本發(fā)明涉及目標檢測領域，尤其涉及一種基于扇形高斯差分濾波器的紅外弱小目標檢測方法及其系統(tǒng)。

背景技術(shù)：

當前，全球軍備競爭日益激烈，出于國家安全以及戰(zhàn)略發(fā)展的考慮，地球外層空間的開發(fā)和利用得到了越來越多的重視。衛(wèi)星是監(jiān)視、探測、發(fā)現(xiàn)的重要手段，天基紅外探測的核心部分是紅外探測器系統(tǒng)，而紅外探測器的作用是探測獲取有關(guān)導彈目標的紅外圖像。由于天基紅外探測距離遠，探測背景復雜，如何從獲取的紅外圖像中檢測并跟蹤目標就成為重中之重了，探索和研究新的目標檢測理論和算法，并將它們運用到對目標的實時監(jiān)測、跟蹤和識別上，這使得目標檢測一直是紅外探測領域的熱點課題，研究紅外弱小目標的檢測方法對反導作戰(zhàn)具有深遠的意義。

在國外，對弱小目標檢測的主要研究機構(gòu)有美國的海軍實驗室、空軍實驗室、nasa以及加利福尼亞大學應用數(shù)學中心等。許多國際刊物也經(jīng)常刊登一些弱小目標檢測技術(shù)的研究成果。其中，研究的重點集中在紅外預警系統(tǒng)、機載前下視系統(tǒng)對地面及低空目標的監(jiān)測、紅外制導等領域。

紅外弱小目標檢測算法可以分為2類：第一類是基于單幀圖像的跟蹤前檢測算法(detectbeforetrack，簡記為dbt)；第二類是基于序列圖像的檢測前跟蹤算法(trackbeforedetect，簡記為tbd)。

dbt算法的基本思想是：首先對序列圖像中的每幅圖像都進行預處理、分割，獲得眾多疑似目標，然后根據(jù)目標運動規(guī)律的先驗知識和灰度分布形式對目標進行確認。此算法邏輯清晰，實現(xiàn)簡單。但是，當目標的信噪比較低時，分割出的疑似目標中很可能不包含真實目標，導致算法失效。

tbd算法的基本思想是：首先根據(jù)目標運動規(guī)律的先驗知識對序列圖像進行搜索，然后根據(jù)判定準則獲取疑似目標運動軌跡，最后根據(jù)新輸入的序列圖像進行真實目標運動軌跡確認。這類方法對目標信噪比的要求不高，在搜索目標軌跡時，一旦搜索到正確的目標軌跡，就有可能檢測到目標。典型的tbd算法有管道濾波算法、多假設檢驗算法、動態(tài)規(guī)劃方法、基于高階統(tǒng)計量的方法、投影變換法、三維匹配濾波法、時域濾波方法及貝葉斯估計及粒子濾波方法。

對于天基紅外探測衛(wèi)星的成像系統(tǒng)，在其成像波段內(nèi)存在大量輻射能量很高的虛警源，如河流、山脊、海岸線、高山湖泊、雪山、高空卷云、南北極冰蓋等，這些虛警源不可避免地對成像系統(tǒng)產(chǎn)生干擾。此外，由于大氣輻射等影響，目標的輻射特性可能發(fā)生變化，影響了對地探測中目標檢測及識別的精度。

因此，針對天基紅外探測在對地觀測及遙感系統(tǒng)中存在的場景復雜多變、弱小目標面積小、信噪比及信雜比低以及潛在虛警源多等難題，需要研究可靠的虛警源抑制算法及紅外弱小目標檢測算法，以提高對地探測系統(tǒng)的精度和反應速度。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種紅外弱小目標檢測方法及其系統(tǒng)，旨在提高對地探測系統(tǒng)的精度和反應速度。

本發(fā)明提出一種紅外弱小目標檢測方法，其中，所述方法包括：

背景抑制步驟：利用基于亮度對比度顯著性的輻射能量特征及基于扇形高斯差分濾波器的各向同性特征對目標進行背景抑制；

軌跡提取步驟：然后利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征；

結(jié)果輸出步驟：根據(jù)目標運動軌跡的連續(xù)性得出最終檢測結(jié)果。

優(yōu)選的，所述背景抑制步驟具體包括：

輸入目標待處理的原始紅外圖像序列；

針對目標的原始紅外圖像，采用亮度對比度的顯著性檢測法提取輻射能量特征，以生成基于顯著性的輻射能量特征圖；

通過確定扇形濾波器的半徑、頂角及相對x軸的夾角，構(gòu)建扇形高斯差分濾波器；

用構(gòu)建的扇形高斯差分濾波器對所述輻射能量特征圖進行濾波。

優(yōu)選的，所述軌跡提取步驟具體包括：

利用幀間差分法處理相鄰幀的濾波結(jié)果，得到差分圖像；

針對所述差分圖像，利用恒虛警率閾值分割法進行閾值分割，得到二值圖像；

將連續(xù)幾幀生成的二值圖像進行疊加，以提取出目標運動軌跡特征。

優(yōu)選的，所述結(jié)果輸出步驟具體包括：

根據(jù)目標運動軌跡的連續(xù)性判斷目標的真實性，并輸出最終檢測結(jié)果。

另一方面，本發(fā)明還提供一種紅外弱小目標檢測系統(tǒng)，其中，所述系統(tǒng)包括：

背景抑制模塊，用于利用基于亮度對比度顯著性的輻射能量特征及基于扇形高斯差分濾波器的各向同性特征對目標進行背景抑制；

軌跡提取模塊，用于然后利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征；

結(jié)果輸出模塊，用于根據(jù)目標運動軌跡的連續(xù)性得出最終檢測結(jié)果。

優(yōu)選的，所述背景抑制模塊具體用于：

輸入目標待處理的原始紅外圖像序列；

針對目標的原始紅外圖像，采用亮度對比度的顯著性檢測法提取輻射能量特征，以生成基于顯著性的輻射能量特征圖；

通過確定扇形濾波器的半徑、頂角及相對x軸的夾角，構(gòu)建扇形高斯差分濾波器；

用構(gòu)建的扇形高斯差分濾波器對所述輻射能量特征圖進行濾波。

優(yōu)選的，所述軌跡提取模塊具體用于：

利用幀間差分法處理相鄰幀的濾波結(jié)果，得到差分圖像；

針對所述差分圖像，利用恒虛警率閾值分割法進行閾值分割，得到二值圖像；

將連續(xù)幾幀生成的二值圖像進行疊加，以提取出目標運動軌跡特征。

優(yōu)選的，所述結(jié)果輸出模塊具體用于：

根據(jù)目標運動軌跡的連續(xù)性判斷目標的真實性，并輸出最終檢測結(jié)果。

本發(fā)明提供的技術(shù)方案針對天基衛(wèi)星對地觀測圖像，利用基于lc顯著性的輻射能量特征及基于fdog的各向同性特征對目標進行背景抑制，利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征，根據(jù)對方向性特征、能量特征及運動特征進行綜合性分析以得出最終檢測結(jié)果，有效的減弱了地表多種復雜虛警源的干擾，降低了檢測虛警率，增強了算法魯棒性，且計算簡單高效，具有較高實時性，可方便地在硬件平臺上實現(xiàn)。

附圖說明

圖1為本發(fā)明一實施方式中紅外弱小目標檢測方法流程圖；

圖2為本發(fā)明一實施方式中通過確定扇形濾波器的半徑、頂角及相對x軸的夾角構(gòu)建fdog濾波器示意圖；

圖3為本發(fā)明一實施方式中紅外弱小目標檢測方法的具體實施例流程圖；

圖4為本發(fā)明一實施方式中紅外弱小目標檢測系統(tǒng)10的結(jié)構(gòu)示意圖；

圖5為本發(fā)明一實施方式中基于lc顯著性的輻射能量特征圖；

圖6為本發(fā)明一實施方式中基于fdog濾波器的濾波結(jié)果示意圖；

圖7為本發(fā)明一實施方式中基于幀間差分法和cfar閾值分割方法提取的運動軌跡示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下將對本發(fā)明所提供的一種紅外弱小目標檢測方法進行詳細說明。

請參閱圖1，為本發(fā)明一實施方式中紅外弱小目標檢測方法流程圖。

在本實施方式中，該紅外弱小目標檢測方法主要是基于扇形高斯差分(fandifferenceofgaussianfilter，fdog)濾波器的紅外弱小目標檢測方法，應用于針對天基衛(wèi)星對地觀測圖像。

在步驟s1中，背景抑制步驟：利用基于亮度對比度(localcontrast，lc)顯著性的輻射能量特征及基于fdog濾波器的各向同性特征對目標進行背景抑制。

在本實施方式中，所述背景抑制步驟具體包括：

輸入目標待處理的原始紅外圖像序列；

針對目標的原始紅外圖像，采用亮度對比度的顯著性檢測法提取輻射能量特征，以生成基于顯著性的輻射能量特征圖；

通過確定扇形濾波器的半徑、頂角及相對x軸的夾角，構(gòu)建扇形高斯差分濾波器；

用構(gòu)建的扇形高斯差分濾波器對所述輻射能量特征圖進行濾波。

在本實施方式中，在一副圖像i中像素點ik處的亮度對比度定義如下：

其中，ii的取值范圍是[0,255]，||·||表示灰度空間的距離度量，這個公式(1)有一個擴展形式：

s(ik)＝||ik-i1||+||ik-i2||+…+||ik-in||(2)

其中，公式(2)中n是圖像中像素點的總數(shù)，通過給定的圖像，可以得知像素點的灰度值，令ik＝am，則上述公式(2)可以寫作：

其中，fn是灰度值an出現(xiàn)的頻率，此公式(3)通過灰度直方圖大大減少了運算量。

在本實施方式中，lc模型可以計算得到像素級顯著性，將該lc模型應用于原始紅外圖像中，由于背景區(qū)域及虛警源區(qū)域與整個圖像相比面積較小，且與周圍區(qū)域的對比度較強，具有較強的視覺顯著性，故經(jīng)過lc模型處理后，在生成的特征圖中目標區(qū)域及虛警源區(qū)域的輻射能量特性更加凸顯，而平坦區(qū)域背景得以有效抑制。

在本實施方式中，通過確定扇形濾波器的半徑、頂角及相對x軸的夾角，構(gòu)建fdog濾波器的示意圖如圖2所示，用該fdog濾波器對輻射能量特征圖進行濾波，在每個像素點上，以扇形濾波器的頂點為軸并以一定角度間隔旋轉(zhuǎn)該扇形濾波器，計算每個旋轉(zhuǎn)角度下的濾波響應，取其最小值作為最終的濾波器響應，其中，fdog濾波器的具體定義如下：

fdog(x,y)＝min(f0(x,y),f△θ(x,y),f△2θ(x,y),…,f2π(x,y))；(5)

其中，x，y為像素點的坐標，θ表示扇形濾波器的頂角，為扇形濾波器相對x軸的夾角，ρ為扇形濾波器半徑，σ1與σ2為fdog濾波器中的兩方差。

在本實施方式中，該fdog濾波器對于各向同性的點狀目標響應較大，對于平坦背景區(qū)域的響應幾乎為零，對于各向異性的線型背景與虛警源響應較小，故可有效減弱對地觀測場景中的平緩背景區(qū)域及河流、山脊、海岸線等線型虛警源對目標的干擾和影響，為目標檢測創(chuàng)造有利條件。

在步驟s2中，軌跡提取步驟：然后利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征。

在本實施方式中，所述軌跡提取步驟具體包括：

利用幀間差分法處理相鄰幀的濾波結(jié)果，得到差分圖像；

針對所述差分圖像，利用恒虛警率閾值分割法進行閾值分割，得到二值圖像；

將連續(xù)幾幀生成的二值圖像進行疊加，以提取出目標運動軌跡特征。

在本實施方式中，利用幀間差分法處理相鄰幀的濾波結(jié)果，得到差分圖像，其中，具體公式如下：

d(x,y)＝|fdogn+1(x,y)-fdogn(x,y)|(6)

其中，d(x,y)表示差分圖像，fdogn(x,y)表示第n幀圖像的濾波結(jié)果，絕對值運算使兩幀圖像的差異被顯示出來。

在本實施方式中，幀間差分法可以利用幀間信息，找出兩相鄰幀圖像的差異，由于處理的圖像序列背景無明顯運動，而目標運動明顯，故幀間差分可以進一步去除前面步驟殘余的背景和虛警源，而運動目標在差分圖像中得以保留。

在本實施方式中，針對差分圖像，利用恒虛警率(constantfalsealarmrate，cfar)方法進行閾值分割，得到二值圖像，則該二值圖像中包含當前幀及上一幀中的目標。

在本實施方式中，cfar檢測算子遵循neyman–pearson準則，它根據(jù)一個像素點的灰度值與閾值的對比度來判定該像素點是否屬于目標區(qū)域，且該閾值隨著像素點周圍的雜波能量變化以保證在整個圖像中虛警率恒定。假設殘余的背景雜波符合高斯分布，那么一個像素是否屬于目標由下式?jīng)Q定：

其中，f'(x,y)為待檢驗像素點處的灰度值，和對局部背景雜波估計出的均值和方差。

此外，閾值ηcfar將由高斯分布中的參數(shù)和虛警率pfa共同決定，假設均值為0，方差為1，則閾值ηcfar計算公式如下：

在本實施方式中，將連續(xù)幾幀生成的二值圖像疊加，則可得知目標在每一幀中的位置，即提取出運動軌跡。

在步驟s3中，結(jié)果輸出步驟：根據(jù)目標運動軌跡的連續(xù)性得出最終檢測結(jié)果。

在本實施方式中，所述結(jié)果輸出步驟具體包括：

根據(jù)目標運動軌跡的連續(xù)性判斷目標的真實性，并輸出最終檢測結(jié)果。

請參閱圖3，為本發(fā)明一實施方式中紅外弱小目標檢測方法的具體實施例流程圖。

本發(fā)明提供的一種紅外弱小目標檢測方法，針對天基衛(wèi)星對地觀測圖像，利用基于lc顯著性的輻射能量特征及基于fdog的各向同性特征對目標進行背景抑制，利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征，根據(jù)對方向性特征、能量特征及運動特征進行綜合性分析以得出最終檢測結(jié)果，有效的減弱了地表多種復雜虛警源的干擾，降低了檢測虛警率，增強了算法魯棒性，且計算簡單高效，具有較高實時性，可方便地在硬件平臺上實現(xiàn)。

以下將對本發(fā)明所提供的一種紅外弱小目標檢測系統(tǒng)10進行詳細說明。

請參閱圖4，所示為本發(fā)明一實施方式中紅外弱小目標檢測系統(tǒng)10的結(jié)構(gòu)示意圖。

在本實施方式中，紅外弱小目標檢測系統(tǒng)10，主要包括背景抑制模塊11、軌跡提取模塊12和結(jié)果輸出模塊13。

背景抑制模塊11，用于利用基于亮度對比度顯著性的輻射能量特征及基于扇形高斯差分濾波器的各向同性特征對目標進行背景抑制。

在本實施方式中，背景抑制模塊11具體用于：

輸入目標待處理的原始紅外圖像序列；

針對目標的原始紅外圖像，采用亮度對比度的顯著性檢測法提取輻射能量特征，以生成基于顯著性的輻射能量特征圖；

通過確定扇形濾波器的半徑、頂角及相對x軸的夾角，構(gòu)建扇形高斯差分濾波器；

用構(gòu)建的扇形高斯差分濾波器對所述輻射能量特征圖進行濾波。

在本實施方式中，背景抑制模塊11具體的抑制方法如上述步驟s1所示，在此不做重復敘述。

軌跡提取模塊12，用于然后利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征。

在本實施方式中，軌跡提取模塊12具體用于：

利用幀間差分法處理相鄰幀的濾波結(jié)果，得到差分圖像；

針對所述差分圖像，利用恒虛警率閾值分割法進行閾值分割，得到二值圖像；

將連續(xù)幾幀生成的二值圖像進行疊加，以提取出目標運動軌跡特征。

在本實施方式中，軌跡提取模塊12具體的提取方法如上述步驟s2所示，在此不做重復敘述。

結(jié)果輸出模塊13，用于根據(jù)目標運動軌跡的連續(xù)性得出最終檢測結(jié)果。

在本實施方式中，結(jié)果輸出模塊13具體用于：

根據(jù)目標運動軌跡的連續(xù)性判斷目標的真實性，并輸出最終檢測結(jié)果。

本發(fā)明提供的一種紅外弱小目標檢測系統(tǒng)10，針對天基衛(wèi)星對地觀測圖像，利用基于lc顯著性的輻射能量特征及基于fdog的各向同性特征對目標進行背景抑制，利用幀間差分法及恒虛警率閾值分割法提取目標運動軌跡特征，根據(jù)對方向性特征、能量特征及運動特征進行綜合性分析以得出最終檢測結(jié)果，有效的減弱了地表多種復雜虛警源的干擾，降低了檢測虛警率，增強了算法魯棒性，且計算簡單高效，具有較高實時性，可方便地在硬件平臺上實現(xiàn)。

請參閱圖5，所示為本發(fā)明一實施方式中基于lc顯著性的輻射能量特征圖，其中，圖5-a與圖5-b是原始圖像，均存在典型的河流虛警源，圖5-c及圖5-d是對應的輻射能量特征圖。

請參閱圖6，所示為本發(fā)明一實施方式中基于fdog濾波器的濾波結(jié)果示意圖，其中，圖6-a及圖6-b是對應于圖5-c及圖5-d的濾波結(jié)果。

請參閱圖7，所示為本發(fā)明一實施方式中基于幀間差分法和cfar閾值分割方法提取的運動軌跡示意圖，其中，圖7-a是對應于圖5-a場景的運動軌跡，圖7-b是對應于圖5-b場景的運動軌跡。

本發(fā)明提供的技術(shù)方案針對天基衛(wèi)星對地觀測圖像，對方向性特征、能量特征及運動特征進行了綜合分析，有效的減弱了地表多種復雜虛警源的干擾，降低了檢測虛警率，增強了算法魯棒性，且計算簡單高效，具有較高實時性，可方便地在硬件平臺上實現(xiàn)。

值得注意的是，上述實施例中，所包括的各個單元只是按照功能邏輯進行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護范圍。

另外，本領域普通技術(shù)人員可以理解實現(xiàn)上述各實施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，相應的程序可以存儲于一計算機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如rom/ram、磁盤或光盤等。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。