海基紅外搜索和跟蹤的區(qū)域自適應雜波抑制的小紅外目標檢測系統(tǒng)技術介紹

本文提出一種?；?a href="http://wenjunhu.com/tags/紅外/" target="_blank">紅外搜索跟蹤中小目標檢測的區(qū)域自適應雜波抑制方法。在現(xiàn)實世界中，雜波通常會產(chǎn)生許多錯誤檢測，阻礙此類檢測系統(tǒng)的部署。來襲目標（導彈、船只等）可以位于天空、地平線和海洋區(qū)域，這些區(qū)域具有不同類型的雜亂，例如云、水平線和海閃發(fā)光?；趲缀畏治龅膮^(qū)域分割后，分析了區(qū)域雜波的特征?；诳臻g屬性的分類消除了云雜波引起的錯誤檢測。使用異質(zhì)背景去除過濾器去除水平線的那些。使用時間一致性濾波器拒絕太陽微光的誤報，這是最困難的部分。對各種雜波背景序列的實驗結(jié)果表明，所提出的區(qū)域自適應雜波抑制方法產(chǎn)生的誤報比均值減法（MSF）少，且具有可接受的退化檢測率。

1. 簡介

?；t外搜索和跟蹤（IRST）系統(tǒng)是寬視場或全向監(jiān)視系統(tǒng)，設計用于自主搜索、探測、獲取、跟蹤和指定潛在目標，如圖1所示。海基IRST中最重要的威脅是來襲的小型目標，例如反艦掠海導彈（ASSM）或不對稱艦艇。在這些應用中，目標通常是無法解析的，并且以只有幾個像素的分辨率出現(xiàn)在天空和海洋背景中。通常，小型紅外目標的尺寸小于100像素。目標檢測系統(tǒng)的重要性能參數(shù)包括目標的輻射強度、探測距離、檢測率和誤報率。如果確定了目標的輻射強度和最小檢測距離，則檢測算法應能夠檢測出真實目標，以滿足系統(tǒng)的檢測率，并盡可能拒絕虛假目標。

圖1.海基紅外搜索和跟蹤（IRST）的操作概念

由于目標信號小而暗淡，遠程小目標的檢測相當困難。通過降低檢測閾值可以實現(xiàn)檢測率的標準。另一方面，由于背景混亂，這種簡單的方法會導致錯誤檢測的數(shù)量增加。圖2顯示了使用眾所周知的修正均值減法濾波器（MMSF）的傳統(tǒng)小目標檢測方法的問題。云雜亂周圍的邊緣可能會生成錯誤檢測。由于異構(gòu)背景而導致的水平邊緣線會產(chǎn)生錯誤檢測。最后，太陽微光具有與小目標相似的形狀（圓形對稱性）和高強度值，這阻礙了真正的目標檢測。這種區(qū)域雜波會產(chǎn)生許多誤報，從而阻礙了真正的目標檢測。

圖2.現(xiàn)有基于空間濾波的小目標檢測方法存在的問題。許多錯誤檢測是由區(qū)域雜波產(chǎn)生的，例如云、地平線和太陽光

本研究通過綜合減少由不同類型的雜波（如天空中的云層、地平線上的邊緣線和海面區(qū)域的太陽閃光）引起的錯誤檢測次數(shù)，使小目標檢測方法實用。根據(jù)幾何分析，將背景圖像分割為天空區(qū)域、水平區(qū)域和海面區(qū)域。通過對雜波行為的仔細觀察和分析，提出了一種區(qū)域自適應雜波抑制方案。通過基于學習的分類消除了圍繞云混亂的錯誤檢測。通過減去異質(zhì)背景來消除地平線區(qū)域周圍的錯誤檢測。最后，通過時間一致性過濾器去除了海面區(qū)域周圍的那些。因此，本研究的貢獻可歸納如下。第一個貢獻是通過幾何分析自動分割區(qū)域（天-地平線-海），這是雜波抑制系統(tǒng)中必不可少的步驟。使用基于傳感器姿勢的預測和基于圖像的線擬合估計的水平線對區(qū)域進行分割。第二個貢獻是基于分析結(jié)果提出的區(qū)域自適應錯誤檢測抑制方案。第三個貢獻是通過與傳統(tǒng)檢測方法的比較，展示了使用紅外測試序列的方法。

2. 雜波抑制方面的相關工作

在過去的20年中，許多研究已經(jīng)評估了小型紅外目標檢測方法。本節(jié)從目標信息、背景信息、視覺上下文和決策信息等信息使用方面回顧相關論文，以減少誤報的數(shù)量，如表1所示，其中統(tǒng)計總和為100%。例如，可以使用背景提示的空間信息 （14.2%） 和目標提示的形狀信息 （5.8%） 來處理云引起的誤報原因。作為第二個示例，由于太陽微光引起的誤報的原因可以使用目標提示的運動信息（3.5%），決策提示的高級分類器（2.8%），目標提示的頻率信息（2.2%），上下文提示的多傳感器融合（2.1%）或背景提示的時間信息（1.5%）。以下小節(jié)介紹了減少誤報的方法以及云雜波和日光的相關論文。

2.1. 云雜波抑制的相關研究

一些研究已經(jīng)檢查了由云引起的錯誤檢測的消除或減少。他們的減少誤報策略在很大程度上取決于情況。如果有任何假設，背景減法可能是一種可行的方法?？梢允褂每臻g濾波器從輸入圖像估計背景圖像，例如最小均方濾波器 、均值濾波器 、中值濾波器 和形態(tài)濾波器（平頂）。LMS 濾波器將輸入圖像和背景圖像之間的差異降至最低，該差異由相鄰像素的加權(quán)平均值估計。均值濾波器可以通過高斯均值或簡單移動平均線估計背景。中位數(shù)篩選器基于訂單統(tǒng)計信息。中值可以有效地去除點狀目標。形態(tài)開口過濾器可以通過特定結(jié)構(gòu)元素的侵蝕和擴張來去除特定的形狀?；跒V波器的目標檢測在計算上非常簡單，但對邊緣雜波很敏感。使用非線性濾波器（如中值或形態(tài)濾波器）進行目標檢測時，邊緣周圍出現(xiàn)低誤報，但計算復雜。組合濾波器，如最大均值或最大中位數(shù)，可以保留云和背景結(jié)構(gòu)的邊緣信息。

如果傳感器平臺是靜態(tài)的，則通過消除緩慢移動的云雜波來增強有關快速目標運動的信息。一種眾所周知的方法是待檢測前跟蹤法。該概念類似于3D匹配濾波器的概念。動態(tài)規(guī)劃（DP）是傳統(tǒng)TBD方法的快速版本，在檢測暗目標方面取得了良好的性能。每個像素的時間剖面圖（包括平均值和方差）可有效檢測緩慢移動云中的移動目標。最近，基于時間對比度濾光片（TCF）的方法被開發(fā)用于檢測超音速小紅外目標。累積每幀的檢測結(jié)果可以檢測移動目標。開發(fā)寬到精確的搜索方法是為了提高3D匹配濾波器的速度。近年來，提出了一種改進的基于功率律探測器的運動目標檢測方法;它對在嚴重混亂中發(fā)生的圖像序列有效。

也可以使用決策方法減少云混亂。這些決策方法需要確定探測區(qū)域是目標。滯后方法有兩個閾值。第一個閾值非常低，用于標識候選目標區(qū)域。第二個閾值具有相對較高的值，具體取決于操作要求。當有關尺寸的信息可用時，可以去除大型太陽微光和其他大型物體。通過應用迭代閾值可以獲得類似的結(jié)果?；诮y(tǒng)計的自適應閾值方法，如恒定誤報率（CFAR），在嚴重雜亂的背景中很有用。最簡單的分類方法是最近鄰分類器（NNC）算法，它僅使用特征相似性[32]。除了NNC之外，還有基于模型的貝葉斯分類器[33]，基于學習的神經(jīng)網(wǎng)絡和支持向量機（SVM）[34]方法。分類信息可用于刪除各種雜亂點。

2.2. 太陽雜波抑制的相關著作

可以使用上述TBD方法拒絕陽光雜波。然而，這些方法假設高幀速率以減少太陽光。如果幀速率約為 1 Hz，則應開發(fā)一種新方法。

另一方面，頻域方法可用于消除低頻雜波?；?D-FFT光譜的方法顯示了目標檢測的可能研究方向[35]。小波變換提取圖像金字塔中的空間頻率信息，在陽光閃爍的環(huán)境中顯示出魯棒性[36-38]?；诘屯V波器（LPF）的方法也可以對傳感器噪聲和日光產(chǎn)生魯棒性[39]。最近，提出了一種自適應高通濾波器（HPF）來減少云和太陽雜波[40]。

當目標處于運動狀態(tài)時，前一幀被視為背景圖像。因此，可以使用遞歸技術使用加權(quán)自相關矩陣更新來執(zhí)行背景估計[41]。靜態(tài)雜波也可以通過幀差來消除[42]。與空間濾波方法相比，通過雜波多參數(shù)近似推導的先進自適應時空濾波器可以獲得巨大的收益[43]。多幀的主成分分析（PCA）可以消除時間噪聲，如太陽微光[44]。

信息融合方法可用于減少日光閃爍。這包括目標背景上下文、多要素上下文、多波段上下文和多分類上下文。這些視覺環(huán)境以信息融合的形式實現(xiàn)，從而減少雜亂和高檢測率。目標-背景上下文同時增強了目標特征并減少了背景雜波，從而減少了太陽-微光雜波[45]。多特征融合可以提高暗目標的檢測率[46，47]。如果使用光譜融合，例如中波紅外和長波紅外的比率或兩個波段的檢測結(jié)果的組合，則可以輕松去除太陽微光[48，49]。各種分類器的投票可以提高暗目標檢測率[50]。

3. 來料目標的位置分析

如何計算與項目目標像素的目標距離？目標距離是IRST非常重要的系統(tǒng)參數(shù) 根據(jù)前面的分析，相機高度（h）、目標距離（D）、目標高度（H）和目標定位角（θ）之間的投影關系可以簡化，如圖3所示。在此方案中，假設相機仰角 （α） 為 0°。目標定位角度可以通過相機高度和目標距離來估計，如公式（1）所示。如果假設相機的視場（FOV）為6°，紅外探測器的尺寸為480，則可以使用公式（2）計算投影目標位置（第i – th圖像行）。由于本研究對行圖像位置與目標距離之間的關系感興趣，因此最終的射影關系可以得到公式（3），該方程由方程（1）和（2）導出。如果假設相機高度為20 m，船高為0 m，最小目標檢測范圍為9000 m，則船舶目標投影到水平線下方的10個像素中，如圖4所示。在掠海導彈的情況下，整個正常飛行高度為200 m，投影圖像位于水平線上方10像素處，最小檢測距離為8000 m。如果ASSM的高度（H）低于相機高度（h），則目標位于水平線周圍。當它接近相機時，它出現(xiàn)在海面上。從這種與目標類型相關的幾何分析中可以得出結(jié)論，遠距離目標位于水平線周圍（在20-m檢測時以水平線為中心±5000像素），而相對較近的目標存在于天空區(qū)域或海面區(qū)域。因此，有必要將輸入圖像分割為天空區(qū)域、水平區(qū)域和海面區(qū)域。

圖3.通過假設平面簡化 IRST 射影幾何。三角形代表IRST傳感器，圓形目標投射在一維紅外探測器上。目標像素位置和目標距離之間的關系可以使用公式（1）–（1）找到。

圖4.目標距離（D）和投影圖像位置（i）的分析結(jié)果。（左）左圖使用公式（3）表示目標距離與目標像素位置之間的關系;（右）而右圖是紅外場景的相應示例。如果傳感器高度為20 m，目標高度為0 m，最小檢測范圍為6000 m，則船舶目標位于水平線下方15像素處。

4. 基于區(qū)域雜波抑制的小目標檢測

所提出的小目標檢測由后臺處理和目標處理組成，如圖5所示。后臺處理模塊使用傳感器姿態(tài)信息和圖像處理將輸入圖像分割成天空、地平線和海洋區(qū)域。目標處理模塊使用空間過濾器查找候選目標，并使用精心設計的方法拒絕由背景雜波引起的任何誤報?？臻g過濾器（修正均值減法濾波器 （MSF））在整個區(qū)域中常用。水平線雜波通過局部方向背景估計 （DBE） 估計并刪除。水平區(qū)域中的小目標由基于滯后閾值的恒定虛警檢測器（H-CFAR）檢測。天空和海域的候選目標通過預檢測找到。天空區(qū)域中的錯誤檢測是由云產(chǎn)生的。因此，基于目標屬性的分類器可以拒絕由云混亂引起的錯誤檢測。海域中海閃光的錯誤檢測被三圖相關和統(tǒng)計濾波器拒絕。以下小節(jié)詳細介紹了區(qū)域分割、去除地平線區(qū)域中的水平線雜波、去除天空區(qū)域中的云雜波以及去除海域中的海光。

圖5.基于區(qū)域分割和區(qū)域特定雜波抑制的整體小目標檢測流程。

4.1. 幾何和基于圖像的區(qū)域分割

水平信息非常重要，因為它可以提供區(qū)域分割提示。因此，區(qū)域分割可以通過以下四個步驟進行：（1）使用傳感器LOS進行地平線預測，（2）地平線像素（horixel）提取，（3）內(nèi)在選擇和（4）地平線優(yōu)化和區(qū)域分割，如圖6所示。水平位置可以使用傳感器姿勢信息進行預測。下一步是視頻序列中的最佳水平跟蹤。給定一個輸入幀，使用列方向梯度和最大選擇提取 horixel。使用RANSAC的魯棒線擬合方法鑒定內(nèi)嵌線[51]。RANSAC的重要作用是找到真正的horixels的內(nèi)在指數(shù)?；趦?nèi)在指數(shù)，總最小二乘優(yōu)化可以穩(wěn)定地檢測最終視界。由于內(nèi)在 horixel 是通過該過程識別的，因此使用線性提取和優(yōu)化進行地平線跟蹤。內(nèi)臟檢測塊在開始時被激活，并在統(tǒng)計上適應環(huán)境變化。

圖6.通過水平線預測和優(yōu)化的區(qū)域分割流。

基于傳感器姿態(tài)的地平線預測：如果假設紅外攝像機具有高度（h），仰角（α，假設0°以便于分析）和地球半徑（R），則可以如圖7a所示描繪幾何關系。任何圖像中的投影水平線都可以通過計算角度（θH），如公式（4）所示。真正的IRST傳感器可以改變仰角，從而改變圖像域中水平線的位置。如果相機的仰角為α，傳感器的視場 （FOV） 為β，則天空區(qū)域的角度 （θ天空） 由公式 （5）確定。如果仰角 （α） 小于θH?β/2，傳感器只能觀測海域。因此，天空區(qū)域的角度（θ天空） 為零。同樣，也可以分析其他情況。海域的角度（θ海） 確定為，θ海=β?θ天空.由于天海區(qū)域分割比例由下式?jīng)Q定坦θ海/坦θ天空，最后一條水平線 （H事先） 使用公式 （6）計算。如果假設圖像高度為 1280 像素，垂直視場為 20°，傳感器高度為 20 m，仰角為 5°，則預測水平線 （H事先） 的位置如圖 6 所示（第一個圖像中的藍色虛線）。

圖7.海基IRST系統(tǒng)的幾何形狀。（a） 傳感器高度與水平線之間的關系;（b） 具有視場和仰角的相機幾何形狀 （α= 0）;（c） 仰角α時水平線的近似位置。

Horixel 提?。航o定一個預測的地平線，如圖 6 所示（藍色虛線），設置搜索邊界。然后定義采樣間隔以降低計算復雜性。對于每個樣品位置，柱方向梯度過濾器使用高斯核的導數(shù)進行。然后通過最大選擇提取接近預測視界的 horixel。圖6（第一張圖中的黑色虛線）顯示了提取的荷里克塞爾。

使用RANSAC進行內(nèi)在檢測：在海洋環(huán)境中，地平線經(jīng)常被島嶼、海岸和云層遮擋。因此，需要一種魯棒的地平線估計方法，例如RANSAC?；旧?，RANSAC算法選擇兩個霍里塞爾并預測地平線。然后，該算法檢查線擬合和內(nèi)在值。經(jīng)過多次迭代后，將選擇具有最大內(nèi)在值的地平線參數(shù)。圖6（第二張圖）顯示了使用RANSAC方法的內(nèi)臟檢測結(jié)果。請注意，內(nèi)值和異常值的分類幾乎正確。內(nèi)值指數(shù)用于優(yōu)化線擬合和水平跟蹤。

基于 SVD 的優(yōu)化和跟蹤：最后一步是使用給定的內(nèi)數(shù) horixel 集的總最小二乘擬合來細化視界參數(shù)。裝配過程如下。首先，對內(nèi)列數(shù)進行歸一化，并進行奇異值分解（SVD）[52]。地平線方向由具有最小特征值的特征向量選擇。圖 6（最后一張圖像）顯示了被近島和遠島遮擋的圖像的地平線優(yōu)化結(jié)果。水平區(qū)域放大以顯示結(jié)果。地平線跟蹤是通過 horixel 提取和基于 SVD 的優(yōu)化以及內(nèi)臟指數(shù)完成的?；?RANSAC 的初始化以統(tǒng)計方式激活。

4.2. 地平線區(qū)域：消除水平線雜波

基于均值減法濾波器（MSF）的小目標檢測方法基于二維均值濾波器[2]。8D 均值濾波器用于估計窗口大小為 2 × 5 或 5 × 7 的局部背景?；贛SF的方法已在多個國家部署，因為它簡單且對小目標具有很高的探測能力[7，8，53]。修改后的MSF（M-MSF）用于使用預平滑輸入圖像增強信噪比。另一方面，54D局部均值減法濾波器在水平線周圍產(chǎn)生強烈的響應，從而防止目標檢測或產(chǎn)生錯誤檢測，如圖2所示。如果應用全局閾值或恒定虛警率（CFAR）檢測，真實目標像素被埋在水平線像素中，導致水平目標檢測失敗。

根據(jù)實際目標觀察，目標具有高斯形狀，如圖9所示。圖9給出了部分目標示例，分別顯示了目標尺寸（寬度、高度）的分布和觀察到的目標的縱橫比。根據(jù)統(tǒng)計數(shù)據(jù)，目標具有類似斑點的結(jié)構(gòu)（平均大?。海▽挾? 5.1像素，高度= 5.4像素），標準偏差（寬度= 1.7，高度= 1.4）和縱橫比為~1）。請注意，大小包括屬于目標區(qū)域的非常低強度的像素。因此，引入了類似高斯的濾波器。這個想法類似于匹配濾波器理論。如果濾波器系數(shù)與目標形狀相同，則達到最大信噪比。在本文中，二維高斯濾波系數(shù)設置為G3×3(x， y） = [0.1 0.11 0.1; 0.11 0.16 0.11; 0.1 0.11 0.1]，由核大小為 2、標準差為 1.4 的二維高斯函數(shù)生成。過濾器系數(shù)應根據(jù)特定的目標應用進行更改。

圖9.對真實紅外目標的觀察。（a） 小型紅外目標的例子;（b） 目標大小的寬度和高度直方圖;（c） 縱橫比（高度/寬度）的直方圖。

圖 11 顯示了本節(jié)介紹的水平區(qū)域空間過濾過程的總體過程。L-DBRF的輸入是輸出（我M–無國界醫(yī)生(x， y）） 的前一個濾波器階段，其中定向背景是估計值。輸出可以使用公式（11）計算。請注意在應用M-MSF和L-DBRF期間SCR的改進。由于水平背景雜波是在L-DBRF階段估計和消除的，因此雜波噪聲降低，從而增強了SCR計算。

圖 11.水平雜波清除和檢測流程的可視化：（a） 輸入圖像;（b） 匹配過濾器;（c） 水平線雜波估計;（d） 修改后的（M）-MSF結(jié)果;（e） 預先設定閾值;（f） 信雜比 （SCR） 計算區(qū)域;以及 （g） 使用 SCR 閾值的最終檢測結(jié)果。

4.3. 天空區(qū)域：消除云雜亂

圖12b所示的檢測結(jié)果可以通過將空間濾波后的H-CFAR檢測器應用于IRST圖像來獲得，其中給定的測試圖像存在許多由強云雜波引起的錯誤檢測，如圖12a所示。機器學習方法應用于此問題。分類器劃分特征空間中的正確目標和雜亂點。最簡單的方法是最近鄰分類器（NNC）算法，它僅使用特征相似性[32]。除了NNC之外，還有基于模型的貝葉斯分類器[33]，基于學習的神經(jīng)網(wǎng)絡和支持向量機（SVM）[34]方法。分類信息可用于刪除各種雜亂點。另一方面，很難應用這些分類方法，因為目標很小，導致可獲得的信息很少。本文提出了<>種小目標特征類型，并從判別的角度對其進行了分析。本研究基于該特征分析，開發(fā)了基于機器學習的雜波抑制方案。

圖 12.云雜波引起的誤報問題：（a） 原始紅外圖像;（b） M-MSF + 基于滯后閾值的恒定誤報率 （H-CFAR） 檢測。

如圖 13 所示，云雜波抑制系統(tǒng)由學習階段和區(qū)分階段組成。在學習階段，使用目標檢測算法和地面實況信息自動準備訓練數(shù)據(jù)庫（DB）。分類器是使用提取的特征學習的。在判別階段，通過探測目標區(qū)域來提取特征，通過空間濾波（M-MSF）和前閾值后的8-NN聚類獲得特征;最終的目標區(qū)分由學習的分類器執(zhí)行。

圖 13.目標區(qū)分的整體流程。

小紅外目標通常是小于100像素的小明亮斑點;從點狀目標圖像中提取信息特征非常困難。本研究考慮了標準差、秩填充比、二階矩、面積、尺寸比、旋轉(zhuǎn)尺寸變化、頻率能量和平均距離法。事先，考慮使用過濾后的數(shù)據(jù)庫來檢查要素。

本節(jié)討論了區(qū)分紅外小目標和云雜波的特征提取方法。該過程的其余部分是選擇最佳分類器。在這項研究中，選擇了AdaBoost，因為它可以選擇適合區(qū)分真實目標的特征。SVM 方法考慮多維特征向量，并使用內(nèi)核配方查找支持向量。另一方面，AdaBoost使用簡單的弱分類器，以及弱分類器的加權(quán)和，這導致強分類器，如公式 （21）所示。在這項研究中，弱分類器只是針對單個特征空間的基于閾值的簡單二元決策。圖 14 顯示了使用所提出的方法進行云雜波抑制的示例。請注意，所提出的方案可以消除云混亂的錯誤檢測。

圖 14.使用建議的功能和 AdaBoost 分類器的云雜波抑制示例

4.4. 海域：去除海鉬

海閃光使探測海域中的小目標成為一個具有挑戰(zhàn)性的問題，如圖15所示。虛線圓圈表示真正的目標，箭頭表示太陽閃光。由于通過大氣散射和吸收，照射的目標能量非常小。這會導致目標變暗，其信噪比（SNR）非常低。暗淡的目標由 2-10 像素組成。目標強度級別與相鄰像素的強度級別相似。此外，太陽微光具有相似的形狀（圓形對稱性），如小目標，以及高強度值，這阻礙了真正的目標檢測。

圖 15.紅外搜索和跟蹤系統(tǒng)中的太陽微光示例。

為什么檢測小目標非常困難？如果觀察每一幀，如圖16a所示，目標和太陽光都有小亮點。因此，空間形狀信息無法區(qū)分真實目標和陽光。另一方面，如果在時間域中觀測目標和太陽微光，則可以在強度、尺度、速度和移動方向方面獲得觀測結(jié)果，如圖16b所示。關鍵屬性是一致性。與太陽閃光相比，目標顯示出一致的強度、規(guī)模、速度和方向。

圖 16.觀察目標和太陽光：（a） 目標和太陽閃光的序列;（b） 從強度、規(guī)模、速度和移動方向方面得出的觀測結(jié)果。

根據(jù)調(diào)查，在密集的日光雜波環(huán)境中進行小目標檢測的研究很少。單個空間過濾器無法消除作為真實目標特征的太陽微光雜亂，而海閃光具有非常相似的形狀和圓形對稱性。傳統(tǒng)的運動提示無法使用，因為目標可能是靜止的并且?guī)俾史浅５?。因此，本文提出了一種折衷空間濾波方法和時間方法的混合方法，即基于屬性圖關聯(lián)的獨立時空濾波方法。該圖僅指示 IRST 中的候選目標?；炯僭O是，真正的目標在空間和時間域中的行為都像異常值。太陽微光的行為是隨機的，但目標的行為是一致的。這種概念用于空間和時間濾波器的設計。圖 17 表示基于這些概念的建議目標系統(tǒng)。頂級分量級別由基于圖關聯(lián)的時間濾波部分和基于統(tǒng)計的雜波抑制部分組成，給定通過使用 M-MSF 和預閾值進行預檢測提取的候選目標。在時間濾波部分，提出一種基于目標屬性的三圖關聯(lián)濾波進行數(shù)據(jù)關聯(lián)。在三圖關聯(lián)后，使用時間一致性濾波和恒定虛報（CFAR）檢測方法進一步減少海閃雜波。

圖 17.提出的小目標檢測系統(tǒng)。該系統(tǒng)由幾何海域提取部分、空間濾波部分、基于三圖相關性的時間濾波部分和基于統(tǒng)計的雜波抑制

在目標檢測問題中，重點是如何在三幀內(nèi)消除太陽微光（系統(tǒng)要求），但對目標的跟蹤相對毫發(fā)無損。如前所述，基本假設是目標與太陽閃光相比表現(xiàn)為異常值。這表明太陽微光的行為是隨機的，但真正的目標表現(xiàn)是一致的。因此，太陽微光引起的誤報可以通過使用圖形模型的三圖相關性來消除。圖 18a 顯示了使用圖形模型的三圖相關性的基本概念。白色圓圈表示隱藏變量，灰色圓圈表示檢測到的目標數(shù)據(jù)。相關性僅涉及在三個連續(xù)幀中給出的先驗預測和數(shù)據(jù)關聯(lián)。

為了解釋圖17中所示的檢測系統(tǒng)，本文給出了標準測試圖像的整體處理流程和相關結(jié)果，如圖20所示。測試紅外圖像（圖20a）在海上具有可能的目標。圖20b表示使用三圖相關濾波器的檢測結(jié)果。ID 指示相關性的數(shù)量。對于此過程，M-MSF和預閾值用于空間候選目標檢測。圖 20c 表示基于統(tǒng)計信息的時間過濾的結(jié)果。圖20d顯示了使用H-CFAR方法最終檢測到的目標。表2總結(jié)了該測試序列的雜波減少率。所提出的三圖相關濾波器可以減少50%的雜波。通過時間濾波器和CFAR檢測，我們可以實現(xiàn)高達97.7%的雜波抑制，同時檢測真正的目標。

圖 20.海洋區(qū)域紅外圖像的目標檢測流程示例。（a） 測試圖像;（b） 三圖相關結(jié)果（ID表示圖相關數(shù)）;（c） 基于時間過濾器的雜波減少;（d） 使用H-CFAR方法進行最終檢測。圓圈表示真實目標，正方形表示檢測到的目標。

5. 實驗結(jié)果

本文介紹了通過地平線檢測、水平線雜波抑制、云雜波抑制和太陽-眩光抑制提出的區(qū)域分割細節(jié)，如圖21所示。在本節(jié)中，通過比較常規(guī)方法對每個提出的項目進行評估，然后將集成方法應用于測試序列。

圖 21.提出的區(qū)域自適應、小目標檢測和雜波抑制方案。

5.1. 水平線檢測的評估

如圖22所示，制備了四種測試序列，以驗證所提方法的魯棒性。集合 1 是被強云遮擋的遠程海洋圖像。集合 2 被附近的島嶼遮擋，該島嶼占據(jù)了地平線長度的 1/3。套裝 3 有附近的島嶼和一個偏遠的島嶼。最后一個，Set 4，附近有一個海岸，船只和建筑物擋住了地平線。

圖 22.用于水平線檢測的測試數(shù)據(jù)庫的組成。

如果線擬合誤差平均在一個像素內(nèi)，則檢測到的水平線被聲明為正確的檢測。地平線位置的地面實況是通過人工檢查準備的。最初的測試裝置幾乎沒有傳感器噪聲。因此，該范圍內(nèi)的均勻分布分別產(chǎn)生了±0.5°和±3.0像素的人工傳感器傾斜噪聲和地平線定位噪聲。表3列出了總體實驗結(jié)果。該方法正確檢測了無噪聲序列數(shù)據(jù)的地平線。在嘈雜數(shù)據(jù)的情況下，只有Set 4的一幀顯示出不正確的地平線檢測。圖23顯示了噪聲添加序列的采樣水平檢測結(jié)果。藍色虛線表示傳感器 LOS 的地平線預測。黑色或白色實線表示最佳水平線。洋紅色點表示 RANSAC 提取的內(nèi)臟 horixels。請注意，無論傳感器噪聲下的遮擋類型如何，都會可靠地檢測到水平線。

圖 23.測試集 1–4 的地平線檢測示例。

表 3.無噪聲數(shù)據(jù)和噪聲數(shù)據(jù)的地平線檢測率（DR）。

5.2. 水平雜波抑制的評估

在水平雜波抑制評估中，比較了每幅圖像的檢測率和虛警數(shù)，以評估不同空間濾波器類型的檢測性能。作為初始實驗，通過背景建模和目標建模制備了合成圖像。背景圖像具有天空區(qū)域和強度差為 100 灰度值的背景區(qū)域。使用高斯濾波器進一步逐列平滑水平線。生成了24個具有不同大小和不同SCR值的目標。這些目標入到水平線周圍，如圖3b的頂部所示。生成的靶標的尺寸范圍為（3×10）至（10×0），SCR范圍為97.1至95.<>。ROC曲線指標用于評估該測試圖像的過濾方法。前閾值 （千前） 設置為 20，H-CFAR 閾值 （k） 從 24 更改為 2。圖 8a 顯示了評估結(jié)果。使用12D局部MSF [1]的結(jié)果顯示ROC區(qū)域非常小，檢出率相對較低。最大均值濾波器 [4000] 也會產(chǎn)生較差的 ROC 面積。基于一維全球MSF的方法顯示出更大的ROC區(qū)域，但產(chǎn)生了許多錯誤檢測（超過1個錯誤警報，k = 15），閾值很小。最近的方法，局部最小LoG和Top-hat濾波器顯示出良好的性能[56，70]。相比之下，所提出的方法（M-MSF后的水平雜波抑制（L-DBRF））顯示出理想的ROC曲線模式。請注意，當 k = 1 時，最大誤報數(shù)僅為 24。圖 <>b 顯示了使用三種類型的空間過濾器的目標檢測結(jié)果。H-CFAR閾值經(jīng)過調(diào)整，以發(fā)出零誤報。所提方法能夠成功檢測所有目標。

圖 24.ROC 曲線和相關檢測示例。（a） 三種不同空間濾波器的ROC曲線;（b） 誤報閾值為零的檢測示例。

在下一次評估中，比較了目標決策方法。原始CFAR探測器探測高于噪聲水平的所有像素。另一方面，所提出的決策方法（H-CFAR）使用自適應遲滯閾值，該閾值由用于候選檢測的小閾值和用于最終決策的CFAR閾值組成。測試圖像由不同數(shù)量的合成目標組成，從 10 到 490。圖 25 顯示了比較結(jié)果。原始CFAR檢測的處理時間約為16.1 s，隨著目標數(shù)量的增加而增加。相比之下，所提檢測方法的處理時間約為0.65 s，并且隨著目標數(shù)量的增加而略有增加。兩種決策方法的檢測結(jié)果相似。

圖 25.決策方法的處理時間：CFAR與H-CFAR（自適應滯后檢測）。

5.3. 云雜波抑制的評估

足夠大的數(shù)據(jù)集對于確保成功學習云混亂抑制非常重要。本研究使用中波紅外（MWIR）相機或長波紅外（LWIR）相機收集了136張真實目標圖像。目標圖像是由真實的飛機拍攝的，例如KT-1，F(xiàn)-5和F-16。云雜波數(shù)據(jù)庫是使用上一節(jié)中介紹的檢測算法準備的。圖 26 提供了目標圖像和雜亂圖像的示例。

圖 26.用于分類器學習的目標和雜波數(shù)據(jù)庫：（a） 目標芯片;（b） 雜亂的芯片。

在評估中比較了樸素貝葉斯、SVM 和 AdaBoost 分類器。隨機選擇訓練樣本，剩余樣本用于測試集。平均檢測率 （DR） 和誤報率 （FAR） 在 100 次迭代中進行了評估。結(jié)果如表4所示。盡管樸素貝葉斯方法產(chǎn)生的容積率較低，但它的容積率相對較低。DR在目標識別中更為重要，因為需要檢測真正的目標。SVM 分類器產(chǎn)生了改進的 DR，但具有較高的 FAR。AdaBoost 分類器（學習后有 29 個弱分類器）產(chǎn)生了改進的 DR，其容積率低于 SVM 的容積率。因此，選擇AdaBoost作為分類器來拒絕天空區(qū)域中的云雜波。

表 4.（a）樸素貝葉斯，（b）SVM和（c）AdaBoost分類器在檢測率（DR）和誤報率（FAR）方面的性能。

5.4. 海閃光剔除的評估

準備了一組?；鵌RST圖像來測試和評估所提出的方法。圖27總結(jié)了中波紅外（MWIR）相機采集的七種測試序列。套裝 1 具有微弱的太陽光芒，帶有進入的飛船場景。第2組有強烈的陽光，船只經(jīng)過。第3組有強烈的稀疏陽光，大型船只靠近海岸。第4組有密集的強烈太陽閃光，帶有合成的入射目標和遙遠的真實目標。第5組有弱的密集太陽閃光，有一個合成的來襲目標和幾艘真正的船只。第6組有強烈的稀疏陽光，在偏遠的沿海環(huán)境中經(jīng)過。第7組有強烈的密集陽光，有地效翼船經(jīng)過。根據(jù)評估結(jié)果，有選擇地使用每個圖像集。

圖 27.測試數(shù)據(jù)庫的組成。

將所提出的海閃光抑制方法與基線方法（（M-MSF，Min-local-LoG [15]，Top-hat [56]）+ H-CFAR檢測）進行了五種測試集（第4組，第5組，第6組，第7組）的比較。以每幅圖像的檢測率（DR）和虛警次數(shù)（FAR）作為比較措施。為了進行公平比較，通過調(diào)整閾值來固定每個數(shù)據(jù)集的檢測率。對于每個測試集，基本事實都是手動準備的。表 5 列出了五個不同測試集在誤報率（每個圖像的錯誤檢測數(shù)）方面的總體性能結(jié)果。所提出的方法顯示出與基線方法相同的檢測率，但與基線方法相比，它產(chǎn)生的誤報更少（大約少16到28倍）。圖 6 顯示了測試集 3 的檢測結(jié)果，該測試集有一個真實目標（地效翼船）經(jīng)過偏遠海岸。在所提出的方法中，方塊表示通過去除邊緣目標進行最終檢測。請注意，基線方法在太陽閃光周圍產(chǎn)生了大量的誤報。結(jié)果表明，所提方法（相關+屬性濾波）能夠魯棒地檢測出真實目標，并在海閃光區(qū)產(chǎn)生少量誤報。

圖 28.所提方法與測試集6基線方法之間的目標檢測比較。

5.5. 所提方法的綜合評估

作為最終評估，測試序列由五個扇區(qū)組成，共 156 幀（1280 × 1024）。使用Kim等人報告的方法生成了許多合成靶點[60]。測試集由云雜波和海閃發(fā)光組成。表 6 列出了總體評估結(jié)果，具體取決于雜波抑制方案在檢測率和每幀誤報數(shù)量方面的情況?；究臻g濾波器是指（M-MSF + L-DBRF）+ H-CFAR探測器?；镜谋硎?M-MSF + 預閾值。所提出的方法（區(qū)域雜波抑制）將每張圖像的錯誤檢測次數(shù)減少了2.5至9.4倍，具體取決于雜波抑制方案的扇區(qū)類型，檢測率僅下降了0.1%-0.8%。圖 29 給出了扇區(qū) 2 DB 上的雜波抑制效果示例。請注意，所提出的方法幾乎完全消除了多云天空區(qū)域和海閃光區(qū)域的錯誤檢測，同時仍保持目標檢測。

圖 29.通過應用雜波抑制方法獲得系統(tǒng)性能比較結(jié)果。

6. 結(jié)論

由于點狀目標的性質(zhì)，減少小紅外目標檢測中雜波引起的錯誤檢測數(shù)量非常具有挑戰(zhàn)性。雜波根據(jù)類型有不同的性質(zhì)，例如水平線雜波、天空中的云雜波和海中的海波閃爍。該文提出一種基于水平線檢測的區(qū)域分割方法，同時利用傳感器位姿信息和圖像處理。在水平區(qū)域，修正均值減法濾波器（M-MSF）后的局部定向背景去除濾波器（L-DBRF）過程可以抑制水平線雜波，實現(xiàn)高檢測率，每幅圖像誤報少。在天空區(qū)域，提出AdaBoost判別學習方法，基于目標屬性特征（如強度、面積、頻率等）去除云雜波。根據(jù)基于AdaBoost的目標判別方法對測試序列的結(jié)果，在檢測率僅有少量下降的情況下實現(xiàn)了虛警減少。在海域，提出了單獨的時空濾波來拒絕海閃光。三圖相關后的時間濾波可以進一步減少太陽微光。通過實驗比較，發(fā)現(xiàn)無論目標運動如何，使用低幀率紅外相機在強日光環(huán)境下檢測目標都是穩(wěn)健的。在最終測試中，所提出的集成雜波抑制方案可以有效地將錯誤檢測次數(shù)減少2.5至9.4倍，而檢測率僅下降0.1%–0.8%。因此，所提出的方案有望對海基紅外搜索和跟蹤系統(tǒng)有用。