時(shí)空聯(lián)合紅外小目標(biāo)檢測算法的設(shè)計(jì)與實(shí)現(xiàn)

朱碩雅,楊德振,賈 鵬,李江勇,柴 欣

(華北光電技術(shù)研究所,北京 100015)

1 引 言

隨著紅外成像技術(shù)的發(fā)展,紅外小目標(biāo)檢測技術(shù)在現(xiàn)代戰(zhàn)爭中的作用愈發(fā)重要。在遠(yuǎn)距離成像的情況下,紅外目標(biāo)主要表現(xiàn)為對比度低的點(diǎn)狀目標(biāo),且紅外圖像中存在強(qiáng)雜波干擾,背景比較復(fù)雜,使得目標(biāo)檢測難度較大[1]。

針對傳統(tǒng)檢測方法如中值濾波,形態(tài)學(xué)濾波,小波變換等方法在圖像信噪比較高的情況下對檢測效果較高,但隨著信噪比的降低檢測效果迅速下降,本文提出了一種時(shí)空聯(lián)合檢測的小目標(biāo)檢測方法,首先為了提高局部對比度的檢測效果,使用了高斯濾波對檢測窗口進(jìn)行優(yōu)化,并與梯度特征相結(jié)合實(shí)現(xiàn)空域檢測；然后檢測采用了局部對比度的思路對幀差法進(jìn)行了改進(jìn),有效地抑制了背景雜波,實(shí)現(xiàn)時(shí)域檢測；最后將時(shí)域空余檢測結(jié)果相融合,完成目標(biāo)檢測,并將該方法移植到以FPGA為核心的硬件平臺,驗(yàn)證其對實(shí)時(shí)圖像的檢測效果。試驗(yàn)結(jié)果證明,該方法能夠完成在復(fù)雜背景的小目標(biāo)實(shí)時(shí)檢測。

2 時(shí)空聯(lián)合檢測算法

時(shí)空聯(lián)合檢測是通過使用局部對比度和梯度特征從紅外圖像中篩選出疑似目標(biāo),然后通過運(yùn)動(dòng)特征對疑似目標(biāo)在進(jìn)一步進(jìn)行篩選進(jìn)而得到真實(shí)目標(biāo)來完成對弱小目標(biāo)的檢測[2]。

其主要分為局部對比度篩選目標(biāo),梯度特征篩選目標(biāo)和時(shí)域檢測目標(biāo)三個(gè)部分,最后將時(shí)域檢測和頻域檢測結(jié)果進(jìn)行融合,得到結(jié)果圖,檢測流程圖如圖1所示。

圖1 時(shí)空聯(lián)合檢測流程圖

2.1 局部對比度檢測

局部對比度檢測是一種基于人類視覺原理的仿生學(xué)檢測方法,該方法結(jié)構(gòu)簡單,運(yùn)算簡潔,且于紅外小目標(biāo)契合較好。

常用的局部對比度方法如LCM,DoG在待檢測目標(biāo)信噪比較高的情況下能夠有效地增強(qiáng),但在圖像信噪比較低的情況下效果較差。

為了能過抑制雜波,增強(qiáng)目標(biāo),本文采用高斯濾波對檢測窗口內(nèi)的圖像進(jìn)行處理,由于紅外小目標(biāo)溫度較高,且成像距離較遠(yuǎn),在紅外圖像中多表現(xiàn)為較小的亮斑,且根據(jù)熱擴(kuò)散原理處于向四周擴(kuò)散的形式,與二階高斯函數(shù)類似,根據(jù)匹配濾波原理,使用高斯濾波可以有效地提升信噪比[3]。如圖2所示。

通過將高斯濾波嵌套在檢測窗口,隨著檢測窗口對圖像實(shí)現(xiàn)遍歷,其濾波結(jié)果如式(1)所示:

(1)

其中,(i,j)為當(dāng)前像素點(diǎn)的坐標(biāo);T為檢測窗口內(nèi)的圖像;G為高斯濾波窗口;I為濾波后的結(jié)果。

為避免檢測窗口大小與目標(biāo)大小不匹配造成的漏檢誤檢,對同一個(gè)多尺度對比度取最大值,將局部對比度推廣到多尺度。

I(x,y)=MAX{I1(x,y),I2(x,y),I3(x,y)}

(2)

2.2 梯度特征小目標(biāo)檢測

紅外小目標(biāo)的溫度較高,且成像距離較遠(yuǎn),根據(jù)物理定律在紅外圖像中表現(xiàn)出向外擴(kuò)散的點(diǎn)目標(biāo)其灰度表現(xiàn)為向外擴(kuò)散的趨勢,梯度方向一致性較??；而容易形成誤判的云層邊緣梯度方向大致相同,一致性較強(qiáng)[4],如圖3所示。

圖3 目標(biāo)、云層及云層邊緣梯度圖

為了對梯度一致性進(jìn)行定量處理,本文采用結(jié)構(gòu)張量來表明圖像區(qū)域梯度場的分布規(guī)律。

結(jié)構(gòu)張量定義如下:

(3)

其中,r為計(jì)算區(qū)域的尺度。

式(3)分別描述了檢測窗口內(nèi)圖像的X方向及Y方向梯度相關(guān)性,其梯度相關(guān)性越差,該矩陣的特征值越小,因此利用g來衡量該區(qū)域內(nèi)的梯度一致性:

(4)

其中,λ1,λ2為結(jié)構(gòu)張量的特征值。

為了有效地檢測小目標(biāo),使用梯度抑制系數(shù)篩選小目標(biāo),其計(jì)算公式如式(5)所示:

Er(x,y)=exp(-g)

(5)

2.3 自適應(yīng)閾值分割

紅外圖像經(jīng)過處理操作后會(huì)得到處理圖包含灰度值較低的背景及灰度值較高的目標(biāo)。為了將目標(biāo)從背景中分離出來,采用自使用閾值分割的方法將目標(biāo)和背景進(jìn)行區(qū)分[3]。

本文采用高斯自使用閾值分割,由于小目標(biāo)的灰度較高,處于高頻范圍,所以通過使用圖像的均值與標(biāo)準(zhǔn)差的線性組合作為閾值,對圖像進(jìn)行二值化。

(6)

f(x,y)=Er(x,y)·I(x,y)

(7)

t=mean(f)+λStd(f)

(8)

其中,mean(f)表示該幀圖像的均值；Std(f)表示該幀圖像的標(biāo)準(zhǔn)差。

2.4 時(shí)域局部對比度

由于單幀檢測缺少運(yùn)動(dòng)信息,背景雜波于目標(biāo)難以完全區(qū)分[5],采用時(shí)域局部對比度檢測方法對時(shí)域檢測進(jìn)行補(bǔ)充。

時(shí)域局部對比度是一種從幀差法改進(jìn)而來的時(shí)域檢測方法,為了提高充分利用紅外圖像序列的信息,提高在運(yùn)動(dòng)背景下的運(yùn)動(dòng)目標(biāo)檢測,采用第K幀前n幀圖像的均值進(jìn)行對比度運(yùn)算,其計(jì)算公式如下:

(9)

為了提高對噪聲的抑制,本文通過方差對背景進(jìn)行抑制,其公式如下[7]:

(10)

其中,T(x,y,i)表示第i幀圖像。

為了提高檢測效果,本文將相鄰兩幀方差相乘合并為最后一幀的檢測結(jié)果,其運(yùn)算公式如下:

Ot(x,y,k)=S(x,y,k)·S(x,y,k-1)

(11)

2.5 算法仿真

本文使用matlab對紅外探測器采集到的圖像進(jìn)行仿真,仿真結(jié)果如圖4所示。

圖4 仿真結(jié)果圖

本文采用三個(gè)序列進(jìn)行仿真實(shí)驗(yàn),每個(gè)序約的圖像均為320×256,圖像為50張,序列1、2、3分別為云層邊緣小目標(biāo)、地面背景小目標(biāo)和云層內(nèi)小目標(biāo),可以直觀的看出該算法能夠在復(fù)雜背景下實(shí)現(xiàn)對小目標(biāo)的檢測。為了客觀地證明算法的有效性,本文通過引用信雜比增益與各算法進(jìn)行比較分析。

信雜比通過描述紅外圖像的信號幅度與雜波方差之比描述對背景雜波抑制能力,其定義如式(12)所示,通過將處理后圖像的信雜比與源圖像的信雜比相比,可以獲得描述目標(biāo)正確能力的信雜比增益[7],其定義如式(13)所示:

(12)

(13)

其中,I為目標(biāo)最大灰度值;u和σ分別表示目標(biāo)周圍區(qū)域的灰度均值與標(biāo)準(zhǔn)差;SCRin和SCRout分別為原始圖像的SCR和輸出圖像的SCR。

表1 不同算法信雜比增益

表1為不同算法信雜比增益。通過表1可以看出,本文提出的方法充分的利用了圖像序列的時(shí)空特性,能夠有效地在復(fù)雜背景下實(shí)現(xiàn)對小目標(biāo)的檢測。

3 檢測算法硬件實(shí)現(xiàn)

3.1 圖像窗口實(shí)現(xiàn)

對圖像的局部對比度處理及梯度特征檢測需要使用檢測窗口對圖像進(jìn)行遍歷,為了避免目標(biāo)尺寸和檢測窗口尺寸不匹配的問題,本文分別采用3×3、5×5、7×7尺寸的窗口對圖像實(shí)現(xiàn)遍歷[8]。由于硬件系統(tǒng)使用FPGA上的SRIO接口實(shí)現(xiàn)圖像傳輸,圖像按時(shí)鐘周期進(jìn)行并行傳輸,為了能夠?qū)崿F(xiàn)7×7的開窗,采用硬件上的RAM資源作為移位寄存器對圖像進(jìn)行緩存,如圖5所示。

由于采用了7×7的窗口對圖像進(jìn)行遍歷,為了保證處理完成之后的圖像和原圖像的大小一致,所以不對圖像的左右各3列,上下各三行不進(jìn)行處理,并在處理后的圖像將該部分置零,該部分像素值為3420,僅占圖像總像素的0.041,所以將其舍棄的影響可以忽略不計(jì)。

圖5 開窗示意圖

3.2 自適應(yīng)閾值檢測實(shí)現(xiàn)

進(jìn)行自適應(yīng)閾值分割需要計(jì)算當(dāng)前圖像多尺度局部對比度檢測和梯度特征檢測處理后圖像的閾值及方差。

直接使用當(dāng)前幀圖像處理后結(jié)果計(jì)算均值和方差需要將圖像緩存下來進(jìn)行兩次運(yùn)算分別計(jì)算圖像的均值和方差,浪費(fèi)了大量的硬件資源,且降低檢測算法的實(shí)時(shí)性。

由于采用的紅外探測器幀數(shù)較高,相鄰圖像統(tǒng)計(jì)特征變化較小,所以可以通過前一幀的紅外圖像處理后結(jié)果值方差變化較小,因此可以在可以忽略兩幀間均值與方差的差異,使用前兩幀的紅外圖像的均值與方差計(jì)算閾值。

圖6為優(yōu)化后的自適應(yīng)檢測流程圖,可以看到通過使用上一幀的閾值對本幀圖像進(jìn)行處理,可以使得門限值計(jì)算和圖像分割同時(shí)進(jìn)行,提高了運(yùn)算的實(shí)時(shí)性。

圖6 自適應(yīng)閾值計(jì)算流程圖

3.3 時(shí)域檢測實(shí)現(xiàn)

為了兼顧檢測實(shí)時(shí)性和檢測準(zhǔn)確率,本文采用前3幀圖像均值進(jìn)行局部對比度,因此需要對前兩幀圖像進(jìn)行緩存,且需要對檢測結(jié)果進(jìn)行緩存便于后續(xù)檢測結(jié)果合并,所以需要使用硬件上RAM資源,通過使用FPGA上的BLOCK RAM ip實(shí)現(xiàn),圖像及方差大小為320×256×8,所以需要開辟的RAM深度為65536,寬度為8位,其流程如圖7所示。

圖7 時(shí)域檢測流程示意圖

3.4 FPGA處理結(jié)果

將采集到的紅外圖像輸入硬件系統(tǒng),其經(jīng)過FPGA處理后的結(jié)果如圖8所示。

圖8 FPGA運(yùn)行結(jié)果圖

該算法處理在FPGA內(nèi)處理單幀圖像的耗時(shí)為4 ms,單幀計(jì)算耗時(shí)較短,能夠滿足實(shí)時(shí)圖像處理的需求。

4 結(jié) 語

本文提出了一種時(shí)空聯(lián)合檢測的小目標(biāo)檢測方法,通過利用紅外小目標(biāo)的灰度特征,梯度特征從圖像中篩選出小目標(biāo),并使用運(yùn)動(dòng)特征對小目檢測結(jié)果進(jìn)行篩選,降低虛警率,實(shí)現(xiàn)了在信噪比較低的情況下實(shí)現(xiàn)對目標(biāo)的檢測,并將該算法在以FPGA為核心的平臺進(jìn)行實(shí)現(xiàn),能夠?qū)崿F(xiàn)對目標(biāo)的實(shí)時(shí)檢測。