一種新穎的強(qiáng)海雜波背景下弱小目標(biāo)魯棒檢測算法

袁耀東，許紅艷，陶 琳

?

一種新穎的強(qiáng)海雜波背景下弱小目標(biāo)魯棒檢測算法

袁耀東1，許紅艷1，陶 琳2,3

（1. 鄭州澍青醫(yī)學(xué)高等?？茖W(xué)校 信息管理中心，河南 鄭州 450008；2. 河南工業(yè)職業(yè)技術(shù)學(xué)院 電子信息工程系，河南 南陽 473000；3. 鄭州大學(xué) 信息工程學(xué)院，河南 鄭州 450002）

紅外弱小目標(biāo)的自動(dòng)檢測是光電火控系統(tǒng)、紅外導(dǎo)引頭等武器裝備中的關(guān)鍵技術(shù)之一。本文針對(duì)復(fù)雜海雜波背景下低信噪比目標(biāo)檢測問題，結(jié)合SURF特征描述符，提出了一種基于自動(dòng)聚類分割的弱小目標(biāo)檢測算法。該方法首先利用SURF算法計(jì)算出紅外圖像中的興趣點(diǎn)，并將多幀的興趣點(diǎn)投影到一幀中形成累積圖。由于目標(biāo)在紅外序列中的連續(xù)性，目標(biāo)點(diǎn)會(huì)在累積圖中進(jìn)行聚集；然后使用改進(jìn)的快速聚類分割算法自適應(yīng)的檢測出疑似目標(biāo)；最后根據(jù)目標(biāo)類具有的大小約束與線性約束先驗(yàn)信息，從海雜波中區(qū)分出所需的弱小目標(biāo)。大量仿真實(shí)驗(yàn)及實(shí)物驗(yàn)證表明，相比于其他現(xiàn)有算法，本文提出方法在處理具有較低信噪比/雜波比的視頻下的弱小目標(biāo)時(shí)可以獲得較好的檢測性能，同時(shí)該方法的實(shí)時(shí)性強(qiáng)，可在多項(xiàng)式時(shí)間復(fù)雜度下得到最優(yōu)檢測目標(biāo)，適合工程應(yīng)用。

紅外弱小目標(biāo)；海雜波；SURF特征描；累積圖；聚類分割算法；目標(biāo)檢測

0 引言

隨著紅外成像技術(shù)的不斷發(fā)展，紅外熱像儀已經(jīng)廣泛應(yīng)用在紅外遙感、目標(biāo)探測、光電火控、精確制導(dǎo)等民用和軍事領(lǐng)域中，具有隱蔽性、全天候、抗干擾等優(yōu)點(diǎn)[1-5]。然而當(dāng)紅外熱像儀距離目標(biāo)較遠(yuǎn)時(shí)，獲取的目標(biāo)一般只有幾個(gè)像素，圖像的信噪比較低。相對(duì)于背景及噪聲，目標(biāo)信號(hào)的灰度較弱，還可能被噪聲淹沒。因此紅外弱小目標(biāo)檢測技術(shù)是紅外搜索與跟蹤、紅外告警、紅外制導(dǎo)等防御、進(jìn)攻等武器系統(tǒng)中的一項(xiàng)核心技術(shù)，其主要任務(wù)就是如何從復(fù)雜背景中檢測并區(qū)分出微弱目標(biāo)。

當(dāng)前主流的弱小目標(biāo)檢測算法大致上可以分為檢測前跟蹤（Track Before Detection，TBD）算法和跟蹤前檢測（Detection Before Track，DBT）算法。TBD算法的基本思想是先根據(jù)目標(biāo)像素強(qiáng)度檢測出目標(biāo)，然后通過目標(biāo)在相鄰幀之間時(shí)空相關(guān)性獲取目標(biāo)的運(yùn)動(dòng)軌跡，其典型算法包括形態(tài)學(xué)濾波[2]，Top-Hat算子[3]，小波變換[4]等算法。這類算法通常具有很強(qiáng)的實(shí)時(shí)性，非常適合具有高信噪比或高對(duì)比度下的紅外目標(biāo)檢測系統(tǒng)中，但在信噪比較低的情況下，其虛警率較高，嚴(yán)重影響目標(biāo)的識(shí)別。DBT算法則是采用一些目標(biāo)跟蹤的方法來提高目標(biāo)檢測的準(zhǔn)確性，通過對(duì)序列圖像同時(shí)進(jìn)行跟蹤判斷，同時(shí)增強(qiáng)目標(biāo)的信噪比，逐步剔除噪聲影響，其經(jīng)典算法包括序貫假設(shè)檢驗(yàn)[5]、MSHT[6]，三維匹配濾波[7]等。由于此類算法利用了多幀圖像信息，會(huì)增加算法的時(shí)間復(fù)雜度與空間復(fù)雜度。特別是這類算法在構(gòu)建初始軌跡時(shí)依賴于目標(biāo)的動(dòng)態(tài)先驗(yàn)知識(shí)，這直接影響算法在真實(shí)場景下的應(yīng)用[8]。

近年來，小目標(biāo)檢測跟蹤領(lǐng)域提出了非常多新穎可靠的算法。文獻(xiàn)[9]中，作者引入稀疏與低秩的概念，將原始的圖像視為由稀疏矩陣與低秩矩陣的構(gòu)成，因此傳統(tǒng)的目標(biāo)檢測算法就轉(zhuǎn)變?yōu)榈椭染仃嚮謴?fù)問題。文獻(xiàn)[10-11]假設(shè)目標(biāo)具有較高的局部對(duì)比度，提出了一種基于分層學(xué)習(xí)的核方法。文獻(xiàn)[12]提出了一種基于帶通濾波器的目標(biāo)顯著性提取方法。文獻(xiàn)[13]中，作者提出一種計(jì)算像素各鄰域累計(jì)差異值獲取測量圖，以便檢測出弱小目標(biāo)。文獻(xiàn)[14]則是利用目標(biāo)與背景之間主曲率來檢測弱小目標(biāo)。最近，許多研究人員提出利用圖像自相似性建立基于字典學(xué)習(xí)的稀疏模型，提出利用海量紅外目標(biāo)數(shù)據(jù)庫構(gòu)建一個(gè)空時(shí)過完備的字典，通過目標(biāo)與背景在字典下的稀疏系數(shù)之間的差異，檢測出所需的目標(biāo)[15-16]。文獻(xiàn)[17]則是提出一種協(xié)同稀疏重構(gòu)模型，通過在線學(xué)習(xí)的方式來消除雜波與噪聲的干擾。然而，雖然基于稀疏與低秩等先驗(yàn)信息的信號(hào)處理算法有著較強(qiáng)的弱小目標(biāo)檢測能力，此類算法在字典訓(xùn)練學(xué)習(xí)，優(yōu)化求解的過程是非常耗時(shí)的，直接限制了該類算法在武器平臺(tái)上的使用[18]。

通過以上分析可以看出，無論是傳統(tǒng)的形態(tài)學(xué)算法，還是基于現(xiàn)代信號(hào)處理的智能算法，大多數(shù)紅外弱小目標(biāo)檢測算法都是構(gòu)建復(fù)雜背景下目標(biāo)與背景之間的差異信息以實(shí)現(xiàn)魯棒高效的檢測算法。為了提高弱小目標(biāo)檢測算法的復(fù)雜環(huán)境適應(yīng)性的能力，本文提出了以自動(dòng)聚類算法為基礎(chǔ)，并結(jié)合SURF算子的弱小目標(biāo)檢測算法。SURF是一種具有尺度，旋轉(zhuǎn)不變的檢測算法，對(duì)均勻縮放、光照變化等干擾影響也具有良好性能，能夠從復(fù)雜背景條件下提取出疑似候選目標(biāo)的魯棒特征。本文提出的方法在復(fù)雜的海天背景下的弱小目標(biāo)檢測跟蹤方面具有魯棒穩(wěn)定的性能，同時(shí)該方法可在多項(xiàng)式時(shí)間復(fù)雜度下得到最優(yōu)檢測目標(biāo)，適合工程應(yīng)用。

1 本文所提算法

本文以“XX對(duì)海弱小目標(biāo)光電探測”預(yù)研課題為背景，對(duì)海雜波背景下紅外弱小目標(biāo)檢測問題進(jìn)行研究。針對(duì)復(fù)雜海雜波背景下低信噪比目標(biāo)檢測問題，結(jié)合SURF特征描述符，提出了一種基于自動(dòng)聚類分割的弱小目標(biāo)檢測算法。本文算法包括如下3部分：①基于SURF算子的興趣點(diǎn)的提取；②基于改進(jìn)的聚類算法的累積圖分割；③基于大小與線性約束下的目標(biāo)鑒別。接下來，本文將對(duì)算法流程進(jìn)行詳細(xì)描述。

1.1 基于SURF算子的興趣點(diǎn)提取

一般來說，紅外圖像(,)的數(shù)學(xué)模型由3部分組成，分別是背景圖B(,)，噪聲圖N(,)和目標(biāo)圖T(,)，因此紅外圖像可以表示如下：

(,)＝T(,)＋B(,)＋N(,) (1)

從實(shí)際紅外圖像可以看出背景圖占整個(gè)檢測圖中絕大部分，存在大量的低頻信息，而目標(biāo)與噪聲則是一些孤立的點(diǎn)目標(biāo)，位于高頻區(qū)域。然而，隨著成像環(huán)境的變化，目標(biāo)的大小和強(qiáng)度會(huì)發(fā)生劇烈變化，灰度、對(duì)比度等特征信息將不能用于弱小目標(biāo)的檢測，因此有必要采用一種更加健壯的特征。SURF是一種具有尺度旋轉(zhuǎn)不變性的局部特征檢測器和描述符，可以用于目標(biāo)檢測識(shí)別[18]。特別是，該檢測算子對(duì)均勻縮放、光照變化等干擾因素也具有良好性能，能夠從復(fù)雜背景條件下提取出疑似候選目標(biāo)的魯棒特征。因此，由于SURF對(duì)噪聲和目標(biāo)的魯棒性，首先被用來提取單幀紅外圖像中的興趣點(diǎn)，其具體計(jì)算過程可參考文獻(xiàn)[18]。

1.2 累計(jì)圖的構(gòu)建

利用上一節(jié)介紹的SURF算子提取的圖像興趣點(diǎn)可能位于云的邊緣，天際線、孤立噪聲和候選目標(biāo)上。由于目標(biāo)的軌跡在一定的時(shí)間上具有一定的空間聚集性和時(shí)間相關(guān)性，受此規(guī)律先驗(yàn)的激發(fā)，本文提出將多幀目標(biāo)的聚集特性作為疑似目標(biāo)檢測策略。為了實(shí)現(xiàn)目標(biāo)軌跡點(diǎn)的累計(jì)，本文將多幀上的疑似目標(biāo)投影到2D圖像平面上。若暫不考慮灰度尺度情況下，這一過程可以用如下公式進(jìn)行直觀地描述：

式中：Ex是經(jīng)過2.1節(jié)處理后的特征點(diǎn)圖；是最大處理的幀長度?？梢钥闯?，(,)是特征點(diǎn)投影后的累積圖，大量的仿真實(shí)驗(yàn)表明基于特征點(diǎn)的累計(jì)圖具有明顯的聚集效應(yīng)。

弱小目標(biāo)的檢測的難點(diǎn)在與如何分辨噪聲與點(diǎn)目標(biāo)，實(shí)際紅外圖像可以看出，噪聲點(diǎn)服從高斯分布，很難連續(xù)多幀位于同一位置附近，而點(diǎn)目標(biāo)附近則聚集大量的特征點(diǎn)，因此采用聚類分割的方式可以找出疑似目標(biāo)區(qū)域，同時(shí)排除虛假點(diǎn)目標(biāo)。

1.3 基于改進(jìn)的聚類分割算法的圖像分割

由于目標(biāo)軌跡在時(shí)空上具有局部聚集性，因此本文利用自動(dòng)聚類算法將累積的原始數(shù)據(jù)集聚集成不同的類。顯而易見，這些類包含了目標(biāo)區(qū)域與非目標(biāo)區(qū)域。在2014年，Rodriguez等人提出了一種快速的聚類算法，能夠?qū)崟r(shí)地計(jì)算出密集峰。因此，本文利用此方法快速搜索密集峰，并識(shí)別出聚類中心，該方法僅僅需要距離矩陣作為輸入?yún)?shù)[19]。同時(shí)，該算法的假設(shè)條件是，聚類中心周圍都是密度比其低的點(diǎn)，同時(shí)這些點(diǎn)與較高局部密度的區(qū)域之間有相對(duì)大的距離。

式中：如果＜0，則()＝1，否則()＝0，同時(shí)c是自定義的截?cái)嗑嚯x，其值的選取參考文獻(xiàn)[19]。

表示興趣點(diǎn)與高密度點(diǎn)之間的最小距離，其表達(dá)式如下：

可以看出，所有比點(diǎn)密度高的所有點(diǎn)的最近距離表示，因此聚類中心是值非常大的點(diǎn)。在聚類中心被確定下來以后，每一個(gè)剩余點(diǎn)分配給與其較高密度的最近鄰域相同的類。該聚類算法可以得到非球形的聚類結(jié)果，可以很好地描述數(shù)據(jù)分布。

圖1描述快速聚類過程的示意圖，其中圖1(a)是累積圖中所有特征點(diǎn)在二維空間的分布，圖1(b)是以為橫坐標(biāo)，以為縱坐標(biāo)獲取的決策圖（Decision Tree）。可以看到，1和10兩個(gè)點(diǎn)的和都比較大，作為類簇的中心點(diǎn)；26、27、28三個(gè)點(diǎn)的也比較大，但是較小，所以是異常噪聲點(diǎn)?？梢钥闯?，上述算法可以較快且魯棒的方式獲取聚類中心，同時(shí)抑制一些異常干擾點(diǎn)。然而，對(duì)于本文的應(yīng)用而言，該算法存在的主要缺點(diǎn)是所采用的聚類算法會(huì)產(chǎn)生過分割或欠分割。這意味著多個(gè)目標(biāo)軌跡會(huì)被分割到一類里面，或一個(gè)完整的軌跡被分割成多個(gè)類，這會(huì)對(duì)后續(xù)目標(biāo)的選擇帶來影響。為了提高算法的適應(yīng)性，提高累計(jì)圖中特征點(diǎn)的聚類精度，本文提出了如下的改進(jìn)措施：

1）為了應(yīng)對(duì)累積興趣點(diǎn)圖的過分割現(xiàn)象，并確保一個(gè)目標(biāo)跟蹤路徑散點(diǎn)被完全包含到一個(gè)類集，本文提出采用一個(gè)用于調(diào)節(jié)的參數(shù)，這意味著在數(shù)據(jù)集中該參數(shù)是點(diǎn)的鄰域平均數(shù)，這可以幫助選擇出合適的c。參數(shù)的值越大，聚類中心越多。顯然，它影響分割粒度。根據(jù)工程的實(shí)際應(yīng)用情況，本文提出：當(dāng)參數(shù)等于軌跡點(diǎn)數(shù)的一半時(shí)，假設(shè)參數(shù)等于c時(shí)，那么可以獲取完整的軌跡，同時(shí)具有最高的雜波抑制比（CSR）和目標(biāo)提取率（TER）。CSR意味著雜波相對(duì)于聚類的比值，和TER則表示總目標(biāo)提取的百分比。

2）為了解決欠分割的問題，確保一個(gè)類僅僅包含一個(gè)目標(biāo)的軌跡，本文提出了一個(gè)參數(shù)，其表達(dá)形式如下：

相對(duì)于原始聚類方法，該改進(jìn)措施有助于選擇聚類中心。為了保證目標(biāo)軌跡之間的“獨(dú)立性”，本文選擇的參數(shù)具有在聚類過程最高的正確分割率和雜波抑制比。

本文通過引入兩個(gè)參數(shù)，解決了累積目標(biāo)點(diǎn)聚類分割中存在的兩種問題，并且提高了算法的適應(yīng)性，支持聚類的自動(dòng)實(shí)現(xiàn)。

1.4 基于大小與線性約束下的目標(biāo)鑒別

自動(dòng)聚類完成后，可以看出累積的圖像已經(jīng)被分割成兩類：目標(biāo)和雜波。本節(jié)中，將采用以下兩種約束來完成目標(biāo)的識(shí)別：

1）由目標(biāo)軌跡形成的類的大小與長度有一定的相關(guān)性，但是雜波具有高斯隨機(jī)性，不存在這樣的特點(diǎn)。大量的仿真測試發(fā)現(xiàn)，該策略的大小的下限定義為序列長度的75%時(shí)，可以準(zhǔn)確地檢測出目標(biāo)。

2）由于海雜波在空間上的分布是隨機(jī)的，而目標(biāo)的分布將滿足一些線性分布特征，因此真實(shí)的目標(biāo)點(diǎn)具備線性約束特性。

2 實(shí)驗(yàn)及其結(jié)果分析

本文采用空對(duì)海的紅外探測器實(shí)物仿真時(shí)獲取的4個(gè)低信噪比的紅外圖像序列檢驗(yàn)本算法對(duì)弱小目標(biāo)的檢測性能。每個(gè)序列包含1000幀紅外圖像，圖像大小為320×240，目標(biāo)大小范圍從2×1到12×12不等。實(shí)驗(yàn)方法都是使用MATLAB語言編程實(shí)現(xiàn)，并在CPU為i5處理器：主頻2.86GHZ，內(nèi)存4G，操作系統(tǒng)：WINDOWS 7，仿真平臺(tái)Matlab 7.20平臺(tái)上運(yùn)行。

在本節(jié)中，為了客觀公正地對(duì)本文提出的算法的可靠性與魯棒性進(jìn)行評(píng)判，選取了4種算法作為對(duì)比：Max-median[20]，Top-hat算法[21]，Sparse[16]和IPI[9]。Max-median算法是工程應(yīng)用中使用較多的傳統(tǒng)算法，可靠性高；Top-hat算法是利用形態(tài)學(xué)操作來去除圖像中的隨機(jī)噪聲，以提高目標(biāo)的信噪比；Sparse和IPI算法是最近幾年發(fā)展出的最新算法，具有較高的檢測精度，但時(shí)間復(fù)雜度較大。為了便于顯示處理結(jié)果，實(shí)驗(yàn)部分調(diào)整紅外圖像的亮度。在圖2左側(cè)一列為紅外原始圖像，其目標(biāo)在原始圖像中用紅色矩形標(biāo)記。大量的仿真定性對(duì)比試驗(yàn)結(jié)果可以看出，傳統(tǒng)的Max-median算法在背景較為復(fù)雜時(shí)，不能完全檢測出弱小目標(biāo)，同時(shí)由于噪聲的干擾，檢測結(jié)果會(huì)顯示出虛警；Top-Hat算法則是利用形態(tài)學(xué)濾波方法，提升目標(biāo)的信噪比，實(shí)際處理結(jié)果可以看出，該算法不僅提高了弱小目標(biāo)的對(duì)比度，同時(shí)也放大了噪聲信號(hào)，提高了虛警率。基于現(xiàn)代信號(hào)處理的Sparse[16]和IPI[9]算法在重構(gòu)圖像過程比較耗時(shí)，同時(shí)由于目標(biāo)本身信噪比較低，在進(jìn)行稀疏重構(gòu)時(shí)會(huì)出現(xiàn)過擬合，不能完全由字典基原子進(jìn)行稀疏表示，所以實(shí)驗(yàn)結(jié)果也可以看出，該類算法的漏檢較多，同時(shí)也會(huì)出現(xiàn)一定的誤檢；本文提出的算法是在SURF興趣點(diǎn)累積的基礎(chǔ)上進(jìn)行聚類分割，利用時(shí)空相關(guān)性對(duì)非目標(biāo)類進(jìn)行排除，達(dá)到完全紅外弱小目標(biāo)的實(shí)時(shí)檢測。

圖2 對(duì)比試驗(yàn)結(jié)果

為了定量評(píng)估本文提出的算法性能，選擇了4段具有海天背景的典型紅外視頻進(jìn)行處理的實(shí)驗(yàn)結(jié)果如表1，表2所示，其中表1展示了本文提出算法各處理模塊的定量指標(biāo)，尤其是經(jīng)大小與線性約束后虛警率明顯降低；表2展示了各算法的目標(biāo)檢測率與虛警率，其結(jié)果是序列中所有幀檢測的平均值。從表1中的結(jié)果可以看出本文所提算法的有效性，除了第3個(gè)序列由于太陽閃爍干擾引起虛警以外，其他的序列情況都能得到滿意的檢測結(jié)果和雜波抑制率。從比較結(jié)果發(fā)現(xiàn)本文方法的檢測結(jié)果具有優(yōu)越的性能，并且保持了比其他方法更低的虛警率。由于傳統(tǒng)弱小目標(biāo)檢測方法過于依賴目標(biāo)的灰度強(qiáng)度或局部對(duì)比度，若信噪比降低，其檢測概率將下降。由于云層干擾以及海面魚鱗波的影響，各對(duì)比算法在雜波上會(huì)產(chǎn)生較大的誤檢。相比之下，IPI具有穩(wěn)定的檢測性能，但對(duì)于靠近海天線或部分被云遮擋的目標(biāo)，將發(fā)生漏檢，與本文方法相比，誤報(bào)率更高。

表1 本文算法檢測性能

相比于Max-median[20]、Top-Hat[21]、Sparse[16]和IPI[9]檢測算法，本文提出的檢測算法在檢測弱小目標(biāo)方面有著較好的檢測性能。Top-Hat檢測算法在檢測對(duì)比度強(qiáng)的目標(biāo)方面具有明顯的優(yōu)勢，但該算法也會(huì)對(duì)圖像中的魚鱗波，邊緣等信息顯著性加強(qiáng)，提高識(shí)別的難度，如圖2(b)所示。Max-median算法采用非線性平滑技術(shù)，將每一像素點(diǎn)灰度值調(diào)整為鄰域窗口中沿多方向的中值中的最大值。因此，該類算法可以很好地抑制噪聲點(diǎn)，增強(qiáng)目標(biāo)的對(duì)比度，但該類算法不能檢測大小為2×1，3×2等最小的可跟蹤目標(biāo)，圖2(c)及表1的實(shí)驗(yàn)對(duì)比效果也顯示該算法存在漏檢。Sparse算法則是利用將紅外圖像分塊進(jìn)行重構(gòu)，利用紅外弱小目標(biāo)在字典下稀疏性對(duì)目標(biāo)進(jìn)行檢測，實(shí)驗(yàn)結(jié)果表明該算法具有非常魯棒的實(shí)驗(yàn)效果，因?yàn)闃颖緣K的大小設(shè)置為7×7，非常適合高亮小目標(biāo)的特征表；同時(shí)，低對(duì)比度目標(biāo)也會(huì)因信號(hào)太弱，而在優(yōu)化過程中誤認(rèn)為是噪聲而漏檢。IPI算法則是在稀疏的基礎(chǔ)上引入低秩正則[22]，該算法不僅可以檢測出微弱信號(hào)，還能抑制噪聲，仿真結(jié)果如圖2(f)所示。實(shí)驗(yàn)結(jié)果表明，該類算法是現(xiàn)有檢測類算法中指標(biāo)最好的算法，但該類算法的復(fù)雜度較高，不太適合工程應(yīng)用。本文提出的算法如圖2(f)所示，可以看出該類算法能在特征點(diǎn)的累計(jì)圖上實(shí)現(xiàn)聚類，進(jìn)而找到疑似目標(biāo)，然后在大小與線性的約束下實(shí)現(xiàn)對(duì)小目標(biāo)的鑒別。

3 結(jié)論

本文在自動(dòng)聚類框架基礎(chǔ)上提出了一個(gè)新穎的算法來檢測復(fù)雜海雜波背景下的弱小目標(biāo)。本文不再采用傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)策略檢測疑似目標(biāo)，而是把目標(biāo)檢測直接轉(zhuǎn)換成從累積圖像中提取其軌跡。不需要任何動(dòng)態(tài)信息和初始跟蹤點(diǎn)等先驗(yàn)信息，該方法非常簡單和快速。此外，為了實(shí)現(xiàn)完整的自動(dòng)目標(biāo)跟蹤，本文算法提出增加了一個(gè)新穎的參數(shù)將原始的快速聚類算法改進(jìn)為自動(dòng)聚類。不依賴于弱小目標(biāo)的灰度或?qū)Ρ榷?，本文的方法在處理具有較低信噪比/雜波比的視頻中的弱小目標(biāo)時(shí)也能或得較好的檢測性能。同時(shí)該方法的實(shí)時(shí)性強(qiáng)，可在多項(xiàng)式時(shí)間復(fù)雜度下得到最優(yōu)檢測目標(biāo)，適合工程應(yīng)用。

表2 檢測指標(biāo)對(duì)比

[1] 劉運(yùn)龍, 薛雨麗, 袁素真, 等. 基于局部均值的紅外小目標(biāo)檢測算法[J]. 紅外與激光工程, 2013, 42(3): 814-822

LIU Yunlong, XUE Yuli, YUAN Suzhen, et al. A infrared small object detection algorithm based on local average[J]., 2013, 42 (3): 814-822.

[2] V. tom, T. Peili, M. Leung, et al. Morphology-based algorithm for point target detection in infrared backgrounds[C]//, 1993, 1954: 25-32.

[3] 過潤秋, 張穎, 林曉春, 等. 基于形態(tài)濾波的紅外小目標(biāo)檢測方法[J]. 激光與紅外, 2015, 35(2): 451-453.

GUO Ruiqiu, ZHANG Ying, LIN Xiaochun, et al. A small object detection method based on morphological filtering[J]., 2015, 35 (2): 451-453.

[4] J. N. Chiang, Y. H. Zhang, T. T. Lu, et al. Composite wavelet filter for enhanced automated target recognition[C]//, 2012, 8398: 83980E-83980E-10.

[5] 孫翠娟, 楊衛(wèi)平, 沈振康, 等. 一種基于匹配濾波的紅外小目標(biāo)檢測系統(tǒng)[J]. 激光與紅外, 2006, 36(2): 147-150.

SUN Cuijuan, YANG Weiping, SHEN Zhenkang, et al. A small object detection system based on matched filter[J]., 2006, 36 (2): 147-150.

[6] S. D. Blostein, T. S. Huang. Detection small moving objects in image sequences using sequential hypothesis testing[J]., 1991, 39(7): 1611-1629.

[7] 盧曉鵬. 視頻序列中目標(biāo)跟蹤技術(shù)研究[D]. 中國科學(xué)院研究生院(電子學(xué)研究所), 2007.

LU Xiaopeng. Study on Object Tracking in Video Sequences[D]. Graduate School of the Chinese Academy of Sciences , 2007.

[8] 程建, 周越, 蔡念, 等. 基于粒子濾波的紅外目標(biāo)跟蹤[J]. 紅外與毫米波學(xué)報(bào), 2016, 24(2): 22-28.

CHENG Jian, ZHOU Yue, CAI Nian, et al. Infrared object tracking based on particle filter[J]., 2016, 24 (2): 22-28.

[9] GAO C, MENG D, YANG Y. Infrared patch-image model for small target detection in a single image[J]., 2013, 22(12): 4996-5000.

[10] LI H, WEI Y, LI L, et al. Similarity learning for object recognition based on derived kernel[J]., 2012, 83: 110-120.

[11] ZHAO J, FENG H, XU Z, et al. Real-time automatic small target detection using saliency extraction and morphology theory[J]., 2013, 47: 268-277.

[12] C. L. Philip Chen, H. Li, Y. Wei. A local contrast method for small infrared target detection[J]., 2014, 52(1): 574-581.

[13] 范一飛, 羅豐, 李明, 等. 海雜波AR譜多重分形特性及微弱目標(biāo)檢測方法[J]. 電子與信息學(xué)報(bào), 2016, 38(2): 455-463.

FAN Yifei, LUO Feng, LI Ming, et al. Multi-fractal characteristics of sea clutter AR spectrum and detection method of weak target[J]., 2016, 38 (2): 455-463.

[14] 陳小龍, 劉寧波, 宋杰, 等. 海雜波FRFT域分形特征判別及動(dòng)目標(biāo)檢測方法[J]. 電子與信息學(xué)報(bào), 2011, 33(4): 823-830.

CHEN Xiaoong, LIU Ningbo, SONG Jie, et al. Fractal characteristics and dynamic object detection in FRFT domain for sea clutter[J]., 2011, 33(4): 823-830.

[15] 奚剛, 肖春生. 基于時(shí)頻分布的海雜波環(huán)境下目標(biāo)檢測[J]. 船舶電子工程, 2012, 32(8): 77-79.

XI Gang, XIAO Chunsheng. Object detection in sea clutter environment based on time-frequency distribution[J]., 2012, 32(8): 77-79.

[16] Z. Li, Q. Hou, H. Fu, et al. Infrared small moving target detection algorithm based on joint spatio-temporal sparse recovery[J]., 2015, 69: 44-52.

[17] ZHANG C, LIU H, LIAO S, et al. Small target detection in infrared video sequence using robust dictionary learning[J]., 2015, 68: 1-9.

[18] 高山, 畢篤彥, 魏娜. 基于UPF的小目標(biāo)檢測前跟蹤算法[J]. 計(jì)算機(jī)應(yīng)用, 2009, 29(8): 2060-2064.

GAO Shan, BI Duyan, WEI Na. Analysis of small object detection algorithm based on UPF [J]., 2009, 29 (8): 2060-2064.

[19] A. Rodriguez, A. Laio. Clustering by fast search and find of density peaks[J]., 2014, 344: 1492-1496.

[20] Venkateswarlu R. Max-mean and max-median filters for detection of small targets[C]//, 1999, 3809: 74-83.

[21] 葉斌, 彭嘉雄. 基于軟形態(tài)學(xué)的top-hat算子改進(jìn)算法[J]. 中國圖象圖形學(xué)報(bào), 2002, 7(7): 638-642.

YE Bin, PENG Jiaxiong. Improved top-hat operator based on soft morphology[J] ., 2002, 7 (7): 638-642.

[22] TANG Z, WANG S, HUO J, et al. Bayesian Framework with Non-local and Low-rank Constraint for Image Reconstruction[C]//, 2017: 012008.

A Novel Infrared Small-dim Object Detection under Complex Sea-clutter Background

YUAN Yaodong1，XU Hongyan1，TAO Lin2,3

(1.,,450008,; 2.,,473000,; 3.,,450002,)

Infrared small-dim object detection under a complex background is one of the key technologies in the photoelectric fire-control system and infrared seeker. As for the problem of low-SNR target detection in a complex sea-clutter background, combining the SURF feature descriptor, a small-dim object detection algorithm based on automatic clustering segmentation is proposed. Firstly, the SURF algorithm is used to calculate the points of interest in the infrared image, and these points are projected ontoa frame to form a cumulative image. The object points are aggregated in the cumulative imagedue to the motion continuity of the object in the infrared frames. Then the improved fast-clustering algorithm is adopted to detect the suspect target adaptively. Finally, according to the prior information onthe size constraint and linear constraint of the object cluster, the small-dim object is distinguished from the sea-clutter. A large number of simulation experiments and fly-by-flight verification show that compared with other existing algorithms, theproposed algorithm can obtain better detection performance when dealing with small-dim objects with low SNR, and it can detect the optimal detection target in the polynomial time complexity, which is suitable for engineering applications.

infrared small-dim object，sea-clutter，SURF feature description，cumulative image，clustering algorithm，object detection

TP391.41

A

1001-8891(2017)11-1054-06

2017-04-04；

2017-05-12.

袁耀東（1984-），男，碩士，講師，主要從事光機(jī)結(jié)構(gòu)設(shè)計(jì)，圖像處理，計(jì)算機(jī)網(wǎng)絡(luò)與云計(jì)算方向的研究，醫(yī)學(xué)影像處理。

國家自然科學(xué)基金項(xiàng)目(61379079)；河南省國際科技合作基金項(xiàng)目(144300510007)；河南省高等學(xué)校重點(diǎn)科研項(xiàng)目計(jì)劃（15B520008）。