dāng)探測(cè)器不動(dòng)時(shí)，則輸出圖像中目標(biāo)一直處于運(yùn)動(dòng)狀態(tài)，而背景則處于靜止?fàn)顟B(tài)，分別計(jì)算兩幀的顯著性圖像并作差，則可以消除一定的背景雜波影響；當(dāng)探測(cè)器處于運(yùn)動(dòng)狀態(tài)時(shí)，則需要利用特征點(diǎn)匹配的方法匹配出兩幀中具有相同背景的區(qū)域，得到探測(cè)器運(yùn)動(dòng)的位移量，在對(duì)兩幀圖像做好位置補(bǔ)償?shù)幕A(chǔ)上再進(jìn)行幀間差分，檢測(cè)結(jié)果如圖8所示。圖8(a)和(c)分別為檢測(cè)幀和幀間差分幀原圖，在進(jìn)行顯著性計(jì)算后結(jié)果如圖8(b)和(d)所示?？梢钥闯?，盡管目標(biāo)區(qū)域較為顯著，但仍存在較多背景雜波干擾。圖8(e)為進(jìn)行幀間差分后的結(jié)果，背景雜波被明顯抑制，最后選取合適閾值可將目標(biāo)檢出，最終結(jié)果如圖8(f)所示。

圖7 顯著性幀間差分檢測(cè)算法框圖

Fig.7 The flow chart of detection based on saliency and frame-to-frame difference

(e)顯著性幀間差分圖(f)二值化結(jié)果

圖8 檢測(cè)結(jié)果

Fig.8 Detection results

復(fù)雜背景下特征點(diǎn)多，因此可利用特征點(diǎn)匹配的方法進(jìn)行圖像匹配，采用SURF算法進(jìn)行匹配。SURF算法以黑塞矩陣為基礎(chǔ)，通過(guò)構(gòu)造尺度空間以及3D非極大值抑制來(lái)篩選出穩(wěn)定的特征點(diǎn)，包括一些具有特殊性質(zhì)的點(diǎn)，如極值點(diǎn)、拐點(diǎn)等。特征點(diǎn)篩選后為之分配主方向并形成特征矢量以進(jìn)行特征點(diǎn)的匹配，最終完成圖像匹配[17]。

通過(guò)計(jì)算檢測(cè)幀和差分對(duì)照幀灰度之差的標(biāo)準(zhǔn)差判斷是否需要SURF算法進(jìn)行圖像匹配。標(biāo)準(zhǔn)差定義為

(5)

式中:M,N分別為圖像灰度矩陣的行、列數(shù);r為灰度差的平均值。經(jīng)測(cè)試得，當(dāng)兩幀圖像中探測(cè)器未移動(dòng)或者移動(dòng)很小時(shí)，σ取值很小，基本在0～2之間；當(dāng)兩幀圖像中探測(cè)器移動(dòng)較大時(shí)，σ取值較大，基本在5以上，因此設(shè)置閾值Thσ=3.5，當(dāng)σ大于該閾值時(shí)，認(rèn)為需要進(jìn)行圖像匹配，反之則不需要。

2.3 改進(jìn)的預(yù)測(cè)波門跟蹤模型

由于點(diǎn)目標(biāo)無(wú)法進(jìn)行確定性檢測(cè)，必須輔助跟蹤算法來(lái)提高目標(biāo)檢測(cè)的準(zhǔn)確性。一般情況下，低速目標(biāo)的位置是時(shí)域連續(xù)而且可導(dǎo)的，所以可以采取波門跟蹤的方式對(duì)目標(biāo)進(jìn)行跟蹤。

在一般的小目標(biāo)情況下，有兩種設(shè)置的波門方法，第一種是以當(dāng)前幀的質(zhì)心作為波門中心，波門的大小通過(guò)前幾幀的位置關(guān)系確定，以最大程度確保目標(biāo)不會(huì)丟失:

(6)

(x,y)波門=(x0,y0)

(7)

但是這種設(shè)置的波門穩(wěn)定性較差，對(duì)鏡頭抖動(dòng)較為敏感，在鏡頭快速移動(dòng)時(shí)容易跟丟目標(biāo)。另一種波門設(shè)置的方式則是通過(guò)前幾幀目標(biāo)位置的關(guān)系確定波門中心，波門大小通過(guò)目標(biāo)大小確定。稱為預(yù)測(cè)波門跟蹤法，即

(8)

式中：Δx鏡頭，Δy鏡頭通過(guò)SURF算法進(jìn)行計(jì)算，為提高運(yùn)行速度，只對(duì)背景改變較大的幀使用。

選用先檢測(cè)再跟蹤的算法可以有效抑制其他虛警，僅認(rèn)為波門內(nèi)的檢測(cè)點(diǎn)為正在追蹤的目標(biāo)的真實(shí)位置，采用預(yù)測(cè)波門跟蹤法極大地提升了跟蹤模型的穩(wěn)定性和對(duì)鏡頭移動(dòng)的魯棒性，并且可以對(duì)檢測(cè)失敗的圖像進(jìn)行估計(jì)和補(bǔ)償，以獲取完整的軌跡。

3 具體模塊實(shí)現(xiàn)

算法依次進(jìn)行圖像預(yù)處理模塊、目標(biāo)檢測(cè)模塊、目標(biāo)跟蹤模塊以完成紅外序列圖中目標(biāo)的跟蹤與檢測(cè)。

3.1 預(yù)處理模塊

本模塊主要對(duì)紅外圖像序列中無(wú)效像元進(jìn)行處理，篩選出無(wú)效像元的位置，并對(duì)該處灰度進(jìn)行補(bǔ)償。具體操作步驟如下：

(1)獲取圖像序列的累加平均圖

為了提高無(wú)效像元的篩選精度，先將待處理圖像序列等分成四個(gè)區(qū)域，之后的處理都將分別在這四個(gè)區(qū)域內(nèi)進(jìn)行；以采樣間隔抽選序列中的圖像，分別對(duì)四個(gè)區(qū)域的灰度進(jìn)行累加求和并平均，得到累加平均圖，為保證精度，抽選幀數(shù)必須大于一定數(shù)量，這里針對(duì)數(shù)目大于300的圖像序列，選取k=10。

(2)利用中值濾波對(duì)無(wú)效像元位置進(jìn)行篩選

分別對(duì)四個(gè)區(qū)域作中值濾波處理，得到相應(yīng)的殘差圖；由于殘差圖中無(wú)效像元位置突出，可直接利用N-P準(zhǔn)則篩選出其位置。利用Th=E+kσ, 選取k=10篩選過(guò)熱像元位置；利用Th=E-Kσ, 選取k=10篩選死像元位置。

(3)對(duì)無(wú)效像元位置處灰度進(jìn)行補(bǔ)償

選取以無(wú)效像元為中心的區(qū)域，取該區(qū)域的灰度中值替代無(wú)效像元處的灰度。

3.2 檢測(cè)模塊

本模塊主要對(duì)預(yù)處理后的紅外圖像進(jìn)行目標(biāo)檢測(cè)，對(duì)目標(biāo)與背景進(jìn)行二值化處理，并得到疑似目標(biāo)的質(zhì)心坐標(biāo)以進(jìn)行跟蹤操作。具體操作步驟如下：

(1)依據(jù)圖像熵進(jìn)行圖像復(fù)雜度判斷

對(duì)連續(xù)多幀圖像序列進(jìn)行檢測(cè)與跟蹤，由于圖像場(chǎng)景不可能出現(xiàn)太多突變情況，可以十幀為一個(gè)周期進(jìn)行復(fù)雜性的判斷，以提高算法的運(yùn)行速度。

(2)根據(jù)圖像復(fù)雜度進(jìn)行二值分割

對(duì)于判斷為簡(jiǎn)單場(chǎng)景的圖像，利用N-P準(zhǔn)則取k=4，再利用式(2)可以直接分割目標(biāo)與背景。對(duì)于判斷為復(fù)雜場(chǎng)景的圖像，則利用基于顯著性幀間差分的目標(biāo)檢測(cè)算法。

當(dāng)圖像被判斷為復(fù)雜場(chǎng)景時(shí)，首先選擇合適的幀間差分?jǐn)?shù)，利用均方差可判斷檢測(cè)幀和差分對(duì)照幀是否需要利用SURF算法進(jìn)行圖像匹配；再分別計(jì)算匹配好的兩幀顯著性并作差；最終利用N-P準(zhǔn)則分割目標(biāo)與背景，得到二值化圖像。

(3)提取檢測(cè)出的連通域的形心

二值化圖像中的每一個(gè)連通域都預(yù)先看作為一個(gè)目標(biāo)，分別計(jì)算每個(gè)連通域的形心以便于下一步的目標(biāo)跟蹤。

3.3 跟蹤模塊

本模塊主要利用目標(biāo)檢測(cè)模塊中得到的連通域形心對(duì)目標(biāo)進(jìn)行跟蹤，刪減檢測(cè)出的虛警目標(biāo)，并對(duì)未檢測(cè)出目標(biāo)的幀進(jìn)行坐標(biāo)補(bǔ)償。主要操作步驟如下：

(1)獲取初始圖像目標(biāo)位置

對(duì)第一幀、第二幀檢測(cè)完成的圖像進(jìn)行初始化，認(rèn)為檢測(cè)出來(lái)的每一個(gè)均為目標(biāo)點(diǎn)，并給予標(biāo)簽，認(rèn)為兩幀之間檢測(cè)點(diǎn)歐式距離小于10的為同一目標(biāo)。

(2)波門大小預(yù)估

通過(guò)前兩幀估計(jì)波門的預(yù)測(cè)位置，將待跟蹤幀中波門內(nèi)檢測(cè)出的目標(biāo)點(diǎn)給予標(biāo)簽，其他檢測(cè)出來(lái)的點(diǎn)認(rèn)為是噪聲。

(3)圖像刷新判斷是否有新目標(biāo)進(jìn)入

提前設(shè)置刷新率，每到刷新的幀數(shù)重新對(duì)圖像進(jìn)行初始化，每一個(gè)檢測(cè)出來(lái)的點(diǎn)都認(rèn)為是一個(gè)目標(biāo)，將之與上一幀匹配。在上一幀波門內(nèi)的點(diǎn)，認(rèn)為是原有點(diǎn)，給予波門的標(biāo)簽，對(duì)新的點(diǎn)給予新的波門和標(biāo)簽。

(4)重復(fù)步驟(2)～(3)直到最后一幀

(5)目標(biāo)軌跡的判斷與補(bǔ)償

對(duì)連續(xù)存在超過(guò)二十幀且連續(xù)消失小于三十幀的認(rèn)為是一條真實(shí)的軌跡，對(duì)這條軌跡中沒有的點(diǎn)進(jìn)行補(bǔ)償，補(bǔ)償方式為前后兩幀目標(biāo)位置的均值。

4 實(shí)驗(yàn)分析

算法測(cè)試選取四組實(shí)測(cè)紅外數(shù)據(jù)集進(jìn)行測(cè)試，且每組數(shù)據(jù)集包含紅外目標(biāo)的形心坐標(biāo)真值。前兩組數(shù)據(jù)集對(duì)應(yīng)簡(jiǎn)單天空背景下的單目標(biāo)和雙目標(biāo)情況，后兩組對(duì)應(yīng)不同的復(fù)雜地物場(chǎng)景。截取各個(gè)數(shù)據(jù)集中某一幀檢測(cè)結(jié)果如圖9所示。其中復(fù)雜地面背景檢測(cè)中出現(xiàn)的綠點(diǎn)為經(jīng)過(guò)跟蹤所去除的檢測(cè)虛警。

圖9 實(shí)測(cè)紅外數(shù)據(jù)集幀檢測(cè)結(jié)果

Fig.9 Detection results of measured infrared data set frame

定義檢測(cè)失敗的情況為：經(jīng)過(guò)檢測(cè)跟蹤算法得到的目標(biāo)形心位于以形心真值為中心的9×9的標(biāo)注框外。定義成功檢測(cè)的情況為：得到的目標(biāo)形心位于以形心真值為中心的9×9的標(biāo)注框內(nèi)。定義準(zhǔn)確檢測(cè)的情況為：經(jīng)過(guò)檢測(cè)跳躍算法得到的目標(biāo)形心位于以形心真值為中心的3×3的標(biāo)注框內(nèi)。實(shí)驗(yàn)測(cè)試結(jié)果如表1。對(duì)于這四個(gè)數(shù)據(jù)集，算法成功檢測(cè)率為99.9%，準(zhǔn)確檢測(cè)率為98.2%，檢測(cè)失敗率為0.1%。

表1 算法測(cè)試結(jié)果

針對(duì)復(fù)雜場(chǎng)景的數(shù)據(jù)集Data 3與Data 4，將本算法中的顯著性幀間差分法和改進(jìn)波門跟蹤法分別換成顯著性檢測(cè)和普通波門跟蹤，并引入Top-hat和波門跟蹤結(jié)合的算法以及管道濾波算法，比較在3×3標(biāo)注框的檢測(cè)準(zhǔn)確率，結(jié)果如表2所示。其中，采用顯著性算法和Top-hat算法的兩種檢測(cè)跟蹤算法由于單幀虛警過(guò)多出現(xiàn)跟蹤出多條軌跡的情況，以致于跟蹤失??；采取顯著性幀間差分的未改進(jìn)波門跟蹤法和管道濾波兩種算法雖然可以成功檢測(cè)跟蹤圖像序列中的縮小目標(biāo)，但是檢測(cè)準(zhǔn)確率明顯低于本算法檢測(cè)結(jié)果。

因此可以看出，本算法可以適應(yīng)不同場(chǎng)景下的紅外弱小目標(biāo)檢測(cè)需求，并且具有較低的虛警率和較高的檢測(cè)準(zhǔn)確率。

表2 不同算法檢測(cè)準(zhǔn)確率比較

5 結(jié) 論

由于紅外弱小目標(biāo)所具有的信噪比低、面形信息丟失等特點(diǎn)，傳統(tǒng)的紅外目標(biāo)檢測(cè)算法有著虛警率低，且僅適用于單一場(chǎng)景等缺陷，而基于學(xué)習(xí)的算法所需樣本多且計(jì)算量大。本文提出一種基于圖像顯著性以及幀間差分的適用于多場(chǎng)景的紅外目標(biāo)檢測(cè)跟蹤算法。經(jīng)過(guò)測(cè)試，最終得出以下結(jié)論：

(1)與傳統(tǒng)的顯著性算法進(jìn)行目標(biāo)檢測(cè)相比，與幀間差分結(jié)合能夠有效地抑制背景虛警，提高單幀檢測(cè)率；

(2)采用圖像復(fù)雜度對(duì)不同紅外場(chǎng)景進(jìn)行判別進(jìn)而采用不同的檢測(cè)方式，能夠在提高檢測(cè)效率的同時(shí)，大大提高檢測(cè)準(zhǔn)確率；

(3)采取改進(jìn)的波門跟蹤算法對(duì)紅外目標(biāo)進(jìn)行先檢測(cè)后跟蹤，可以有效減少單幀檢測(cè)所無(wú)法去除的虛警。

實(shí)驗(yàn)結(jié)果表明，本算法能夠精確檢測(cè)紅外弱小目標(biāo)，并大幅度減少虛警數(shù)量。