第３２卷 第６期 武汉理工大学学报（鸯 鍪差） Ｖｏ１．３２ Ｎ０．６ ２ＯＯ８年ｌ２月 Ｊｏｕｒｎａｌ ｏｆ Ｗｕｈａｎ ＵｎｉＶｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｉ）ｅｃ．２ＯＯ８ （Ｔｒａｎｓｐ０ｒｔａｔｉ０ｎ Ｓｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ） 一种多阶段处理的红外小目标检测方法＊ 姚 迅 李德华 孙贤斌 黄 飞 （华中科技大学图像识别与人工智能研究所武汉４３ＯＯ７４） 摘要：提出了一种二阶段红外图像序列小目标检测方法．该方法由２个相序的处理阶段组成，即目 标的预侦测阶段和目标的确认阶段．在处理的第一阶段，通过快速扫描输入图像，根据视觉特征的 显著性抽取潜在的目标集合．这些潜在的目标在第二个处理阶段通过双均值滤波方法被进一步地 识别，判断出真目标，剔除假目标．统计分析在理论上证实了这种算法结构的高效和合理性．实验 结果表明该方法在运算速度上有显著的优势． 关键词：红外图像；小目标检测；多阶段处理；特征抽取 中图法分类号：ＴＰ３９１．４１ 红外检测跟踪算法中一类典型的计算架构是 特征，如果能够将原始图像分成若干个大小恰当 多阶段处理方法，即处理过程由诸如数据预处理， 的区域，使目标对象能够在相对应的区域内具有 目标检测，干扰目标排除，目标识别，连续跟踪，目 显著性，就可以通过比较每个区域内各个像素的 标点的选择等多个计算模块组成．针对不同处理 灰度值来确定潜在目标对象． 过程，已有很多算法提出以实现不同任务要 这样在第一个处理阶段，抽取潜在目标对象 求 ］． 的工作包含以下几个步骤． 本文针对红外图像小目标的检测应用，提出 １）分割输入图像将输入图像按水平和垂 了一个二阶段计算框架．在第一阶段，通过分割图 直方向分割成大小相等的区域．如图１ ａ）所示．输 像并计算视觉特征抽取潜在目标的集合．在第二 入图像以Ｑ表示，其图像解析度为ｒ。×，．。，将其长 阶段，利用双均值滤波方法对潜在的目标对象实 等分为 格、宽等分为 格，则可得 × 个互不 现进一步的识别，确认真目标，剔除假目标．这种 相交的区域Ｑ 每个区域的大小即区域内的像素 计算架构能够显著地提高算法的效率和效果． 个数为（ｒ１×ｒ２）／（ × ）．其中： ＝１，２，…， ； 一 １，２，…， ．则有 ，，Ｉ １ 潜在目标的抽取 Ｑ—Ｕ ＵＱ。，；Ｑ ｎ Ｑ“一 Ｊ ｌｌ一１ Ｖ ≠正Ｖ ≠ ； ，五一１，２，…， ； 第一个阶段的处理以一种快速的、较低运算 ，Ｚ一１，２，…， （１） 强度的方式扫描整个输入图像，抽取潜在目标集 在这个过程中，每一个像素点都被划分到某 合，以便第二阶段进一步处理． 一个确定的区域内． 红外图像中的小目标在图像中显示成暗的或 ２）求取每个区域内的显著点 对于每个已 亮的对象，其大小只有几个或者至多十几个像素． 经分割的区域，目标区域所属的像素点应该具有 这些目标一般只能通过其与相邻背景之间的灰度 一定的显著性，这个特征体现为各个像素的灰度 差值来识别，差别往往也很微弱，而且仅仅只在目 值的大小．即在各个区域内，目标区域像素点的灰 标某个较小的邻近区域内具有显著性．基于这些 度值应该是最大的一个或几个之一．若用６ｆ，表示 收稿日期：２００８—０７一ｌ９ 姚迅：男，３７岁，博士生，主要研究领域为图像处理、计算机视觉 。教育部重点实验室资助项目（批准号：ＴＫＬＪＯ２Ｏ７） ・ｌｌ４２・ 武汉理工大学学报（交通科学与工程版） ２００８年第３２卷 区域Ｑ 内具有最大灰度值的像素点，Ｃ 表示点６ 的灰度值，Ｌ表示任意像素点ｚ的灰度值，则有 Ｃｆ —ｍａｘ（ ） ∈ｎＩ』 ． Ｃ０来代替 的差别，即 以提高非目标区域和潜在目标之间 △Ｄ＝Ｊ ，一 Ｊ ＞ （２） （５） ，△Ｄ＜ ； 该步骤如图１ ｂ）所示． 对于这几个量值，可能出现如下几种情形： 各个区域中显著 （１） ＞ ，△Ｄ＞丁＾；（２） ３）得到潜在目标的集合一点的集合即得到整个图像中潜在目标的集合了１． ｛ ｌ 一１，２，…， ； 一１，２，…，行）（３） 可以看出丁是原始输入图像的包含潜在目标 一（３） ＜ ，△Ｄ＞ ；（４） ＜ ，△Ｄ＜ ．式 中： 为自适应门限值， 一ｃ ＋ ，．其中， Ｐ 为Ｐ集合中像素点灰度值的均方差；ｃ， 为系数． 可以依据这几个变量的取值和彼此之间的关 ｏ ｏ 个子集，即丁ｃＱ，如图１ ｃ）所示．这些数据将被 ｏ ０ ｏ Ｏ ０ ｏ 传送到第二阶段作进一步的处理． ｏ 。 ｏ ０ ０ ｏ Ｏ 。 ｏ 口；口ｏ ｉ Ｏ ０ Ｏ ０ ｏ ｏ ｏ Ｏ ０ 口 口 。 Ｏ々 ａ】分割输入图像 ｂ）求取每个区域内的显著点ｃ）得到潜在目标的集合 图１潜在目标对象的抽取 ２ 伪目标的排除 第二阶段的处理将对从第一阶段传递过来的 潜在目标对象作进一步的评价，以确认真实目标， 剔除假目标． 潜在目标集合中每一个元素实际上是一个像 素点．这个像素点可能是背景，也可能是目标或是 目标区域的一部分．对此，将每一个潜在目标对象 点定义为一个中心，围绕这个中心扩展大小２个窗 口，如图２所示．图中实心小方块为一个潜在对象 像素点幻，其灰度值为 ．小窗口看作是目标区域， 令 为该区域所有像素点的集合；Ⅳ日， 分别为 该区域中像素点的个数和灰度均值．小窗口与大窗 口之间的区域看作是背景（图２中斜线阴影部分）， 令尸为该区域所有像素点的集合；Ⅳ，， 分别为 区域内像素点的个数和灰度均值； 为灰度值；△Ｄ 为目标和背景之间的灰度差别．则有 一 ， 一 △Ｄ—Ｉ 一 ｌ （４） 考虑到Ｃ ，是区域Ｑ 内的灰度最大值，故可以用 图２从潜在目标集合中识别真实目标 。 ０ 系来判断某一个对象是否为目标．对于第１种情 ｏ ｑ 形，小窗口的灰度均值大于大窗口的灰度均值，且 口 Ｏ ｏ 差值大于设定的阈值，表明该对象比周围的某一 。 口 。 。区域要亮，而且其自身的区域大小较小，符合小目 标的特征，判断为目标．第２种情形虽然小窗口的 灰度均值大于大窗口的灰度均值，但差异并不大， 可以将２个区域看作是同质的，而将相应的候选 对象判断为非目标．这种判断将面积较大且灰度 差别不大的情形排除．第３和第４种情形出现的可 能性较小，一般发生在候选对象的位置邻近区域 边缘的时候．考虑到在第一阶段处理时假设目标 亮于背景，将灰度值大作为显著性条件提取潜在 目标集合，此２种情形皆可判别为非目标． ３ 算法的统计分析 输入图像Ｑ和分割的区域Ｑｆｊ的灰度值分别 为日， 其中： 一１，２，…， ； 一１，２，…， ，假定日 是服从均值矩阵为 ，协方差矩阵为ｃ的正态分 布的随机矩阵，即且～Ⅳ（ ，ｃ） 日… ｎ一 ｋ ｉ ｌ］ … ｊ （６） 目的均值矩阵和协方差矩阵分别为 （７） Ｃ一 ） … ） … ０ Ｏ １口ｏ 。。Ｏ 第６期 姚迅，等：一种多阶段处理的红外小目标检测方法 ・１ｌ４３・ 在此假设每一个分割得到的区域Ｑ 是相互 ４实验结果和分析 将提出的算法运用于真实的红外图像序列来 检测小目标．每个红外图像序列的长度为３ ｏｏ０～ ５ ｏｏＯ帧，每帧均为解析度３２Ｏ×２４Ｏ像素８位灰度 图像． 为了验证所提算法的性能，选择另外２种比 较有代表性的算法应用于相同的实验对象．一种 并同服从正态分布．即有 一 ，Ｖ 一１，２，…， ； 一１，２，…，，ｚ （１Ｏ） ｃ。Ｖｃ￡ ， 一｛ 三。 ，志一１，２，…， ； ，ｚ一１，２，…，ｈ （１１） 则协方差矩阵为 。是基于数学形态学的Ｔｏｐ—Ｈａｔ算法［４蜘，这种算法 ． Ｏ ａｒ２ 应用Ｔｏｐ—Ｈａｔ算子对背景进行预测，并将背景与 （１２） Ｃ一 原图进行比较，通过设置阈值判别目标．另一种为 ＡＧＡＤＭＭ方法［６］，该方法利用最大均值显著性 图方法抑制背景增强目标来实现目标的检测． 图３显示了实验中一帧图像的处理结果．可 以看到图３ ａ）的上方有一不明显的小目标，肉眼 ０ ‘・。． 这也表明 ～Ⅳ（ ，ｃｒ２）．由此对其取样本量 为ｒ的样本 ， 一１ ２，…，优； 一１，２，…，，２； 一１， ２，…，ｒ．ｒ为每个分割得到的区域内像素点的个 数．对固定的 ，将 从小到大排列成顺序统计 量，即有、、 （ｔ）也不是很容易观测到，故用白色的小方框作了标 记以便与处理后的结果相对照．同样在３幅处理 过的图像中，为方便观察，检出的目标也用白色的 小方框进行了标注． 。。 ’ ）≤…≤ （ｒ）（１３） ≤毫ｍ）≤…≤ 从而可以得到 的最大值的分布函数 Ｆ （ ）一 Ｐ｛￡ ）≤ｚ）＝Ｐ（ｍａｘ（ ｌ， ￡ ２，…，￡ ）≤ｚ）一Ｐ｛ｎ（ ≤ｚ））一 ⅡＰ（ ≤ｚ｝： （ ＝ｌ １ 一２ 。 ）］ （１４） （１５） ， 式中： （ ）是标准正态分布的分布函数，即 （ ）一 ￣／Ｉ ｅ一鼍ｄｚ ２７ｃＪ ０ 对于以上所得Ⅳ＝ ｎ个最大值分布函数相应的 随机变量不妨记之为（ｆ ， ，…，ｈ），实际上Ⅳ即 为所有分割区域的数量．再对其排序得 ㈤≤ ， ≤…≤ Ⅳ），则（ 。， ，…，ｈ）的最小值为 ∽，可求 其分布函数为 Ｆ ｉ （ ）一Ｐ｛ｍｉｎ（ ， ２，…， ）≤ ｝一 一一 一一 ａ）原始输入图像 ｂ）本文方法处理结果 ｃ）ＡＧＡＤ啪Ⅵ算：法处理结果 ｄ）Ｔｏｐ—Ｈ丑ｔ算法处理结果 图３应用３种算法的实验结果 从这些结果可以看出，３种方法都检测出了 １一（１一 （ ）］ ） （１６） 图像中目标，但很明显Ｔｏｐ—Ｈａｔ算法没有有效地 处理背景区域，造成了较高的虚警，这些虚警当然 （１７） 另一方面，在此定义信噪比为－ ⅣＲ一 二 ｃ口 可以通过后续的帧间处理方法消除，但这是需要 增加额外的运算开销的．ＡＧＡＤＭＭ算法表现出 式中： 为背景信号的均值； 为目标信号的均 与本文提出的算法相似的检测性能，较好地滤掉 值；ｃｒｂ为背景信号的标准差．由 ＝ 的定义，有 （１８） 了图像下部的较为复杂的背景，成功地检测出了 小目标对象，但从运算复杂度的分析可以看出二 者在运算量方面的差别．表１给出了３个算法分别 运用于５个红外图像序列时得到的平均检测率和 计算复杂度．分析结果显示，本文提出的算法表现 出了较高的检测率和较低的虚警率．而该算法最 ⅣＲ ／ ＋ 又由 一 ；ｃｒｂ一 ，于是可得到 大于最小值 ㈤即目标被检测到的概率 Ｆｄ（． ⅣＲ）一尸｛ｍｉｎ（ ｌ， ２，…，ｈ）≤ ｝＝ １一｛１一［ （ ⅣＲ 。）］ ）Ⅳ （１９） ・１１４４・ 武汉理工大学学报（交通科学与工程版） ２０Ｏ８年第３２卷 为突出的性能表现为其大幅度改善的运算复杂 参考文献 表１算法性能比较 ［１］ Ｌｉｐｃｈｅｎ Ａ，Ｓａｎｄｏｒ Ｚ Ｄ，Ｎａｓｓｅｒ Ｍ Ｎ．Ｍｕｌｔｉｓｔａｇｅ ｉｎｆｒａｒｅｄ ｔａｌｇ。ｅｔ ｄｅｔｅｃｔｉｏｎ［Ｊ］． ０ｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２ＯＯ３，４２（９）：２ ７４６—２ ７５４． ［２］ Ｊｅｓｍｉｎ Ｆ Ｋ，Ｍ０ｈａｍｍａｄ Ｓ Ａ． Ｔａｒｇｅｔ ｄｅｔｅｃｔｉ０ｎ ｉｎ 注：ｒｌ×ｒ２是图像以像素为单位的解析度。 ｃＩｕｔｔｅｒｅｄ ｆｏｒｗａｒｄ—ｌ０ｏｋｉｎｇ ｉｎｆｒａｒｅｄ ｉｍａｇｅｒｙ［Ｊ］．Ｏｐ— ｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，４４（７）：Ｏ７６４Ｏ４． ［３］ 张恒．一种新的红外二值图像递归标记算法口］． ５ 结束语 武汉理工大学学报：交通科学与工程版，２ＯＯ６， ３Ｏ（６）：９４６—９４９． 本文提出的红外小目标检测算法，将复杂的 ［４］ Ｕｌｉｓｓｅｓ Ｂ Ｎ，Ｍａｎｉｓｈ Ｃ，Ｊ０ｈｎ Ｇ．Ａｕｔ０ｍａｔｉｃ ｔａｒｇｅｔ ｄｅｔｅｃｔｉ０ｎ ａｎｄ ｔｒａｃｋｉｎｇ ｉｎ ｆｏｒｗａｒｄ—ｌ００ｋｉｎｇ ｉｎｆｒａｒｅｄ 辨识运算集中在少量处理对象上，从很大程度上 ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ ｕｓｉｎｇ ｍｏｒｐｈ０ｌｏｇｉｃａｌ ｃ０ｎｎｅｃｔｅｄ ０ｐ— 提高了整体运算效率和检测效果，为整个应用系 ｅｒａｔｏｒｓ［Ｊ］． Ｊ０ｕｍａｌ ０ｆ Ｅｌｅｃｔｒ０ｎｉｃ Ｉｍａｇｉｎｇ， ２ＯＯ４， 统实现在有限的硬件条件下的实时处理提供了基 １３（４）：８Ｏ２—８１３． 础．有几个方面的工作可以进一步改进该算法． ［５］ Ｊｅａｎ—Ｆｒａｎｃ０ｉｓ Ｒ，Ｒ０ｇｅｒ Ｆ．Ｄｅｔｅｃｔｉｏｎ ｏｆ ｄｉｍ ｔａｒｇｅｔｓ ｉｎ ｄｉｇｉｔａｌ ｉｎｆｒａｒｅｄ ｉｍａｇｅｒｙ ｂｙ ｍｏｒｐｈ０ｌｏｇｉｃａｌ ｉｍａｇｅ １）可以利用自适应方法对输入的图像进行 ｐｒｏｃｅｓｓｉｎｇ［Ｊ］．Ｏｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｌ９９６，３５（７）： 区域分割，以进一步提高第一阶段的处理速度． １ ８８６—１ ８９３． ２）用更具鲁棒性的方法提取潜在目标对象． ［６］ Ｗａｎｇ Ｇｕｏｙｏｕ，Ｚｈａｎｇ Ｔｉａｎｘｕ，Ｗｅｉ Ｌｕ０ｇａｎｇ，ｅｔ ａ１． Ｅｆｆｉｃｉｅｎｔ ｍｅｔｈ０ｄ ｆ０ｒ ｍｕＩｔｉｓｃａｌｅ ｓｍａｌ１ ｔａｒｇｅｔ ｄｅｔｅｃｔｉ０ｎ ３）可以尝试其他已有的红外小目标检测算 ｆｒ０ｍ ａ ｎａｔｕｒａｌ ｓｃｅｎｅ［Ｊ］．０ｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，１ ９９６， 法来实现第二阶段的处理． ３５（３）：７６１—７６８． Ａ Ｍｕｌｔｉｓｔａｇｅ Ｐｒｏｃｅｓｓ Ｍｅｔｈｏｄ ｆ０ｒ Ｄｅｔｅｃｔｉｎｇ Ｓｍａｌｌ Ｔａｒｇｅｔｓ ｉｎ Ｉｎｆｒａｒｅｄ Ｉｍａｇｅ Ｓｅｑｕｅｎｃｅｓ ＹａＯ Ｘｕｎ Ｌｉ Ｄｅｈｕａ Ｓｕｎ Ｘｉａｎｂｉｎ Ｈｕａｎｇ Ｆｅｉ （Ｉｎｓｔｉｔ ｅ Ｐａｔ￡ｅｒｎ Ｒｅｃ０ｇｎｉｔｔｏｎ ｎ扎ｄ Ａｎｉ ｃｉ Ｉｍｅｍｇｅｎｃｅ， Ｈ 口 ＾０ ｇ Ｕ，２ ， 砂（ ｃ ，２ｃ 盘，ｌ ７ ｃ＾扎Ｄ Ｄｇ），， ＾口 ４３００７４） Ａｂｓｔｒａｃｔ Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｍｅｔｈｏｄ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｍａｌｌ ｔａｒｇｅｔｓ ｉｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ．Ｔｈｅ ｐｒｏ— ｐ０ｓｅｄ ｍｅｔｈｏｄ ｃｏｎｓｉｓｔｓ ｏｆ ｔｗ０ ｓｅｒｉａｌ ｐｒｏｃｅｓｓｉｎｇ ｓｔａｇｅｓ—ｔｈｅ ｐｒｅｄｅｔｅｃｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｓｔａｇｅ ａｎｄ ｃ１ｕｔｔｅｒ ｒｅｊｅｃｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｓｔａｇｅ． Ｔｈｅ ｐｒｅｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｐｒｏｃｅｓｓｅｓ ｔｈｅ ｅｎｔｉｒｅ ｉｍａｇｅ，ｉｎ ａ ｌｏｗ ｃｏｍｐｕｔａ— ｔｉｏｎａｌ ｃｏｓｔ ｍａｎｎｅｒ，ｔ０ ｅｘｔｒａｃｔ ｔｈｅ ｐｏｔｅｎｔｉａｌ ｔａｒｇｅｔｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｓａｌｉｅｎｃｙ ０ｆ ｖｉｓｕａｌ ｆｅａｔｕｒｅ ｉｎ ｅａｃｈ ｓｅｇ— ｍｅｎｔｅｄ ｒｅｇｉｏｎ ｏｆ ｉｍａｇｅ． Ｓｕｂｓｅｑｕｅｎｔｌｙ，ｔｈｅ ｃ１ｕｔｔｅｒ ｒｅｊｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ ｐｒｏｃｅｓｓｅｓ ｔｈ０ｓｅ ｐｏｔｅｎｔｉａｌ ｔａｒｇｅｔｓ ｐａｓｓｅｄ ｆｒｏｍ ｆｉｒｓｔ ｓｔａｇｅ ｕｓｉｎｇ ｄｏｕｂｌｅ ａｖｅｒａｇｅ ｇｒａｙ ｖａｌｕｅ ｆ订ｔｅｒ ｍｅｔｈｏｄ ｔｏ ｄｉｓｃａｒｄ ｓｐｕｒｉｏｕｓ ｔａｒｇｅｔｓ ａｎｄ ｉ— ｄｅｎｔｉｆｙ ｔｒｕｅ ｔａｒｇｅｔｓ． Ａ ｓｔａｔｉｓｔｉｃ ａｎａｌｙｓｉｓ ｉｓ ｇｉｖｅｎ ｔｏ ｊｕｓｔｉｆｙ ｔｈｅ Ｖａｌｉｄｉｔｙ ａｎｄ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ａｎａｌｙｚｅｄ ａｎｄ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｔｈｅｒ ｍｅｔｈｏｄｓ． Ｅｘｐｅｒｉ— ｍｅｎｔａ１ ｒｅｓｕｌｔｓ ｓｕｇｇｅｓｔ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｃｏｍｂｉｎｉｎｇ ｃｏｍｐｕｔａｔｉｏｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ ｐｒｅｄｅｔｅｃｔｉｏｎ ａｎｄ ｃｌｕｔ— ｔｅｒ ｒｅｊｅｃｔｉｏｎ ｍｏｄｕｌｅｓ ｅｘｈｉｂｉｔｓ ｅｘｃｅｌｌｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｓｍａＵ ｔａｒｇｅｔ ｉｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｓｅ— ｑｕｅｎｃｅｓ，ｅｓｐｅｃｉａｌｌｙ ｉｎ ｐｒｏｃｅｓｓ ｓｐｅｅｄ ａｓｐｅｃｔ． Ｋｅｙ ｗ０ｒｄｓ：ｉｎｆｒａｒｅｄ ｉｍａｇｅ；ｓｍａｌｌ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ；ｍｕｌｔｉｓｔａｇｅ ｐｒｏｃｅｓｓ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ
