一种智能化的红外弱小目标检测方法*

刘 刚，周 珩，吴催生，张喜涛

（1.中国空空导弹研究院，河南 洛阳 471009；2.郑州大学信息工程学院，郑州 450001；3.河南科技大学信息工程学院，河南 洛阳 471023）

一种智能化的红外弱小目标检测方法*

刘 刚1，2，3，周 珩1，吴催生1，张喜涛1

（1.中国空空导弹研究院，河南 洛阳 471009；2.郑州大学信息工程学院，郑州 450001；3.河南科技大学信息工程学院，河南 洛阳 471023）

针对复杂背景下的远距离红外弱小目标检测问题，提出了一种基于自适应结构元素形态学和BP神经网络的智能化检测方法。该方法首先将图像按一定大小分成子图像，通过统计子图像的特征确定候选目标区域，然后基于自适应结构元素的灰度形态学顶帽变换，实现红外空中复杂背景的抑制并突出待检测的小目标。接下来，以像素的灰度、水平、垂直和对角梯度、邻域均值和方差6个特征为输入量，构造三层BP神经网络，最终实现红外复杂背景下的弱小目标检测。仿真实验结果表明，该方法可以实现对红外复杂背景的有效抑制，稳定准确地检测出信噪比大于2的红外弱小目标。

红外小目标，背景抑制，自适应结构元素，顶帽变换，BP神经网络

0 引言

战场环境一般包括海、天和地面，由于烟雾，云层，地表的山脉、纹理、大型建筑群以及海空地的交界面均会使背景复杂化。这些复杂的背景都会对目标的检测产生极大的干扰。如何对复杂背景进行抑制，准确识别弱小目标，是实现远距离红外成像探测的关键。

红外弱小目标检测按照进行检测和跟踪的顺序可划分为跟踪前检测方法（Detection Before Track DBT）和检测前跟踪方法（Track Before Detect TBD）。TBD方法同时利用目标的灰度信息和时间信息，直接对原始序列图像中大量的候选目标轨迹同时进行评估，从中排除噪声，选择目标。TBD算法主要包括假设检验方法、三维匹配滤波器、动态规划方法、基于投影变换的弱小目标检测等等。TBD方法主要应用于目标信噪比较低，单帧图像检测产生大量虚警的情况。该类算法往往较为复杂，运算量巨大，难于实现实时目标检测。DBT方法是传统的目标识别算法。首先，在单帧图像中根据目标灰度信息检测目标，提供若干包含噪声在内的候选目标，再利用目标的时间特性在图像序列中识别、跟踪目标。目前，国内外基于DBT方法的红外复杂背景下小目标的检测研究主要集中在频域方法［1-4］、形态学方法［5-6］、空域高通滤波法［7-8］、Robison Guard法［9-10］和背景预测法［11-13］等。其中文献［12-13］均通过神经网络来预测红外背景，然后通过背景相消的方法实现背景抑制和目标检测。在此基础上，为了进一步提高检测算法的适用性和抗干扰能力，本文提出了一种自适应结构元素的灰度形态学顶帽变换和BP神经网络相结合的智能化检测方法。该方法以候选目标区域的大小作为灰度形态学顶帽变换结构元素选择的参考，实现红外复杂背景的抑制。在此基础上，对目标和背景像素进行各自的特征描述并以此作为输入量，构建三层BP神经网络，经过大量样本像素进行训练，实现红外小目标的智能化检测。算法流程如图1所示。

1 红外复杂背景抑制

1.1 灰度形态学背景抑制理论

红外实时成像应用中目标通常包含在复杂背景中，一般可利用背景估计技术估计图像的背景，然后从原图中剔除背景后可以得到增强后的目标图像，降低候选目标区域提取的难度，并减少参与图像匹配过程的候选目标数量。

数学形态学在图像分析中得到了广泛的应用。红外图像中的目标区域通常为亮区域，在选用比目标区域尺寸大的结构元素情况下，灰度形态学开运算可使亮的目标区域被看作噪声而被滤除，可以估计可能目标区域外的图像背景而不破坏目标区域特征。原图像与估计出的图像背景作差即可得到包含候选目标且抑制大量背景的增强图像。该过程在灰度形态学中称为顶帽变换。

1.2 结构元素尺寸的自适应确定

结构元素的选择是决定背景估计效果结果好坏的关键因素，如何选择结构元素是形态学中一个研究热点和难点。以往关于利用形态学上的顶帽算子对红外弱小目标进行检测的研究中，结构元素均为事先确定。因此，这些滤波器仅仅在所对应的某类图像模型中具有较好的性能。然而，红外图像背景复杂且处于不断变化之中，这就要求选用的结构元素应具有自适应功能，以实现最优化处理。在红外图像中，真实目标区域的灰度值较大且灰度分布较均匀即方差值较小。根据目标区域的这个灰度分布特征，本文通过3个步骤进行候选目标区域的初始判定：①将图像按一定大小分成子图像；②计算每一子图像区域内的灰度均值μl和方差σl，并计算均值与方差之比；③如果比值大于全局值则该子区域可能为候选目标区域，并标记该区域，即

μg、σg为全局均值和方差。

在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边长作为灰度形态学顶帽变换的结构元素大小。

2 BP神经网络小目标检测

2.1 BP神经网络算法原理

采用误差反向传播算法进行训练的多层前馈网络称为BP网络。由于具有结构简单、工作状态稳定、易于硬件实现等优点，在众多的神经网络模型中，BP网络的应用最为广泛。BP网络由输入层、隐含层、输出层及各层之间的节点连接权所组成，使用神经网络实现计算的主要思想是：输入学习样本，使用反向传播算法对网络的权值和阈值进行反复调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，得到计算网络；然后输入测试值，使用训练好的神经网络对其进行计算得到输出结果。

2.2 小目标检测的网络结构设计

在本文的设计中，BP神经网络采用单隐层的三层前向网络，主要包括输入层、隐层和输出层。

考虑到背景抑制后待检测目标在图像中呈现为亮点区域的特点，本文归纳了以像素点为中心的6个特征作为神经网络的输入，即网络输入层节点个数为6：灰度值A1、水平梯度A2、垂直梯度A3、对角梯度A4、邻域均值A5、邻域方差A6。所有梯度均为1阶，邻域大小取3*3。

网络输出神经元个数为1，表示当前像素属于目标1或背景0。取识别误差为0.5，输出在0.5～1之间认为是目标点，0～0.5之间则是背景点。

t和r分别是输入、输出层神经元个数，α一般为1～10之间的常数。本文试验取8个节点。

隐层和输出层的激励函数选择logsig函数：

3 试验与分析

3.1 BP神经网络的训练

从经过自适应形态学顶帽变换进行背景抑制的空中红外视频100帧中选择20帧典型图像，涵盖目标位于云背景外和云背景中两类情况。原始图像序列其中5帧如图2所示。每帧图像取包括目标和背景的样本点50个，一共1 000个样本对BP神经网络进行训练。其余80帧作为测试图像。部分样本如表1所示。

BP算法的一个主要缺陷为网络训练过程中可能陷入局部最优而不能达到全局最优。鉴于这种情况，本文采用动态学习率。如当前总误差与上次总误差小于某阈值时，增大学习率，跳出局部最优，反之则减小学习率。网络的初始权值在0.1～0.4范围内取得，初始学习率取0.5。网络训练次数为2 000次，训练目标误差为10-3。

图3表示BP神经网络随机计算过程中的误差收敛曲线。图3中所示训练达到378次时，达到训练目标误差要求。表2表示15个样本的测试结果。由表2可看出，测试结果达到预期，目标和背景像素点得到较好区分。

3.2 本文算法的检测效果

对红外空中100帧图像按照自适应形态学顶帽变换进行背景抑制，考虑小目标的实际大小范围，将原图像按照7*7邻域进行划分，当邻域均值和方差比值大于全局值时，认为其为候选目标区域。对所有候选区域计算最大矩形包围盒边长作为结构元素的尺寸。如果设置的初始图像划分尺寸如7*7找不到候选目标区域，则减少划分尺寸继续在图像中遍历。初始图像的划分尺寸设置上限和下限（本文尺寸3*3），如在划分尺寸下限仍没有找到候选目标区域，则以该下限值作为结构元素尺寸。通过顶帽变换，可以保留所有尺寸小于结构元素的疑似目标。图2的背景抑制结果如图4所示。图5、图6分别为海面和地空图像的背景抑制效果。

本文通过局部信噪比增益 （Local Signal-to-Noise Ratio Gain）和背景抑制系数（Background Suppression Factor）两个指标定量衡量背景抑制效果：

针对红外空中背景图像，本文背景抑制方法与文献7的两种空域高通滤波器（H1、H2）的局部信噪比增益、背景抑制系数比较见表3和表4。

对其余80帧红外空中图像进行测试，全部实现成功检测。其中3帧的处理结果如下页图7所示。图中以检测到的目标像素的几何中心生成波门框。

需要指出的是，在具有较强背景噪声的情况下，噪声点经过本文的智能化处理过程会产生误判，这时需要进一步利用噪声在相邻帧出现位置的随机性，利用管道滤波序列检测算法进行目标确认以及虚警滤除。

4 结束语

针对远距离复杂背景下的红外弱小目标检测问题，本文提出了一种结合自适应结构元素的灰度形态学顶帽变换和BP神经网络的智能化检测方法。该方法利用形态学顶帽变换进行红外复杂背景抑制，其中结构元素的大小通过统计候选目标区域来确定。在此基础上，对BP神经网络进行离线训练，形成图像像素特征与目标或背景的非线性输入输出关系，最终实现红外复杂背景下的小目标在线检测。仿真实验结果表明，本文方法在复杂背景抑制方面具有明显的优势，能够实现红外弱小目标的智能化检测。

［1］Wei Y，Shi Z L，Yu H B.Wavelet Analysis Based Detection Algorithm for Infrared Image Small Target in Background of Sea and Sky［J］.IEEE Image and Signal Processing and Analysis，2003，18（1）:23-28.

［2］杨杰，杨磊.基于红外背景复杂程度描述的小目标检测算法［J］.红外与激光工程，2007，36（3）:382-386.

［3］张翔，张建奇，秦翰林.基于对偶树复小波变换的红外弱小目标背景抑制［J］.光子学报，2010，39（9）:1672-1677.

［4］罗晓清，吴小俊.利用小波变换与Gabor滤波检测红外小目标［J］.红外与激光工程，2011，40（9）:1819-1823.

［5］Victor T T.Morphology-based Algorithm for Point Target Detection in Infrared Backgrounds［J］.Proceedings of SPIE，2003，1954（2）:2-11.

［6］藏传吉，李桂祥，王宇翔.基于形态学方法的红外小目标检测［J］.空军雷达学院学报，2012，26（2）:94-97.

［7］彭嘉雄，周文琳.红外背景抑制与小目标分割检测［J］.电子学报，1999，27（12）:47-51.

［8］余小英，李凡生，邵晓鹏.基于背景抑制的4种红外小目标检测算法比较［J］.红外技术，2009，31（5）:287-381.

［9］莫金花，郗润平，张艳宁，等.全局-局部联合滤波的红外小目标背景抑制方法［J］.中国体视学与图像分析，2011，16（3）:223-231.

［10］陈炳文，王文伟，秦前清.aiNet背景抑制的单帧红外弱小目标检测［J］.中国图象图形学报，2012，17（10）: 1252-1260.

［11］吕雁，苏新主.一种基于背景预测的红外杂波抑制新方法［J］.系统工程与电子技术，2007，29（8）:1270-1273.

［12］张焱，沈振康，王平.基于BP神经网络的红外小目标检测［J］.系统工程与电子技术，2004，26（12）:1901-1904.

［13］焦建斌，杨舒，刘峰.基于人工神经网络的红外小目标检测［J］.控制工程，2010，17（5）:611-613.

An Intelligent Detecting Method for Infrared Small Target

LIU Gang1，2，3，ZHOU Heng1，WU Cui-sheng1，ZHANG Xi-tao1
（1.China Airborne Missile Academic，Luoyang 471009，China 2.Zhengzhou University，School of Information Engineering，Zhengzhou 450001，China 3.Henan University of Science and Technology，School of Information Engineering，Luoyang 471023，China）

Aiming for the problem of infrared small target’s detecting under complex background，an intelligent algorithm is presented based on the adaptive gray level’s morphology and BP netual network.By using the morphologic top-hat transform which has adaptive structural element，Most infrared background is firstly suppressed.Subsequently，taking pixle’s gray level，horizontal gradient，vertical gradient，diagonal gradient，neighborhood mean and neigiborhood variance as input character vetor，a BP neutral network which has three layers is constructed and infrared small target is detected in the end by this network.The experimental results show that the method given by this paper can not only realize the suppression for the infrared complex background effectively，but also detect the small target whose SNR is above 2 steadily.

infrared small target，background suppression，adaptive structual element，top-hat transform，BP neutral network

TP391.41

A

1002-0640（2015）10-0147-05

2014-07-15

2014-10-07

航空科学基金（20130142004）；河南科技大学博士科研启动基金（0p001631）；河南科技大学青年基金资助项目（13000945）

刘 刚（1974- ），男，湖南临武人，博士后，副教授。研究方向：图形图像处理、测控技术，嵌入式开发。