4-81  低对比度弱小目标检测算法

顾静良  万  敏  张  卫  郑  捷

复杂背景中红外弱小目标的检测识别一直是现代化捕获跟踪系统的重要组成部分。要求捕获跟踪系统具备极快的反应速度，就只有及时地发现目标、跟踪目标、及时地捕获和锁定目标。      

目标分割检测的方法大致可以分为基于目标模型和基于背景模型两大部分。基于目标模型的分割检测算法都是将兴趣区域放在了目标本身，通过研究目标本身的各种特性，来将目标从复杂的背景中检测出来。而基于背景模型的分割检测与目标模型相反，这一类的算法则是将重点放到了背景上，通过对背景建模及各种特征的提取来判断所检测的区域是不是背景的一部分，若不是，则可认为是目标。

针对目标特性，提出了3种弱小目标识别方法，分别是邻域熵方法、基于遗传算法优化的自适应模板匹配方法和基于分形曲面的尺度变化率特征的方法。

邻域熵方法是对传统的熵值分割方法进行改进得到的，在邻域熵大的地方，邻域的图像灰度相对较均匀；邻域熵小的地方，邻域的图像灰度离散性较大，而与图像灰度的均值无关，所以可以根据图像的邻域熵把弱小目标检测出来，如图1所示。

模板匹配是基于图像相似性度量，在现场获取的实时图像中寻找最接近目标模板图像区域的一种识别跟踪方式，它无需对图像进行分割和特征提取处理，而只在原始图像数据上进行运算，从而保留了图像的全部信息，在目标特征很不明显的红外弱小目标识别中，这是一种切实可行的识别跟踪方法。针对模板匹配易丢失目标和运算时间长的缺点，分别采取了自适应模板修正和遗传算法优化的方法来改进。

空间结构的自相似性是指局部结构和整体结构之间存在某种比例变换关系。它是分形模型的核心规律，通过对分形模型所表达的规律性的分析和发掘，发现人造目标和自然背景在分形曲面的尺度变化率特征上的差异较为明显。

经实验验证得到的结论是：邻域熵法算法简单，处理速度快，但适应度不高，在目标大小变化比较大时，若不及时调整邻域窗的大小则会失去目标。模板匹配法对弱小目标识别率高，但实时性不高，对它的全域搜索进行遗传算法优化后可达到实时性要求。分形技术方法应用场景广泛，从地面目标到空中目标，从面目标到小目标均可有效应用，但处理速度上是这3种方法中最慢的，需要另想办法对其进行优化才能达到实时性要求。