基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法

楼晨风; 张湧; 尹佳琪

doi:doi:10.3788/AOS202040.1504001

光学学报, 2020, 40 (15): 1504001, 网络出版: 2020-08-14

基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法下载： 1118次

Small Target Detection Method Based on Robinson-Guard Filter and Pixel Convergence

论文大纲

楼晨风 ^1,2,3张湧 ^1,2,*尹佳琪 ^1,2,3

作者单位

¹ 中国科学院红外探测与成像技术重点实验室, 上海 200083

² 中国科学院上海技术物理研究所, 上海 200083

³ 中国科学院大学, 北京 100049

探测器图像识别红外图像小目标检测 Robinson-Guard 像素聚拢度 detectors image recognition infrared image small target detection Robinson-Guard pixel convergence

AI 词云图 AI语音精读 AI语音超短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

线列红外推扫探测器扫描帧率低,存在带状噪声,为此,提出一种基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法。在红外图像上均匀布置采样窗口,令采样窗口根据图像亮度梯度聚集到高亮区域。融合红外图像的目标能量信息、局域对比度、目标像素聚拢度等多种特征,将采样窗口的加权叠加作为目标概率图。使用全局阈值分割获取目标,最终实现红外小目标的检测。实验结果表明,该算法可以检测中小尺寸的红外目标,且有效对抗探测器带来的带状噪声。

Abstract

A linear array infrared push scan sensor has low scanning frame rate and belt noise. Therefore, a small target detection method based on Robinson-Guard filter and pixel convergence is proposed. At the first stage, some sample windows are uniformly placed on the infrared image, so that the sample windows can focus on the high-lighted region according to the brightness gradient of image. Then, the weighted superposition of the sampling window is used as the target probability map, which combines the target energy information, local contrast, target pixel convergence, and other features of the infrared image. Finally, the target is obtained by global threshold segmentation, and the detection of small infrared target is realized. Experimental results show that the method can detect the small and medium size infrared targets and is effectively resistive to the band noise caused by the detector.

1 引言

随着红外探测器技术和计算机技术的广泛运用,识别红外图像中目标的手段得到了极大的发展,但对于复杂背景下的弱小红外目标而言,提取和跟踪此类目标依然存在一些困难,如:红外图像中目标的空间分辨率较低;难以获得大量的目标样本用于提取特征;对于目标识别的准确率要求通常较高等。为识别红外目标,国内外学者针对这些问题提出了许多有效的算法,而另一种增强目标识别性能的思路是提高原始图像分辨率。例如:红外线列推扫探测器具有分辨率高的优势,可大大增大目标识别的潜力,但代价是输出帧率较低,且存在与扫描方向一致的带状噪声。

由于线列推扫探测器的输出帧率较低,许多需要多帧关联识别的算法^[1-3]应用困难,且会为目标识别带来较大的延迟。为发挥探测器的潜力,本文主要讨论单帧识别算法。

对于中小目标的单帧检测,存在很多经典的方法。基于图像频率^[4]、二维最小均方差(TDLMS)^[5] 、简单非线性滤波器^[6-7] 、背景估计^[8]的经典背景估计算法运算速度快,形式简洁,但在复杂的背景条件下容易受到高频背景(如云层边缘和海天线)的干扰。Human Visual System^[9]、高斯函数差分(DoG)^[10]、局部对比度估计(LCM)^[11]和各种融合算法^[12-14]通过对比目标和目标周围背景亮度分割目标。这些算法针对固定空间尺度的红外小目标效果较好,但对间断的带状噪声或复杂背景边缘常常存在虚警,且对高分辨率下的中等尺寸红外目标识别性能不佳。基于低秩稀疏表示(LRSR)的识别算法^[15-16],利用稀疏目标模型区分目标、噪声和背景,总体具有较强的识别性能,但其时间复杂度与图像分辨率不是线性关系,对于高分辨率图像而言,实现稳定的实时处理难度较大。基于信息熵^[17-18]的算法可融合各种熵特征以增强图像中的目标,但由背景边缘和带状噪声引起的虚警率较高,需要结合复杂的虚警处理手段。近年来,亦有使用机器学习识别红外目标的案例^[19],但此类方法需要大量数据进行训练,对于极小尺度的目标将完全失效,且运算开销较大,在高分辨率场景下难以投入实用。

红外线列推扫探测器成像时,空间分辨率高,但帧率低,存在带状噪声,需要一种运算速度快、识别能力强且在不同场景下表现稳定的算法,因此本文提出了一种融合Robinson-Guard滤波器和像素聚拢度的红外小目标识别方法。该方法通过像素聚拢度尽可能地排除了带状噪声和形状异常的高亮区域的影响,通过大尺度窗口和窗口预搜索解决了小目标的检测问题,通过保护带解决了背景边缘区域的虚警问题,可以在各种复杂场景下对目标实现单帧检测,在实验中表现出了稳健的识别效果。

2 目标特征的设计

2.1 Robinson-Guard滤波器的优点与不足

Robinson-Guard滤波器^[20]是一种经典的点目标检测滤波器,滤波器窗口外圈上设计一个保护带区域Z,将其作为背景像素,以对比窗口内的点目标和保护带内背景的亮度差异,其优点在于:通过调节窗口大小,可以适应各种中等尺度的目标,同时依然可以保留对小目标的检测能力,使其不易被背景边缘干扰,且不会带来过大的运算开销。Robinson-Guard滤波器定义为

f_{Robinson} = \{\begin{array}{l} f_{pre} (x, y) - \max (z), f_{pre} (x, y) > \max (z) \\ 0, f_{pre} (x, y) \leq \max (z) \end{array}, (1)

式中:(x,y) 为点的坐标;f_Robinson为Robinson-Guard滤波器的输出结果;max(z)为保护带区域Z内像素的最大值;f_pre(x,y)为窗口内原始像素亮度^[20];(x,y)为像素坐标。

假定保护带区域中的背景是较为均匀的,如果被保护带保护的区域亮度高于保护带,则高亮区域为小目标。然而,受探测器性能的影响,线列推扫探测器成像时容易出现横向的带状噪声。例如,图1中的带状噪声强度相较于散粒噪声强度高7 dB,对目标检出起到了较大的负面影响。图2显示,这类带状噪声可令保护带区域内的max(z)异常偏高,f_Robinson偏低,使检测能力下降。为识别中等尺寸目标,增大了Robinson滤波器的窗口大小,随着保护带区域的增大,保护带更容易捕获带状噪声和散粒噪声,检测能力将进一步下降。如果单纯通过降低检测阈值来提高灵敏度,则更容易引起由散粒噪声导致虚警率增加的问题。

图 1. 线列探测器图像中存在的带状噪声

Fig. 1. Belt noise in image shot by linear array sensor

下载图片查看所有图片

图 2. 带状噪声导致max(z)过高

Fig. 2. Belt noise causes max(z) being too high

下载图片查看所有图片

然而,随着窗口的增大,带状噪声、散粒噪声和红外目标显现出空间分布上的特征差异。红外目标通常为光斑状,带状噪声通常为横向的条状,而散粒噪声通常为分散的像素点。从像素聚拢程度上分析,组成红外目标的像素最为聚集,带状噪声次之,散粒噪声最为分散。为此,本文根据噪声和点目标的像素聚拢程度不同的特点,提出了一种针对性的小目标识别方法。

2.2 一种衡量像素聚拢程度的指标

受光学条件和红外探测器分辨率限制,红外小目标的视觉形象大多为实心光斑状,组成目标的像素较为聚集。基于这一认知,本文提出一种用于衡量像素聚拢程度的指标。

对于平面直角坐标系中的以坐标原点为圆心的半径为a的圆形区域D,有

x^{2} + y^{2} < a^{2} 。 (2)

设S为圆形区域D的面积,有

\frac{\underset{D}{\int \int} \sqrt[]{x^{2} + y^{2}} d σ}{S^{3 / 2}} = \frac{2}{3 \sqrt[]{π}}, (3)

式中:dσ为区域D上的面积微元。

对于(3)式而言,注意到 $\sqrt[]{x^{2} + y^{2}}$ 实际上为dσ到D圆心的距离,因而,对于经图像二值化后由n个像素构成的目标D而言,记目标D中的某个像素p的坐标为(x_p,y_p),定义质心C的坐标为(x_C,y_C),其像素聚拢度M_C为

\begin{array}{l} \{\begin{array}{l} x_{C} = [\overset{}{\sum_{p \in D}} \frac{x_{p}}{n}] \\ y_{C} = [\overset{}{\sum_{p \in D}} \frac{y_{p}}{n}] \end{array}, (4) \\ M_{C} = \overset{}{\sum_{p \in D}} \frac{r_{p}}{n^{3 / 2}}, n > 1, (5) \end{array}

其中

r_{p} = \sqrt[]{(x_{p} - x_{C})^{2} + (y_{p} - y_{C})^{2}}, (6)

式中:x_C,y_C 为整数;r_p为像素到质心C的距离;[·]为取整符号。

特别地,如果存在正整数R_D:

r_{p} \leq R_{D}, (7)

将所有满足(7)式的像素的坐标集合称为U,若U恰好与目标像素集合相等,则称该目标为目标半径为R_D的圆目标。对于圆目标而言,R_D→¥时,(6)式为(3)式的离散形式,故M_C→ $\frac{2}{3 \sqrt[]{π}}$ ≈0.3762,由此,补充定义

M_{C} = \frac{2}{3 \sqrt[]{π}}, n = 1 。 (8)

给定像素数量n相同的非圆目标T_w和圆目标T_r,将目标相叠,使两者质心重合,则T_w可以通过依次将T_r内的部分像素移动到集合P外实现。由于每次移动将增加M_C值,易知,对于相同面积的目标而言,圆目标T_r的M_C值最小。然而,当R_D不趋于无穷时,M_C的误差可能增大,因此下文将讨论R_D较小的情形。

对于圆目标而言,当半径R≥1时,有n≥5。图3展现了当R≥1时,圆目标的实际M_C值与理论值的绝对偏差率D_DR ,其定义为

D_{DR} = |\frac{M_{C} - \frac{2}{3 \sqrt[]{π}}}{\frac{2}{3 \sqrt[]{π}}}| 。 (9)

可见,M_C不存在非常大的误差,且当R>1时,绝对偏差率迅速收敛至0.2%以下。

图 3. 半径为R的圆目标的M_C与理想值的偏移率

Fig. 3. Deviation ratio between M_C of circle target with radius of R and ideal value

下载图片查看所有图片

除此之外,根据由(7)式导出的圆目标定义,不存在像素数为n且2≤n≤4的圆目标,然而,在实践中,这一尺寸的红外目标是存在的。因此图4构造了三个使M_C尽可能小的实心目标,以覆盖所有案例。在图3和图4中,n=2时M_C出现最大绝对偏差率,偏差率为6.01%,较为有限。因此M_C是一个较为稳定的指标。

图 4. 2≤n≤4时M_C值最小的目标。(a) M_C=0.3536;(b) M_C=0.3849;(c) M_C=0.3750

Fig. 4. Targets with minimum M_C when 2≤n≤4. (a) M_C=0.3536; (b) M_C=0.3849; (c) M_C=0.3750

下载图片查看所有图片

2.3 像素聚拢度的作用

由图5可以看出,图5(a)中像素较可能为目标,图5(b)中像素较可能为带状噪声,图5(c)中像素较可能为随机噪声。可见,像素的M_C值可以用于代表一组待测像素与红外小目标的相似性。

图 5. 一些典型像素的M_C值。(a) M_C=0.4033;(b) M_C=0.6479;(c) M_C=0.8000

Fig. 5. M_C of some typical pixels. (a) M_C=0.4033; (b) M_C=0.6479; (c) M_C=0.8000

下载图片查看所有图片

本文对M_C进行缩放,表达式为

{(\frac{k}{M_{C}})}^{m}, k = \frac{2}{3 \sqrt[]{π}}, (10)

将M_C转化为百分比值以衡量一组图样的圆度。(10)式中m为模型的一个常参数,用于调节像素聚拢度在模型中的影响大小。该参数的取值与使用的窗口大小有关。通过调节m的大小,可以修正像素聚拢度的作用强度。当取m=1时,图5(a)~(c)的M_C百分比值分别为93.28%, 58.06%,47.03%,进而体现了三个图样相对于圆型图样的差距。因此,像素聚拢度可以有效地抑制带状噪声和随机噪声。

2.4 基于像素聚拢度的扩展Robinson-Guard判别器

现有的中长波红外探测器在工作区间内,其输出值和黑体辐射强度通常近似成线性^[21-22]。因此,可以认为像素p的输出值L_p和该像素接收的目标辐射功率P_p近似满足

L_{p} = k \cdot P_{p} + b, (11)

式中:k为与探测器性能相关的比例系数;b为探测器固有的偏置系数。

探测器接收的目标辐射总功率P_sum是各像素接收的目标辐射功率之和,故

P_{sum} = \sum P_{p} = \sum \frac{L_{p} - b}{k} 。 (12)

在(12)式的基础上,对于一帧图像,探测器接收的该疑似目标的能量与相同面积的背景峰值辐射能量之差E_target可表示为

E_{target} = \frac{1}{k} \sum f_{Robinson}, (13)

即

E_{target} \approx \sum f_{Robinson} 。 (14)

由此,基于Robinson-Guard滤波器设计判别特征f_ERG,记边长为2d+1的窗口矩阵A中坐标为(x,y)的像素为A(x,y),计算矩阵A中所有像素的f_Robinson[A(x,y)],取最大值max{f_Robinson[A(x,y)]},并将结果大于0的像素设为目标像素,计目标像素总数为n,计算这n个像素组成的像素集合的M_C(A)。根据(11)式,定义该窗口的扩展Robinson-Guard判别器f_ERG为

f_{ERG} (A) = \sum_{n} \max {f_{Robinson} [A (x, y)]} \cdot {[\frac{k}{M_{C} (A)}]}^{m}, k = \frac{2}{3 \sqrt[]{π}} 。 (15)

当n=1时,f_ERG退化为该像素的f_Robinson值。

2.5 窗口分布热力图与总体算法

亮度相同、尺寸较大的红外目标理应具有较强的特征。但在f_ERG的框架下,以图6为例,如果目标尺寸接近窗口尺寸,使部分目标落入保护带,反而会导致特征强度被削弱。因此,需要从其他角度进行补偿。另一方面,在一些显然无目标的区域挥霍算力是不明智的。如能将背景区域的检测窗口设法移动到目标上进行叠加检测,则可以减轻以上两个问题。

图 6. 部分落入保护带的模拟红外目标

Fig. 6. Simulated infrared target in guard band

下载图片查看所有图片

人们希望窗口的移动原则具有这些特点:如果一个检测窗口内不太可能有目标,它应该往可能有目标的方向移动;而如果窗口落到了疑似目标上,它应该不再移动。而且,这一方法最好对于大尺寸目标更为有效,从而减轻大目标落入保护带引起的负面效应。

因此,使用以下方法移动窗口:设图像为P×Q的二维矩阵,窗口中心坐标为(x,y),窗口内最亮点坐标为(x+a,y+b),移动窗口,使窗口中心落在(x+a,y+b)上,移动次数为有限次。这一方法分下列几种情况:

1) 如果窗口起初包含了目标,窗口将移动到目标上以便识别目标。

2) 对于均匀背景下的点目标而言,如果窗口起初不包含点目标,这些窗口将在背景噪声的作用下随机移动或不移动,一部分窗口在数次移动后将到达点目标上。

3) 对于非均匀背景下的点目标而言,如果窗口起初不包含点目标,这些窗口将在背景强度的作用下向背景强度高的方向移动。由于移动距离有限,部分窗口在最后一次移动后捕获了目标,但目标不处于窗口中心,这会导致窗口偏向背景强度弱的方向,但偏移量不大于半个窗口边长,如图7所示。相比于情况1),此时保护带内的背景强度较低,以位置精确度为代价增强了目标信杂比。

4) 对于大尺寸目标而言,由于目标面积大,将有更多的窗口截获目标,从而增强了识别性能。

5) 对于图像边缘的目标而言,由于能够移动到目标的窗口较少,算法的处理能力将下降。但对于全景式线列推扫探测器而言,由于不存在图像边缘,这一代价是无需考虑的。

图 7. 低信噪比(SNR)下的窗口偏移。(a)原始图像;(b)发生偏移的窗口与原始图像的叠加图

Fig. 7. Window position shift in low SNR condition. (a) Original image; (b) fusion map of original image and shifted window

下载图片查看所有图片

最终,本文使用以下步骤对图像进行处理:

1) 在待处理的P×Q图像矩阵上以间距s像素(即一个窗口在横或纵方向上移动s 像素即为它的相邻窗口)放置边长为2d+1像素的窗口(该窗口矩阵为A_ij),窗口中心坐标(x_i,y_j)满足

\{\begin{array}{l} x_{i} = d + i \cdot s, 0 \leq i \leq \frac{P - d}{s} \\ y_{j} = d + j \cdot s, 0 \leq j \leq \frac{Q - d}{s} \end{array} 。 (16)

2) 找到每个窗口内的像素最大值,移动窗口,使窗口中心移动到最大值所在的像素上,仍记移动后的窗口矩阵为A_ij,中心坐标为(x_i,y_j)。

3) 重复一次步骤2)。

4) 计算A_ij的f_ERG,构建P×Q矩阵M_ij,其中每个元素M_ij(x,y)的值为

M_{ij} (x, y) = \{\begin{array}{l} f_{ERG} (A_{ij}), x_{i} - d \leq x \leq x_{i} + d, y_{j} - d \leq y \leq y_{j} + d \\ 0, else \end{array} 。 (17)

5) 叠加所有M_ij,其结果为目标概率图(TPM),即

M_{TPM} = \sum_{0 \leq i \leq \frac{P - d}{s}, 0 \leq j \leq \frac{Q - d}{s}} M_{ij}, (18)

式中:M_TPM为目标概率图矩阵。

6) 定义阈值T_Thd二值化目标概率图以获得目标。其中, $M_{TPM}^{\max}$ , $M_{TPM}^{\min}$ 分别为目标概率图中的最大值和最小值,k_th,b_th为可变参数,则有

T_{Thd} = \frac{k_{th} \cdot (M_{TPM}^{\max} + b_{th}) + M_{TPM}^{\min}}{k_{th} + 1} 。 (19)

本文算法流程图如图8所示。

图 8. 本文算法流程图

Fig. 8. Flowchart of proposed method

下载图片查看所有图片

在实践中发现,在使用高分辨率探测器的场景下,红外目标的尺度有时可达15 pixel×15 pixel。为了尽可能覆盖这部分目标,本文使用的窗口边长2d+1为31 pixel。间距s将影响计算时间和最终效果,通过广泛尝试,取间距为6 pixel可以在性能和速度之间获得平衡。参考经典的Robinson-Guard保护带宽度,取保护带宽度为2 pixel。为了规避浮点乘方的运算代价,m宜取整数。经实验,m=1的效果较为良好。在8 bit图像上,本文使用k_th=1.5,b_th=10进行分割。算法的时间复杂度为O(n),空间复杂度为O(1),可以在有限内存的设备上进行流水线处理。

图9为使用一台中波红外线列探测器拍摄云层中的飞鸟图像,并用本文算法分割后的结果。当环境温度为293 K时,该探测器的温度分辨率为12.06 mK。选取了典型的多目标红外图像[图9(a1)、(a2)],并通过人工标注了多个强弱不一的红外目标。图9(b1)、(b2)为本文算法运行时,窗口移动后所停留位置的热力图,图中的高亮区域代表此处的检测窗口较为密集。图9(c1)、(c2)是将热力图以f_ERG加权后得到的最终结果。图10(a)、(b)分别为图9(c1)、(c2)的三维表示,可见算法可以有效地提取红外目标,并且抑制了云层背景引起的干扰。

图 9. 云层中的红外飞鸟图像处理示意图。(a1)(a2)原始图像;(b1)(b2)窗口分布热力图;(c1)(c2)目标概率图;(d1)(d2)分割结果

Fig. 9. Processing of IR images of birds in clouds. (a1)(a2) Original images; (b1)(b2) heat maps of window distribution; (c1)(c2) target probability maps; (d1)(d2) segmentation results

下载图片查看所有图片

图 10. 对图9(c1)、(c2)目标概率图进行归一化后的三维表示。(a)对应图9(c1);(b)对应图9(c2)

Fig. 10. Three-dimensional projection of normalized |M_TPM| in Figs. 9(c1) and 9(c2). (a) Projection of Fig. 9(c1); (b) projection of Fig. 9(c2)

下载图片查看所有图片

图11为人工合成的4张信噪比不同的图片,采用本文算法进行识别。当信噪比R_SNR达到0.5时,本文算法可以较为有效地提取目标。

图 11. 不同信噪比下的模拟图和目标概率图。(a1) R_SNR=0.2的模拟图;(b1) R_SNR=0.5的模拟图;(c1) R_SNR=1的模拟图;(d1) R_SNR=3的模拟图;(a2) R_SNR=0.2的M_TPM;(b2) R_SNR=0.5的M_TPM;(c2) R_SNR=1的M_TPM;(d2) R_SNR=3的M_TPM

Fig. 11. Simulated images and M_TPM for different SNR. (a1) Simulated image with R_SNR=0.2; (b1) simulated image with R_SNR=0.5; (c1) simulated image with R_SNR=1; (d1) simulated image with R_SNR=3; (a2) M_TPM with R_SNR=0.2; (b2) M_TPM with R_SNR=0.5; (c2) M_TPM with R_SNR=1; (d2) M_TPM with R_SNR=3

下载图片查看所有图片

3 算法效果与评价

为横向对比本文算法的目标检测性能,本节使用公开数据集,选择930张图像数据对各种方法进行对比与评价。图12(a1)~(a5)为从云层中飞出的空中小目标^[3],图12(b1)~(b5)为简单空中背景下的大目标^[23],图12(c1)~(c5)为复杂空地背景下的小目标^[23]。所用的代码、公开数据和运行结果均已上传至https://github.com/ln93/DENTIST供审阅和复现。

图 12. 各种目标检测方法对比。(a1)(b1)(c1)(d1)场景a,b,c,d;(a2)(b2)(c2)(d2) NIPPS;(a3)(b3)(c3)(d3) RIPT;(a4)(b4)(c4)(d4) MDTDLMS-RDLCM;(a5)(b5)(c5)(d5)本文方法

Fig. 12. Comparison of several target detection methods. (a1)(b1)(c1)(d1) Scenes a,b,c,and d; (a2)(b2)(c2)(d2) NIPPS; (a3)(b3)(c3)(d3) RIPT; (a4)(b4)(c4)(d4) MDTDLMS-RDLCM; (a5)(b5)(c5)(d5) proposed method

下载图片查看所有图片

在使用默认参数的条件下使用本文方法、MDTDLMS-RDLCM^[11]方法、NIPPS方法^[3]、RIPT方法^[3]对比识别率(R_DR)与虚警率(R_FA),结果如图12、表1、表2所示。识别率与虚警率的定义为

表 1. 不同方法的识别率

Table 1. Detection rates of different methods

Scene	NIPPS	RIPT	MDTDLMS-RDLCM	Proposed method
a	1.000	1.000	0.467	0.667
b	1.000	1.000	1.000	1.000
c	0.726	0.551	0	0.615
d	1.000	0.852	0.773	0.784

查看所有表

表 2. 不同方法的虚警率

Table 2. False alarms of different methods

Scene	NIPPS	RIPT	MDTDLMS-RDLCM	Proposed method
a	0.891	0.794	0	0
b	0.959	0.913	0	0
c	0.946	0.996	N/A	0.566
d	0.962	0.989	0.715	0.492

查看所有表

表 3. 不同目标检测方法的运行时间Table 3 Running time of several target detection methodss

Table 3.

Method	Max-median	NIPPS	RIPT	MDTDLMS-RDLCM	Proposed method
Time per 256 pixel×256 pixel	0.52	24.59	8.60	11.39	0.89

查看所有表

\{\begin{array}{l} R_{DR} = \frac{N_{D}}{N_{T}} \\ R_{FA} = \frac{N_{F}}{N_{D} + N_{F}} \end{array}, (20)

式中:N_D为算法正确检测的目标数;N_F为算法误检的虚假目标数;N_T为样本中存在的实际目标数。所有方法的可调参数使用原始论文的默认参数。其中,MDTDLMS-RDLCM方法在场景c下出现了大量的带状或片状虚警,已经无法统计虚警率,因此表2中对应场景虚警率记为N/A。

所有的算法在a,b,d场景下均具有较好的识别率, 然而在最为复杂的c场景下,除本文算法外,其余算法均存在大量虚警,无法正常完成探测工作。从表1、表2中亦可见,本文算法在所有算法中具有最低的虚警率和中等水平的探测率。NIPPS和RIPT方法尽管具有较高的识别率,但在大多数场景下均有极高的虚警率,难以进行实际运用。

为了进一步衡量各种算法的识别率/虚警率的性能,本文选择每组场景中最后一张图片,调节各算法阈值,在图13中测量并绘制各种算法的接收者操作特性曲线(ROC曲线)。在ROC曲线中,纵轴为识别率(R_DR),横轴为虚警率(R_FA),偏向左上方的曲线具有较好的性能。由图13可见,综合4种场景,本文算法综合性能较佳。

图 13. 各种算法的ROC曲线

Fig. 13. ROC curves of different algorithms

下载图片查看所有图片

本文在i7-4980HQ处理器平台上,使用Matlab R2015b实现并统计了文中所提及的各种算法处理4张256 pixel×256 pixel的8 bit灰度图像所需的时间,结果如表3所示,其中Max-median滤波器使用Matlab自带函数实现。本文算法的窗口排列稀疏,可以有效减少计算量,由表3可见,本文算法的运行速度明显优于其他方法,接近Max-median滤波器,容易在常见的运算平台上实现实时处理。

4 结论

提出了一种基于Robinson-Guard滤波器和像素聚拢度的改进算法,实验结果表明,文中提出的方法可以有效地识别各种尺度的目标。在天空背景与复杂空地背景下,均具有较高的目标识别率和较低的虚警率。相较于文中提及的算法,本文算法在虚警率和运算速度上具有明显的优势。

参考文献

[1] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3): 583-596.

[2] Zhang K, Li X G. Infrared small dim target detection based on region proposal[J]. Optik, 2019, 182: 961-973.

[3] Dai Y M, Wu Y Q. Reweighted infrared patch-tensor model with both nonlocal and local priors for single-frame small target detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8): 3752-3767.

[4] Yang L, Yang J, Yang K. Adaptive detection for infrared small target under sea-sky complex background[J]. Electronics Letters, 2004, 40(17): 1083-1085.

[5] Hadhoud M M, Thomas D W. The two-dimensional adaptive LMS (TDLMS) algorithm[J]. IEEE Transactions on Circuits and Systems, 1988, 35(5): 485-494.

[6] Deshpande S D, Er M H, Venkateswarlu R, et al. Max-mean and max-median filters for detection of small targets[J]. Proceedings of SPIE, 1999, 3809: 74-83.

[7] Bai X Z, Zhou F G, Xie Y C. New class of top-hat transformation to enhance infrared small targets[J]. Journal of Electronic Imaging, 2008, 17(3): 030501.

[8] 管志强, 陈钱, 钱惟贤, 等. 一种背景自适应调整的弱点目标探测算法[J]. 光学学报, 2007, 27(12): 2163-2168.

Guan Z Q, Chen Q, Qian W X, et al. An adaptive background adjusting algorithm for dim target detection[J]. Acta Optica Sinica, 2007, 27(12): 2163-2168.

[9] Kim S, Yang Y, Lee J, et al. Small target detection utilizing robust methods of the human visual system for IRST[J]. Journal of Infrared, Millimeter, and Terahertz Waves, 2009, 30(9): 994-1011.

[10] Wang X, Lv G, Xu L Z. Infrared dim target detection based on visual attention[J]. Infrared Physics & Technology, 2012, 55(6): 513-521.

[11] Han J H, Liang K, Zhou B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 612-616.

[12] 陆福星, 陈忻, 陈桂林, 等. 背景自适应的多特征融合的弱小目标检测[J]. 红外与激光工程, 2019, 48(3): 269-275.

Lu F X, Chen X, Chen G L, et al. Dim and small target detection based on background adaptive multi-feature fusion[J]. Infrared and Laser Engineering, 2019, 48(3): 269-275.

[13] Han J H, Liu S B, Qin G, et al. A local contrast method combined with adaptive background estimation for infrared small target detection[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(9): 1442-1446.

[14] Wu Y F, Wang Y J, Liu P X, et al. Infrared LSS-target detection via adaptive TCAIE-LGM smoothing and pixel-based background subtraction[J]. Photonic Sensors, 2019, 9(2): 179-188.

[15] He Y J, Li M, Zhang J L, et al. Small infrared target detection based on low-rank and sparse representation[J]. Infrared Physics & Technology, 2015, 68: 98-109.

[16] Gao SJ, Jhang ST. Infrared target tracking using multi-feature joint sparse representation[C]//Proceedings of the International Conference on Research in Adaptive and Convergent Systems-RACS'16, October 11-14, 2016, Odense, Denmark.New York: ACM Press, 2016: 40- 45.

[17] Bai X Z, Bi Y G. Derivative entropy-based contrast measure for infrared small-target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2452-2466.

[18] Li Y, Li P C, Shen Q. Real-time infrared target tracking based on ℓ1 minimization and compressive features[J]. Applied Optics, 2014, 53(28): 6518-6526.

[19] 谢江荣, 李范鸣, 卫红, 等. 用于空中红外目标检测的增强单发多框检测器方法[J]. 光学学报, 2019, 39(6): 0615001.

Xie J R, Li F M, Wei H, et al. Enhancement of single shot multibox detector for aerial infrared target detection[J]. Acta Optica Sinica, 2019, 39(6): 0615001.

[20] 陈喆, 顾国华. 基于Robinson双模板匹配及融合的点目标检测算法[J]. 红外技术, 2011, 33(6): 340-344.

Chen Z, Gu G H. Point detection algorithm based on Robinson filter's dual patterns matching and merging[J]. Infrared Technology, 2011, 33(6): 340-344.

[21] 曹立华, 李宁, 杨词银, 等. 3~5 μm红外探测器的辐射定标[J]. 红外与激光工程, 2012, 41(4): 858-864.

Cao L H, Li N, Yang C Y, et al. Radiance calibration for 3-5 μm infrared detector[J]. Infrared and Laser Engineering, 2012, 41(4): 858-864.

[22] Nan T L, Shen H H, Yang M Y, et al. Fast radiometric calibration method for long wave infrared detectors[J]. Laser & Optoelectronics Progress, 2017, 54(12): 122501.

[23] Hui BW, Song ZY, Fan HQ, et al. and tracking of aircraft in infrared image sequences[EB/OL]. ( 2019-10-28)[2019-12-31]. https://www.researchgate.net/publication/341402455_BIRDSAI_A_Dataset_for_Detection_and_Tracking_in_Aerial_Thermal_Infrared_Videos.

1 引言

2 目标特征的设计

2.1 Robinson-Guard滤波器的优点与不足

2.2 一种衡量像素聚拢程度的指标

2.3 像素聚拢度的作用

2.4 基于像素聚拢度的扩展Robinson-Guard判别器

2.5 窗口分布热力图与总体算法

3 算法效果与评价

4 结论

楼晨风, 张湧, 尹佳琪. 基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法[J]. 光学学报, 2020, 40(15): 1504001. Chenfeng Lou, Yong Zhang, Jiaqi Yin. Small Target Detection Method Based on Robinson-Guard Filter and Pixel Convergence[J]. Acta Optica Sinica, 2020, 40(15): 1504001.

基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法 下载： 1118次

1 引言

2 目标特征的设计

2.1 Robinson-Guard滤波器的优点与不足

图 1. 线列探测器图像中存在的带状噪声

Fig. 1. Belt noise in image shot by linear array sensor

图 2. 带状噪声导致max(z)过高

Fig. 2. Belt noise causes max(z) being too high

2.2 一种衡量像素聚拢程度的指标

图 3. 半径为R的圆目标的MC与理想值的偏移率

Fig. 3. Deviation ratio between MC of circle target with radius of R and ideal value

图 4. 2≤n≤4时MC值最小的目标。(a) MC=0.3536;(b) MC=0.3849;(c) MC=0.3750

Fig. 4. Targets with minimum MC when 2≤n≤4. (a) MC=0.3536; (b) MC=0.3849; (c) MC=0.3750

2.3 像素聚拢度的作用

图 5. 一些典型像素的MC值。(a) MC=0.4033;(b) MC=0.6479;(c) MC=0.8000

Fig. 5. MC of some typical pixels. (a) MC=0.4033; (b) MC=0.6479; (c) MC=0.8000

2.4 基于像素聚拢度的扩展Robinson-Guard判别器

2.5 窗口分布热力图与总体算法

图 6. 部分落入保护带的模拟红外目标

Fig. 6. Simulated infrared target in guard band

图 7. 低信噪比(SNR)下的窗口偏移。(a)原始图像;(b)发生偏移的窗口与原始图像的叠加图

Fig. 7. Window position shift in low SNR condition. (a) Original image; (b) fusion map of original image and shifted window

图 8. 本文算法流程图

Fig. 8. Flowchart of proposed method

图 9. 云层中的红外飞鸟图像处理示意图。(a1)(a2)原始图像;(b1)(b2)窗口分布热力图;(c1)(c2)目标概率图;(d1)(d2)分割结果

Fig. 9. Processing of IR images of birds in clouds. (a1)(a2) Original images; (b1)(b2) heat maps of window distribution; (c1)(c2) target probability maps; (d1)(d2) segmentation results

图 10. 对图9(c1)、(c2)目标概率图进行归一化后的三维表示。(a)对应图9(c1);(b)对应图9(c2)

Fig. 10. Three-dimensional projection of normalized |MTPM| in Figs. 9(c1) and 9(c2). (a) Projection of Fig. 9(c1); (b) projection of Fig. 9(c2)

图 11. 不同信噪比下的模拟图和目标概率图。(a1) RSNR=0.2的模拟图;(b1) RSNR=0.5的模拟图;(c1) RSNR=1的模拟图;(d1) RSNR=3的模拟图;(a2) RSNR=0.2的MTPM;(b2) RSNR=0.5的MTPM;(c2) RSNR=1的MTPM;(d2) RSNR=3的MTPM

Fig. 11. Simulated images and MTPM for different SNR. (a1) Simulated image with RSNR=0.2; (b1) simulated image with RSNR=0.5; (c1) simulated image with RSNR=1; (d1) simulated image with RSNR=3; (a2) MTPM with RSNR=0.2; (b2) MTPM with RSNR=0.5; (c2) MTPM with RSNR=1; (d2) MTPM with RSNR=3

3 算法效果与评价

图 12. 各种目标检测方法对比。(a1)(b1)(c1)(d1)场景a,b,c,d;(a2)(b2)(c2)(d2) NIPPS;(a3)(b3)(c3)(d3) RIPT;(a4)(b4)(c4)(d4) MDTDLMS-RDLCM;(a5)(b5)(c5)(d5)本文方法

Fig. 12. Comparison of several target detection methods. (a1)(b1)(c1)(d1) Scenes a,b,c,and d; (a2)(b2)(c2)(d2) NIPPS; (a3)(b3)(c3)(d3) RIPT; (a4)(b4)(c4)(d4) MDTDLMS-RDLCM; (a5)(b5)(c5)(d5) proposed method

表 1. 不同方法的识别率

Table 1. Detection rates of different methods

表 2. 不同方法的虚警率

Table 2. False alarms of different methods

表 3. 不同目标检测方法的运行时间Table 3 Running time of several target detection methodss

Table 3.

图 13. 各种算法的ROC曲线

Fig. 13. ROC curves of different algorithms

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法下载： 1118次

图 3. 半径为R的圆目标的M_C与理想值的偏移率

Fig. 3. Deviation ratio between M_C of circle target with radius of R and ideal value

图 4. 2≤n≤4时M_C值最小的目标。(a) M_C=0.3536;(b) M_C=0.3849;(c) M_C=0.3750

Fig. 4. Targets with minimum M_C when 2≤n≤4. (a) M_C=0.3536; (b) M_C=0.3849; (c) M_C=0.3750

图 5. 一些典型像素的M_C值。(a) M_C=0.4033;(b) M_C=0.6479;(c) M_C=0.8000

Fig. 5. M_C of some typical pixels. (a) M_C=0.4033; (b) M_C=0.6479; (c) M_C=0.8000

Fig. 10. Three-dimensional projection of normalized |M_TPM| in Figs. 9(c1) and 9(c2). (a) Projection of Fig. 9(c1); (b) projection of Fig. 9(c2)

图 11. 不同信噪比下的模拟图和目标概率图。(a1) R_SNR=0.2的模拟图;(b1) R_SNR=0.5的模拟图;(c1) R_SNR=1的模拟图;(d1) R_SNR=3的模拟图;(a2) R_SNR=0.2的M_TPM;(b2) R_SNR=0.5的M_TPM;(c2) R_SNR=1的M_TPM;(d2) R_SNR=3的M_TPM