李甜田　張琪　張勇　張熙

摘 要：本文通過研究目標在單一場景條件下的成像特點與背景圖像特征，提出一種基于動態(tài)特征、靜態(tài)圖像特征結合的單一背景目標檢測算法框架模型。然后，通過分析算法模型對目標特征凸顯的兩種策略模式，分析其突出特征。最后，結合背景抑制分割方法，實現(xiàn)背景中目標的自適應溢出。

關鍵詞：單一背景;運動特征;靜態(tài)特征;目標檢測

中圖分類號：TP391.41文獻標識碼：A文章編號：1003-5168（2020）13-0030-05

Single Background ObjectDetection Method Based on

Dynamic and Static Combination

LI Tiantian ZHANG Qi ZHANG Yong ZHANG Xi

（The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou Henan 450047）

Abstract： In this paper， by studying the imaging characteristics and background image characteristics of the target in a single scene， a single background target detection algorithm framework model based on the combination of dynamic characteristics and static image characteristics was proposed. Then， through the analysis of the two strategy modes of the algorithm model to highlight the target features， the prominent features were analyzed. Finally， combining with the background suppression segmentation method， the adaptive overflow of the target in the background was realized.

Keywords： single background;motion feature;static feature;object detection

1 研究背景

紅外/可見光成像探測系統(tǒng)能夠增強人們在探測或者檢測領域對圖像的認知和理解能力，且具有良好的隱蔽性、較強的抗干擾性能、較遠的作用距離和可晝夜工作等優(yōu)點，已被廣泛地應用于目標探測與火控、精確制導、搜索跟蹤與預警以及光學遙感等軍用和民用領域。充分發(fā)揮紅外/可見光成像探測技術的優(yōu)勢，提高系統(tǒng)的探測能力，對提高基于成像的探測應用系統(tǒng)的性能具有重要的意義[1]。

針對天空背景運動目標，其圖像特征及實際運動特性具有一定的規(guī)律性和顯著性。某標準測試數(shù)據(jù)集圖像如圖1所示。

國內很多學者已經(jīng)做了大量拓展的研究工作，并發(fā)表了相關研究成果，如2004年，尚曉清[2]研究了多尺度分析在靜態(tài)圖像處理中的應用;2010—2011年，周慧鑫[3]、劉上乾[4]等提出基于多尺度截斷和基于剪切波變化等兩種方式解決紅外復雜背景抑制方法;2015年，周慧鑫等人[5]又提出了多尺度各向異性擴散方程的紅外弱小目標檢測方法。

2 算法模型框架

2.1 單一場景背景與目標圖像特征分析

2.1.1 場景背景分布特性。本文中單一場景指的是天空（有云或者無云），場景中除目標（飛機、飛行器等）外，不存在其他大面積強烈干擾目標的干擾區(qū)域。在圖像中表現(xiàn)為非目標區(qū)域的圖像統(tǒng)計特性分布均勻，而目標表現(xiàn)為較場景中的圖像特性分布具有更高的對比差異性。后續(xù)圖像目標檢測方法均為基于此場景分布特性進行分析。

2.1.2 目標特性分析?；趩我粓鼍疤卣鳁l件下，目標的特征從直觀角度分析可以直觀描述。例如：根據(jù)人的經(jīng)驗，目標是運動的，目標相對于場景分布更突出（更亮或者更暗，較高辨識度），目標是一個封閉形狀的突兀區(qū)域等。通過該直觀特性分析，理想的目標反映在圖像上應是一個閉合的連通區(qū)域，同時應該具有以下5個基本特性：呈現(xiàn)斑點狀或塊狀;較小的熵;目標內部近似均勻的強度;與其局部鄰域的差異性;具有相較于背景的快速運動性。

綜合單一場景條件下背景與目標的特性分析，該場景下目標檢測是依據(jù)目標特性將目標從背景中分割出來，通過這一過程實現(xiàn)對目標的檢測。

2.2 算法框架模型總體思路

本文目標檢測的核心目的是凸顯單一背景中的目標，進而通過圖像分割、目標特性濾波等手段，實現(xiàn)圖像視頻中的目標檢測，進一步實現(xiàn)連續(xù)圖像/視頻中的目標跟蹤效果。本文的整體算法思路如圖2所示。

2.3 基于幀間的運動目標檢測方法

幀間差分方法是通過對序列圖像中相鄰幀做差分或“相減”運算，利用序列圖像中相鄰幀的強相關性進行變化檢測，從而檢測出運動目標。當場景中出現(xiàn)異常目標運動時，相鄰兩幀圖像之間會出現(xiàn)較為明顯的差別，通過直接比較相鄰兩幀對應像素點灰度值的不同，選取閾值，判斷圖像對應位置像素差值的絕對值是否大于閾值，從而提取序列圖像中的運動區(qū)域。該方法的優(yōu)點是計算簡單，程序復雜度低，運行速度快，對動態(tài)環(huán)境有較好的適應性。該方法的缺點是易在目標內部形成“空洞”現(xiàn)象和“雙影”現(xiàn)象（差分圖像物體邊緣輪廓較粗）;不能提取運動對象的完整區(qū)域，僅能提取輪廓;算法效果嚴重依賴所選取的幀間時間間隔和分割閾值。

2.4 基于靜態(tài)單幅圖像顯著性特征檢測

基于靜態(tài)圖像目標檢測的計算過程如下：

其中，[I]和[u]分別為原始圖像和背景抑制后的圖像;[H]為局部自適應算子;加權系數(shù)[λE]、[λW]、[λN]和[λS]分別為一階鄰域內4個方向上的擴散量，其計算公式為：

其中，[ct]為擴散函數(shù)，滿足連續(xù)嚴格單調遞增，以實現(xiàn)抑制背景并增強目標。

其中，

本文中[ct]選擇的函數(shù)形式為：

式中，[k]為常數(shù)，通常在10～20范圍內，本系統(tǒng)選擇的[k]值為18.75。

2.5 基于特征圖像的自適應決策邊界分割方法

圖像信息經(jīng)過平滑去噪、背景抑制（或目標增強）等處理后，即可通過分割的方法提取目標的位置坐標，本文采用一種基于分塊自適應決策的邊界分割方法[6-12]。

[wx，y]表示需要分割圖像中對應坐標點處的灰度值。若圖像w的橫、縱像素數(shù)均為[K]的整數(shù)倍，則將圖像分割成[K]塊，否則，將圖像w的橫、縱像素數(shù)均擴展為[K]的整數(shù)倍，再進行分割。然后計算自適應邊界[T]，計算公式為：

其中，[m]和[υ]分別為每一個小塊圖像取其灰度均值和標準差;[k]為常數(shù)，經(jīng)驗值為3～12;[r]（[r]>0）為自適應決策邊界系數(shù)，自適應決策邊界系數(shù)可調節(jié)決策邊界的大小。

將圖像中每一個點與決策邊界進行比較，將圖像二值化，具體操作如式（11）所示：

本文中計算動態(tài)檢測的分割閾值方法如下：記圖像大小為[m×n]，[f（i，j）]為當前幀圖像[（i，j）]的灰度值，[f′（i，j）]表示前一幀圖像[（i，j）]的灰度值，記中間變量為：

自適應閾值為：

其中，[nl和σ]均為常數(shù)，[nl=12]，[σ=0.9]。

計算靜態(tài)分割閾值方法為：

自適應閾值為：

其中，[nl和σ]均為常數(shù)，[nl=12]，[σ=0.9]。

2.6 基于多維特征的目標決策策略

通過動態(tài)目標特征及靜態(tài)目標特征圖像檢測，并結合自適應決策邊界圖像分割，在圖像上會呈現(xiàn)多個候選目標。通過多個候選目標的多個維度特征進行決策，可以有效剔除偽目標、虛景等容易干擾的目標信息。本文采用管道關聯(lián)濾波器作為目標決策的主要決策方式，管道關聯(lián)濾波器決策采用的具體特征包括多次檢測到目標的運動特征（如運動速度，反映到圖像上可描述為幀間運動圖像像素的歐氏距離），多次檢測到目標的尺度特征（如多次檢測到目標變化尺度具有上下限），多次檢測到目標的形狀特征（如形狀在幀間變化有限），多次檢測到的目標灰度特征（如目標灰度統(tǒng)計特征在幀間變化有限）。管道關聯(lián)濾波流程如圖3所示。

3 參數(shù)影響分析

3.1 自適應閾值參數(shù)分析

基于圖像像素計算信息得到的自適應分割閾值中[nl]、[σ]表示控制決策閾值邊界系數(shù)，通過調整這兩個參數(shù)值大小可以控制圖像中目標檢測的敏感性。通常，當[nl]、[σ]的數(shù)值相對較大時，目標檢測敏感性能力受抑制;當[nl]、[σ]的數(shù)值較小時，目標檢測敏感性能力提高，同時會降低抗噪聲干擾的能力。這就意味著，在實際使用時，可以根據(jù)相應的圖像使用場景進行測試修改。同時，[nl]與探測圖像類別相關，如可見光圖像與紅外圖像目標檢測中的該參數(shù)值差別較大，[σ]數(shù)值相對于同一探測圖像的不同場景響應度更高，如對于可見光圖像，晴朗天氣下[σ]的數(shù)值相對較大，陰天等云霧較多的場景條件下[σ]的數(shù)值相對較小。后續(xù)可根據(jù)場景統(tǒng)計特征進行參數(shù)值的自適應調整，處理效果類似于相機等前端探測設備中的自動曝光功能。

3.2 靜態(tài)檢測擴散函數(shù)參數(shù)分析

本文中擴散函數(shù)[c（t）]選擇的函數(shù)形式見公式（9），[t]表示灰度之差的絕對值，不同參數(shù)[k]對應的擴散函數(shù)曲線如圖4所示。

從圖4可以看出，隨著參數(shù)[k]數(shù)值的增大，參數(shù)曲線的斜率不斷減小，這就意味著對應于參數(shù)更大的擴散函數(shù)曲線，對梯度變化更小的梯度絕對值能反映的擴張能力相對更小，對參數(shù)更小的擴散函數(shù)曲線，對梯度變化更小的梯度絕對值能夠反映的擴張能力相對更大。反映到實際應用場景使用時可以得到如下結論：當場景分布灰度更廣更均勻時，對應的參數(shù)曲線可以采用參數(shù)數(shù)值更小的參數(shù)曲線，對應場景分布灰度更窄的圖像可以采用更大的參數(shù)函數(shù)曲線，不過在實際測試使用時，建議采用參數(shù)更小的曲線，這樣能對微小的梯度變化更加敏感。

4 實驗驗證效果分析

4.1 測試效果

本文測試視頻圖像數(shù)據(jù)是通過實際工程項目中使用的光學系統(tǒng)采集得到的，包括可見光視頻和紅外圖像視頻均進行了一系列測試，通過本文算法模型框架得到的效果如圖5、圖6和圖7所示。

利用可見光針對純天空背景（有云）的無人機實際檢測測試應用場景如圖5所示。

利用可見光探測針對地面與天空交匯背景的無人機實際檢測測試應用場景如圖6所示。其中圖像中天空部分占比大。

利用紅外探測針對天空背景（有云）的無人機實際檢測測試應用場景如圖7所示。

圖5、圖6和圖7展示的檢測效果表明本文算法模型框架能有效地進行目標檢測和提取。即便在圖6中有少部分地面背景，但仍以天空背景為主的情況下，仍然能有效檢測和提取出目標。

4.2 計算復雜度

動態(tài)檢測計算復雜度為[O（m×n）]，共進行[mn]次減法，靜態(tài)檢測計算復雜度[O（m×n）];但是比幀間差分多做[6mn]次加減法和[4mn]次乘法。

進行圖像閾值求解計算部分的計算復雜度為[4mn]次加減法和[mn]次乘法。

目標聚類和管道濾波方法的計算復雜度在本文中不作為重點，因此不做衡量。

整體而言，靜態(tài)檢測部分在整個算法模型框架中為最高計算復雜度部分，在實際應用和工程實踐中可對此部分進行針對性處理和實現(xiàn)，以提高整體的計算效率。

5 未來的工作

5.1 該模型框架優(yōu)缺點

本文采用的算法框架模型設計思路直觀簡單，計算復雜度相對較低，可應用于各種硬件處理平臺（PC或嵌入式）中，并且基于本文提出的算法框架模型，可以針對實際使用需求對各個模塊參數(shù)進行修正，能應用于針對使用需求的場景特征和目標特性。

但是，本文提出的算法處理的場景相對單一，單線程計算復雜度相對較高，并且多個參數(shù)的使用過多依賴于人為經(jīng)驗設置，在實際工程應用中需修改和調整。

5.2 改進思路

為了適應更多的工程應用場景需求，框架中的相關參數(shù)可以進行場景自適應處理，即根據(jù)場景圖像的相關計算統(tǒng)計信息可以自適應調整參數(shù)的設置，提高算法框架的魯棒性。

結合嵌入式硬件算法優(yōu)化策略，算法框架模型中的靜態(tài)檢測部分在單核處理器上運行相對耗時，而當應用于FPGA或GPU等嵌入式計算平臺中，由于硬件的并行處理計算架構，通過硬件邏輯實現(xiàn)大幅度降低整體計算時間，提高計算效率。因此，結合具體硬件平臺的優(yōu)化，可以將本文中目標檢測框架模型應用于多種使用場景中，以滿足多場景使用需求。

6 結語

本文通過場景中目標多特征分析，采用一種基于動靜結合的目標檢測框架模型，該模型針對單一場景時，能有效檢測并提取目標。同時，該模型算法結合模塊化設計思路，能通過優(yōu)化對應模塊和修改對應模塊的相關參數(shù)，滿足針對特定場景的應用需求。此外，由于該模型的設計思路相對簡單，可應用于嵌入式等多計算平臺中。在實際多個工程應用中，該算法也進行了實際場景的測試，在工程實踐中也得到了相關檢驗和驗證。

參考文獻：

[1]龐英名.基于PTS和GM-CBMeMBer濾波的紅外多弱小目標檢測跟蹤算法研究[D].西安：西安電子科技大學，2017.

[2]尚曉清.多尺度分析在圖像處理中的應用研究[D].西安：西安電子科技大學，2004.

[3]周慧鑫，秦翰林，賴睿，等.基于多尺度截斷的弱小目標復雜背景抑制[J].光學學報，2010（10）：2812-2816.

[4]秦翰林，李佳，周慧鑫，等.采用剪切波變換的紅外弱小目標背景抑制[J].紅外與毫米波學報，2011（2）：162-166.

[5]周慧鑫，趙營，秦翰林，等.多尺度各向異性擴散方程的紅外弱小目標檢測算法[J].光子學報，2015（9）：146-150.

[6] Wang chuanyun， Qin Shiyin. Adaptive detection method of infared small target based on target-background separation via robust principal compenent analysis[J]. Infared Physics & Technology， 2015（69）：123-135.

[7] Lou J ， Zhu W ， Wang H ， et al. Small target detection combining regional stability and saliency in a color image[J]. Multimedia Tools and Applications，2017（13）：14781-14798.

[8]趙東，周慧鑫，于君娜，等.復雜天空背景下的紅外弱小目標跟蹤[J].強激光與粒子束，2018（6）：27-34.

[9]趙東，周慧鑫，秦翰林，等.基于引導濾波和核相關濾波的紅外弱小目標跟蹤[J].光學學報，2018（2）：39-46.

[10]基于移動式加權管道濾波的紅外弱小目標檢測[J].西安電子科技大學學報（自然科學版），2007（5）：743-747.

[11]董維科，張建奇，劉德連，等.基于運動方向估計的管道濾波算法[J].光子學報，2013（4）：471-474.

[12]基于移動管道的紅外弱小目標檢測算法與仿真驗證研究[D].杭州：浙江大學，2015.

收稿日期：2020-03-15

作者簡介：李甜田（1987—），女，碩士，工程師，研究方向：光電導航、圖像處理;張琪（1988—），男，碩士，工程師，研究方向：光電導航、目標識別與跟蹤等。