基于紅外成像的小目標(biāo)檢測技術(shù)研究

藺向明

摘 要：針對遠(yuǎn)距紅外弱小目標(biāo)的成像特點(diǎn)，提出了一種基于連續(xù)幀的紅外成像小目標(biāo)先檢 測后跟蹤算法。首先利用增強(qiáng)型簡化高通濾波預(yù)處理提高圖像信噪比，然后根據(jù)直方圖迭代得到 的自適應(yīng)閾值進(jìn)行二值化處理和目標(biāo)標(biāo)記，在后繼的連續(xù)幀中根據(jù)導(dǎo)彈工作狀態(tài)不同而確定不同 的選擇截獲算法，判斷截獲后轉(zhuǎn)入小目標(biāo)對比度跟蹤階段。仿真實(shí)驗(yàn)結(jié)果表明，本文算法在復(fù)雜 背景、低信噪比條件下，仍能準(zhǔn)確檢測出遠(yuǎn)距小目標(biāo)，閾值選取無需人工干預(yù)，檢測速度快，利于 彈上實(shí)時(shí)應(yīng)用。

關(guān)鍵詞：紅外成像；小目標(biāo)檢測；先檢測后跟蹤；增強(qiáng)型簡化高通濾波；對比度跟蹤

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1673-5048（2014）03-0012-04

ResearchonSmallTargetDetectingAlgorithmBasedonIRImaging

LINXiangming

（CollegeofAstronautics，NorthwesternPolytechnicalUniversity，Xian710072，China）

Abstract：Accordingtotheinfraredimagingtraitofthesmalltargetinlongdistance，asmalltarget detectingandtrackingalgorithmwithcontinuousframesispresented.Firstly，itusestheenhancedsimpli fiedhighpassfiltertoelevateSNR.Andafterbinarizationisusedwiththethresholdgotfromiterationof histogram，thetargetsaremarkedandtheircharactersareextracted.Finally，theaimedtargetiscon firmedafterseveralconsecutiveframesandtheprocessturnsintocontrasttrackingwiththetargetscen troidasaimingpoint.Testsshowthatthealgorithmpresentedcanrealizefastdetectingandstabletracking thesmalltargetundercomplexbackgrounds，andthebinarizationthresholdisgotwithoutmanualwork. Therateofthisalgorithmisfast，soitisconvenientforusingintheairtoairmissiles.

Keywords：infraredimaging；smalltargetdetecting；detectbeforetrack（DBT）；enhancedsimpli fiedhighpassfilter；contrasttracking

0 引 言

所謂小目標(biāo)，是指當(dāng)導(dǎo)彈和目標(biāo)的相對位置 較遠(yuǎn)時(shí)，雖然空戰(zhàn)目標(biāo)本身可能有幾米甚至十幾 米的尺寸，但在導(dǎo)引頭成像平面上僅呈現(xiàn)一個(gè)或 幾個(gè)像素的點(diǎn)，所以這種狀態(tài)下的目標(biāo)又被稱為 點(diǎn)目標(biāo)（PointTarget）。

遠(yuǎn)距紅外弱小目標(biāo)的檢測技術(shù)是紅外成像制 導(dǎo)系統(tǒng)中的一項(xiàng)核心技術(shù)，它利用圖像處理算法 對復(fù)雜背景下和強(qiáng)噪聲環(huán)境中的弱小目標(biāo)進(jìn)行自 動(dòng)檢測，為后繼的目標(biāo)識別、抗干擾提供基礎(chǔ)，實(shí) 現(xiàn)穩(wěn)定跟蹤。遠(yuǎn)距紅外弱小目標(biāo)的檢測算法的性 能好壞直接影響紅外成像系統(tǒng)的作用距離和智能 化程度?，F(xiàn)階段紅外弱小目標(biāo)檢測算法的難點(diǎn)在 于：

a.目標(biāo)只占據(jù)幾個(gè)像素，無明顯的形狀、尺 寸、紋理等結(jié)構(gòu)信息，可供利用的信息少；

b.復(fù)雜背景下點(diǎn)目標(biāo)的成像信噪比較低，單 幀處理的虛警率高；

c.檢測算法的運(yùn)算量必須可控，滿足彈上使 用的實(shí)時(shí)性要求。

因此，復(fù)雜背景中紅外小目標(biāo)的檢測問題成了 紅外成像系統(tǒng)中一個(gè)亟待解決的關(guān)鍵問題，探索和 研究新的小目標(biāo)檢測理論和算法以及如何將現(xiàn)有的 檢測理論用于工程實(shí)現(xiàn)依然是十分重要的課題。本 文從分析現(xiàn)有算法特點(diǎn)入手，提出了一種基于連 續(xù)幀的紅外成像小目標(biāo)檢測算法。

1 現(xiàn)有算法分析

按照實(shí)現(xiàn)序列圖像中目標(biāo)檢測算法所需的圖 像幀數(shù)，可將紅外小目標(biāo)的檢測算法分為單幀小 目標(biāo)檢測算法和多幀小目標(biāo)檢測算法兩大類。

1.1 單幀小目標(biāo)檢測

單幀小目標(biāo)檢測一般是先進(jìn)行圖像預(yù)處理， 再對經(jīng)過濾波后的圖像進(jìn)行閾值分割，依靠目標(biāo) 和背景成像的灰度差異來實(shí)現(xiàn)目標(biāo)檢測和分割。 這種方法簡單易行，易于硬件實(shí)現(xiàn)，執(zhí)行效率高。 但由于不考慮幀間信息，所以在低信噪比的復(fù)雜 背景下容易檢測不出目標(biāo)或檢測出多個(gè)目標(biāo)，虛 警概率大，通常需要進(jìn)行后繼的目標(biāo)航跡關(guān)聯(lián)或 目標(biāo)識別模塊來進(jìn)一步確定。

單幀小目標(biāo)檢測中圖像檢測方法分成如下三 類[1]：①基于點(diǎn)相關(guān)技術(shù)的分割：閾值僅根據(jù)與全圖 各像素的本身性質(zhì)（像素值）有關(guān)。如極小值點(diǎn)閾值 法[2]、最優(yōu)閾值法[3]、最大類間方差法（大津法）[4]都 是經(jīng)典的單幀小目標(biāo)檢測算法，它們僅依靠圖像灰 度直方圖統(tǒng)計(jì)運(yùn)算，是一類無監(jiān)督、無先驗(yàn)知識的自 動(dòng)分類算法；②基于區(qū)域相關(guān)技術(shù)的分割：閾值與區(qū) 域性質(zhì)（區(qū)域內(nèi)各像素的值，相鄰像素值的關(guān)系等） 有關(guān)，Jaynes[5]提出了香農(nóng)熵與區(qū)域信息相結(jié)合的 連續(xù)形式，并由Skilling[6]給出了離散形式，完成了 基于紅外圖像局部熵的分割方法；③基于坐標(biāo)位置 的動(dòng)態(tài)閾值：閾值不僅與當(dāng)前點(diǎn)像素值和區(qū)域像素 性質(zhì)有關(guān)，進(jìn)一步還與像素位置有關(guān)。

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標(biāo)檢測

相較單幀小目標(biāo)檢測算法，多幀處理更能體 現(xiàn)序列圖像帶來的時(shí)間信息、空間信息和灰度信 息。所以大多數(shù)紅外小目標(biāo)檢測算法都屬于多幀目標(biāo)檢測算法。對于多幀小目標(biāo)檢測，按小目標(biāo) 檢測與目標(biāo)運(yùn)動(dòng)軌跡跟蹤過程的前后關(guān)系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術(shù)利用目標(biāo)的灰度特征，根據(jù)一定的 判決準(zhǔn)則獲得目標(biāo)的判決閾值，對目標(biāo)圖像實(shí)施 二值化。然后在二值化后的圖像序列中根據(jù)目標(biāo) 的短時(shí)運(yùn)動(dòng)連續(xù)性和軌跡一致性，利用軌跡關(guān)聯(lián) 的方法來尋找可能的目標(biāo)軌跡，對單幀檢測結(jié)果 進(jìn)行多數(shù)表決，剔除虛警點(diǎn)，從而達(dá)到檢測點(diǎn)目標(biāo) 的目的[7]。這種方法具有計(jì)算形式相對簡單，計(jì) 算量小、速度快等特點(diǎn)，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術(shù)則是先根據(jù)目標(biāo)的短時(shí)運(yùn)動(dòng)軌跡連 續(xù)性，沿目標(biāo)所有可能的運(yùn)動(dòng)軌跡累積目標(biāo)能量， 提高目標(biāo)的信噪比，然后根據(jù)目標(biāo)的短時(shí)灰度特 性或能量變化特性求取各條軌跡的后驗(yàn)概率。 TBD算法流程如圖2所示。

為了滿足實(shí)時(shí)性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標(biāo)DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預(yù)處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內(nèi)檢測，并利用連續(xù)多幀判斷真正的 目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測。其流程圖如圖3所示。

2.1 基于增強(qiáng)型簡化高通濾波的預(yù)處理

圖像預(yù)處理濾波算法一般分為兩類：空域?yàn)V波 和頻域?yàn)V波。由于頻域?yàn)V波的計(jì)算量較大，為了 滿足彈載紅外成像導(dǎo)引頭的高工作頻率，采用空 域?yàn)V波來進(jìn)行紅外導(dǎo)引頭圖像預(yù)處理。一般認(rèn)為， 目標(biāo)是各種具有復(fù)雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預(yù)處理方法[9]。

傳統(tǒng)的二維高通濾波運(yùn)算量隨著濾波半徑的 增大以指數(shù)級的方式增加，不利于彈上硬件的實(shí) 時(shí)實(shí)現(xiàn)；它可以濾除灰度平滑圖像特別是大片云背 景，達(dá)到抑制云層背景噪聲、使不均勻背景均勻化 以及增強(qiáng)目標(biāo)邊緣的效果，但是對目標(biāo)本身灰度 的削弱也很明顯，而且無法濾除孤點(diǎn)噪聲。

針對傳統(tǒng)高通濾波的第一個(gè)缺點(diǎn)，可以采用 下面的方法予以改善，即只在水平和垂直兩個(gè)方向 進(jìn)行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運(yùn)算，很容易硬件實(shí)現(xiàn)，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個(gè)缺點(diǎn)，引入了十 字五點(diǎn)中值濾波，中值濾波的特點(diǎn)是可以平滑圖 像，濾除孤點(diǎn)噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點(diǎn)構(gòu)成了互補(bǔ)關(guān)系， 因此形成了一種兼有兩種濾波算法優(yōu)點(diǎn)的新的濾 波算法，即增強(qiáng)型簡化高通濾波算法[10]，其表達(dá) 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標(biāo)的削 弱作用，同時(shí)又可以達(dá)到高通濾波對背景的濾除 效果；算法運(yùn)算簡單，最終可換算到加、減、移位三 種運(yùn)算，硬件可以并行處理，滿足紅外成像制導(dǎo)武 器實(shí)時(shí)、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設(shè) 共有L個(gè)灰度），將圖像每個(gè)像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個(gè)數(shù)，迭代一直進(jìn)行 到Ti+1=Ti時(shí)結(jié)束，取結(jié)束時(shí)的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標(biāo)標(biāo)記和特征提取

目標(biāo)標(biāo)記采用的是四聯(lián)通區(qū)域標(biāo)定法，對屬 于同一個(gè)目標(biāo)的像素標(biāo)記為一個(gè)目標(biāo)，對與前面 都不同的目標(biāo)標(biāo)記為新目標(biāo)，做完初步標(biāo)記和標(biāo) 記矯正后，需要更新當(dāng)前標(biāo)記的特征，即在該行的 終止列、面積、灰度。

標(biāo)記完成后，遍歷鄰接表，將相互鄰接的標(biāo)記 記錄為同一個(gè)目標(biāo)，進(jìn)而得到目標(biāo)的個(gè)數(shù)。然后合 并鄰接標(biāo)記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應(yīng)的目標(biāo)的特征。再根據(jù) 各個(gè)目標(biāo)在每行的起始列、終止列，計(jì)算出目標(biāo)的其 他特征：長、寬、中心，以供下一步目標(biāo)識別做準(zhǔn)備。

2.4 遠(yuǎn)距小目標(biāo)選擇截獲算法

遍歷所有的標(biāo)記目標(biāo)，排除屬于背景或噪聲 的假目標(biāo)，若確定不是假目標(biāo)，則需判斷是否滿足 飛控參數(shù)提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標(biāo)作為截獲目標(biāo)，同時(shí)將截獲 標(biāo)志置1，表明已有目標(biāo)被截獲。遍歷完所有標(biāo)記 目標(biāo)后，若沒截獲到目標(biāo)，則將截獲計(jì)數(shù)清0；若 截獲到目標(biāo)，判斷是否為第一幀截獲此目標(biāo)（截獲 計(jì)數(shù)是否大于0），若是第一幀截獲，截獲計(jì)數(shù)加 1，否則判斷與上幀截獲的目標(biāo)能量是否相近，相 近則截獲計(jì)數(shù)加1，相差太大則截獲計(jì)數(shù)置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計(jì) 連續(xù)檢測到目標(biāo)的幀數(shù)Frame_Detect，當(dāng)滿足一定 的截獲要求（一般取Frame_Detect≥5），目標(biāo)檢測 得到確認(rèn)。

2.5 遠(yuǎn)距小目標(biāo)對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標(biāo) 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標(biāo)檢測 方法[J].華中科技大學(xué)學(xué)報(bào)，2001，29（11）：56-57.

[9]趙欽佩.復(fù)雜背景條件下的紅外圖像預(yù)處理檢測方法 研究[D].上海：上海交通大學(xué)，2007.

[10]劉潮東，史忠科.各向異性擴(kuò)散-中值濾波在紅外圖 像處理中的應(yīng)用[J].彈箭與制導(dǎo)學(xué)報(bào)，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學(xué)出版社，2001：217 -219.

[12]鄭南寧.計(jì)算機(jī)視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標(biāo)檢測

相較單幀小目標(biāo)檢測算法，多幀處理更能體 現(xiàn)序列圖像帶來的時(shí)間信息、空間信息和灰度信 息。所以大多數(shù)紅外小目標(biāo)檢測算法都屬于多幀目標(biāo)檢測算法。對于多幀小目標(biāo)檢測，按小目標(biāo) 檢測與目標(biāo)運(yùn)動(dòng)軌跡跟蹤過程的前后關(guān)系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術(shù)利用目標(biāo)的灰度特征，根據(jù)一定的 判決準(zhǔn)則獲得目標(biāo)的判決閾值，對目標(biāo)圖像實(shí)施 二值化。然后在二值化后的圖像序列中根據(jù)目標(biāo) 的短時(shí)運(yùn)動(dòng)連續(xù)性和軌跡一致性，利用軌跡關(guān)聯(lián) 的方法來尋找可能的目標(biāo)軌跡，對單幀檢測結(jié)果 進(jìn)行多數(shù)表決，剔除虛警點(diǎn)，從而達(dá)到檢測點(diǎn)目標(biāo) 的目的[7]。這種方法具有計(jì)算形式相對簡單，計(jì) 算量小、速度快等特點(diǎn)，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術(shù)則是先根據(jù)目標(biāo)的短時(shí)運(yùn)動(dòng)軌跡連 續(xù)性，沿目標(biāo)所有可能的運(yùn)動(dòng)軌跡累積目標(biāo)能量， 提高目標(biāo)的信噪比，然后根據(jù)目標(biāo)的短時(shí)灰度特 性或能量變化特性求取各條軌跡的后驗(yàn)概率。 TBD算法流程如圖2所示。

為了滿足實(shí)時(shí)性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標(biāo)DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預(yù)處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內(nèi)檢測，并利用連續(xù)多幀判斷真正的 目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測。其流程圖如圖3所示。

2.1 基于增強(qiáng)型簡化高通濾波的預(yù)處理

圖像預(yù)處理濾波算法一般分為兩類：空域?yàn)V波 和頻域?yàn)V波。由于頻域?yàn)V波的計(jì)算量較大，為了 滿足彈載紅外成像導(dǎo)引頭的高工作頻率，采用空 域?yàn)V波來進(jìn)行紅外導(dǎo)引頭圖像預(yù)處理。一般認(rèn)為， 目標(biāo)是各種具有復(fù)雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預(yù)處理方法[9]。

傳統(tǒng)的二維高通濾波運(yùn)算量隨著濾波半徑的 增大以指數(shù)級的方式增加，不利于彈上硬件的實(shí) 時(shí)實(shí)現(xiàn)；它可以濾除灰度平滑圖像特別是大片云背 景，達(dá)到抑制云層背景噪聲、使不均勻背景均勻化 以及增強(qiáng)目標(biāo)邊緣的效果，但是對目標(biāo)本身灰度 的削弱也很明顯，而且無法濾除孤點(diǎn)噪聲。

針對傳統(tǒng)高通濾波的第一個(gè)缺點(diǎn)，可以采用 下面的方法予以改善，即只在水平和垂直兩個(gè)方向 進(jìn)行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運(yùn)算，很容易硬件實(shí)現(xiàn)，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個(gè)缺點(diǎn)，引入了十 字五點(diǎn)中值濾波，中值濾波的特點(diǎn)是可以平滑圖 像，濾除孤點(diǎn)噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點(diǎn)構(gòu)成了互補(bǔ)關(guān)系， 因此形成了一種兼有兩種濾波算法優(yōu)點(diǎn)的新的濾 波算法，即增強(qiáng)型簡化高通濾波算法[10]，其表達(dá) 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標(biāo)的削 弱作用，同時(shí)又可以達(dá)到高通濾波對背景的濾除 效果；算法運(yùn)算簡單，最終可換算到加、減、移位三 種運(yùn)算，硬件可以并行處理，滿足紅外成像制導(dǎo)武 器實(shí)時(shí)、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設(shè) 共有L個(gè)灰度），將圖像每個(gè)像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個(gè)數(shù)，迭代一直進(jìn)行 到Ti+1=Ti時(shí)結(jié)束，取結(jié)束時(shí)的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標(biāo)標(biāo)記和特征提取

目標(biāo)標(biāo)記采用的是四聯(lián)通區(qū)域標(biāo)定法，對屬 于同一個(gè)目標(biāo)的像素標(biāo)記為一個(gè)目標(biāo)，對與前面 都不同的目標(biāo)標(biāo)記為新目標(biāo)，做完初步標(biāo)記和標(biāo) 記矯正后，需要更新當(dāng)前標(biāo)記的特征，即在該行的 終止列、面積、灰度。

標(biāo)記完成后，遍歷鄰接表，將相互鄰接的標(biāo)記 記錄為同一個(gè)目標(biāo)，進(jìn)而得到目標(biāo)的個(gè)數(shù)。然后合 并鄰接標(biāo)記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應(yīng)的目標(biāo)的特征。再根據(jù) 各個(gè)目標(biāo)在每行的起始列、終止列，計(jì)算出目標(biāo)的其 他特征：長、寬、中心，以供下一步目標(biāo)識別做準(zhǔn)備。

2.4 遠(yuǎn)距小目標(biāo)選擇截獲算法

遍歷所有的標(biāo)記目標(biāo)，排除屬于背景或噪聲 的假目標(biāo)，若確定不是假目標(biāo)，則需判斷是否滿足 飛控參數(shù)提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標(biāo)作為截獲目標(biāo)，同時(shí)將截獲 標(biāo)志置1，表明已有目標(biāo)被截獲。遍歷完所有標(biāo)記 目標(biāo)后，若沒截獲到目標(biāo)，則將截獲計(jì)數(shù)清0；若 截獲到目標(biāo)，判斷是否為第一幀截獲此目標(biāo)（截獲 計(jì)數(shù)是否大于0），若是第一幀截獲，截獲計(jì)數(shù)加 1，否則判斷與上幀截獲的目標(biāo)能量是否相近，相 近則截獲計(jì)數(shù)加1，相差太大則截獲計(jì)數(shù)置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計(jì) 連續(xù)檢測到目標(biāo)的幀數(shù)Frame_Detect，當(dāng)滿足一定 的截獲要求（一般取Frame_Detect≥5），目標(biāo)檢測 得到確認(rèn)。

2.5 遠(yuǎn)距小目標(biāo)對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標(biāo) 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標(biāo)檢測 方法[J].華中科技大學(xué)學(xué)報(bào)，2001，29（11）：56-57.

[9]趙欽佩.復(fù)雜背景條件下的紅外圖像預(yù)處理檢測方法 研究[D].上海：上海交通大學(xué)，2007.

[10]劉潮東，史忠科.各向異性擴(kuò)散-中值濾波在紅外圖 像處理中的應(yīng)用[J].彈箭與制導(dǎo)學(xué)報(bào)，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學(xué)出版社，2001：217 -219.

[12]鄭南寧.計(jì)算機(jī)視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.

以上對取閾值分割方法的分類思想是通用的。 近年來，許多取閾值分割算法借用了視覺特性、神 經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、遺傳算法、小波變換、信息論等 工具，但仍可把它們歸納到以上三種方法類型中。

1.2 多幀小目標(biāo)檢測

相較單幀小目標(biāo)檢測算法，多幀處理更能體 現(xiàn)序列圖像帶來的時(shí)間信息、空間信息和灰度信 息。所以大多數(shù)紅外小目標(biāo)檢測算法都屬于多幀目標(biāo)檢測算法。對于多幀小目標(biāo)檢測，按小目標(biāo) 檢測與目標(biāo)運(yùn)動(dòng)軌跡跟蹤過程的前后關(guān)系，可分 解為先檢測后跟蹤（Detectbeforetrack，DBT）和先 跟蹤后檢測（Trackbeforedetect，TBD）兩類。

DBT技術(shù)利用目標(biāo)的灰度特征，根據(jù)一定的 判決準(zhǔn)則獲得目標(biāo)的判決閾值，對目標(biāo)圖像實(shí)施 二值化。然后在二值化后的圖像序列中根據(jù)目標(biāo) 的短時(shí)運(yùn)動(dòng)連續(xù)性和軌跡一致性，利用軌跡關(guān)聯(lián) 的方法來尋找可能的目標(biāo)軌跡，對單幀檢測結(jié)果 進(jìn)行多數(shù)表決，剔除虛警點(diǎn)，從而達(dá)到檢測點(diǎn)目標(biāo) 的目的[7]。這種方法具有計(jì)算形式相對簡單，計(jì) 算量小、速度快等特點(diǎn)，但要求輸入的圖像有較高 的信噪比[8]。DBT算法流程如圖1所示。

TBD技術(shù)則是先根據(jù)目標(biāo)的短時(shí)運(yùn)動(dòng)軌跡連 續(xù)性，沿目標(biāo)所有可能的運(yùn)動(dòng)軌跡累積目標(biāo)能量， 提高目標(biāo)的信噪比，然后根據(jù)目標(biāo)的短時(shí)灰度特 性或能量變化特性求取各條軌跡的后驗(yàn)概率。 TBD算法流程如圖2所示。

為了滿足實(shí)時(shí)性需要，本文采用了一種基于 連續(xù)幀處理的紅外成像小目標(biāo)DBT檢測算法，采 用“邊檢測邊跟蹤邊識別”的策略，通過預(yù)處理提 高圖像的信噪比，基于直方圖迭代的二值化閾值 求取，完成幀內(nèi)檢測，并利用連續(xù)多幀判斷真正的 目標(biāo)，實(shí)現(xiàn)目標(biāo)檢測。其流程圖如圖3所示。

2.1 基于增強(qiáng)型簡化高通濾波的預(yù)處理

圖像預(yù)處理濾波算法一般分為兩類：空域?yàn)V波 和頻域?yàn)V波。由于頻域?yàn)V波的計(jì)算量較大，為了 滿足彈載紅外成像導(dǎo)引頭的高工作頻率，采用空 域?yàn)V波來進(jìn)行紅外導(dǎo)引頭圖像預(yù)處理。一般認(rèn)為， 目標(biāo)是各種具有復(fù)雜背景的紅外圖像中的高亮部 分，于是高通濾波成為可以選取的最直接也是最 為有效的圖像預(yù)處理方法[9]。

傳統(tǒng)的二維高通濾波運(yùn)算量隨著濾波半徑的 增大以指數(shù)級的方式增加，不利于彈上硬件的實(shí) 時(shí)實(shí)現(xiàn)；它可以濾除灰度平滑圖像特別是大片云背 景，達(dá)到抑制云層背景噪聲、使不均勻背景均勻化 以及增強(qiáng)目標(biāo)邊緣的效果，但是對目標(biāo)本身灰度 的削弱也很明顯，而且無法濾除孤點(diǎn)噪聲。

針對傳統(tǒng)高通濾波的第一個(gè)缺點(diǎn)，可以采用 下面的方法予以改善，即只在水平和垂直兩個(gè)方向 進(jìn)行濾波：

簡化后的濾波效果有所下降，但由于其只有 簡單的加、減和移位運(yùn)算，很容易硬件實(shí)現(xiàn)，所以 與原算法相比濾波效率大大提高。濾波半徑M的 大小影響濾波效果，這里選M=4。

針對傳統(tǒng)高通濾波的第二個(gè)缺點(diǎn)，引入了十 字五點(diǎn)中值濾波，中值濾波的特點(diǎn)是可以平滑圖 像，濾除孤點(diǎn)噪聲，但對大面積的云背景無法濾 除。這正好與高通濾波的特點(diǎn)構(gòu)成了互補(bǔ)關(guān)系， 因此形成了一種兼有兩種濾波算法優(yōu)點(diǎn)的新的濾 波算法，即增強(qiáng)型簡化高通濾波算法[10]，其表達(dá) 式如下所示：

g（i，j）=f（i，j）+m5（i，j）-2×l（i，j）（4）

m5（i，j）=med[f（i-1，j），f（i，j-1），

f（i，j），f（i，j+1），f（i+1，j）]（5）

這種算法有效地抑制了高通濾波對目標(biāo)的削 弱作用，同時(shí)又可以達(dá)到高通濾波對背景的濾除 效果；算法運(yùn)算簡單，最終可換算到加、減、移位三 種運(yùn)算，硬件可以并行處理，滿足紅外成像制導(dǎo)武 器實(shí)時(shí)、快速的需要。

2.2 基于直方圖迭代閾值的圖像分割

基于灰度直方圖的全局迭代閾值法[11]選取圖像灰度分布范圍的中間值作為閾值初始值T0（設(shè) 共有L個(gè)灰度），將圖像每個(gè)像素都分為前景或背 景，然后按下式迭代：

其中：hk是灰度為k值的像素個(gè)數(shù)，迭代一直進(jìn)行 到Ti+1=Ti時(shí)結(jié)束，取結(jié)束時(shí)的Ti為最終分割閾 值。從直方圖上看，這樣取得的閾值處在與前景 和背景的重成反比的位置，從路徑規(guī)劃的角度看 是一種最優(yōu)閾值。

2.3 目標(biāo)標(biāo)記和特征提取

目標(biāo)標(biāo)記采用的是四聯(lián)通區(qū)域標(biāo)定法，對屬 于同一個(gè)目標(biāo)的像素標(biāo)記為一個(gè)目標(biāo)，對與前面 都不同的目標(biāo)標(biāo)記為新目標(biāo)，做完初步標(biāo)記和標(biāo) 記矯正后，需要更新當(dāng)前標(biāo)記的特征，即在該行的 終止列、面積、灰度。

標(biāo)記完成后，遍歷鄰接表，將相互鄰接的標(biāo)記 記錄為同一個(gè)目標(biāo)，進(jìn)而得到目標(biāo)的個(gè)數(shù)。然后合 并鄰接標(biāo)記的特征（包括在每行的起始列、終止列、 面積、灰度），得到它們對應(yīng)的目標(biāo)的特征。再根據(jù) 各個(gè)目標(biāo)在每行的起始列、終止列，計(jì)算出目標(biāo)的其 他特征：長、寬、中心，以供下一步目標(biāo)識別做準(zhǔn)備。

2.4 遠(yuǎn)距小目標(biāo)選擇截獲算法

遍歷所有的標(biāo)記目標(biāo)，排除屬于背景或噪聲 的假目標(biāo)，若確定不是假目標(biāo)，則需判斷是否滿足 飛控參數(shù)提供的截獲要求，挑選所有滿足截獲要 求的能量最大的目標(biāo)作為截獲目標(biāo)，同時(shí)將截獲 標(biāo)志置1，表明已有目標(biāo)被截獲。遍歷完所有標(biāo)記 目標(biāo)后，若沒截獲到目標(biāo)，則將截獲計(jì)數(shù)清0；若 截獲到目標(biāo)，判斷是否為第一幀截獲此目標(biāo)（截獲 計(jì)數(shù)是否大于0），若是第一幀截獲，截獲計(jì)數(shù)加 1，否則判斷與上幀截獲的目標(biāo)能量是否相近，相 近則截獲計(jì)數(shù)加1，相差太大則截獲計(jì)數(shù)置1。

采用連續(xù)多幀檢測以降低虛警概率，即統(tǒng)計(jì) 連續(xù)檢測到目標(biāo)的幀數(shù)Frame_Detect，當(dāng)滿足一定 的截獲要求（一般取Frame_Detect≥5），目標(biāo)檢測 得到確認(rèn)。

2.5 遠(yuǎn)距小目標(biāo)對比度跟蹤算法

[6]SkillingJ，BryanRK.TheoryofMaximumEntropyImage Reconstruction：GeneralAlgorithm[J]∥//MonthlyNotice oftheRoyalAstronomicalSociety，1984，211（1）：111- 124.

[7]廖斌，楊衛(wèi)平，沈振康.基于多幀移位疊加的紅外小目標(biāo) 檢測方法[J].紅外與激光工程，2002，31（2）：150-153.

[8]吳巍，彭嘉雄，葉斌.一種云層背景抑制與小目標(biāo)檢測 方法[J].華中科技大學(xué)學(xué)報(bào)，2001，29（11）：56-57.

[9]趙欽佩.復(fù)雜背景條件下的紅外圖像預(yù)處理檢測方法 研究[D].上海：上海交通大學(xué)，2007.

[10]劉潮東，史忠科.各向異性擴(kuò)散-中值濾波在紅外圖 像處理中的應(yīng)用[J].彈箭與制導(dǎo)學(xué)報(bào)，2006，26 （3）：198-200.

[11]章毓晉.圖像分割[M].北京：科學(xué)出版社，2001：217 -219.

[12]鄭南寧.計(jì)算機(jī)視覺與模式識別[M].北京：國防工業(yè) 出版社，1998.