陳杰

摘 要 文章針對紅外圖像中目標大都具有典型熱效應的成像特點，采取按照優(yōu)先級順序處理各個圖像區(qū)域的策略，變并行處理為串行處理，使數(shù)據(jù)處理過程具有選擇性。本方法能夠實現(xiàn)計算資源的合理分配，提高現(xiàn)有紅外圖像目標檢測識別方法的工作效率。

關鍵詞 紅外圖像；焦點選擇；目標檢測；識別；方法

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）208-0102-02

隨著計算機科學和信息科學的發(fā)展，各種各樣的數(shù)據(jù)與日俱增，計算機信息處理已經(jīng)成為對付它們的主要技術手段?？茖W研究和統(tǒng)計表明，在人類獲取和處理的各種信息中，大約75%是視覺信息。同樣在當前的計算機信息處理領域，圖像和視頻也正逐漸成為主要的信息載體。

不論視覺信息還是圖像信息，獲取它們并不是根本目的，利用它們來滿足特定的應用需求才是最終歸宿。在利用圖像信息和圖像分析與理解技術解決諸如產(chǎn)品檢測、目標識別、場景監(jiān)視等各種具體應用問題時，我們往往面臨以下局面：一方面，迅速膨脹的圖像數(shù)據(jù)和日益增長的應用需求對計算機信息處理效率提出了越來越高的要求，另一方面，實際操作中具體任務所關心的信息通常僅是整個圖像數(shù)據(jù)集合中很小的一部分。因此，在圖像分析與理解中，一視同仁的處理所有圖像數(shù)據(jù)是不現(xiàn)實，也是不必要的，根據(jù)具體需求快速找到并處理與任務相關的小部分信息，而舍棄或弱化其他與任務無關的大部分信息，是提高圖像加工效率的必然途徑。

1 紅外圖像目標檢測識別

紅外圖像反映的是物體的熱輻射分布情況，能夠探測由目標和背景間微小的溫差或輻射頻率差引起的熱輻射變化，可以在黑暗、多云、雨霧、隱蔽、偽裝的條件下發(fā)現(xiàn)目標。但是，紅外波長大于可見光波長，造成紅外圖像分辨率普遍較低，缺乏經(jīng)驗的人員往往難以對目標進行準確識別，因此，研發(fā)紅外圖像目標檢測識別方法具有很大的發(fā)展?jié)摿Α?/p>

鑒于紅外圖像目標檢測識別問題的重要地位，國內外相關領域的研究者相繼提出了很多方法，但是這些方法都將注意力集中在針對某個圖像區(qū)域的特征提取、目標建模和模型匹配等問題上，而沒有去考慮更高層次的對于不同圖像區(qū)域的處理順序問題，采用的都是依次處理各個圖像區(qū)域的策略。這些方法不像人類視覺那樣具有選擇性，它們看似公平的對待各個圖像區(qū)域，雖然保證了數(shù)據(jù)處理的嚴密性，但是也造成了計算資源的極大浪費，嚴重降低了相關系統(tǒng)的工作效率。

2 選擇性數(shù)據(jù)處理

針對現(xiàn)有技術中的不足，我們采取按照優(yōu)先級順序處理各個圖像區(qū)域的策略，變并行處理為串行處理，使數(shù)據(jù)處理過程具有選擇性，實現(xiàn)計算資源的合理分配，從而提高現(xiàn)有紅外圖像目標檢測識別方法的工作效率。

具體的說，該方案首先通過計算量較小的焦點選擇技術確定優(yōu)先級最高的可疑目標區(qū)域，然后通過計算量較大的目標檢測識別技術判斷可疑目標區(qū)域中是否含有感興趣目標，并通過這種處理過程的循環(huán)往復輸出一系列按照可疑程度排列的目標檢測識別結果。

對于紅外圖像，遵循人類視覺的串行化信息處理流程，采用依次進行的尺度、特征、方位和尺寸競爭選擇焦點，在焦點引導下進行有重點和有選擇的目標檢測識別，并通過該過程的循環(huán)往復逐一獲得圖像中的各個有價值目標。該方法構建了一套層次化的數(shù)據(jù)篩選體系，競爭的層次主要體現(xiàn)在兩個方面：一是在檢測每個焦點時，四類競爭形成層次；二是在檢測各個焦點時，各組競爭（每組對應一個焦點）形成層次。與現(xiàn)有方法相比，它具有以下幾個優(yōu)勢。

1）根據(jù)各自特點，將尺度、特征、方位和尺寸競爭相分離，方便根據(jù)紅外圖像和目標類型的具體情況有針對性的調整各種競爭關系。2）用反饋環(huán)處理尺度競爭，用勝者全取準則處理特征、方位和尺寸競爭，更加符合人類視覺感知。3）所有競爭都是動態(tài)的，每個焦點都是在經(jīng)過四類競爭后得到的，目標檢測識別過程具有很強的適應性。4）在焦點選擇中沒有使用計算開銷較大的復雜技術，盡量簡化圖像分析過程，使本方法具有較快的信息處理速度。

3 實施過程

3.1 實施流程

本文通過焦點選擇引導紅外圖像目標檢測識別，整個信息處理過程可以分為圖像采樣、簡單特征提取、焦點搜索、焦點描述、目標檢測識別、焦點轉移六個步驟。輸入紅外圖像，輸出識別結果，處理過程如下：

步驟一：圖像采樣，對紅外圖像進行采樣處理，輸出具有一定空間尺度的采樣圖像。

步驟二：簡單特征提取，從采樣圖像中提取簡單特征，輸出多幅特征圖。

步驟三：焦點搜索，根據(jù)多幅特征圖中的數(shù)據(jù)競爭關系搜索焦點，如果不能獲得焦點，則進入步驟六，如果能夠獲得焦點，則輸出焦點信息。

步驟四：焦點描述，對步驟三輸出的焦點信息進行細化，輸出較為準確的焦點信息。

步驟五：目標檢測識別，對焦點處的圖像內容進行分析，輸出識別結果。

步驟六：焦點轉移，根據(jù)焦點搜索或焦點描述的結果，進行尺度和范圍調整，返回步驟一，開始新一輪處理。

3.2 流程詳圖

圖1是紅外圖像目標檢測識別方法的處理流程詳圖。處理過程如下。

步驟一：圖像采樣。圖像采樣由尺度設置、范圍設置和位置增強三個部分組成，輸入紅外原始圖像，輸出一幅具有一定空間尺度的灰度采樣圖像。

步驟二：簡單特征提取。簡單圖像特征提取輸入一幅灰度采樣圖像，輸出多幅特征圖。它對相對復雜的圖像信息進行了分解。

步驟三：焦點搜索。焦點搜索由視差計算、特征競爭和方位競爭3個部分組成，輸入8幅特征圖，輸出以圖像對象形式存在的焦點。它是實現(xiàn)數(shù)據(jù)選擇的核心。

步驟四：焦點描述。焦點描述對通過焦點搜索獲得的焦點進行細化，輸入以圖像對象形式存在的焦點，輸出以空間范圍形式存在的焦點。

步驟五：目標檢測識別。目標檢測識別對焦點處的圖像內容進行分析，由特征提取和模式識別兩個部分組成，輸入空間范圍形式的焦點，輸出語義形式的目標類別信息。

步驟六：焦點轉移。焦點轉移由尺度調整和范圍調整兩個部分組成，輸入焦點搜索或焦點描述的結果，輸出關于尺度設置、范圍設置和位置增強的信息。它使焦點選擇過程得以循環(huán)往復進行。

3.3 控制環(huán)

圖像采樣、特征提取、焦點搜索、焦點描述和目標檢測識別組成了一條信息處理流水線。尺度調整和范圍調整與該流水線相結合，形成了兩個相互交錯的控制環(huán)路，在其作用下，可以獲得一系列按照顯著度由大到小排列的焦點。

圖2是焦點選擇中的尺度控制環(huán)和范圍控制環(huán)示意圖。焦點選擇是本文的核心，它的引導作用可以大大提高目標檢測識別的效率。重新組合圖1和圖2后，圖中，尺度設置、范圍設置與位置增強、特征提取、焦點搜索、焦點描述組成了一條信息處理流水線，它從輸入的紅外圖像中提取出引導目標檢測識別的焦點。尺度調整將流水線上焦點搜索的結果返回給尺度設置，構成尺度控制環(huán)。范圍調整將流水線上焦點描述的結果返回給范圍設置與位置增強，構成范圍控制環(huán)。在這兩個控制環(huán)的作用下，焦點選擇過程得以循環(huán)往復進行，從而獲得一系列按照顯著度由大到小排列的焦點。

4 總結與展望

本文提出的紅外圖像中基于焦點選擇的目標檢測識別方法將心理學和生理學的相關成果與多種圖像分析技術有機的結合起來，使數(shù)據(jù)處理過程具有選擇性，提高了現(xiàn)有紅外圖像目標檢測識別方法的工作效率。算法中也還存在一些尚未解決的問題，包括簡單特征選擇、顯著性度量準則、反饋控制環(huán)策略等，我們將在今后的研究中努力解決這些問題。

參考文獻

[1]王慧，申石磊.基于改進的K均值聚類彩色圖像分割方法[J].電腦知識與技術，2010，6（1）：962-964.

[2]趙大恒.紅外圖像目標特征提取與分類算法研究[D].西安：西安電子科技大學，2010.

[3]廖璠，孫季豐.基于視覺注意力模型的醫(yī)學圖像目標檢測[J].計算機仿真，2010，27（9）：239-241.