（中國(guó)人民解放軍海軍裝備部裝備項(xiàng)目管理中心 北京 100071）

1 引言

傳統(tǒng)的紅外跟蹤光電設(shè)備項(xiàng)目，紅外搜索與跟蹤系統(tǒng)具有周視掃描搜索的特點(diǎn)，可以實(shí)時(shí)獲取360全景圖像進(jìn)而得到態(tài)勢(shì)信息，是全空域?qū)崟r(shí)探測(cè)的關(guān)鍵。但是，紅外搜索與跟蹤系統(tǒng)獲取的圖像數(shù)據(jù)量大，背景類型和差異性極大，包含天空云雜波背景、地面建筑物背景、地物自然背景和飛鳥等各種干擾，給目標(biāo)檢測(cè)帶來了極大的困難。

復(fù)雜背景下弱小目標(biāo)檢測(cè)的難點(diǎn)在于，紅外小目標(biāo)尺寸小，亮度往往低于云雜波、人工建筑物的亮度，極易淹沒在背景中，難以通過輪廓和亮度信息完成對(duì)目標(biāo)和干擾雜波的有效分類。為了在雜波背景中檢測(cè)弱小目標(biāo)，業(yè)內(nèi)學(xué)者提出了一些方法。Kim［1］等提出了基于目標(biāo)局部灰度標(biāo)準(zhǔn)差、局部頻率能量等特征信息的分類方法，這類特征信息受圖像背景灰度、干擾物亮度的影響較大。Wang［2］提出了一種利用四個(gè)特征對(duì)目標(biāo)威脅程度進(jìn)行評(píng)估的方法，可以有效區(qū)分海面目標(biāo)的威脅程度，一定程度抑制海面雜波的干擾。Wang［3］通過局部對(duì)比度、目標(biāo)尺寸和目標(biāo)局部分割占空比等特征信息區(qū)分目標(biāo)和干擾雜波，但是該算法對(duì)每個(gè)特征信息采取獨(dú)立的門限判斷，特殊背景下某些特征算子會(huì)失效，易引起誤判。Deng等采用了一種改進(jìn)的局部對(duì)比特征算子，提出了一種加權(quán)的局部差異測(cè)量特征用于雜波抑制［4］。近年來基于卷積神經(jīng)網(wǎng)絡(luò)類算法在紅外目標(biāo)檢測(cè)方面得到應(yīng)用，SSD［5］、DSSD［6］、YOLOv3［7］、YOLOv4［8］等在多個(gè)網(wǎng)絡(luò)層上進(jìn)行檢測(cè)，提高了網(wǎng)絡(luò)在不同尺度目標(biāo)的檢測(cè)效果，但是這類算法對(duì)目標(biāo)尺寸有一定的限制，難以適應(yīng)點(diǎn)狀目標(biāo)的檢測(cè)。目前，機(jī)器學(xué)習(xí)［9～11］類算法在目標(biāo)檢測(cè)場(chǎng)景中也具有較好的表現(xiàn)。

本文分析了紅外目標(biāo)成像模型和典型干擾雜波的灰度特性，選取了一組可以有效區(qū)分紅外弱小目標(biāo)和干擾雜波的特征組合，包含局部梯度、局部占空比和分割形態(tài)特征等，然后利用支持向量機(jī)（SVM）對(duì)不同特征組合進(jìn)行學(xué)習(xí)和評(píng)估，實(shí)現(xiàn)真實(shí)目標(biāo)和干擾雜波的有效分類。

2 目標(biāo)模型和背景灰度特征分析

分析目標(biāo)與背景特征的差異性是實(shí)現(xiàn)目標(biāo)和干擾雜波準(zhǔn)確分類的基礎(chǔ)。遠(yuǎn)距離目標(biāo)的紅外輻射經(jīng)過大氣傳輸后，輻射能量進(jìn)入紅外探測(cè)系統(tǒng)的光學(xué)窗口被傳感器接收，能量在大氣傳輸過程中，大氣衍射效應(yīng)會(huì)使目標(biāo)在紅外焦平面陣列上形成彌散光斑，輻射衍射可近似為高斯分布的點(diǎn)擴(kuò)散函數(shù)，紅外弱小目標(biāo)的灰度分布可以用二維高斯分布近似為

式中：x0、y0是目標(biāo)中心坐標(biāo)；Pr·Ppsf表示目標(biāo)中心亮度。

圖1是紅外探測(cè)系統(tǒng)獲取的實(shí)際點(diǎn)目標(biāo)圖像及其點(diǎn)目標(biāo)局部區(qū)域的灰度分布圖，圖中，左邊為點(diǎn)目標(biāo)圖像，右邊為圖灰度分布。

圖1 小目標(biāo)彌散模型

弱小目標(biāo)和典型地物背景全景紅外圖像具備如下特征：

1）弱小目標(biāo)一般在空中，灰度分布呈高斯帽狀，尺寸一般小于10×10像素，形態(tài)單一，缺少足夠的輪廓細(xì)節(jié)信息。

2）低空全景圖像區(qū)域分布廣，背景灰度起伏較大，主要干擾包括人工建筑物、地面山林、云層和其他地物干擾。

3）干擾物往往呈現(xiàn)片狀、條狀，面積具有不確定性但遠(yuǎn)遠(yuǎn)大于小目標(biāo)，干擾物形狀與小目標(biāo)具有顯著的區(qū)別，干擾物的灰度可能大于目標(biāo)灰度。

圖2 典型地物背景圖像

3 基于特征差異的目標(biāo)檢測(cè)與識(shí)別

紅外搜索與跟蹤系統(tǒng)需要從單幀高分辨率圖像中檢測(cè)出疑似目標(biāo)，并對(duì)疑似目標(biāo)進(jìn)行分類識(shí)別，剔除云層、地物等雜波干擾，保留真實(shí)目標(biāo)。該算法先通過TOPHAT濾波器抑制圖像背景；然后對(duì)濾波后的圖像進(jìn)行自適應(yīng)分割和聚類處理，得到可疑目標(biāo)信息；然后統(tǒng)計(jì)可以目標(biāo)的局部特征信息，形成特征信息組合；最后利用SVM分類器對(duì)特征信息分類，實(shí)現(xiàn)真實(shí)目標(biāo)和干擾雜波的精細(xì)識(shí)別。基于特征差異的目標(biāo)檢測(cè)與識(shí)別流程如圖3所示。

圖3 目標(biāo)檢測(cè)算法框圖

3.1 Tophat背景抑制算法

紅外圖像中的背景部分灰度變化平緩，在頻率域以低頻成分為主，目標(biāo)為灰度突變的點(diǎn)狀，主要是高頻成分，可以用高通濾波器實(shí)現(xiàn)圖像背景和目標(biāo)的分離。常用的背景估計(jì)濾波器有Max-Mean濾 波［12］，Max-median 濾波［13］，Tophat濾 波［14］等，Tophat濾波屬于非線性濾波器，具有一定的保邊緣特性，對(duì)圖像背景擬合的精度較高。

形態(tài)學(xué)Tophat變換可以描述為

其中，f為變換前圖像，b為結(jié)構(gòu)元素，ftop為Tophat變換后的圖像，°為形態(tài)學(xué)開運(yùn)算。

3.2 目標(biāo)特征組合

為了區(qū)分小目標(biāo)和背景干擾，這里設(shè)計(jì)了一組目標(biāo)特征組合，包括局部梯度等級(jí)、八鄰域梯度標(biāo)準(zhǔn)差、目標(biāo)局部占空比、二階矩和圓形度。將這些特征組合為一個(gè)向量，組合方式為

其中，F(xiàn)為特征組合，[Np，Sf，R，D，SL] 為組合特征的特征元素。

1）局部梯度等級(jí)

對(duì)于紅外小目標(biāo)，其目標(biāo)中心灰度一般大于其周邊灰度，目標(biāo)局部有一定的對(duì)比度。分別對(duì)目標(biāo)中心和鄰域8個(gè)方向取樣，計(jì)算中心灰度均值與8方向局部均值的差值（梯度），局部梯度等級(jí)為差值大于0的數(shù)量，定義如下：

其中，Np表示中心灰度均值與8方向局部均值的差值大于0的數(shù)量，count(*)為Ci大于0的數(shù)量，Ci為第i個(gè)方向的梯度。

這里，m0為目標(biāo)鄰域灰度均值，mi為第i個(gè)方向的鄰域灰度均值，目標(biāo)局部梯度示意圖如圖4所示。

2）八鄰域梯度標(biāo)準(zhǔn)差

對(duì)于典型弱小目標(biāo)，8方向梯度大小具有一致性，理想情況下，8方向梯度大小相等；對(duì)于干擾雜波，由于其灰度分布具有一定隨機(jī)性，8方向梯度一般差異較大。八鄰域梯度標(biāo)準(zhǔn)差可以表征目標(biāo)梯度的一致性特征。其定義如下：

其中，Sf為8方向梯度標(biāo)準(zhǔn)差，M為8方向梯度均值。

3）目標(biāo)局部占空比

在小目標(biāo)的局部圖像內(nèi)，目標(biāo)區(qū)域灰度大于局部背景灰度，通過一定得閾值可以將背景和目標(biāo)分割出來，分割后典型目標(biāo)為圓斑狀，目標(biāo)面積在局部圖像區(qū)域所占比率往往小于10%；而干擾雜波灰度分布較復(fù)雜，前景和背景無明顯的灰度差異，分割后前景在局部區(qū)域內(nèi)所占面積往往接近50%。

目標(biāo)局部占空比定義如下：

其中，NI＞thd為分割后目標(biāo)面積；NLocal為局部總面積。

圖5 典型目標(biāo)和干擾的占空比對(duì)比

4）二階矩

二階矩表征目標(biāo)像素點(diǎn)分布的緊湊度。典型小目標(biāo)為點(diǎn)狀，二階矩比較?。欢蓴_雜波局部圖像分割后形狀具有不確定性，可能為條狀或離散隨機(jī)形狀，二階矩較大。

二階矩表達(dá)式如式（8）所示。

其中，(xj，yj)為分割后非零像素坐標(biāo)，(μx，μy)表示目標(biāo)中心坐標(biāo)。

5）圓形度

圓形度描述了目標(biāo)的輪廓形狀特性。在分割后的局部圖像中，以目標(biāo)中心八個(gè)方向上離中心距離最遠(yuǎn)的像素作為目標(biāo)外輪廓點(diǎn)，對(duì)于典型目標(biāo)，中心與8個(gè)輪廓點(diǎn)的距離相近，距離標(biāo)準(zhǔn)差小，圓形度高。

目標(biāo)圓形度定義如下：

其中，Li，i∈{1，2，…，8}表示目標(biāo)中心與外輪廓點(diǎn)的距離，SL為目標(biāo)圓形度特征。

圖6 目標(biāo)和云邊緣分圓形度示意圖

3.3 SVM分類器

支持向量機(jī)（Support Vector Machine，SVM）是基于統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)法，通過求解一個(gè)滿足分類要求的最優(yōu)超平面［15］實(shí)現(xiàn)分類，該超平面在滿足分類精度的同時(shí)，使得超平面兩側(cè)有最大的裕量。目標(biāo)檢測(cè)問題可以簡(jiǎn)化為一個(gè)二分類問題［16］。

要得到紅外弱小目標(biāo)與干擾雜波的分類超平面，則需要構(gòu)建樣本集如下：

通過以上公式，可完成對(duì)樣本集的分類超平面參數(shù)學(xué)習(xí)，從而獲得紅外弱小目標(biāo)與背景邊緣的分類超平面。

4 試驗(yàn)驗(yàn)證

為了驗(yàn)證本文算法有效性，利用紅外搜索與跟蹤設(shè)備采集了一定數(shù)量的紅外圖像數(shù)據(jù)，圖像背景為天空云層背景和低空地物背景，目標(biāo)為小型無人機(jī)和遠(yuǎn)距離民航飛機(jī)，人工標(biāo)注了真實(shí)目標(biāo)和干擾雜波圖像樣本。選用了820張為25×25像素的真實(shí)目標(biāo)樣本和1500張干擾雜波樣本圖像。計(jì)算訓(xùn)練圖像樣本的特征組合，利用的特征組合訓(xùn)練SVM分類器參數(shù)。測(cè)試過程中，準(zhǔn)備1000幀包含小目標(biāo)的天空、地空復(fù)雜背景的紅外圖像，真實(shí)目標(biāo)經(jīng)過人工標(biāo)注，對(duì)本文算法和經(jīng)典tophat算法分別進(jìn)行測(cè)試。圖7為目標(biāo)和干擾雜波樣本集。

圖7 樣本數(shù)據(jù)集

圖8實(shí)線為本文算法檢測(cè)概率和單幀平均虛警數(shù)量分布曲線，虛線為經(jīng)典的tophat目標(biāo)檢測(cè)算法的分布曲線。由分布曲線可知，在同等檢測(cè)概率條件下，本文算法的平均虛警數(shù)量顯著低于經(jīng)典tophat算法，說明該算法對(duì)雜波有很好的抑制效果；在同等的平均虛警數(shù)量條件下，本文算法的目標(biāo)檢測(cè)概率高于經(jīng)典tophat算法，說明該算法具有很好的弱目標(biāo)檢測(cè)性能。

圖8 算法檢測(cè)概率和虛警率分布曲線

5 結(jié)語(yǔ)

針對(duì)紅外弱小目標(biāo)和雜波干擾的有效分類的難題，本文分析了典型紅外小目標(biāo)和干擾雜波的局部灰度分布特征差異性，設(shè)計(jì)了一組特征組合，并采用SVM分類器對(duì)被測(cè)目標(biāo)特征組合進(jìn)行分類，達(dá)到提取真實(shí)目標(biāo)和剔除雜波干擾目的。試驗(yàn)結(jié)果表明，本文算法可以比較有效地實(shí)現(xiàn)復(fù)雜背景下紅外弱小目標(biāo)和雜波干擾的有效分類，具有一定的軍事應(yīng)用價(jià)值。