吳言楓，王延杰，孫海江*，劉培勛

(1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；2.中國(guó)科學(xué)院大學(xué) 材料科學(xué)與光電技術(shù)學(xué)院，北京 100049)

1 引 言

“低小慢”目標(biāo)是指在超低空(5～100 m)或低空(100～2 000 m)飛行、飛行速度小于200 km/h、且不易被發(fā)現(xiàn)的小型航空器或空中漂浮物。以無(wú)人機(jī)為代表，因其購(gòu)買渠道多樣、制造成本低、操作方便，敵對(duì)勢(shì)力可能通過(guò)無(wú)人機(jī)攜帶微型相機(jī)或炸藥對(duì)重要區(qū)域造成威脅，檢測(cè)“低小慢”目標(biāo)已成為維護(hù)空防安全的重點(diǎn)課題?！暗托÷蹦繕?biāo)在遠(yuǎn)距離時(shí)呈現(xiàn)小目標(biāo)特性，在圖像上所占像素較少(僅占幾個(gè)或十幾個(gè)像素)，缺乏背景先驗(yàn)信息和檢測(cè)過(guò)程中很重要的紋理特征，所以傳統(tǒng)的檢測(cè)手段難以滿足檢測(cè)要求。

為了準(zhǔn)確檢測(cè)到此類目標(biāo)，各國(guó)學(xué)者已經(jīng)進(jìn)行了大量研究，并提出了多種算法。Jing Hu等人利用基于循環(huán)掩膜的非局部均值濾波建立背景估計(jì)模型，通過(guò)將圖像的灰度分布和時(shí)間信息聯(lián)系起來(lái)，實(shí)現(xiàn)紅外點(diǎn)目標(biāo)檢測(cè)[1]。Weiping Yang等人將二維中值濾波簡(jiǎn)化為一維中值濾波,進(jìn)行背景消除，剔除虛假目標(biāo)[2]。鄧鶴等人通過(guò)圖像的局部熵(Local Entropy,LE)和一維經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)實(shí)現(xiàn)小目標(biāo)檢測(cè)[3]。Sungho Kim應(yīng)用Laplacian尺度空間理論尋找最佳尺度中的全局最大值，并通過(guò)Tune-Max估算目標(biāo)的位置和尺度，應(yīng)用Hessian矩陣剔除了虛假目標(biāo)[4]。E.Abdelkawy等人使用二維高斯函數(shù)構(gòu)建字典，提出了2D-FOS二維正交搜索算法，算法的時(shí)間復(fù)雜度主要取決于字典中的候選目標(biāo)數(shù)量和圖像尺寸，該算法與其他正交方法相比，計(jì)算時(shí)間明顯減少[5]。Sungho Kim等人提出了區(qū)域自適應(yīng)濾波器，濾波器使用幾何分析進(jìn)行區(qū)域分割，同時(shí)采用了空間一致性濾波器剔除虛假目標(biāo)[6]。解婷等人提出基于同組過(guò)濾器(Peer Group Filter,PGF)、二維經(jīng)驗(yàn)?zāi)Ｊ椒纸?Bidimensional Empirical Mode Decomposition,BEMD)和局部逆熵(Local Inverse Entropy,LTE)的新型紅外小目標(biāo)檢測(cè)算法，其中PGF被用來(lái)消除噪聲，BEMD可以有效地估計(jì)背景并將背景從原始圖像中移除，LTE可以實(shí)現(xiàn)有效分割，得到目標(biāo)[7]。

通?！暗托÷蹦繕?biāo)的檢測(cè)方法可以分為兩大類:一類是對(duì)于單幀圖像進(jìn)行目標(biāo)檢測(cè)。這一類方法使用濾波算法來(lái)剔除復(fù)雜背景和估計(jì)前景目標(biāo)。形態(tài)學(xué)Top-Hat變換[8]、高通濾波[9]和匹配濾波[10]等算法均可以實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)檢測(cè)，但在低信噪比條件下準(zhǔn)確率不高。二維熵[11]、小波變換[12-14]、偏微分方程(Partial Differential Equations,PDE)[15]和概率主成分分析矩陣[16](Principal Component Analysis,PCA)等方法的檢測(cè)準(zhǔn)確率較高，但無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。另一類方法是基于多幀圖像檢測(cè)目標(biāo)。該類方法需要通過(guò)幀間上下文信息來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)[17-19]，如粒子濾波[20]、移動(dòng)式加權(quán)管道濾波[21-22]和似然比檢驗(yàn)[23]等方法。這類算法準(zhǔn)確率很高，但無(wú)法在目標(biāo)隱匿于背景或噪聲的情況下進(jìn)行有效檢測(cè)。

本文分析了低空慢速小目標(biāo)的灰度特性，采用局部對(duì)比度直方圖生成視覺(jué)顯著性圖像，使用形態(tài)學(xué)梯度和三幀差分算法去除復(fù)雜天空背景得到種子點(diǎn)，并通過(guò)掃描線填充算法生長(zhǎng)出目標(biāo)。最后提出自適應(yīng)雙高斯算法分割出前景，并根據(jù)候選目標(biāo)的面積占比變化、質(zhì)心距離變化、寬高比差異來(lái)剔除虛假目標(biāo)，完成檢測(cè)。

2 感興趣區(qū)域獲取

2.1 視覺(jué)顯著性模型

人眼視覺(jué)顯著性是人類感知系統(tǒng)對(duì)視覺(jué)信號(hào)的響應(yīng)。根據(jù)心理學(xué)研究，視覺(jué)信號(hào)具有獨(dú)特性、稀缺性以及奇異性，視覺(jué)系統(tǒng)更容易獲取圖像中的顏色、紋理、形狀、亮度等高對(duì)比度特征。對(duì)比度根據(jù)位置劃分可以分成全局對(duì)比和區(qū)域?qū)Ρ葍煞N。圖像的全局對(duì)比傾向于將目標(biāo)和周圍環(huán)境分離，而圖像的區(qū)域?qū)Ρ戎饕苣繕?biāo)和周圍區(qū)域影響，相距很遠(yuǎn)的區(qū)域所起的作用較小。圖1(a)是可見(jiàn)光相機(jī)拍攝的低空慢速小目標(biāo)的原始圖像，圖1(b)反應(yīng)了目標(biāo)和周圍區(qū)域的灰度分布情況，圖1(c)顯示了原始圖像的三維能量分布情況。通過(guò)觀察可以發(fā)現(xiàn)，低空慢速小目標(biāo)所占像素較少且缺乏紋理信息。在復(fù)雜的天空背景中，干擾因素主要以噪聲、云層、部分的地面場(chǎng)景和光照變化為主。在此情況下，目標(biāo)和背景的灰度值存在明顯差異，目標(biāo)與相鄰區(qū)域的對(duì)比度同樣會(huì)存在明顯差異，所以“低小慢”目標(biāo)具有較為明顯的顏色統(tǒng)計(jì)特征。因此，本文決定依據(jù)圖像的顏色全局對(duì)比[24]來(lái)提取圖像的視覺(jué)顯著性圖像。

圖1 “低小慢”目標(biāo)的特征分析圖像 Fig.1 Feature analysis of the LSS-target image

圖像中像素的顯著性特征值可以用其與圖像中其他像素點(diǎn)的顏色對(duì)比度來(lái)定義：

(1)

C(Ip,Iq)=‖Ip-Iq‖ ,

(2)

其中：I表示原始圖像，Ip、Iq表示圖像中的任意像素，取值范圍是[0,255]，Sal(Ip) 為該像素的顯著性值,C(Ip,Iq) 為每個(gè)像素的顯著性特征值與圖像中其他所有像素的歐式距離總和，‖·‖為顏色距離度量。公式(1)展開(kāi)后的形式如下：

Sal(Ip)=C(Ip,I1)+C(Ip,I2)+…C(Ip,IN) ,

(3)

其中：N為圖像中的像素總數(shù)量。如果進(jìn)行上述計(jì)算，時(shí)間復(fù)雜度會(huì)很高，為了提高算法的實(shí)時(shí)性，通過(guò)直方圖對(duì)像素按照顏色特征值歸類，在此定義下，相同顏色的像素點(diǎn)具有相同的顯著性值，特征值的計(jì)算即可簡(jiǎn)化為如下形式[25]：

(4)

其中：fn為特征值的出現(xiàn)頻率。圖2(a)表示的是原始圖像的顏色直方圖，圖2(b)表示的是不同顏色對(duì)應(yīng)的顯著性值。圖2(c)表示了視覺(jué)顯著性圖。

圖2 視覺(jué)顯著性結(jié)果 Fig.2 Visual saliency results

2.2 梯度差分算法

為了在視覺(jué)顯著性特征圖中找到種子點(diǎn)，本文將形態(tài)學(xué)基本梯度[26]與三幀差分算法[27]進(jìn)行了融合，提出了梯度差分算法。首先，利用參考點(diǎn)位于中心的3×3正方形掩模分別提取相鄰且連續(xù)的視覺(jué)顯著性圖像的基本形態(tài)學(xué)梯度特征。然后對(duì)提取到的特征進(jìn)行三幀差分，從而獲得種子點(diǎn)。算法原理如圖3所示。

圖3 梯度差分算法原理圖 Fig.3 Schematic diagram of gradient difference algorithm

2.2.1 數(shù)學(xué)形態(tài)學(xué)梯度

數(shù)學(xué)形態(tài)學(xué)[28]是一種基于形狀的圖像處理操作，包含膨脹、腐蝕、二值開(kāi)閉、形態(tài)學(xué)梯度、Top-Hat變換等多種形態(tài)學(xué)的代數(shù)運(yùn)算子。計(jì)算圖像的形態(tài)學(xué)梯度是幾種重要的形態(tài)學(xué)操作之一，該方法適用于圖像的特征抽取，由形態(tài)學(xué)最基本的膨脹和腐蝕兩種基礎(chǔ)操作適當(dāng)?shù)慕M合實(shí)現(xiàn)。

膨脹是將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過(guò)程。用結(jié)構(gòu)元素和原圖像做卷積，計(jì)算結(jié)構(gòu)元素所覆蓋區(qū)域的最大值，并賦值給參考點(diǎn)指定像素的過(guò)程。其數(shù)學(xué)表達(dá)式如下：

(5)

其中：X為原始圖像，Y為結(jié)構(gòu)算子，E為掩膜。

腐蝕是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程。可以用來(lái)消除小且無(wú)意義的物體。其用結(jié)構(gòu)元素和原圖像做卷積，計(jì)算結(jié)構(gòu)元素所覆蓋區(qū)域的最小值，并賦值給參考點(diǎn)指定像素。

其數(shù)學(xué)表達(dá)式如下：

X·Y={E|((Y)E?X)} .

(6)

常見(jiàn)的形態(tài)學(xué)梯度包含基本梯度、內(nèi)部梯度、外部梯度、方向梯度4種。內(nèi)部梯度是原圖像與腐蝕后圖像的差值圖像；外部梯度是膨脹后圖像與原圖像的差值圖像；方向梯度是使用水平方向與豎直方向的直線作為結(jié)構(gòu)元素得到的，水平方向與豎直方向的結(jié)構(gòu)元素分別為膨脹圖像與腐蝕圖像的差值圖像；基本梯度是膨脹后圖像與腐蝕后圖像的差值圖像。

為了獲取更多種子點(diǎn)，本文使用基本形態(tài)學(xué)梯度進(jìn)行計(jì)算，其數(shù)學(xué)表達(dá)式如下：

dst=X⊕Y-X·Y.

(7)

2.2.2 差分算法

幀間差分算法[29]是通過(guò)對(duì)視頻圖像序列的連續(xù)兩幀圖像做差分運(yùn)算獲取運(yùn)動(dòng)區(qū)域的算法。相鄰兩幀圖像之間的差別即為對(duì)應(yīng)位置像素值差的絕對(duì)值。其數(shù)學(xué)公式描述如下：

B(x,y)=|An+1(x,y)-An(x,y)} ,

(8)

(9)

其中：B(x,y)表示相鄰兩幀圖像的差分結(jié)果，D(x,y)表示差分算法的分割結(jié)果，P為經(jīng)驗(yàn)閾值。

使用幀間差分算法進(jìn)行檢測(cè)時(shí)，會(huì)產(chǎn)生“空洞”和“鬼影”現(xiàn)象，且無(wú)法識(shí)別靜止或運(yùn)動(dòng)速度很慢的目標(biāo)，故不能作為“低小慢”目標(biāo)檢測(cè)的有效手段。三幀差分算法在兩幀差分算法的基礎(chǔ)上進(jìn)行了改進(jìn)，算法將相鄰三幀圖像并為一組進(jìn)行差分，能夠準(zhǔn)確檢測(cè)到運(yùn)動(dòng)目標(biāo)之中的像素點(diǎn)，可以作為提取種子點(diǎn)的有效手段。其數(shù)學(xué)公式描述如下：

(10)

(11)

(12)

其中：W(n+1,n)和W(n,n-1)表示相鄰兩幀圖像的分割結(jié)果，Diff(x,y)表示三幀差分算法的分割結(jié)果，Q為經(jīng)驗(yàn)閾值。

圖4 梯度差分結(jié)果 Fig.4 Gradient difference results

梯度差分的效果如圖4所示，從實(shí)驗(yàn)效果可以看出，基于局部對(duì)比度的顯著性特征圖像在經(jīng)過(guò)形態(tài)學(xué)基本梯度運(yùn)算后，相當(dāng)于第二次過(guò)濾了圖像的顯著性前景特征，由此再進(jìn)行差分算法，得到的種子點(diǎn)更為精確，且種子點(diǎn)所在區(qū)域與實(shí)際前景區(qū)域基本穩(wěn)合。梯度差分算法可以自動(dòng)獲得具有明顯區(qū)域性的種子點(diǎn)，且基于強(qiáng)灰度特征差分后得到的種子點(diǎn)具有較好的可控生長(zhǎng)門限，可以避免生長(zhǎng)過(guò)后分割成過(guò)多區(qū)域這一情況的出現(xiàn)。

3 “低小慢”目標(biāo)檢測(cè)

3.1 基于掃描線填充的區(qū)域生長(zhǎng)

區(qū)域生長(zhǎng)[30]是指將成組的像素或區(qū)域發(fā)展成為更大區(qū)域的過(guò)程。該過(guò)程從圖像內(nèi)部的指定像素點(diǎn)(種子點(diǎn))開(kāi)始，由此出發(fā)找到所有具有相似屬性的像素點(diǎn)并合并到此區(qū)域。首先檢測(cè)種子點(diǎn)的顏色，若其與邊界像素點(diǎn)和指定填充色均不相同，則用填充色填充該點(diǎn)。然后檢測(cè)相鄰像素點(diǎn)，重復(fù)以上判定，直到檢測(cè)完圖像中的所有像素點(diǎn)為止。從當(dāng)前點(diǎn)檢測(cè)相鄰像素的傳統(tǒng)方法有兩種：一種為四向搜索，是指從四連通區(qū)域?qū)ふ蚁乱粋€(gè)像素；另一種為八向搜索，是指從八連通區(qū)域?qū)ふ蚁乱粋€(gè)像素。區(qū)域生長(zhǎng)是一個(gè)迭代的過(guò)程，這里每個(gè)種子像素點(diǎn)都迭代生長(zhǎng)，直到處理過(guò)每個(gè)像素。

傳統(tǒng)的區(qū)域生長(zhǎng)算法[31]雖然能提供良好的邊界信息和分割結(jié)果，但是迭代過(guò)程導(dǎo)致了算法時(shí)間復(fù)雜度較高，實(shí)時(shí)性不好。本文改進(jìn)的基于掃描線填充的區(qū)域生長(zhǎng)算法采用的是一種避免遞歸，提高效率的思想。該算法不再采用遞歸方式處理圖像的四鄰域區(qū)域和八鄰域區(qū)域，而是沿水平方向分行掃描并填充像素段，以分段形式處理相鄰的像素點(diǎn)。

算法流程(圖5)如下：

(1)初始化一個(gè)空的堆棧用于存放梯度差分算法得到的種子點(diǎn)，并將種子點(diǎn)壓入堆棧。

圖5 掃描線填充算法流程圖 Fig.5 Flow chart of scan line filling algorithm

(2)記錄種子點(diǎn)的顏色屬性，然后沿種子點(diǎn)所在掃描線分別沿左、右兩個(gè)方向進(jìn)行生長(zhǎng)，判斷符合要求的像素段并進(jìn)行填充，直到掃描至圖像邊界為止。判定公式如下：

(13)

其中，PR、PG和PB分別表示所掃描像素在R、G、B通道的灰度值。βR、βG和βB分別表示該行種子點(diǎn)在R、G、B通道像素的灰度值。τR、τG和τB為判定閾值。

(3)記下填充后掃描區(qū)段的起始坐標(biāo)，確定與這一區(qū)段相連通的上、下兩條掃描線上是否存在連續(xù)的符合如下判定要求的像素點(diǎn)：

(14)

其中，γR、γG和γB分別表示相鄰掃描線上像素在R、G、B通道像素的灰度值。σR、σG和σB為判定閾值。

如果存在，則將該區(qū)段左右兩端的像素點(diǎn)作為新的種子點(diǎn)保存起來(lái)并依次壓入堆棧。

(4)繼續(xù)步驟(2)，直到填充結(jié)束。

本文改進(jìn)的區(qū)域生長(zhǎng)算法考慮了掃描線上像素的相關(guān)性，種子像素不再代表一個(gè)孤立的像素，而是代表一個(gè)尚未填充的區(qū)段。算法在處理過(guò)程中只需要將每個(gè)水平像素段的起始點(diǎn)壓入堆棧即可，不需要將當(dāng)前種子點(diǎn)周圍所有尚未處理的鄰域點(diǎn)都?jí)喝攵褩５L(zhǎng)，可以節(jié)省堆?？臻g。并且本算法在選取生長(zhǎng)所需的新的種子點(diǎn)時(shí)充分考慮了其鄰域像素點(diǎn)的相似性，區(qū)域生長(zhǎng)過(guò)程中不再對(duì)已經(jīng)掃描過(guò)的像素段進(jìn)行迭代計(jì)算，算法的時(shí)間復(fù)雜度較低，且生長(zhǎng)后的圖像前景具有更好的區(qū)域連通性。

3.2 自適應(yīng)目標(biāo)分割

為了在圖像中分離出前景，本文提出了一種新的自適應(yīng)閾值分割算法。算法使用雙高斯函數(shù)來(lái)擬合圖像的直方圖，并采用最大似然估計(jì)自適應(yīng)求解出谷底最小值，將其設(shè)為最佳閾值有效提取前景。

直方圖可以表示圖像組成成分在灰度級(jí)的概率分布。每個(gè)概率值表示小于或等于該灰度值的概率。設(shè)灰度級(jí)為[0,L-1]范圍的數(shù)字圖像的直方圖是離散函數(shù)，則有：

H(sk)=n(k)k=0,1,…L-1 ,

(15)

(16)

其中：n為圖像的總像素?cái)?shù)量，sk為第k級(jí)圖像的灰度，nk為灰度級(jí)為sk的像素總數(shù)。P(sk)為灰度級(jí)sk的概率密度。對(duì)于經(jīng)過(guò)改進(jìn)區(qū)域生長(zhǎng)算法處理后的圖像，目標(biāo)和背景的直方圖通常呈現(xiàn)雙峰特性，且服從高斯分布，故本文采用雙高斯函數(shù)來(lái)對(duì)直方圖進(jìn)行擬合：

(17)

其中，a1,b1,c1,a1,b2,c2為待確定參數(shù)，采用最大似然估計(jì)對(duì)上述方程進(jìn)行求解：

(18)

對(duì)上式取對(duì)數(shù)：

(19)

求L對(duì)a1,b1,c1,a2,b2,c2的偏導(dǎo)數(shù)為零的解：

(20)

(21)

(22)

(23)

(24)

(25)

使用本方法擬合后的直方圖具有明顯的極大極小值，擬合結(jié)果如圖6所示。

圖6 雙高斯函數(shù)擬合直方圖結(jié)果 Fig.6 Double Gauss function fitting histogram results

通過(guò)式(19)～(24)可求得a1,b1,c1,a2,b2,c2的估計(jì)值，將其代入公式即可求得函數(shù)的谷底最小值：

(26)

將谷底最小值作為分割閾值代入公式，即可有效提取前景。

(27)

本文提出的基于雙高斯擬合直方圖的自適應(yīng)閾值分割算法結(jié)果如圖7所示。

圖7 自適應(yīng)閾值分割結(jié)果 Fig.7 Adaptive threshold segmentation results

3.3 剔除虛假目標(biāo)

理想的“低小慢”目標(biāo)是一個(gè)閉合的連通區(qū)域，呈現(xiàn)斑點(diǎn)狀、具有較小的熵和近似均勻的強(qiáng)度，可以根據(jù)候選目標(biāo)的面積占比變化、質(zhì)心距離、填充率差異、寬高比差異來(lái)剔除虛假目標(biāo)，降低虛警率。其計(jì)算方法如下：

①自動(dòng)獲得所有包含疑似目標(biāo)的最小外接矩形;

②計(jì)算目標(biāo)面積占比：

(28)

③計(jì)算目標(biāo)中心距離變化：

(29)

④計(jì)算寬高比：

(30)

表1 剔除虛警流程Tab.1 Eliminating false alarm process

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的有效性，本文選取了涵蓋目標(biāo)尺度變化，光照變化，姿態(tài)變化，遮擋等復(fù)雜情況的7組視頻進(jìn)行了測(cè)試(表2)，并將實(shí)驗(yàn)結(jié)果與Vibe算法[32]、PBAS算法[33]進(jìn)行了對(duì)比分析。為了保證實(shí)驗(yàn)結(jié)果的公平性和準(zhǔn)確性，本文使用引用文章的開(kāi)源代碼進(jìn)行了測(cè)試。

表2 實(shí)驗(yàn)中的測(cè)試視頻Tab.2 Test sequences in our experiments

本文算法采用C語(yǔ)言編寫，在Intel(R) Core (TM) i5-6500 CPU@3.2 GHz，4.00GB內(nèi)存，Windows7系統(tǒng)的電腦上，應(yīng)用OpenCV 2.4.10 和Microsoft Visual Studio 2010軟件搭建了實(shí)驗(yàn)環(huán)境并編寫算法。本文算法中Q=80，τR,G,B=30，σR,G,B=20。

表2中局部信雜比(Signal to Clutter Ratio，SCR)的計(jì)算方式如下：

(31)

(32)

其中，Jt為目標(biāo)個(gè)數(shù)，SCRi為第i個(gè)目標(biāo)的信雜比。

4.1 評(píng)價(jià)指標(biāo)及對(duì)比

為了定量分析檢測(cè)算法的性能，實(shí)驗(yàn)中采用檢測(cè)準(zhǔn)確率Pd(Detection accuracy)、虛警率Pfa(False alarm rate)以及算法的時(shí)間復(fù)雜度(Time complexity)來(lái)評(píng)價(jià)算法的檢測(cè)效果[35]：

(33)

(34)

其中，Nt表示正確檢測(cè)到的目標(biāo)幀數(shù)，Na表示實(shí)際含目標(biāo)視頻的總幀數(shù)，Nf表示檢測(cè)到的目標(biāo)虛警總數(shù)量，N表示測(cè)試視頻序列的總幀數(shù)。

本文使用3種檢測(cè)算法分別對(duì)7組視頻進(jìn)行了測(cè)試，獲得的檢測(cè)準(zhǔn)確率Pd，虛警率Pfa，算法的時(shí)間復(fù)雜度分別如表3、表4所示。其中，算法的平均耗時(shí)為測(cè)試視頻中單幀檢測(cè)時(shí)間最大值和最小值的平均值，算法的總耗時(shí)為完成完整測(cè)試視頻所用的時(shí)間。

表3 檢測(cè)準(zhǔn)確率Pd及虛警率PfaTab.3 Detection accuracy and false alarm rate (%)

表4 算法的時(shí)間復(fù)雜度Tab.4 Average time consumption and total time consumption of the proposed algorithm

圖8 對(duì)比實(shí)驗(yàn)結(jié)果 Fig.8 Comparison of experimental results for different algorithms

為了更直觀地說(shuō)明對(duì)比結(jié)果，圖8給出了本文算法及對(duì)比算法的實(shí)驗(yàn)結(jié)果。其中，圖8(a)為原始測(cè)試圖像視頻序列(Vedio1-Vedio7)，圖8(b)為Vibe(Visual Background Extractor)算法的實(shí)驗(yàn)結(jié)果，圖8(c)為PBAS(The Pixel-Based Adaptive Segmenter)算法的實(shí)驗(yàn)結(jié)果，圖8(d)為本文算法實(shí)驗(yàn)結(jié)果。

4.2 結(jié)果分析

通過(guò)對(duì)比可以看出，Vibe算法在動(dòng)態(tài)復(fù)雜天空背景環(huán)境下進(jìn)行檢測(cè)時(shí)具有明顯的“鬼影”現(xiàn)象，檢測(cè)準(zhǔn)確率較低。在此基礎(chǔ)上改進(jìn)的PBAS算法可以去除大面積的“鬼影”，并在信雜比大于3的視頻序列中具有較高的檢測(cè)準(zhǔn)確率，但是算法時(shí)間復(fù)雜度較之前更高，在低信雜比環(huán)境下檢測(cè)準(zhǔn)確率較低。本文提出的算法在信雜比小于1的視頻序列中仍具有81.6%的檢測(cè)準(zhǔn)確率，且虛警率較低，僅為5.1%。算法的時(shí)間復(fù)雜度、檢測(cè)準(zhǔn)確率Pd及虛警率Pfa這3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)對(duì)于7個(gè)測(cè)試視頻均達(dá)到最佳，在信雜比較低的視頻序列中，檢測(cè)準(zhǔn)確率較其他算法平均提高了11.4%，時(shí)間復(fù)雜度僅為Vibe和PBAS算法的十分之一。本文算法在光照變化、尺度變化、姿態(tài)變化及背景干擾的情況下依舊具有較好的魯棒性，優(yōu)于Vibe和PBAS算法。

從圖9可以看出，算法可以在復(fù)雜動(dòng)態(tài)天空背景中剔除虛假目標(biāo)并準(zhǔn)確發(fā)現(xiàn)真正目標(biāo)，矩形框代表算法自動(dòng)檢測(cè)到的“低小慢”目標(biāo)。

圖9 本文算法檢測(cè)結(jié)果 Fig.9 Detection results by proposed algorithm

5 結(jié) 論

為了在復(fù)雜天空背景下檢測(cè)出低空慢速小目標(biāo)，本文在應(yīng)用局部亮度對(duì)比度提取圖像視覺(jué)顯著性特征的基礎(chǔ)上，融合了形態(tài)學(xué)梯度和三幀差分算法來(lái)獲取種子點(diǎn)，通過(guò)改進(jìn)的掃描線填充算法有效去除復(fù)雜背景。同時(shí)，提出了新的自適應(yīng)直方圖分割算法來(lái)提取前景，并根據(jù)目標(biāo)的面積占比變化、質(zhì)心距離變化、寬高比差異剔除虛假目標(biāo)，完成檢測(cè)。

對(duì)7組測(cè)試視頻進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果和數(shù)據(jù)表明：本文提出的算法對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的平均運(yùn)行時(shí)間為0.040 9 s，平均檢測(cè)準(zhǔn)確率為89.97%，相比于其他算法平均運(yùn)算時(shí)間減少了0.35 s，檢測(cè)的平均準(zhǔn)確率提高了24.5%。與其他的優(yōu)秀檢測(cè)算法相比，本文算法能夠獲得更多的有效信息并減少背景信息的干擾，具有更好的魯棒性和更好的實(shí)時(shí)性。