顧憲松,高 昆,朱振宇,張 鑫,韓 璐

(北京理工大學(xué)光電成像技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室,北京 100081)

1 引 言

從自然地物背景下提取并識別出有效的目標(biāo)是軍事偵察的任務(wù)。紅外圖像具有低信噪比、低對比度、缺乏細(xì)節(jié)等特點(diǎn)[1],弱小目標(biāo)的識別難度相當(dāng)大[2]。針對配準(zhǔn)后的中波及長波紅外圖像,提出了利用基于灰色理論[3]的信息覆蓋去描述、分析、綜合、處理信息不完全、不確定的灰對象,繼而通過計(jì)算疑似目標(biāo)與數(shù)據(jù)庫中樣本的灰關(guān)聯(lián)度來得到基本概率賦值的方法[4],并利用D-S組合規(guī)則[5]對目標(biāo)類型進(jìn)行判決,從而較好地改善了單一傳感器識別效率[6]。

2 基本方法

2.1 雙紅外弱小目標(biāo)識別流程

圖1給出了中/長波紅外弱小目標(biāo)識別的基本流程,主要包括預(yù)處理、特征提取、灰關(guān)聯(lián)分析、證據(jù)融合等4個基本階段。

圖1 雙通道紅外弱小目標(biāo)識別基本流程Fig.1 Fundamental flow of dual-channel small dim infrared target identification

2.2 圖像預(yù)處理與閾值分割

考慮到紅外圖像相鄰行之間對應(yīng)地物的溫度變化很小,相鄰行像素間的灰度有很強(qiáng)的相關(guān)性。故如式(1)所示,可以采用行均值相減的方法,來抑制溫度場的非線性影響：

(1)

在大部分的連續(xù)背景被抑制的情況下,使用傳統(tǒng)的基于形態(tài)學(xué)濾波(如Top-Hat算子)的提取算法容易造成目標(biāo)丟失[7]。為此,這里對消除背景后的圖像進(jìn)行動態(tài)閾值分割以降低虛警率,即首先將圖像分為大小為M×N的邊緣重疊的子塊,對每個子塊通過圖像的統(tǒng)計(jì)特性自適應(yīng)地計(jì)算閾值,如式(2)所示：

(2)

2.3 目標(biāo)標(biāo)記與特征提取

對閾值分割后所得到的二值化圖像中所有疑似目標(biāo)進(jìn)行標(biāo)記,通過檢查各像素與相鄰像素的連通性,可以在標(biāo)記目標(biāo)所屬像素的同時標(biāo)記目標(biāo)的單像素寬邊界,繼而求得目標(biāo)的面積、質(zhì)心坐標(biāo)等特征參數(shù)。紅外弱小目標(biāo)的特征體現(xiàn)在兩方面[1-2]：

一是目標(biāo)的形狀和灰度特征參量：

1)長寬比：目標(biāo)最小外接矩形的長度與寬度之比值；

2)質(zhì)心亮度：假設(shè)目標(biāo)在二維圖像中的尺寸為M×N,目標(biāo)在位置(i,j)處對應(yīng)的灰度值為f(i,j),則該目標(biāo)的質(zhì)心(xc,yc)定義為：

(3)

3)目標(biāo)面積：目標(biāo)占據(jù)的像素數(shù)。

二是構(gòu)造同時滿足目標(biāo)平移、伸縮、旋轉(zhuǎn)均不變的不變矩。令f(x,y)表示紅外圖像函數(shù),則其(p+q)階原點(diǎn)矩與中心矩定義為：

(4)

(5)

由于中心矩僅具有平移不變性,為了得到具有伸縮不變性的矩,定義歸一化中心矩為[8]：

(6)

歸一化的中心矩μpq具有伸縮不變性,由此構(gòu)造出最常用的p+q≤3的7個不變矩M1～M7如下[8]：

M1=η20+η02

(7)

(8)

M3=(η30-3η12)2+(3η21-η03)2

(9)

M4=(η30+η12)2+(η21+η03)2

(10)

(11)

4η11(η30+η12)(η21+η03)

(12)

(13)

2.4 基于灰色理論的基本概率賦值

灰色關(guān)聯(lián)分析是根據(jù)統(tǒng)計(jì)數(shù)據(jù)的相似程度來判斷其關(guān)聯(lián)程度,從不完全的信息中找出最具關(guān)聯(lián)性的主要因素以及次要因素,對于處理小樣本、貧信息和不確定環(huán)境下的模式識別問題具有獨(dú)到性[4]。

設(shè)X0={x0(k)|k=1,2,…,n}為參考數(shù)列,Xi={xi(k)|k=1,2,…,n}為比較數(shù)列,記Δi(k)=|X0(k)-Xi(k)|,則X0(k)與Xi(k)的關(guān)聯(lián)系數(shù)ξi(k)為[5]：

(14)

(15)

灰關(guān)聯(lián)度反映了待識別目標(biāo)與第i個目標(biāo)的相似程度。通過計(jì)算灰關(guān)聯(lián)度可以得到Dempster-Shafer(D-S)判據(jù)所需的基本概率賦值,再進(jìn)一步運(yùn)用D-S證據(jù)理論組合規(guī)則對多個觀測樣本的信任度進(jìn)行合成,得出同一時刻多個傳感器所探測樣本數(shù)據(jù)對目標(biāo)識別的結(jié)果。

2.5 D-S證據(jù)融合

在決策層融合的各種方法中,Dempster-Shafer提出的證據(jù)理論是一種十分有效的不精確推理方法[9]。它采用信任函數(shù)來描述不確定性,所以不需要任何先驗(yàn)概率和條件概率就可區(qū)分“不確定”和“不知道”[6]。

本文中選取傳感器的觀測數(shù)據(jù),即待識別的紅外信號作為參考數(shù)列,數(shù)據(jù)庫中的型號數(shù)據(jù)作為比較數(shù)列。首先計(jì)算信號觀測樣本中各個參數(shù)的灰關(guān)聯(lián)系數(shù),進(jìn)而得到觀測樣本與已知數(shù)據(jù)庫中樣本的灰關(guān)聯(lián)度。對于單個傳感器,定義基本概率賦值為[10]：

(16)

式(16)中，Ri表示數(shù)據(jù)庫中各種目標(biāo)類型;U表示不確定的類型。對于雙波段紅外目標(biāo)識別應(yīng)用而言,可以將中波和長波納入統(tǒng)一識別框架Ω,設(shè)m1和m2分別是其對應(yīng)的基本概率賦值,焦元分別為A1,A2,…,Ak和B1,B2,…,Br,又設(shè):

則可以利用D-S證據(jù)合成方法計(jì)算出融合后證據(jù)的基本概率賦值函數(shù)[10]：

(17)

若K≠1,則m確定出一個基本概率賦值；若K=1,則認(rèn)為m1和m2矛盾,不能對基本的概率賦值進(jìn)行組合。

雙紅外圖像識別中多個判別證據(jù)的組合,可以根據(jù)此組合規(guī)則對證據(jù)進(jìn)行兩兩融合。對融合后結(jié)果,這里采用了基本概率賦值的決策[10],通過對各個命題的概率賦值結(jié)果進(jìn)行排序,選取Ω中基本概率值最大的兩個m(R1)和m(R2),如果滿足：

(18)

則接受R1為判決結(jié)果,其中ε1，ε2為選取的判決門限。

3 實(shí)驗(yàn)結(jié)果

3.1 紅外圖像預(yù)處理結(jié)果

圖2(a)和圖2(b)所示的是利用機(jī)載中波/長波紅外相機(jī)對夜晚林地背景下的車隊(duì)目標(biāo)航拍的中波和長波紅外圖像。獲取的紅外圖像已經(jīng)進(jìn)行了配準(zhǔn)處理,畫面尺寸320×240,16 bit量化,地面分辨率GSD=5 m。對其按2.2節(jié)中背景抑制和閾值分割后提取疑似目標(biāo)的結(jié)果如圖2(c)～(f)所示(α=5.4)。

圖2 中/長波紅外圖像預(yù)處理Fig.2 Pre-processing of mid/long-wave infrared images

由圖2(c)～(f)可見,Top-Hat這類傳統(tǒng)形態(tài)學(xué)濾波后極易造成弱點(diǎn)目標(biāo)丟失。相比,本文中提到的利用紅外圖像的去相關(guān)操作很好地抑制了大片連續(xù)的背景噪聲,同時分塊進(jìn)行基于統(tǒng)計(jì)的閾值分割,較好地保留了目標(biāo),且保證了二值化圖像中只具有很少的虛警點(diǎn)。利用圖像的鄰域連通性很好地對各個目標(biāo)進(jìn)行標(biāo)注,為后續(xù)的特征提取提供了良好條件。

3.2 紅外目標(biāo)特征參量

將紅外場景中的目標(biāo)類型進(jìn)行了歸類,建立了N=6類目標(biāo)數(shù)據(jù)庫,即識別框架Ω={R1,R2,R3,R4,R5,R6}。傳感器的個數(shù)為n=2,分別為紅外長波傳感器和紅外中波傳感器。對這6類典型目標(biāo),分別選取了目標(biāo)面積(像素數(shù))、質(zhì)心亮度、長寬比和7個不變矩所構(gòu)成的中波/長波紅外特征參量如表1和表2所示。其中,不變矩M1～M7根據(jù)式(7)～(13)求得。

表3所示的是待識別的典型車輛目標(biāo)的中/長波紅外特征參量。

表1 中波紅外目標(biāo)的特征參量

表2 長波紅外目標(biāo)的特征參量

表3 某車輛目標(biāo)的紅外特征參量

3.3 灰色關(guān)聯(lián)融合識別結(jié)果

選取圖2(e)、(f)中經(jīng)過閾值分割之后的典型疑似目標(biāo)(白框所示),根據(jù)式(14)、(15),分別求出紅外中波圖像和長波圖像中的疑似目標(biāo)與數(shù)據(jù)庫中樣本的灰關(guān)聯(lián)度,其中ρ=0.2,如表4所示。根據(jù)式(16),求出紅外中波圖像和長波圖像各自的基本概率賦值,如表5所示。根據(jù)式(17)對針對同一目標(biāo),紅外長波圖像與紅外中波圖像提供的兩條證據(jù)進(jìn)行融合,并對目標(biāo)進(jìn)行判決。根據(jù)公式(18),取ε1=0.02,ε2=0.05,判斷疑似目標(biāo)為第六類目標(biāo),即活動的車輛類目標(biāo),這也與現(xiàn)場布設(shè)完全一致。

表4 雙波段紅外疑似目標(biāo)的灰關(guān)聯(lián)度

表5 雙波段紅外疑似目標(biāo)的基本概率賦值

表6 雙波段紅外疑似目標(biāo)D-S證據(jù)融合結(jié)果

對比表5和表6的結(jié)果可以看出,在進(jìn)行證據(jù)融合后,對識別某一類目標(biāo)的不確定度明顯降低,提高了準(zhǔn)確識別的效率,這證明利用雙傳感器的圖像融合可以獲得比單個傳感器更高的識別可信度，這與文獻(xiàn)[11]～[13]的分析是一致的。

4 結(jié)束語

本文闡述了一種有效且完整的雙波段紅外弱小目標(biāo)識別的方法,首先通過改進(jìn)的行均值相減和分塊閾值分割等算法以有效檢測出紅外弱小目標(biāo)及其特征,再利用基于灰色理論的目標(biāo)關(guān)聯(lián)度計(jì)算得到基本概率賦值,最后用D-S證據(jù)理論組合規(guī)則對多個觀測樣本的信任度進(jìn)行決策融合,得到同一時刻多傳感器探測樣本數(shù)據(jù)的最終識別結(jié)果。實(shí)驗(yàn)表明,該方法對復(fù)雜地物背景下的紅外弱小目標(biāo)具有較高的識別效率。當(dāng)然,為了建立更完善和可靠的紅外目標(biāo)識別系統(tǒng),還需要進(jìn)一步建立確定的模型標(biāo)準(zhǔn),如針對決策規(guī)則的制定,判決門限的取值等,以及進(jìn)一步研究信息融合中目標(biāo)集數(shù)據(jù)庫和知識庫的建立,以提高未知目標(biāo)判別的準(zhǔn)確性,降低虛警率。