《基于分块速度域改进迭代运动目标检测算法的红外弱小目标检测》由会员分享，可在线阅读，更多相关《基于分块速度域改进迭代运动目标检测算法的红外弱小目标检测（13页珍藏版）》请在金锄头文库上搜索。
1、物理学报Acta PhysSinVo163，No7(2014)074208 基于分块速度域改进迭代运动目标检测算法的 红外弱小目标检测冰 侯旺十 于起峰 雷志辉 刘晓春 (航天科学与工程学院，国防科技大学，长沙410073) (2013年11月22日收到；2013年12月9日收到修改稿) 提出一种基于分块速度域的迭代红外运动目标检测算法来解决传统算法计算量巨大这一难题首先，采 用二维最小均方差滤波器对红外序列图像进行滤波，获得包含弱小目标以及残差的红外序列图像然后，通过 在序列图像块的速度域上应用改进的迭代运动目标检测算法进行能量累积，从而将弱小目标的运动速度在速 度域进行累积增强，达到检测弱
2、小运动目标的目的最后在解算出的速度值附近进行搜索，得到弱小目标运动 的精确速度利用此速度进行空域能量累积，得到叠加图像，在此图上进行目标检测与传统方法相比较，几组 实验结果显示，本文提出的方法大大缩短了检测的时间，而且本文方法的检测效果也较好 关键词：目标检测，能量累积，速度域，分块 PACS：4230一d4230Sy DOh 107498aps63074208 1引 言 红外弱小目标探测技术是近年来信息处理技 术中的研究热点之一，也是是当今世界高技术领 域的热门研究课题 ， 由于弱小目标探测技术的 极端重要性，这项技术越来越引起各国的高度重 视0， 但是，实时的、鲁棒的、通用的红外弱小目 标
3、探测算法还没有完全解决s，引对军事领域而言， 进行红外弱小目标探测和跟踪技术的研究对于提 高预警能力，反击能力以及在未来战争中的制空能 力都有很高的军事价值7-9 低信噪比下红外序列图像中弱小目标检测的 难点体现如下：1)红外弱小目标成像面积小，没有 尺寸、形状、纹理和结构信息：2)红外成像方式为热 源成像，因此目标在图像中的边界模糊不清；3)自 然界中物体都有红外辐射，干扰源很多，虚警很多； 41在复杂的自然气象条件和背景环境影响下，红外 弱小目标经过大气衰减，探测器接收到的红外弱小 目标能量很弱，在红外图像中信噪比很低；5)无论 是天空、地面还是海洋背景，都比较复杂，同时背景 也在不断的变
4、化因此，仅仅依靠目标的强度信息 很难检测红外弱小目标 需要考虑目标的运动 信息，即序列图像的信息进行检测11-13】 Reed等人于1983年提出一种三维匹配滤波 的方法进行序列图像弱小目标检测，他们将运动 弱小目标检测问题转化为三维空间上速度匹配问 题z4,15随后，提出了三维匹配滤波方法的简化 方法：迭代运动目标检测算法frecursive moving target indication，RMTI1算法-16J但是RMTI算 法需要已知目标的运动速度在实际应用中，弱小 目标运动的速度很难得知若使用与目标实际运动 速度偏差较大的速度进行三维匹配滤波，滤波性 能会下降很多于是，需要对图像序列
5、进行空域的 遍历搜索以检测目标遍历搜索带来巨大的计算量， 在工程上不现实针对这个问题，Stock和Chen等 人提出了速度滤波器组的概念17,18】一组速度滤 波器代表一定的速度范围，在工程上可以根据先验 知识事先选取几组速度滤波器进行匹配滤波但是， 国家重点基础研究发展计划(批准号：2013CB733100)资助的课题 十通讯作者E-mail：Simon_Zero126corn 2014中国物理学会Chinese Physical Society 0742081 http：wulixbiphyaccn 物理学报Acta PhysSinVo163，No7(2014)074208 如果先验信息不
6、准确，就需要设计很多组滤波器进 行滤波，运算量也很大19-211 针对这些问题，本文提出一种基于分块速度域 RMTI算法首先对序列图像进行二维最小均方差 (twodimensional least mean square，TDLMS)滤 波 0引然后在序列图像上生成多组序列图像块， 在这些序列图像块上运行改进的速度域RMTI算 法，获得目标的运动速度最后利用解算的目标运 动速度在原始序列图像上运行RMTI算法以搜索 更加精确的速度使用该速度在空域累积序列图像， 得到结果图像在该图像上进行红外弱小目标检测 实验证明本文提出的算法检测效果较好，相比传统 的RMTI方法，极大地减少了计算量 2基于分
7、块速度域RMTI算法 21速度域RMTI算法 红外弱小目标在红外图像上可以用二维高斯 函数表示，当红外弱小目标在红外探测器上进行匀 速直线运动且不考虑噪声干扰的条件下，红外序列 图像方程可以写为 f(r，t)=So(rrovt) 一 (一 )，(1) 其中， 0为红外弱小目标在零时刻的位置，t为时间， V为目标运动的速度， 为二维自变量函数，A为红 外弱小目标的强度系数由于序列图像的时间是离 散的，因此，将红外序列图像方程进行离散化 ，n( ，t)=fo(rI0一vnto) 一xp(一 )(2) 其中，竹=0，1，2，N一1,t0为单位时间 假设红外序列图像在经过TDLMS算法处理 后图像上只
8、存在随机噪声和红外运动弱小目标，红 外序列图像的方程重写为 ( ，t)=So( 0一vnto)+，lE( ，t)， (3) 其中，E(7，t)为高斯白噪声 对(3)式进行傅里叶变换，得 (k，nto)=Fo( )exp(一ikvnto) +FE(k，nto)， 其中k表示二维波数向量，为简化表达式，令 Fn(k，nto)=Fo( ) +FE(k，nto)， (5) 其中， Q=exp(一ik-vto) (6) RMTI算法的思想是当目标运动速度己知的 条件下，计算出Q矩阵此矩阵为运动速度的频谱 相位矩阵当目标进行匀速直线运动且不考虑噪声 影响时，相邻帧之间的频谱之差都为Q即，前一帧 图像频谱乘
9、以Q等于后一帧图像的频谱在空域上 的效果相当于将前一帧图像在空间上移动 后与 后一帧图像直接相加因为前一帧图像上的目标移 动 0后正好与后一帧图像上的目标重合，所以在 空域上叠加这两幅图像相当于将弱小目标的能量 进行增强了一倍，叠加图像上弱小目标的位置为后 一帧图像上弱小目标的位置受此启发，首先将第0 帧图像频谱乘以Q与第1帧图像频谱相加，叠加后 的图像频谱乘以a与第2帧图像频谱相加，叠加后 的图像频谱再乘以Q与第3帧图像频谱相加，以此 类推，最终的目标图像频谱为这帧图像移动相位 后频谱的叠加最后将该叠加图像频谱进行逆傅里 叶变换，在计算误差的影响下，得到复数结果图像 对其进行求模运算，得到结
10、果图像，该图像上的目 标能量增强了倍 但是RMTI算法受先验知识的限制，在未知目 标运动速度的条件下，该算法无法实现Reed等人 证明，如果用偏差很大的目标运动速度进行计算， 该算法的性能会下降很多 为解决这一问题，本文提出了速度域RMTI方 法首先忽略噪声影响，在n=0的条件下，定义 Qo(k)函数为 Qo(k)= ( )Fl( )， (7) 其中星号表示复数共轭当佗=1时，定义Q1(k) 函数为 Q1( )=Qo(k)+j ( )F2( ) (8) 以此类推，当n=N一1时，定义Q一1(k)函数为 Q一1(k)=Q一2(k)+j 一l( )FN( ) (9) 对矩阵函数Q一1(k)进行逆傅
11、里叶变换，然 后对变换后的函数求复数模，最终得到结果函数 qN一1( )=Ig Q一1( )l， (10) (4) 其中g为傅里叶变换运算符 物理学报Acta PhysSinVo163，No7(2014)074208 最后，在结果函数q一1( )上进行峰值检测， 检测到峰值的位置 即为弱小目标的运动速度，于 是定义此函数的自变量区域为速度域并且随着递 推过程的进行，函数q(r)在弱小目标运动速度处 的能量逐渐累积下面证明此性质 (7)式在时域上的等价公式为24 Qo(k)： ( )Fl(k) (r)0(r)=qo(r)， (11) 其中0为求相关的运算符由(1)式可知 ，1( )=Io( vt
12、o) (12) 于是，(11)式的时域函数写为 qo(r)=O( )0，1( ) =| | (u)fl +u)du = O(u)O(u+rvto)du = A2 exp 1(iiU-r0II。 +Ilu-ro+r-vtoll。)卜 经过推导(见附录A)，可得 qo(r)=o(r)0( ) 一 xp(_ ) nA。 。 (13) (14) 当 =vto时，上式达到最大值，即，当自变量r的 值为红外弱小目标运动的速度时，二维函数qo(v) 值最大也就是说，qo(v)的峰值出现在r=vto处 同理可得 Q1(k)=Qo(k)+ ( )F2(尼) ，0(r)0，1( )+( )0，2( ) =2o(r
13、)0，1( )=ql( ) q1(r)函数求最大值 (15) 2，o cr c = 2 exp(一 ) 2hA 。， (16) 当r=vto时，上式达到最大值，并且此最大值为 qo(r)函数最大值的两倍 以此递推，可得 QNl(k)=QN一2(k)+ 一1( )j1( ) ，0( )0，l(7)=qN一1( ) (17) qN一1(r)函数求最大值 NO(r)0，1( ) 一 2 (_ ) ， (18) 同样，当r=vto时，上式达到最大值，此最大值为 qo(r)函数最大值的倍所以当递推算法逐帧进 行计算时，红外弱小运动目标的运动速度处的能量 得到累积命题得证 接下来考虑加入噪声的条件下的q(
14、r)函数 假设红外序列图像上的噪声为高斯白噪声，相邻帧 之间的噪声不相关，首先推导函数Q0( )的等价时 间域函数 qo(r)=o(7)0，1(r) =so(r)+8n0(r)+nso(1)+礼o(r)，(19) 其中， =TA2a2 exp(一 )j 嘶)= u川 )= )，o(u+r-vto) (20) (21) (22) 酬= 牡 (23) 其中，E( )与，E(u+ )为互不相关的随机高斯白 噪声，因此，(21)，(22)，(23)式简化为 嘶)： (24) 。嘶)： ，E ， (25) 酬= ，E ，E2du， (26) 其中， u)=fE1且，E(u+ )=，E2，满足条件： ，E
15、1一N(0， 主)， 2一N(0， 叠)， (27) 分别计算其均值和方差 E( 1，E2)=E( 1)E( 2)=0， (28) D(，El，E2)=D( 1)D(，E2) +E( 1)。D(，E2) +E(危2)。D(，E】)： 鲁(29) 物理学报Acta PhysSinVo163，No7(2014)074208 同理可得时间域函数qNl(r)的解析表达式 qN一1(r)=8N一1( )+8nN一1(r) +nSNl( )+nN一1( )， (30) 其中， s一 ( )： 2 exp(一 )，(3 ) sn_1( ，_1，E2d 32) ns( )=危 fN一 (u)du，(33) 佗 (r)=，E ，Ezdu， (34) 时14域函数qN一1(r)由两部分之和得到，前一部分 是由弱小运动目标形成的速度域函数，后一部分是 由噪声形成 下面分析噪声项对弱小目标检测的影响 首先定义信噪比，红外弱小目标的信噪比定义 很多，本文采用峰值信噪比的定义为 PSNR=SpeakO 。i 。， (35) 其中，S。 k为弱小目标的信号峰值， 。i 为随机噪 声的标准差将此信噪比函数用于分析q(r)函数 的信噪比将此PSNR重新定义为 PSNR=Sq( ) q( )， (36) 其中，sq( )为时域函数q(r)的信号峰值，aq( )为函 数q(r1的标准差
