干扰条件下的红外目标检测方法研究
黄成++王红梅
摘要： 为了实现红外诱饵弹干扰下的红外目标检测， 提出了一种基于相对位置的综合决策算法。 该算法首先使用多尺度形态学去除背景和诱饵的高亮度影响， 在此基础上分别进行基于特征块的阈值分割以及边缘检测， 根据目标和诱饵的物理、 运动特征的差别分别检测出候选目标区域， 并对该区域进行基于相对位置的综合决策， 判定出真实目标的位置。 结果表明， 使用基于相对位置的综合决策得到的结果远优于单独使用这两种方法得到的检测结果。
关键词： 红外目标检测； 多尺度形态学； 特征块； 边缘检测； 综合决策
中图分类号： TJ760； TP391.4文献标识码： A文章编号： 1673-5048（2017）05-0031-060引言
随着红外诱饵弹的普及和发展， 出现了各式各样新型的大载荷、 大面积、 宽光谱的红外诱饵弹[1]， 因此空中对抗的抗干扰能力显得愈发重要， 如何在各种复杂背景以及干扰条件下检测出目标就成了当下研究的重点和难点。
文献[2]使用快速直方图聚类后进行双映像后映射， 将目标和干扰映射到不同的通道， 實现了干扰条件下目标的识别和跟踪。 文献[3]利用目标和干扰在不同波段下的信息差别， 实现了基于双波段信息融合的红外诱饵识别。 文献[4]使用边缘检测的方法， 根据目标和诱饵的几何特征， 实现了红外面目标的识别。 文献[5]基于多光谱与显著性， 根据离差平方和准则将目标和干扰分类， 从而检测出目标。 文献[6]基于谱尺度空间使用非负矩阵分解、 Gabor小波以及信息熵实现了复杂条件下红外目标的检测。 此外， 还存在其他更加复杂的算法， 如小波自适应滤波[7]、 模拟退火算法[8]等在复杂条件下识别出红外目标。
1相对位置的综合决策方法
针对现有目标和干扰检测算法复杂及准确性不高的问题， 本文提出了一种基于相对位置的综合决策方法， 对基于特征块的阈值分割和边缘检测的结果进行特征提取后综合决策， 实现了干扰条件下目标的检测， 图1为该算法流程。
图1目标与诱饵检测流程图
Fig.1The flow chart of target and decoy detection
收稿日期： 2017-03-30
基金项目： 国家自然科学基金项目（61401366）； 教育部留学回国人员科研启动基金（第50批）； 航空科学基金项目（20150153001）
作者简介： 黄成（1994-）， 男， 湖北当阳人， 硕士研究生， 研究方向为图像处理及目标检测和识别。
引用格式： 黄成， 王红梅 . 干扰条件下的红外目标检测方法研究[ J]. 航空兵器， 2017（ 5）： 31-36.
Huang Cheng， Wang Hongmei. Research on Infrared Target Detection Method under Jamming Condition[ J]. Aero Weaponry， 2017（ 5）： 31-36. （ in Chinese）2红外图像处理
由于干扰和复杂背景条件的特殊性， 常规的滤波等预处理工作在去除噪声的同时会影响目标的特征信息， 也会加强诱饵的干扰。 故本文使用多尺度形态学的方法， 充分利用不同大小结构元素的优点， 进行形态学滤波， 有效消除背景和诱饵的高亮度干扰， 在此基础上分别进行阈值分割和边缘检测。
2.1基于多尺度形态学的预处理
形态边缘检测器主要使用形态梯度的思想[9]， 虽然对噪声比较敏感， 但不会增强噪声。
单尺度形态学梯度定义为
grad[f（x）]=（f⊕g）-（fΘg）（1）
式中： f为原始图像； g为结构元素； f⊕g表示利用结构元素g对输入图像f进行膨胀； fΘg表示利用结构元素g对输入图像f进行腐蚀。
结构元素g的大小对单尺度形态学梯度算子的性能影响很大。 大的结构元素会造成边缘间相互影响， 可能使梯度极大值与边缘不一致； 反之， 结构元素过小会使提取的边缘效果不好[10]。
使用多尺度形态学梯度算子， 可以综合大结构元素和小结构元素各自的优点。 假设Bi（0≤i≤n）为一组正方形结构元素， Bi的大小为（2i+1）×（2i+1）个像素点， 则多尺度梯度定义为[11]
MG（f）=1n∑ni=0[（（f⊕Bi）-（fΘBi））ΘBi-1] （2）
2.2基于特征块的阈值分割
基于特征块的图像配准思想[12]提出的基于特征块阈值分割法， 能够有效分割出目标区域， 减小噪声干扰。 在图像中选取大小为m×m的窗口， 定义评价函数：
F=α μ+（1-α）σ（3）
式中： μ， σ分别为窗口的灰度均值和标准差； α为调节因子。 选取图像中评价函数值最大的窗口作为特征块， 把该特征块的灰度均值作为分割阈值， 这样选取的特征块包含的图像细节较多， 且可以有效减少干扰。
2.3边缘提取
使用数学形态学进行预处理后去除了大量噪声， 在此基础上使用经典的Sobel算子进行边缘检测[13]， 进而通过特征提取定位目标区域。
3目标与诱饵的检测
3.1目标的特征提取
航空兵器2017年第5期黄成， 等： 干扰条件下的红外目标检测方法研究目标释放的干扰弹都在目标附近， 尽管两者在成像上有一定的相似度， 但是飞机目标和诱饵的物理特性以及运动特性却有所不同[14]， 所以本文提取以下特征并综合起来区分目标和诱饵。
（1） 像素意义下与区域具有相同标准二阶中心矩的椭圆长轴与短轴之比（Rio）
假设图像中存在某一连通区域L， 该连通区域的质心为（a， b）， 其所有边界点的横坐标按逆时针顺序存储在向量X中， 其纵坐标相应地存储在向量Y中， 边界点总数为N。 下面计算该连通区域的归一化二阶中心矩：
令x=X-a， y=Y-b（4）
uxx=1N∑Ni=1x2i+112（5）
uyy=1N∑Ni=1y2i+112（6）
uxy=1N∑Ni=1xiyi（7）
C=（uxx-uyy）2+4u2xy （8）
式中： 1/12表示单位长度像素的归一化二阶中心矩的大小。 那么等效椭圆的长轴计算公式为
Axis（maj）=22·uxx+uyy+C（9）
等效椭圆的短轴计算公式为
Axis（min）=22·uxx+uyy-C（10）
则与区域具有相同标准二阶中心矩的椭圆的长轴与短轴之比为
Rio=Axis（maj）/Axis（min）（11）
该特征可以表征目标的几何形状。
（2） 最小外接矩形长宽比特征（CK）
根据目标的边界得到目标的最小外接矩形[15]， 该矩形的长宽比特征可以描述目标绕其主轴的旋转程度。
（3） 目标面积的改变量（ΔS）
目标面积的改变量可以描述目标的运动速度和加速度[16]。
3.2候选目标区域的检测与定位
经过阈值分割或者边缘检测后的图像一定存在若干个连通区域。 假设经过前期处理后的图像为 f， 图像 f 中有M个连通区域， 每个连通区域使用标签L=（L1， …， LM）来标记[17]。 对每个连通区域分别计算Rio， CK和ΔS三个特征。 当满足下式时， 将该连通区域视为候选目标区域：
Rio≤r， CK≤c， ΔS≤area（12）
式中： r为设定的与区域具有相同标准二阶中心矩的椭圆长轴与短轴之比阈值， 当Rio大于阈值r时， 视作非目标区域； c为最小外接矩形长宽比阈值， 受限于飞机目标外形的不变性， CK的变化应在阈值c的范围内； area为目标面积改变量的阈值， 由于诱饵的扩散作用， 其面积的变化较形状固定的飞机目标会更快， 所以此阈值对正确地分辨目标和诱饵很重要。
无论是单目标检测还是多目标检测， 都需要计算出图像中所有连通区域的特征， 在阈值范围内的连通区域都视作候选目标区域， 参与最终的综合决策， 以确定是否为真实目标； 不在设定阈值范围内的连通区域则视作诱饵和背景干扰， 不再参与后面的综合决策。
确定连通区域Lk（Lk∈L1， …， LM）为候选目标区域后， 可根据其质心位置（a， b）和边界确定候选目标的位置， 并用矩形框标识。
需要注意的是， 根据特征的阈值范围来分辨目标和诱饵时， 可能会出现将特征相近的诱饵误检测为目标的情况， 所以单独使用每个检测方法进行目标区域检测时， 检测出的候选区域并不一定是真实目标。 为了解决这一问题， 使用基于相对位置的综合决策方法进一步检测出真实目标， 剔除特征相近的诱饵干扰。
3.3目標检测综合决策
分别使用基于特征块的阈值分割和边缘检测方法对目标进行检测， 再对两种方法的检测结果进行基于相对位置的综合决策， 可有效提高目标的检测概率。
图2所示为采用基于特征块的阈值分割获取的候选连通区域（用矩形rec0标识）和边缘检测获取的候选连通区域（用矩形rec1标识）。 这两个矩形的左上角顶点坐标分别为（r0， c0）和（r1， c1）， 图2基于相对位置的综合决策示意图
Fig.2The figure of comprehensive decisionmaking based on relative position
矩形框的宽度分别为l0和l1， 矩形框的高度分别为h0和h1。
基于相对位置的综合决策方法为
c0-c1<c &&=""
式中： c， l为设定的误差阈值。 由于目标和诱饵在物理特性和运动特性方面的不同， 通过基于特征块的阈值分割和边缘检测的方法对诱饵的检测区域会有较大的差别； 而对于特征稳定的飞机目标， 两种方法的检测结果区域应该近似重合。 当这两种方法的候选目标区域满足式（13）时， 便可确定出真实目标区域， 最终目标区域的位置可用最小矩形标识出：
box=r0+r12， c0+c12， h0+h12， l0+l12（14）
式中： box用来存储矩形的各个参数， 从左至右分别为矩形的左上角顶点的横、 纵坐标， 矩形框的高度和宽度。
4实验结果与分析
本文通过实测红外图像序列来验证算法的有效性， 并采用误检率作为检测结果的评价指标：
PL=NLN×100% （15）
式中： NL为将诱饵误检测为目标的数目； N为序列图像中出现的真实目标的数目。 误检率的大小能表征算法正确检测目标和诱饵的能力。
对干扰条件下的红外面目标进行检测的结果见图3。 图3（a）为待检测序列中的一帧图像； 图3（b）为使用多尺度形态学进行预处理后的结果， 可以看出， 诱饵的高亮度干扰被有效地消除； 图3（c）为对预处理后的图像进行基于特征块分割后得到的结果； 图3（d）为对预处理后的图像进行边缘检测得到的结果； 图3（e）～（f）分别为对图3（c）～（d）进行特征提取后检测到目标区域的结果； 图3（g）是对图3（e）～（f）的检测结果采用基于相对位置的综合决策后得到的目标区域。 实验结果表明， 基于相对位置的综合决策方法能有效排除诱饵的干扰。
圖4为对共70帧的红外图像序列进行检测后得到的第15， 27， 37， 48帧的检测结果。
表1为单独使用基于特征块的阈值分割得到的目标检测误检率、 单独使用边缘检测得到的目标检测误检率以及基于相对位置综合决策得到的图3红外面目标检测结果
Fig.3Detection results of infrared surface target
图4图像序列中第15， 27， 37， 48帧的目标检测结果
Fig.4Target detection results of 15th， 27th， 37th， 48th frame
误检率的比较。 在70帧红外图像中， 基于特征块的阈值分割方法在检测出正确目标的同时， 共有28帧出现将干扰弹识别为目标的情况； 基于边缘检测的方法有54帧； 而综合决策只有1帧出现了误检测的情况。 从实验结果可以看出： 综合决策检测的结果远好于单独决策检测结果。
表1单独决策与综合决策误检率的比较
Table 1False detection rate comparison of
individual decisionmaking and
comprehensive decisionmaking方法误检率基于特征块的阈值分割40.0%边缘检测77.1%基于相对位置的综合决策1.4%
综合决策算法不仅适用于单目标检测， 也适用于多目标检测。 无论是单目标还是多目标， 只要连通区域的特征满足设定的阈值， 就会把该连通区域作为候选目标区域（点线窗口： 基于特征块的阈值分割方法； 虚线窗口： 边缘检测方法）。 只有通过基于相对位置的综合决策才会进一步判定候选目标区域是否为真实目标， 从而剔除虚假目标。 图5为使用综合决策算法对多目标进行检测的结果。
图5多目标检测结果
Fig.5Multitargets detection results
前文验证分析所采用的图像序列中， 目标与诱饵的形态特征差别较大， 检测效果较好。 但飞机目标通常处于不断机动的状态， 当目标的姿态和诱饵的形态较接近时， 该算法也能较好地检测出目标。
图6（a）中目标姿态相较于图4有了明显的变化， 目标和诱饵在视觉上相似性更大， 基于特征块的阈值分割（点线窗口）和基于边缘检测（虚线窗口）两种方法均出现了将诱饵识别为目标的情况， 但两种方法对同一诱饵检测出的区域位置有明显的不同。 利用基于相对位置的综合决策条件的约束， 就可以将诱饵干扰排除， 得到如图6（b）所示的综合决策检测区域。 实验结果表明， 综合决策算图6目标与诱饵形态相近时的检测结果
Fig.6The detecting results when the shape and attitude of target and decoy are similar
法在目标的各种姿态下都能较好地检测出目标。
5结论
本文采用基于相对位置的综合决策方法实现了干扰条件下的红外目标检测。 首先使用多尺度形态学去除诱饵和背景的高亮度影响， 只保留边缘信息， 在此基础上分别进行基于特征块的阈值分割和边缘检测， 根据这两种方法对提取诱饵特征时产生的区别使用基于相对位置的综合决策排除掉诱饵的干扰。 实验结果表明： 多尺度形态学方法不仅可以检测边缘， 也可去除复杂背景下大面积云层的干扰， 有利于提高目标检测的精度； 本文的综合决策算法不仅适用于面目标的检测， 对具有一定特征的小目标也能够取得较高的检测精度； 此外， 本文算法处理每帧平均耗时0.35 s左右， 相较于其他复杂算法实时性较好。
此外， 本文算法还存在一些不足之处。 当独立检测算法中的一种算法检测出候选目标区域， 而另一种算法未检测出相应候选目标区域时， 使用综合决策算法后该目标区域将被剔除， 若该区域为真实目标， 则会造成目标丢失， 解决此问题的方法是根据前几帧中真实目标的位置信息来估算当前帧的目标位置并进行标记； 此外， 对于特征不明显的点目标， 在诱饵干扰下进行检测还存在一定的局限性。 未来工作中， 如何进一步提高本文算法的鲁棒性以及适配到不同的目标检测也是需要努力的方向。
参考文献：
[1] 闫晓珂， 郑均杰. 反舰长波红外成像导引头诱饵弹识别算法[J]. 红外与激光工程， 2012， 41（10）： 2583-2587.
Yan Xiaoke， Zheng Junjie. SurfaceType Decoy Recognition for Long Wave Infrared Imaging Seeker Based on AntiShip Missile[J]. Infrared and Laser Engineering ， 2012， 41（10）： 2583-2587. （in Chinese）
[2] 苏冠华. 红外成像目标识别跟踪算法研究[D]. 北京： 清华大学， 2011： 1-2.
Su Guanhua. Research on the Tracking and Recognizing Algorithm for Infrared Target [D]. Beijing： Tsinghua University， 2011： 1-2. （in Chinese）
[3] Yang Songqi， Wang Bingjian， Yi Xiang， et al. Infrared Decoys Recognition Method Based on DualBand Information Fusion[J]. Infrared Physics & Technology， 2014， 67： 542-546.
[4] 杨松启. 红外制导技术中的诱饵识别算法研究[D]. 西安： 西安电子科技大学， 2014： 34-37.
Yang Songqi. A Study of Decoy Recognition Methods in Infrared Guided Technology[D]. Xian： Xidian University， 2014： 34-37. （in Chinese）
[5] 顾章源， 刘达， 李建勋， 等. 基于多光谱与显著性的红外弱小目标融合检测[J]. 航空兵器， 2016（2）： 47-51.
Gu Zhangyuan， Liu Da， Li Jianxun， et al. Fusion and Detection of Infrared Dim and Small Targets Based on MultiSpectral and Saliency[J]. Aero Weaponry， 2016（2）： 47-51.（in Chinese）
[6] Xin Yunhong， Zhou Jiao， Chen Yishuan. Dual MultiScale Filter with SSS and GW for Infrared Small Target Detection[J]. Infrared Physics & Technology， 2017， 81： 97-108.
[7] 孙国栋， 吉书鹏， 周桢. 小波域自适应滤波的红外弱小目标检测[J]. 航空兵器， 2011（3）： 20-23.
Sun Guodong， Ji Shupeng， Zhou Zhen. Dim Small IR Target Detection Based on the Wavelet Domain Adaptive Filtering[J]. Aero Weaponry， 2011（3）： 20-23. （in Chinese）
[8] 曾万梅， 吴庆宪， 姜长生. 基于模拟退火算法的空中目标识别[J]. 航空兵器， 2008（6）： 28-31.
Zeng Wanmei， Wu Qingxian， Jiang Changsheng. Air Target Recognition Based on Simulated Annealing Algorithm[J]. Aero Weaponry， 2008（6）： 28-31. （in Chinese）
[9] Evans A N， Liu X U. A Morphological Gradient Approach to Color Edge Detection[J]. IEEE Transactions on Image Processing， 2006， 15（6）： 1454-1463.
[10] 徐康为. 基于多尺度形态学的运动目标边缘检测算法研究[J]. 电子技术与软件工程， 2016（1）： 105-106.
Xu Kangwei. Research on Moving Target Edge Detection Algorithm Based on MultiScale Morphology[J]. Electronic Technology & Software Engineering， 2016（1）： 105-106.（in Chinese）
[11] Zhang Yu， Bai Xiangzhi， Wang Tao. Boundary Finding Based MultiFocus Image Fusion through MultiScale Morphological FocusMeasure[J]. Information Fusion， 2016， 35： 81-101.
[12] 李建成， 刘兴淼， 潘伟全， 等. 动态背景下的红外运动目标检测[J]. 光电工程， 2013， 40（3）： 1-6.
Li Jiancheng， Liu Xingmiao， Pan Weiquan， et al. A Method of Infrared Image Moving Object Detection on Dynamic Background[J]. OptoElectronic Engineering， 2013， 40（3）： 1-6. （in Chinese）
[13] 李言俊， 張科. 景象匹配与目标识别技术[M]. 西安： 西北工业大学出版社， 2009： 84-86.
Li Yanjun， Zhang Ke. Scene Matching and Target Recognition Technology[M].Xian： Northwestern Polytechnical University Press， 2009： 84-86. （in Chinese）
[14] 杨卫平， 王炜华， 沈振康. 目标与诱饵红外特性及其识别技术研究[J]. 红外与激光工程， 2006， 35（S）： 239-247.
Yang Weiping， Wang Weihua， Shen Zhenkang. Infrared Features and Recognition for Target and Decoy[J]. Infrared and Laser Engineering， 2006， 35（S）： 239-247. （in Chinese）
[15] 卢蓉， 范勇， 陈念年， 等. 一种提取目标图像最小外接矩形的快速算法[J]. 计算机工程， 2010， 36（21）： 178-180.
Lu Rong， Fan Yong， Chen Niannian， et al. Fast Algorithm for Extracting Minimal Enclosing Rectangle of Target Image[J]. Computer Engineering， 2010， 36（21）： 178-180.（in Chinese）
[16] 王永義. 复杂背景下弱小目标的特征提取与识别[D]. 长沙： 国防科学技术大学， 2007： 38-39.
Wang Yongyi. The Feature Extraction and Recognition for Small Target under Complex Background[D]. Changsha： National University of Defense Technology， 2007： 38-39. （in Chinese）
[17] 石文君， 王登位， 徐海全， 等. 复杂动态背景下的红外运动多目标跟踪与检测[J]. 光电工程， 2010， 37（1）： 49-54.
Shi Wenjun， Wang Dengwei， Xu Haiquan， et al. Tracking and Detection of Moving Infrared MultiTarget in Complex Dynamic Background[J]. OptoElectronic Engineering， 2010， 37（1）： 49-54. （in Chinese）
Research on Infrared Target Detection
Method under Jamming Condition
Huang Cheng1， 2， Wang Hongmei1， 2
（1. School of Astronautics， Northwestern Polytechnical University， Xian 710072， China；
2. National Key Laboratory of Aerospace Flight Dynamics， Xian 710072， China）
Abstract： In order to detect the infrared target under infrared decoy jamming， a comprehensive decisionmaking algorithm based on relative position is proposed. The multiscale morphological method is used to remove the high brightness of the background and decoys. The threshold segmentation based on the feature block and edge detection are carried out to detect the candidate target area according to the difference of physical and movement characteristics of target and decoys. Using the comprehensive decisionmaking method by relative position to detect the candidate target area， and the real target position is obtained. The experimental results show that the comprehensive decisionmaking method based on relative position is much better than other methods.
Key words： infrared target detection； multiscale morphology； feature block； edge detection； comprehensive decisionmaking
Oppressive jamming will incapacitate its normal function for phased array radar。 for this problem， the basic of polarization mismatch will be used， and isolate the interference source at the receiver， improve the ability of antiinterference. In this paper， a joint beamforming technique for polarization and spatial domain is first proposed， which is derive， which is a problem of secondorder cone programs， to obtain the polarized beam with a null and polarization constraint in desired sidelobe region. Numerical examples are provided to demonstrate the usefulness and effectiveness of the proposed approaches.
Polarization； interference rejection； phased array radar0引言
