王玉萍，曾 毅

結合幀差的核相關濾波弱小紅外目標檢測

王玉萍，曾 毅

（鄭州科技學院 信息工程學院，河南 鄭州 450064）

為了提高紅外目標檢測的性能，提出了一種結合幀差的核相關濾波弱小紅外目標檢測算法。算法首先通過核相關濾波訓練當前幀獲得最大回歸值，相對間隔幀求取差值，以此進行循環(huán)移位，從而實現對幀間背景運動的補償；再者借助幀間差分法提取當前幀相對運動特征，增強區(qū)分弱小目標和紅外背景的能力；最后對相對運動特征進行閾值分割獲得最終檢測結果。仿真實驗顯示本算法能有效檢測出復雜環(huán)境下紅外弱小目標，與其他同類算法相比，本算法可以很好地對雜波和點狀干擾源進行抑制，獲得較高的目標檢測率，同時將大量運算置于頻域中，運算效率也優(yōu)于其他算法。

紅外圖像；弱小目標檢測；核相關濾波；幀間運動補償；相對運動特征；幀間差分

0 引言

紅外目標檢測是目標識別、目標監(jiān)視與預警的基礎，由于紅外檢測屬于無源檢測，自身不輻射能量，隱蔽性強，其在軍民領域中得到廣泛應用。目前隨著現代軍事技術發(fā)展和軍事環(huán)境的要求，需要盡早發(fā)現目標，目標檢測往往要在成像距離很遠的條件下對僅有的幾個像素進行識別。如何提高弱小目標的檢測精度和效率成為目前紅外檢測領域研究的熱點，針對單幀紅外圖像是很難區(qū)分弱小目標和干擾源，但對于多幀圖像可基于時域運動特征加以識別檢測，對此國內外專家進行了深入研究。比如幀間差分法是將相鄰兩幀紅外圖像差值運算[1-2]，但該方法在背景和點狀干擾源附近易產生殘差，影響后續(xù)檢測；多級假設檢驗法是對目標運動形式進行假設，根據假定運動軌跡進行目標檢測[3-4]，但該方法難以去除點狀干擾源所形成的軌跡，誤導目標檢測；動態(tài)規(guī)劃法被應用到紅外弱小目標檢測中取得了不錯的效果[5-6]；三維匹配濾波將紅外弱小目標檢測轉化成三維空間上的速度匹配[7-8]，但這兩種方法沒有區(qū)分目標和點狀干擾源的匹配機制，弱小目標檢測精度不高；時空對比法將對比度定義在時空剖面上，從而對時空背景區(qū)域進行抑制，增強對弱小目標的檢測[9-12]，但面對點狀干擾源時，其與目標都表現為沖擊信號，無法有效區(qū)分；光流估計法根據灰度不變原理計算紅外圖像的光流場，依據圖像光流場信息識別弱小目標[13-15]，但隨著幀間距離的增大該方法對光流場估計的精度會隨之降低，并且光流場計算易受噪聲影響。以上這些常用方法在處理紅外圖像視場變化時，目標檢測的精度會降低，計算復雜度也頗高。近年來，核相關濾波方法在目標識別領域取得了不錯的效果[16-19]。核相關濾波器根據當前和之前幀信息訓練濾波器，基于此對實時幀進行相關性計算快速獲得目標，檢測精度和計算復雜度有一定的優(yōu)勢[20-23]，為此，本文提出了一種結合幀差的核相關濾波弱小紅外目標檢測算法（Weak and Small Infrared Target Detection Combined With Frame Difference Kernel Correlation Filtering, KCF-FF）。

1 脊回歸模型

核相關濾波利用脊回歸模型對樣本數據進行訓練，這里先簡單介紹脊回歸模型及其簡化求解。

脊回歸模型的目標是尋找線性函數()：

()＝T(1)

使得樣本數據的函數值與回歸值間的均方差取得最小值為：

式中：表示正則化系數，其解為：

式中：表示樣本矩陣；為其行矩陣；為回歸值矩陣；為單位矩陣。由于核濾波的頻域計算量較大，對式(3)進行共軛轉置，獲得其復數：

式中：H為共軛轉置運算；*為矩陣的共軛復數矩陣。求式(4)的解析解，需要求解大型線性方程組，這極其耗時。矩陣的循環(huán)移位可簡化計算過程，但前提條件是訓練樣本可由基礎樣本循環(huán)移位獲得。

1.1 循環(huán)移位矩陣

將基礎訓練樣本以向量表示：

＝[1,2,3, …,x] (5)

以為基礎樣本循環(huán)移位構建訓練樣本：

循環(huán)移位矩陣存在特殊的性質，即可被離散傅里葉變換矩陣對角化，由此可得：

因為H＝，上式(8)可得：

式中：⊙表示對角矩陣的點乘，根據式(9)對式(4)進行替換：

對上式(10)兩邊同時進行離散傅里葉變換，可得：

式(11)簡化為：

根據式(4)可知，由于矩陣求逆運算，脊回歸的計算復雜度為(3)，若對訓練樣本改為矩陣循環(huán)移位，脊回歸的計算復雜度可降為(log)。

1.2 核脊回歸

現實中并不是所有的回歸都符合線性回歸模型，為了擴展表達能力，將樣本數據映射到非線性空間，并基于此建立脊回歸模型：

式(13)中測試樣本數據被映射為()，而回歸系數為非線性空間中各樣本數據線性組合：

式(14)中所在參數空間為對偶空間，與回歸系數所在空間一致，這里將回歸系數的優(yōu)化轉化為對參數的優(yōu)化。以核函數形式對()非線性空間下的內積進行表示：

設核矩陣×，其內容為非線性空間中各樣本數據間的內積，表示如下：

,j＝(,) (16)

綜上，核脊回歸模型的回歸函數如下：

參考文獻[24]，給出上式(17)的解：

式(18)中矩陣由參數構成，為對偶空間的解，若核矩陣為循環(huán)移位矩陣，上式(18)可快速求解，文獻[24]給出了判斷矩陣為循環(huán)移位矩陣的充分條件，分析條件可知，徑向基和內積核函數都滿足。若核矩陣為循環(huán)移位矩陣，針對式(7)借助離散傅里葉變換矩陣對矩陣對角化：

對上式(20)離散傅里葉變換，可得：

進一步簡化為：

通過上式(22)可知，當訓練樣本所構成的矩陣為循環(huán)位移矩陣時，只需計算出基礎訓練樣本數據的，代入式(22)可快速求解核脊回歸模型。

1.3 核濾波

基礎訓練樣本經循環(huán)位移獲得訓練樣本，據此可根據式(23)求取測試樣本回歸值：

式中：表示向量和的核相關函數，其第個元素如下：

式中：為置換矩陣，表示如下：

定義表示所有訓練樣本和測試樣本的核矩陣，其由基礎訓練樣本和基礎測試樣本的核函數確定，可表示為：

對于測試樣本的回歸值，可由以下獲?。?/p>

式(27)中：()表示所有測試樣本的回歸值，其可將看作濾波器，那么()就可看作濾波器對的濾波結果，基于此，計算公式(27)稱之為核濾波。借助離散傅里葉變換矩陣對核矩陣對角化，可得：

根據公式(28)可完成核脊回歸模型檢測，這里將核相關濾波簡化為式(22)和(28)兩步計算，其中式(22)涉及計算，式(28)涉及計算，核相關濾波計算任務繁重。

1.4 核函數簡化計算

通過上節(jié)核濾波的推導可知，核相關函數的計算復雜度與核函數類型有關，會影響整個核濾波的效率。本節(jié)分別分析內積型和徑向基核函數的計算。內積型核函數（含多項式）表示如下：

式(29)中：()代表某函數，向量1,2的核函數：

對(1)對角化，可得：

通過式(31)可知內積型核函數可通過離散傅里葉變換和點乘獲得計算結果，計算復雜度為(log)。徑向基核函數表示如下：

式(32)中：()為高斯核函數，這是取將上式(32)展開：

可將上式(33)中||1||2和||2||2視為常量，故而將式(33)看作內積型，根據式(31)求解內積型核函數，可得徑向基核函數結果如下：

以高斯徑向基為例，其相關核函數為：

式(35)中：表示帶寬，通過上式(35)可知徑向基核函數的核函數也可通過離散傅里葉變換和點乘獲得計算結果，其計算復雜度為(log)。

2 本文算法

本節(jié)將利用核相關濾波算法對幀間背景運動進行補償，借助幀間差分對相對運動進行特征提取，最后通過閾值化完成紅外弱小運動目標的檢測。本文算法的示意圖如圖1所示。

2.1 本文算法各階段

幀間運動補償階段：通過示意圖可知，在幀間運動補償階段，算法以－幀作為基礎訓練樣本，訓練核脊回歸模型，以幀為基礎測試樣本，借助核濾波獲得所有基礎測試樣本回歸值，取回歸值中最大值，計算其相對于基礎測試樣本的差值。然后將－幀整體以位移量進行循環(huán)移位獲得對第幀的估計￠，實現對幀間背景運動補償。

相對運動特征提取階段：對于紅外圖像序列中的運動目標而言，由于弱小目標相對于背景進行了運動，因此弱小目標在測試樣本和估計幀￠中的位置也發(fā)生了變化，那么對和￠進行幀間差分可以進一步凸顯目標，同時可以抑制背景各種雜波?；诖?，本階段將和￠進行幀間差分獲得相對運動特征圖，經過循環(huán)移位，和￠的差分圖在邊緣區(qū)域會殘留背景（如圖1相對運動特征提取結果），設置邊緣區(qū)域寬度，通過對邊緣寬度內置零，改善相對運動特征圖。

圖1 本文算法示意圖

目標識別階段：經過前兩個階段，弱小目標處于相對運動特征圖中顯著位置，為了有效識別，采用如下閾值分割法獲得最終二值化檢測結果：

＝＋×(36)

式中：表示相對運動特征圖各像素特征值均值；表示相對運動特征圖各像素特征值標準差；為閾值，一般取值[20, 40]。

這里參考文獻[25]的思想，在幀差法中引入面積閾值在判斷目標運動的大體幀數。首先獲得當前幀紅外圖像和前幀的灰度圖像F(,)、F－(,)，獲得差分圖像D(,)：

據保護區(qū)建區(qū)初期綜合科學考察統(tǒng)計，保護區(qū)有種子植物154科672屬1521種(含變種和亞種)[1]。本項調查，新增種子植物142種(裸子植物3種；雙子葉植物109種；單子葉植物30種)，隸屬57科112屬，其中新增科3個，新增屬51個。屬于鄉(xiāng)土物種有39科88屬116種，外來物種有20科24屬26種。通過本次調查可知，保護區(qū)境內共有種子植物157科723屬1663種(含變種和亞種)。

D(,)＝|F(,)－F－(,)|(37)

由于D(,)中運動目標像素點灰度值較高，這里借助最大類間方差獲得自適應閾值T。而后記二值圖像R(,)中灰度值為1像素點個數為，若小于閾值T，則增大間隔幀數（＝＋1），重復以上過程，直到大于閾值T為止，此時為弱小目標運動的最小幀數。

2.2 算法流程

綜合以上，本文算法偽代碼如下：

Input：第－和幀紅外圖像，回歸值，帶寬，正則化系數，邊緣區(qū)域寬度，間接幀數，閾值。

Step1：以－幀作為基礎訓練樣本，以幀為基礎測試樣本；

Step2：根據式(35)求解核相關函數；

Step7：根據()獲得測試樣本回歸值最大值位置(max,max)；

Step8：計算第幀紅外圖像相對于第－的位移量＝(max－1,max－1)；

Step9：對第－幀紅外圖像以位移量平移，得到第幀圖像估計￠；

Step10：對￠和差分獲得差分圖并按照設定邊緣區(qū)域寬度進行置零，得到相對運動特征圖；

Step11：根據式(36)獲得分割閾值；

Step12：根據對相對運動特征圖進行閾值分割，得到第幀紅外圖像二值化結果。

假設第幀紅外圖像擁有個像素，核相關濾波的復雜度為(log)，那么基于核相關濾波的幀間運動補償計算復雜度為(log)，幀間差分計算復雜度為()，運動特征提取計算復雜度為()，閾值分割計算復雜度也為()，綜上可知，本文算法的整體計算復雜度最大為()，運算開銷較低。

3 仿真實驗與對比分析

本文利用4幅紅外對地觀測圖像來驗證算法有效性和優(yōu)越性。硬件環(huán)境為Intel(R) Core(TM) i5-10500@3.1GHz，RAM:8GB，軟件環(huán)境為：Matlab R2016b。其中實驗4種測試場景都是200幀，圖像大小為256×256，根據前述目標識別估算可知，弱小目標運動速度在8幀左右，這與后面間隔幀參數的驗證基本一致。實驗場景具體如圖2所示。

在4種測試場景中都包含弱小目標（方框內），其中場景一存在樹木、道路等多種雜波，背景存在高強度點狀干擾源；場景二存在溝壑、河道、樹木多種雜波，目標強度低；場景三存在道路、樹木、池塘等多種雜波，邊緣干擾較強；紅外圖像四存在道路、樹木、線桿等多種雜波，線性雜波干擾較強。4種測試場景都有明顯背景運動。

圖2 測試場景示意圖。(a)場景一；(b)場景二；(c)場景三；(d)場景四

3.1 參數設置

圖3～圖6的(a)～(d)分別為各場景中＝1,3,5,10時的單幀圖像，圖3～圖6的(e)～(h)分別對應＝1,3,5,10單幀圖像的相對運動特征圖。通過圖3～圖6的結果可以看出，當＝1時，4種場景的相對運動特征不明顯，當＝3和＝5時，4種場景下的相對運動特征逐漸明顯，當＝10時，弱小目標與背景相對運動特征有較為明顯的差異，由于間隔幀的設置與弱小目標的實際運動有關，結合4種場景中目標的實際運動，這里設置＝10，當目標運動過快時，可根據情況適當調小間隔幀數。

3.2 算法有效性

利用本算法對4種場景進行目標檢測，以驗證本文算法的有效性，結果如圖7～圖10所示。

圖7～圖10為4種場景目標檢測結果，其中圖(a)表示測試場景中的當前幀，圖(b)表示當前幀之前10幀的單幀紅外圖像，圖(c)表示圖(a)和圖(b)的差分結果，圖(d)表示圖(b)經過運動補償后的結果，圖(e)表示圖(a)與圖(d)差分結果，圖(f)表示將圖(e)邊緣置零結果，圖(g)表示最終相對運動特征圖，圖(h)表示真實目標圖。

圖3 場景一在不同間隔幀數下相對特征。(a)第1幀圖像；(b) 第3幀圖像；(c)第5幀圖像；(d)第10幀圖像；(e)第1幀圖像相對運動特征圖；(f)第3幀圖像相對運動特征圖；(g)第5幀圖像相對運動特征圖；(h)第10幀圖像相對運動特征圖

圖4 場景二在不同間隔幀數下相對特征。(a)第1幀圖像；(b) 第3幀圖像；(c)第5幀圖像；(d)第10幀圖像；(e)第1幀圖像相對運動特征圖；(f)第3幀圖像相對運動特征圖；(g)第5幀圖像相對運動特征圖；(h)第10幀圖像相對運動特征圖

圖5 場景三在不同間隔幀數下相對特征。(a)第1幀圖像；(b) 第3幀圖像；(c)第5幀圖像；(d)第10幀圖像；(e)第1幀圖像相對運動特征圖；(f)第3幀圖像相對運動特征圖；(g)第5幀圖像相對運動特征圖；(h)第10幀圖像相對運動特征圖

圖6 場景四在不同間隔幀數下相對特征。(a)第1幀圖像；(b) 第3幀圖像；(c)第5幀圖像；(d)第10幀圖像；(e)第1幀圖像相對運動特征圖；(f)第3幀圖像相對運動特征圖；(g)第5幀圖像相對運動特征圖；(h)第10幀圖像相對運動特征圖

圖7 場景一檢測結果。(a)場景一單幀圖像；(b)圖a前10幀紅外圖像；(c)圖a和圖b的差分結果；(d)圖b運動補償結果；(e)圖a與圖d差分結果；(f)圖e邊緣置零結果；(g)相對運動特征圖；(h)目標檢測結果

圖8 場景二檢測結果。(a)場景二單幀圖像；(b)圖a前10幀紅外圖像；(c)圖a和圖b的差分結果；(d)圖b運動補償結果；(e)圖a與圖d差分結果；(f)圖e邊緣置零結果；(g)相對運動特征圖；(h)目標檢測結果

從圖7(c)～圖10(c)可以看出，由于背景在兩幀紅外圖像間有明顯運動，將當前紅外圖像與之前10幀紅外圖像進行差分會產生背景雜波干擾；從圖7(e)～圖10(e)可以看出，經過背景運動補償，所得的差分圖中背景雜波被明顯抑制；從圖7(g)～圖10(g)可以看出，在最終的結果中算法有效將背景信息過濾，弱小目標被完整檢測出。

3.3 算法優(yōu)越性

為了驗證本文算法的優(yōu)越性，引入當前或經典紅外目標檢測算法進行仿真對比。4種對比算法分別為：頻域核濾波目標檢測算法（Aerial infrared target tracking algorithm based on kernel correlation filters under complex interference environment, GF-KCF）[21]、多尺度塊對比檢測算法（Multiscale Patch-based Contrast Measure for small infrared target detection, MPCM）[27]、相對性局部對比檢測算法（Infrared small target detection utilizing the multiscale Relative Local Contrast Measure, RLCM）[28]、自適應特征融合目標檢測（Robust thermal infrared object tracking with continuous correlation filters and adaptive feature fusion，RCCF-TIR）[29]，目標檢測結果如圖11所示。

圖11的第一行為4種測試場景，弱小目標已被紅色方框標出，第二行～第六行分別為MPCM、RLCM、RCCF-TIR、GF-KCF和本文算法的目標檢測結果。MPCM雖然對雜波有較好的抑制，但基本無法抑制點狀干擾源，弱小目標無法識別；RLCM結果存在雜波，無法辨識弱小目標；RCCF-TIR有效對雜波進行了抑制，但對點狀干擾源的抑制還有待提高，弱小目標雖能被檢測但混雜在點狀干擾源中，辨識度不高；GF-KCF對雜波和點狀干擾源都有很好的抑制，弱小目標也基本識別，但對場景四中目標識別時，背景抑制過度；本文算法（KCF-FF）利用幀間運動補償實現了前后兩幀圖像的匹配，可以很好地抑制點狀干擾源和明顯的幀間運動背景，較好實現了對弱小目標的檢測。

為了更直觀地對比各算法的性能，這里采用ROC曲線（Receiver Operating Characteristic curve, ROC）和曲線下面積AUC（Area Under Curve, AUC）來定量評價，其中ROC曲線以檢測率TPR（True Positive Rate, TPR）為縱坐標，以虛警率FPR（False Positive Rate, FPR）為橫坐標，理想狀態(tài)下，TPR＝1，FPR＝0，也就是ROC曲線越靠近左上方越好，而曲線下面積AUC越大，算法性能越好，各算法在紅外圖像上的ROC曲線如圖12所示。

圖12(a)～(d)分別為各算法在測試場景一～測試場景四上的ROC曲線，其中本文算法(KCF-FF)的ROC曲線都最靠近左上角，面對強點狀干擾和多種雜波都表現出了較高的檢測性能。各算法在不同測試環(huán)境下的AUC指標如表1所示。

圖12 各算法在4種測試場景上的ROC曲線。(a)五種算法在場景一上的ROC曲線；(b) 五種算法在場景二上的ROC曲線；(c) 五種算法在場景三上的ROC曲線；(d) 五種算法在場景四上的ROC曲線

由表1各算法在不同測試場景上的AUC值可以看出，本文算法的AUC值最高，其次是GF-KCF，這與各算法在測試場景上的ROC曲線一致，體現了本文弱小目標檢測的優(yōu)異性能。從表2各算法在不同測試場景下運行時間看，GF-KCF的運行時間最少，本文算法次之，但兩者的運行時間差距不大，在可控范圍內。

表1 各算法在4種測試場景下AUC值

表2 各算法在4種測試場景下運行時間

4 結論

本文提出了一種結合幀差的核相關濾波弱小紅外目標檢測算法，借助核相關濾波補償幀間背景運動，利用幀間差分法提取相對運動特征，通過閾值分割獲得最終目標檢測結果。對比實驗可知，本算法取得了較高的目標檢測率和運算效率。算法主要利用圖像序列的時域和頻域特征，而單幀圖像還有空域特征，如何多重利用紅外序列圖像的時域、頻域和空域特征來進一步提高目標檢測的精度將是本文下一步研究的重點。

[1] CHENG Y H, WANG J. A motion image detection method based on the inter-frame difference method[J]., 2014, 490: 1283-1286.

[2] HE L, GE L. CamShift target tracking based on the combination of inter-frame difference and background difference[C]//2018 37th(CCC)., 2018: 9461-9465.

[3] Novikov A, Reyes-Pérez P. Optimal multistage sequential hypothesis testing[J]., 2020, 205: 219-230.

[4] Shamsadin Nejad A, Zaimbashi A. Multistage target detector based on M-ary hypothesis testing approach in multi-channel passive bistatic radars to improve target range resolution[J]., 2019, 49(3): 1141-1152.

[5] FAN X, XU Z, ZHANG J, et al. Infrared dim and small targets detection method based on local energy center of sequential image[J]., 2017, 2017: 4572147.

[6] CHEN H, ZHANG H, YANG Y, et al. Small target detection based on infrared image adaptive[J]., 2015, 8(1): 497-515.

[7] REN X, WANG J, MA T, et al. Infrared dim and small target detection based on three-dimensional collaborative filtering and spatial inversion modeling[J]., 2019, 101: 13-24.

[8] LIU X, ZUO Z. A dim small infrared moving target detection algorithm based on improved three-dimensional directional filtering[C]//. Springer, Berlin, Heidelberg, 2013: 102-108.

[9] DU P, Hamdulla A. Infrared moving small-target detection using spatial-temporal local difference measure[J]., 2019, 17(10): 1817-1821.

[10] DENG L, ZHANG J, ZHU H. Infrared moving point target detection using a spatial-temporal filter[J]., 2018, 95: 122-127.

[11] ZHAO B, XIAO S, LU H, et al. Spatial-temporal local contrast for moving point target detection in space-based infrared imaging system[J]., 2018, 95: 53-60.

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

[13] CHO J, JUNG Y, KIM D S, et al. Moving object detection based on optical flow estimation and a Gaussian mixture model for advanced driver assistance systems[J]., 2019, 19(14): 3217-3231.

[14] ZHANG Y, ZHENG J, ZHANG C, et al. An effective motion object detection method using optical flow estimation under a moving camera[J]., 2018, 55: 215-228.

[15] JIAN Q, QIAN C, Wei-Xian Q. A detection algorithm for dim and small infrared target based on the optical flow estimation and the adaptive background suppression[J]., 2011, 40(3): 476-482.

[16] Shin J, Kim H, Kim D, et al. Fast and robust object tracking using tracking failure detection in kernelized correlation filter[J]., 2020, 10(2): 713-727.

[17] YU T, MO B, LIU F, et al. Robust thermal infrared object tracking with continuous correlation filters and adaptive feature fusion[J]., 2019, 98: 69-81.

[18] Uzkent B, Rangnekar A, Hoffman M J. Tracking in aerial hyperspectral videos using deep kernelized correlation filters[J]., 2018, 57(1): 449-461.

[19] YUAN D, ZHANG X, LIU J, et al. A multiple feature fused model for visual object tracking via correlation filters[J]., 2019, 78(19): 27271-27290.

[20] MENG Y, MA C, AN W. Infrared object tracking method based on kernel correlation filters[C]//:, 2021, 2035(1): 012038.

[21] YANG X, LI S, YU J, et al. GF-KCF: Aerial infrared target tracking algorithm based on kernel correlation filters under complex interference environment[J]., 2021, 119: 103958.

[22] Hsieh T H, CHOU C L, LAN Y P, et al. Fast and robust infrared image small target detection based on the convolution of layered gradient Kernel[J]., 2021, 9: 94889-94900.

[23] LI Y, ZHANG Y. Robust infrared small target detection using local steering kernel reconstruction[J]., 2018, 77: 113-125.

[24] Henriques J F, Rui C, Martins P, et al. High-speed tracking with kernelized correlation filters[J]., 2015, 37(3): 583-596.

[25] 杜文漢, 李東興, 王倩楠, 等. 融合改進幀差和邊緣提取算法的運動目標檢測[J]. 科學技術與工程, 2022, 22(5): 1944-1949.

DU W H, LI D X, WANG Q N, et al.Moving target detection based on improved frame difference and edge extraction algorithm[J]., 2022, 22(5): 1944-1949.

[26] LIU S, LIU D, Srivastava G, et al. Overview and methods of correlation filter algorithms in object tracking[J]., 2020(3): 1895-1917.

[27] WEI Y, YOU X, LI H. Multiscale patch-based contrast measure for small infrared target detection[J]., 2016, 58: 216-226.

[28] HAN J, LIANG K, ZHOU B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]., 2018, 15(4): 612-616.

[29] YU T, MO B, LIU F, et al. Robust thermal infrared object tracking with continuous correlation filters and adaptive feature fusion[J]., 2019, 98: 69-81.

Weak and Small Infrared Target Detection Combined With Frame Difference Kernel Correlation Filtering

WANGYuping，ZENGYi

(School of Information Engineering, Zhengzhou University of Science and Technology, Zhengzhou 450064, China)

To improve the performance of infrared target detection, weak and small infrared target detection combined with frame difference kernel correlation filtering is proposed. First, the current frame is trained by kernel correlation filtering to obtain the maximum regression value. Then, the difference value is calculated relative to the interval frame to perform a cyclic shift to compensate for the background motion between frames. The relative motion features of the current frame are extracted using the interframe difference method, which enhances the ability to distinguish weak and small targets from the infrared background. Finally, threshold segmentation is performed on the relative motion features to obtain the final detection results. Simulation experiments show that the proposed algorithm effectively detected weak and small infrared targets in complex environments. Compared with similar algorithms, the proposed algorithm suppressed clutter and point-shaped interference sources, and achieved a higher target detection rate. Simultaneously, a large number of operations are placed in the frequency domain, and the operational efficiency is better than that of other algorithms.

infrared image, weak and small target detection, Kernel correlation filtering, interframe motion compensation, relative motion feature, inter frame difference

TP319；TN211

A

1001-8891(2023)07-0755-13

2022-03-02；

2022-05-19.

王玉萍（1979-），女，漢族，河南焦作人，碩士，教授，主要研究方向：圖像處理,視覺與虛擬現實。E-mail: yuping_wang1979@126.com。

曾毅（1980-），男，漢族，廣西桂林人，碩士，副教授，主要研究方向：視覺與虛擬現實及嵌入式。

河南省科技廳科技攻關項目（222102210174）。