Adaptive Detection and Tracking Algorithm for Infrared Target Size Variation
-
摘要: 在实际场景中随着红外探测距离的缩小,红外弱小目标的尺寸等会动态增长,常用的红外弱小目标检测跟踪算法便无法继续稳定检测与跟踪。为解决上述问题,本文提出了一种自适应红外目标尺寸变化的检测跟踪方法,借助低阈值信噪比实现弱小目标的初筛,并通过自适应尺寸分割避免大目标漏检误检,构建备选目标库,最后配合使用卡尔曼算法模型预测运动轨迹,完成小范围波门检测,实现目标跟踪。与传统DBT(Detection Before Track)跟踪检测算法相比,本文算法可同时兼顾弱小目标和大尺寸目标的检测跟踪,在所选目标尺寸动态增长的场景中,本文算法的检测跟踪率提升了约10%。Abstract: In an actual scenario, as the detection distance decreases, the size of the infrared weak and small targets increases dynamically. Commonly used infrared weak and small target detection and tracking algorithms cannot continue to detect and track stably. To address these problems, we propose an adaptive infrared target size change detection and tracking method. The initial screening of weak and small targets is realized with the help of a low threshold signal-to-noise ratio and circumvents the missed detection and false detection of large targets via adaptive size segmentation. Subsequently, we built an alternative target library. Finally, the Kalman algorithm model was adopted to predict the motion trajectory, complete the small-scale wave-gate detection, and realize target tracking. Compared with the DBT conventional detection and tracking algorithm, our method considers the detection and tracking of weak and small targets and large-sized targets simultaneously. In the selected scene, where the target size dynamically increases, the detection and tracking rate of the algorithm in this study is improved by approximately 10%.
-
Keywords:
- Kalman /
- size change /
- detection and tracking
-
0. 引言
红外探测系统以高灵敏度、抗电磁干扰及全天候工作能力,广泛应用在军事和民用场景中[1],其中红外目标的准确检测及稳定跟踪是判断红外探测系统性能的重要指标。一般红外场景中的目标具有低对比度、低信噪比的特点,易被背景噪声淹没,同时部分目标因非线性运动或被短时遮挡,进一步增加了稳定跟踪难度,因此在无先验与辅助信息的前提下,实现复杂背景下红外目标的检测跟踪是红外图像处理的难点问题[2-4]。
红外检测跟踪算法目前可分为两大类,先跟踪再检测(Track Before Detection, TBD)和先检测再跟踪(Detection Before Track, DBT)[5]。TBD即先处理图像中多个可能轨迹,随后根据检测概率、虚警率等特征计算多帧图像检测门限,完成决策实现跟踪。该类的代表性算法有管道滤波法[6]、基于模板匹配的方法[7]、相关滤波[8-9]等,该类算法虽然适用于低信噪比的目标跟踪,但计算模型复杂度高,对硬件需求高,同时在目标尺寸及形态发生较大变化时,稳定跟踪性能不够理想。DBT即先对单帧图像进行处理,综合考量检测及虚警概率设计检测门限,完成单帧图像的疑似目标检测,并通过关联帧目标匹配实现跟踪[10-14]。虽然相比于TBD框架算法更加简洁,但无法兼顾低信噪比与虚警率,同样也存在弱小目标尺寸动态变化的算法适应性问题。
为了解决低信噪比红外检测的问题,并适应红外目标尺寸变化实现稳定跟踪,本文选择DBT框架设计了一种自适应红外目标尺寸的检测跟踪算法,通过局部信噪比筛选,灵敏感知疑似目标,同时根据场景内目标尺寸自适应尺寸分割程度,实现大尺寸目标的检测,最后利用优化后的卡尔曼模型预测目标运动实现跟踪。实验表明,本文方法可有效处理目标尺寸动态变化情况下的检测跟踪,且处理速度满足工程应用需求。
1. 自适应红外目标尺寸变化的检测跟踪算法
本文选择DBT检测跟踪框架,利用低信噪比阈值筛选建立疑似目标库,通过基于灰度的区域增长完成疑似目标关键特征提取,并以疑似目标库信噪比等特征为基准排序,精简目标库;对于目标尺寸动态变化,可能被误检为背景的问题,本文通过自适应尺寸分割将超过局部信噪比检测窗口尺寸的目标进行分解,再重新检测,修正疑似目标库。在此基础上,本文借助卡尔曼滤波预测目标短时位移,通过目标帧间关键信息匹配,实时更新目标轨迹库,最终有效实现目标跟踪,算法流程图如图 1所示。
1.1 局部信噪比初筛
在预处理过程中,为避免大量排序运算导致效率降低,本文选取均值滤波初步抑制白噪声影响,同时为了减轻红外数据中的盲元影响,适当降低了滤波器中心核占比,调整后的卷积核如式(1)所示:
$$ {\text{core}} = \frac{1}{{17}}\left[ {\begin{array}{*{20}{c}} 2&2&2 \\ 2&1&2 \\ 2&2&2 \end{array}} \right] $$ (1) 复杂场景中红外弱小目标具有低对比度及低信噪比的特点,在单帧图像中依靠常用的形态、灰度及梯度等特征计算并不能有效检测目标,而可以观察到红外弱小目标在复杂背景中的表现更倾向于局部区域内亮度、颜色特征突出,变化剧烈的噪点,因此本文借鉴人的视觉注意机制,即人的视觉在复杂场景会首先被亮度、颜色等变化剧烈的局部区域所吸引,选用可灵敏感知红外场景中亮度变化的信噪比作为目标初筛的特征依据。
首先通过滑动窗口的方式遍历图像提取局部信噪比,将窗口中心位置作为预选目标位置,窗口内其他像素默认为背景,为了保证计算效率同时避免窗口过大导致目标漏检,设置滑动窗口大小为5×5,目标位置为中心区域的5个像素(单方向尺寸为3个像素)。
随后计算目标信噪比,通过对比预选位置像素在局部背景下的亮度等特征表现,对该位置是否为疑似弱小目标进行判断,即目标灰度和背景平均灰度之间的差值与背景灰度均方根的比值,如式(2)所示:
$$ {\text{SNR = }}\frac{{{\text{Gra}}{{\text{y}}_{{\text{target}}}} - {\text{Gra}}{{\text{y}}_{{\text{bg}}}}}}{{{\text{MS}}{{\text{E}}_{{\text{Gray}}}}}} $$ (2) 式中:Graytarget为目标灰度;Graybg为背景平均灰度;MSEGray为背景灰度均方根。
在信噪比筛选中还有一个至关重要的参数选择,即信噪比阈值,该指标关系到分割的疑似目标数量。常用的信噪比阈值为2或3,对本文选取在海面俯视背景下进行测试,当阈值为3时,提取疑似目标为178个,当阈值为2时,提取疑似目标为1267个,提取过多的疑似目标带来的是计算效率的下降及虚警率的提升,因此本文设定信噪比阈值为3,并在此基础上对提取的疑似目标信噪比排序,记录前20、中间20、后20个疑似目标信噪比及位置信息,加入目标库,如图 2所示为局部信噪比初筛结果。
1.2 基于灰度区域增长的目标信息提取
灰度是区分红外目标与背景的显著特征,因此在经过信噪比构建初筛目标库后,借助灰度区域增长进一步提取目标关键信息。
以初筛目标形心位置为中心,选择尺寸为5×5的初始窗口,默认窗口边缘为背景,为了降低虚警的影响,将灰度阈值设置为背景平均灰度与最大灰度区间的50%,提取窗口内灰度大于灰度阈值的像素为目标。当目标位置处于窗口某方向边缘时,则扩充该方向窗口边缘,若目标该方向的尺寸大于目标库中最大目标尺寸,则舍弃该疑似目标;未超过该尺寸,则对扩充窗口重新选取灰度阈值,提取目标像素位置及其关键特征(尺寸、灰度、真实信噪比等),将其加入疑似目标库。
1.3 自适应尺寸分割
1.3.1 尺寸定义
不同算法及系统对于红外目标尺寸大小、能量强弱等特征的界限定义均有差别。为说明本文对目标大小尺寸定义的合理性,我们从理论层面分析并结合实验验证。首先取6 m×6 m的靶板作为目标尺寸输入,以本文数据集图像尺寸大小256×256作为探测器规格,视场角匹配为10°×10°(满足5 km距离下成像尺寸1像素以上的检测性能要求)。
由远及近计算不同距离下的目标成像尺寸见表 1,当目标距离探测系统为1.5 km及更近时,随着距离变化,成像尺寸变化更加剧烈,每500 m间隔像素增长在1个像素以上,已超出了大小一般在1~3个像素范围的弱小点目标范畴,因此本文从图像层面定义,认为成像尺寸在5×5像素以上的为大尺寸目标,既能包含1~3个像素尺寸的弱小点目标,又可为随目标成像像素增长,算法切换降采样预留空间。
表 1 不同距离成像像素Table 1. Imaging pixels at different distancesDistance/km Imaging pixel dimensions Pixel growth 5 1.76×1.76 - 4.5 1.94×1.94 0.18 4 2.22×2.22 0.28 3.5 2.51×2.51 0.29 3 2.93×2.93 0.42 2.5 3.52×3.52 0.59 2 4.4×4.4 0.88 1.5 5.9×5.9 1.5 1 8.8×8.8 2.1 0.5 17.5×17.5 8.7 为了进一步说明不同场景中尺寸定义的适用性,本文以复杂多云、海天线及海面俯视背景数据集为实验输入,检测波门分别定义为3×3、5×5、8×8及12×12,即大小尺寸目标边界,测试情况如表 2所示。
表 2 不同尺寸定义下对应检测波门的实验结果Table 2. Experimental results of corresponding detection gates under different size definitionsGate size/1 Complex and cloudy background Top view background of sea surface Sea antenna background Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz 3×3 98 2 7.4 55 90 10 7 51 91.8 8.2 5 56 5×5 98.5 1.5 7 50 94.1 5.9 2 48 93.5 6.5 3 52 8×8 98 2 6 44 95 5 5 43 92 8 3.2 46 12×12 94.4 5.6 15 31 91.2 8.8 12 29 88.6 11.4 4 31 在测试的场景中,由于采用3×3尺寸波门检测范围小,在全图检测初筛信噪比时,易受场景中闪烁点噪声的影响,导致其虚警率略高于5×5波门检测。同时在海面俯视多目标场景中,某目标首次出现的尺寸超过3×3,而算法并未及时进行降采样,导致漏检率较高。此外3×3尺寸波门检测虽然处理效率提升,但会带来更为频繁的降采样,导致其帧频提升有限。
12×12尺寸首先是单波门处理像素数量增加到144个,极大地影响了其处理效率;其次是由于单波门处理范围变大,会将1~2个像素的弱小点目标误检为闪烁噪声,导致漏检;最后是在全图信噪比初筛时,在海面俯视背景中的海杂波及多云场景中随背景移动的小块云都会被误检为目标,导致较高的虚警率。
8×8尺寸的检测性能与5×5尺寸相近,但由于其单波门处理的像素数量增加,处理帧频略有降低。因此对于本文由1~3像素尺寸弱小点目标逐渐变大的数据集下,定义大于5×5像素尺寸为大目标,采用5×5波门检测较为合适;而对于其他数据集,需要根据目标初始尺寸及变化规律、实际场景噪声情况,重新定义尺寸并设置检测波门。
1.3.2 自适应分割
通过信噪比可有效提取疑似目标,但当场景中目标特征发生变化,目标尺寸大于5×5,从质心计算单方向尺寸大于滑动窗口预选中心区域长度3时,目标信噪比初筛会出现大尺寸目标信噪比失真的问题,将一部分目标灰度作为背景处理,导致漏检。
对于大尺寸目标信噪比失真问题,本文设计了自适应尺寸分割,当从目标质心计算单方向尺寸大于3时,设定采样步长为3,每3个点重采样一次,把红外图像初步降采样为9幅图,如图 3所示。对该9幅子图继续进行信噪比筛选。
假设降采样图像中再检测目标坐标I(x, y),将获取的疑似目标点位置逆运算至原图坐标I1(x1, y1):
$$ \left\{ {\begin{array}{*{20}{c}} {{x_1} = x + 3\left( {x - 1} \right)} \\ {{y_1} = y + 3\left( {y - 1} \right)} \end{array}} \right. $$ (3) 与初筛目标库U0进行比对,判断是否加入初筛目标库:
$$\left\{\begin{array}{c} \;I_1\left(x_1, y_1\right) \cap U_0=0, \quad I_1\left(x_1, y_1\right) \text { 加入初筛目 } \\ I_1\left(x_1, y_1\right) \cap U_0 \neq 0, \quad I_1\left(x_1, y_1\right) \text { 已存在于初筛 } \end{array}\right.$$ (4) 当I1(x1, y1)属于初筛目标库,则对该点进行目标区域增长,提取该疑似目标的关键特征信息。若某目标全尺寸大于5×5或某方向尺寸大于5个像素,进行5×5区域增长提取特征时,窗口某方向边缘会涵盖目标信息,在该情况下本文算法会以目标库最大目标的尺寸为扩展限制扩充该方向窗口边缘,在此范围内逐步区域增长直至提取全部目标特征,并更新目标尺寸,在下一帧根据最大目标尺寸进行降采样。
若目标尺寸持续扩大,在初步降采样后单方向尺寸仍然大于3,则需要在此基础上继续进行步长为3的降采样,以适应目标尺寸的变化。值得说明的是,若红外数据中存在多个目标,在自适应尺寸分割时以最大的目标尺寸为基本进行降采样。例如某场景中第100帧提取的最大目标尺寸为6×6,则在101帧对全图进行1次降采样,最大目标在子图中会分解为2×2尺寸。
至此完成每帧图像的目标库建立,如图 4所示,为海面俯视背景下红外图像分割后的疑似目标及其提取窗口。
1.4 目标跟踪处理
本文采用的先检测再跟踪的方案,在初步构建疑似目标库后,即可通过帧间匹配结合卡尔曼滤波预测疑似目标运动信息,并在预测位置开窗口检测匹配真实目标,完成目标轨迹库建立,实现跟踪。
1.4.1 卡尔曼预测
为避免逐帧全图检测牺牲效率,本文借助卡尔曼滤波预测目标短时位移,在预测位置处开小波门检测,更新目标链,即弥补了预测误差,也可实现目标位置的快速检测。本文认为短时目标运动模型为匀速直线运动,因此对位置信息进行观测,同时模型中加入了速度信息的预测,以拟合目标局部运动。考虑到本文数据集中目标机动性并不大,因此在获取预估位置后的波门设定范围基本可覆盖真实目标,量测值置信度更高,因此设定测量噪声矩阵为:
$$ \boldsymbol{Q}_k = \left[ {\begin{array}{*{20}{c}} {10}&0&0&0 \\ 0&{10}&0&0 \\ 0&0&{10}&0 \\ 0&0&0&{10} \end{array}} \right] $$ 观测噪声矩阵为:$ \boldsymbol{R} = \left[ {\begin{array}{*{20}{c}} 1&0 \\ 0&1 \end{array}} \right] $。
目标的局部运动速度信息作为无法直接观测的量,默认初始输入为0,而后经过卡尔曼预推位置信息的同时进行迭代。具体预测方法如式(5)所示:
$$ {\boldsymbol{X}_{{k_p}}} = \boldsymbol{A}{\boldsymbol{X}_{k - 1}} + {u_k} + {w_k} $$ (5) 式中:$ {\boldsymbol{X}_{k - 1}} = {\left[ {{x_{k - 1}},{y_{k - 1}},{v_{{x_{k - 1}}}},{v_{{y_{k - 1}}}}} \right]^{\text{T}}} $为上一帧输入;wk为控制系统噪声,服从高斯分布wk~N(0, Q)。考虑到目标一小段时间内运动可认为是匀速直线运动,运动模型简化为匀速直线运动,设定$ \boldsymbol{A} = \left[ {\begin{array}{*{20}{c}} 1&0&{{\text{d}}t}&0 \\ 0&1&0&{{\text{d}}t} \\ 0&0&1&0 \\ 0&0&0&1 \end{array}} \right] $,$ {X_{{k_p}}} $即为预估状态。
随后求取协方差矩阵:
$$ {\boldsymbol{P}_{{k_p}}} = \boldsymbol{A}{\boldsymbol{P}_{k - 1}}{\boldsymbol{A}^{\text{T}}} + {\boldsymbol{Q}_k} $$ (6) 式中:初始协方差矩阵设置为:
$$ \boldsymbol{P} = \left[ {\begin{array}{*{20}{c}} {100}&0&0&0 \\ 0&{100}&0&0 \\ 0&0&{100}&0 \\ 0&0&0&{100} \end{array}} \right] 。 $$ 再计算权重系数K,如式(7)所示:
$$\boldsymbol{K}=\frac{\boldsymbol{P}_{k_p} \boldsymbol{H}^{\mathrm{T}}}{\boldsymbol{H} \boldsymbol{P}_{k_p} \boldsymbol{H}^{\mathrm{T}}+\boldsymbol{R}} $$ (7) 因仅对位置进行量测,即上式中观测矩阵为:
$$ \boldsymbol{H} = \left[ {\begin{array}{*{20}{l}} 1&0 \\ 0&1 \\ 0&0 \\ 0&0 \end{array}} \right] $$ 在获取权重的基础上更新下一帧预测的协方差矩阵:
$$\boldsymbol{P}_k=(\boldsymbol{I}-\boldsymbol{K} \boldsymbol{H}) \boldsymbol{P}_{k_p}$$ (8) 最终求得卡尔曼预测得到的目标位置及速度信息Xk,如式(9)所示:
$$ \boldsymbol{X}_k=\boldsymbol{X}_{K_P}+\boldsymbol{K}\left(\boldsymbol{Z}_k-\boldsymbol{H} \boldsymbol{X}_{k_p}\right) $$ (9) 式中:Zk=HXk+vk,vk属于量测噪声vk~N(0, 1),服从高斯分布,由此可得卡尔曼预估的下一帧目标位置及当前运动状态。为了修正目标速度在无观测值的情况下的误差,将更新的协方差矩阵信息存入疑似目标库中对应目标的信息中,匹配检测的真实目标位置输入进行迭代,以修正预测,具体流程如图 5所示。
1.4.2 目标轨迹库动态更新
以卡尔曼模型预测的目标位置为中心,对本帧构建的疑似目标库内该区域候选点进行检索获取疑似目标。在此基础上,考虑计算效率及本文匹配决策,选取欧式距离、灰度变化率、尺寸变化率作为目标关联依据的关键特征,进行目标轨迹库的动态更新。
目标轨迹库动态更新模型:
输入:疑似目标n的特征参数,目标轨迹库(m1, m2, ⋯, mk)
输出:更新目标轨迹库
1:若为首帧,则将疑似目标初始化至目标轨迹库
2:初始化目标轨迹库长度k
3:For i=1, 2, 3, ⋯, k
1)计算疑似目标n与目标轨迹库中元素mi欧式距离L
2)判断L小于5个像素,计算疑似目标n灰度Gn与mi灰度$ {G_{{m_i}}} $灰度变化率$ G = \frac{{{G_n} - {G_{{m_i}}}}}{{{G_n}}} $
① 判断灰度变化率G小于0.2,计算疑似目标n尺寸Sn与mi灰度$ {S_{{m_i}}} $灰度变化率$ S = \frac{{{S_n} - {S_{{m_i}}}}}{{{S_n}}} $
a) 判断尺寸变化率小于0.1,疑似目标n与mi信息匹配,将疑似目标n添加入第i条目标轨迹中,第i条目标轨迹置信度T加5
b) 判断尺寸变化率大于0.1,疑似目标n与mi信息不匹配
② 若灰度变化率G大于0.2,疑似目标n与mi信息不匹配
3)判断L大于5个像素,疑似目标n与mi信息不匹配
4:若疑似目标n未匹配目标轨迹库中元素,则将疑似目标n作为新元素在目标轨迹库中初始化
5:完成本帧疑似目标匹配后,目标轨迹库中未能新增元素的轨迹链置信度T减2
6:更新目标轨迹库长度k
7:For i = 1, 2, 3, ⋯, k
1)若元素mi所在轨迹链置信度Ti<-10,删除该轨迹链
2)若元素mi所在轨迹链置信度Ti>-10,保留该轨迹链。
模型参数说明:本文红外图像大小为256×256,市场主流红外探测器的图像刷新频率20~50 Hz,由于探测目标辐射特性不同,可探测距离一般几公里至几十公里不等。设定目标探测距离在5 km左右,欧式距离判定标准定为5个像素时,可覆盖目标速度100 m/s以内,满足一般中慢目标的跟踪需求;尺寸变化率判定标准为0.1,估算单像素投影长度为6.7 m,在目标速度100 m/s情况下,单像素每秒尺寸变化至多为6.6,变化率0.015,尺寸变化率标准满足要求;因红外目标灰度因目标能量强弱上下浮动,为不确定量,因此灰度变化率标准设置相对宽松,可根据观测目标实际特性进行调整。
如图 6所示为俯视海背景下的三目标跟踪情况及本文算法提取的目标特征,随着目标尺寸动态变化,尺寸能量等逐渐增大,本算法可稳定截获跟踪目标。
2. 实验分析
为了验证算法,本文利用海天、海洋及天空等多组红外数据,目标尺寸由1×1动态变化到20×20,电脑采用Core i7处理器,内存4.00 GB。以上述3类典型背景为例,结合算法处理流程,对比分析DBT传统算法与本文算法的处理结果,并给出检测跟踪准确率。
2.1 基于区域生长和背景配准的低信噪比红外目标检测算法
所选的检测算法(以下简称低信噪比目标检测算法)[15]使用区域增长与局部对比度筛选候选目标集,再通过多帧关联匹配与背景配准剔除虚警,在候选目标集中选取满足运动特性、灰度、对比度等变化的目标点,实现目标的检测及跟踪,其区域增长构建候选数据集、多帧关联匹配动目标的核心思路,是当前多种DBT检测跟踪衍生算法的基础。
该传统算法首先计算每帧图每个点的局部对比度,选取n个峰值点作为n个候选点,再通过排序在候选点中提取置信度更高的若干候选目标点,其局部对比度计算方式见式(10):
$$ \begin{gathered} f\left( {i,j} \right) = \left| {\left[ {\left( {\sum\limits_{p = i}^{i + 1} {\sum\limits_{q = j}^{j + 1} {t\left( {p,q} \right)/4} } } \right)} \right] - } \right. \hfill \\ \quad \quad \left. {\left[ {\left( {\sum\limits_{p = i - 2}^{i + 2} {\sum\limits_{q = j - 2}^{j + 2} {t\left( {p,q} \right)} } } \right)/25} \right]} \right| \hfill \\ \end{gathered} $$ (10) 随后以候选目标点为中心,通过区域增长分割目标,提取特征,借助目标长宽比、面积等先验信息进一步精简目标库。
再根据连续多帧图像中目标的运动关联性、目标特征匹配性,在n帧图像间提取最优目标轨迹链。最后通过背景配准,获取背景平移量,与目标运动量对比,排除虚假目标,提取真实目标。其背景配准的主要原则为:
1)提取原始图像边缘,设置背景配准条件,判断背景复杂度;
2)图像分块,提取第n帧边缘数最多的图像块为模板,并保证第m帧图形块不出视场,估计背景及候选目标运动;
3)根据背景平移量、候选目标运动量之间关系,剔除虚警,提取最终目标。
2.2 对比结果
三类典型背景为复杂多云背景、海面俯视背景、海天线背景。图 8为复杂多云背景,该场景下目标全程为弱小目标,传统算法和本文算法表现都不错,均可快速稳定地截获云层中的弱小目标,但由于背景的移动,导致小块云随背景运动时虚警被误跟踪。
图 9为海面俯视背景,该场景包含多目标且尺寸动态变化,在目标尺寸小、能量弱的情况下,传统算法和本文算法均可有效检测并跟踪,但在第720帧,随着目标尺寸的增大至8×8后,传统算法丢失目标,将大尺寸目标误检为背景;而本文算法可有效处理目标尺寸动态变化,当检测的目标尺寸增大后,进行降采样,将其分解为小尺寸,保持目标的稳定检测及跟踪,同时在目标交会短暂丢失时,通过卡尔曼滤波预测目标运动轨迹,以预测轨迹为中心划分波门进行检测,在目标出现后借助帧间匹配,重新抓取目标,激活原目标链。
图 10为海天背景,该场景包含双目标同时尺寸动态变化,在目标尺寸小、能量弱的情况下,传统算法和本文算法均可有效检测并跟踪,在第735帧,目标尺寸增大至7×7时,传统算法误检大尺寸目标为背景,而本文算法未受影响,稳定检测跟踪目标;同时本文算法采用的低阈值信噪比筛选能更加灵敏感知目标,同时结合帧间关联减少虚警,相比于传统算法的局部对比度,处理速度更快。
本文所提算法与传统DBT算法在红外图像序列的实验结果如表 3所示。在复杂多云背景序列中,全程为弱小目标,二者均可保持较高的检测跟踪率,虚警率较高是因为小块云随着背景移动被误检为目标。在海面俯视背景及海天线背景序列中,本文算法可自适应目标尺寸变化,检测跟踪率表现更好,而传统算法在对于大尺寸目标的漏检率高,并不能很好地处理大尺寸目标的问题。在处理速度上本文所提算法略高于传统算法,是因为本文所提算法根据固定盲元的特性从构建的目标链中直接将其剔除,无需从图像层面进行滤波,效率更高。
表 3 不同背景红外数据集下算法表现Table 3. Algorithm performance under different background infrared data setsInfrared image Low SNR target detection algorithm Our algorithm Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Complex and cloudy background 98 2 8 45 98.5 1.5 7 50 Top view background of sea surface 85.8 14.2 3 42 94.1 5.9 2 48 Seaantenna background 82.9 17.1 5 46 93.5 6.5 3 52 3. 结论
本文提出了一种复杂背景下自适应红外目标尺寸变化的检测跟踪算法。该算法采用先检测后跟踪的处理思路,设计低阈值信噪比灵敏感知疑似目标,构建候选目标链,通过连续帧间关联匹配剔除虚警,提取真实目标;并采用卡尔曼滤波预测目标运动轨迹,缩减检测波门,避免全图处理,提升算法效率。对于场景中尺寸动态变化的目标,借助区域增长结合自适应尺寸分割的方法,实现大尺寸目标特性提取及检测跟踪。实验表明,在弱小目标场景中,本文算法可达到传统DBT算法的能力水平,且处理速度有小幅提升,对于本文所选的目标尺寸动态变化且存在大目标的场景下,本文算法的检测跟踪率相比于传统算法提升了约10%。
-
表 1 不同距离成像像素
Table 1 Imaging pixels at different distances
Distance/km Imaging pixel dimensions Pixel growth 5 1.76×1.76 - 4.5 1.94×1.94 0.18 4 2.22×2.22 0.28 3.5 2.51×2.51 0.29 3 2.93×2.93 0.42 2.5 3.52×3.52 0.59 2 4.4×4.4 0.88 1.5 5.9×5.9 1.5 1 8.8×8.8 2.1 0.5 17.5×17.5 8.7 表 2 不同尺寸定义下对应检测波门的实验结果
Table 2 Experimental results of corresponding detection gates under different size definitions
Gate size/1 Complex and cloudy background Top view background of sea surface Sea antenna background Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz 3×3 98 2 7.4 55 90 10 7 51 91.8 8.2 5 56 5×5 98.5 1.5 7 50 94.1 5.9 2 48 93.5 6.5 3 52 8×8 98 2 6 44 95 5 5 43 92 8 3.2 46 12×12 94.4 5.6 15 31 91.2 8.8 12 29 88.6 11.4 4 31 表 3 不同背景红外数据集下算法表现
Table 3 Algorithm performance under different background infrared data sets
Infrared image Low SNR target detection algorithm Our algorithm Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Detection tracking rate/% Undetected rate/% False alarm rate/% Frame rate/Hz Complex and cloudy background 98 2 8 45 98.5 1.5 7 50 Top view background of sea surface 85.8 14.2 3 42 94.1 5.9 2 48 Seaantenna background 82.9 17.1 5 46 93.5 6.5 3 52 -
[1] BAI Xiangzhi, ZHANG Shan, DU Binbin, et al. Survey on dim small target detection in clutter background: wavelet, inter-frame and filter based algorithms[J]. Procedia Engineering, 2011, 15: 479-483. DOI: 10.1016/j.proeng.2011.08.091
[2] MING Z, LI J, ZHANG P. The design of Top-Hat morphological filter and application to infrared target detection[J]. Infrared Physics & Technology, 2006, 48(1): 67-76.
[3] FAN Q, YANG Y, ZOU E B. A novel infrared target detection and tracking method[C]// Seventh Symposium on Novel Photoelectronic Detection Technology and Application, 2020: 117631L.
[4] 王莹莹, 张永顺, 华永伟. 红外目标检测方法分析[J]. 红外技术, 2011, 33(3): 133-140. DOI: 10.3969/j.issn.1001-8891.2011.03.002 WANG Y Y, ZHANG Y S, HUA Y W. Analysis on infrared target detection methods[J]. Infrared Technology, 2011, 33(3): 133-140. DOI: 10.3969/j.issn.1001-8891.2011.03.002
[5] 王翔. 一种复杂海空背景下的红外小目标检测跟踪算法[J]. 光学与光电技术, 2022, 20(2): 113-119. https://www.cnki.com.cn/Article/CJFDTOTAL-GXGD202202014.htm WANG X. A detection and tracking algorithm for infrared small target in complex sea sky background[J]. Optics & Optoelectronic Technology, 2022, 20(2): 113-119. https://www.cnki.com.cn/Article/CJFDTOTAL-GXGD202202014.htm
[6] ZHAO T, WANG T, CAO Y, et al. Infrared dim and small target detection and tracking based on single multi-frame algorithm under sea clutter background[C]// 2019 Chinese Control Conference (CCC), 2019: 402-407.
[7] 郭伟, 赵亦工, 谢振华. 一种改进的红外图像归一化互相关匹配算法[J]. 光子学报, 2009, 38(1): 189-193. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB200901040.htm GUO W, ZHAO Y G, XIE Z H. An Improved normalized cross-correlation for template matching of infrared image[J]. Acta Photonica Sinica, 2009, 38(1): 189-193. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB200901040.htm
[8] 张晋, 王元余, 林丹丹, 等. 基于相关滤波的红外目标跟踪抗遮挡处理[J]. 红外技术, 2022, 44(3): 277-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202203015.htm ZHANG J, WANG Y Y, LIN D D, et al. Anti-occlusion process of infrared target tracking based on correlation filters[J]. Infrared Technology, 2022, 44(3): 277-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202203015.htm
[9] 王曙光, 石胜斌, 胡春生. 一种对空红外弱小目标检测跟踪方法研究[J]. 红外技术, 2020, 42(4): 356-360. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202004008.htm WANG Y G, SHI S B, HU C S. Detection and tracking method for infrared dim small targets in air[J]. Infrared Technology, 2020, 42(4): 356-360. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202004008.htm
[10] 杨昳, 徐长彬, 马玉莹, 等. 低信噪比下的红外弱小目标检测算法研究综述[J]. 激光与红外, 2019, 49(6): 643-649. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201906002.htm YANG Y, XU C B, MA Y Y, et al. A review of infrared dim small target detection algorithms with low SNR[J]. Laser & Infrared, 2019, 49(6): 643-649. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201906002.htm
[11] 宋敏敏, 王爽, 吕弢, 等. 一种天地复杂背景下的红外弱小目标检测方法[J]. 红外技术, 2018, 40(10): 996-1001. http://hwjs.nvir.cn/article/id/hwjs201810011 SONG M M, WANG S, LYU T, et al. A method for infrared dim target detection in complex scenes of sky and ground[J]. . Infrared Technology, 2018, 40(10): 996-1001 http://hwjs.nvir.cn/article/id/hwjs201810011
[12] 施元斌, 张晓杰, 王兴. 基于梯度和各向异性扩散的红外双波段目标检测方法[J]. 空天防御, 2021, 4(4): 95-100. https://www.cnki.com.cn/Article/CJFDTOTAL-KTFY202104014.htm SHI Y B, ZHANG X J, WANG X. Infrared dual-band target detection method based on gradient and anisotropic diffusion[J]. Air & Space Defense, 2021, 4(4): 95-100. https://www.cnki.com.cn/Article/CJFDTOTAL-KTFY202104014.htm
[13] LI Z M, MEI L F, SONG M. A survey on infrared weak small target detection method[J]. Advanced Materials Research, 2014, 945-949: 1558-1560.
[14] 施天俊, 鲍广震, 王福海, 等. 一种适用于多场景的红外弱小目标检测跟踪算法[J]. 航空兵器, 2019, 26(6): 35-42. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201906007.htm SHI T J, BAO G Z, WANG F H, et al. An infrared small target detection and tracking algorithm applying for multiple scenarios[J]. Aero Weaponry, 2019, 26(6): 35-42. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201906007.htm
[15] 李静. 基于区域生长和背景配准的低信噪比红外目标检测算法[J]. 红外技术, 2014, 36(11): 909-913. http://hwjs.nvir.cn/article/id/hwjs201411011 LI J. Detection method of moving infrared target integrating based on region growing and background[J]. Infrared Technology, 2014, 36(11): 909-913. http://hwjs.nvir.cn/article/id/hwjs201411011