HTML
-
本文中提出一种基于双边滤波的多尺度改进top-hat红外小目标检测算法。首先采用双边滤波平滑背景,保留目标区域边缘,滤波窗口 S取值为5×5,两个标准差参数σs、σr分别取值为6和0.01;其次,利用改进top-hat算法对红外图像进行目标增强,提高目标区域与周围区域差异,结构算子Bin和Bout分别取值为2和4;最后,根据式(9),使用所提出的基于最大值和平均值的自适应阈值分割方法对红外无人机目标进行提取,λ取值为0.7。算法实现效果如图 4所示。
-
为了验证该算法的检测效果,本文中从主观和客观上对比实验,评价算法检测效果。采用复杂云层背景(complex cloud background)、山地背景(mountain background)和森林背景(forest background)以及空天背景(sky multiple targets)4组单目标或多目标红外图像序列进行了仿真实验。在Windows11 MATLAB 2020b环境下,分别应用局部对比度方法(local contrast method,LCM)、顶帽算法(top-hat)、多尺度块对比度方法(multiscale patch-based contrast method,MPCM)和高斯-拉普拉斯(Laplace of Gaussian, LoG)4种现有的典型红外小目标检测算法作为对比算法。表 1中介绍了实验数据的详细信息,图 5、图 6中分别给出了4组红外小目标序列图像在各个算法下的检测结果与同一阈值处理后的结果。
image sequence image size target number target size image background (random background noise and system interference) Seq.1 256×256 1 3×3 complex cloud background Seq.2 256×256 1 3×3 mountain background Seq.3 256×256 1 3×3 forest background Seq.4 256×256 2 3×3 sky multiple targets Table 1. Sequential image description
从实验结果可以看出,LCM算法检测结果中伴随大量的虚警目标,top-hat算法与LoG算法检测结果中伴随部分虚警目标,MPCM算法在山地背景中伴随少量虚警目标,相比之下,本文中所提算法能准确分离目标,对不同背景下的红外序列图像具有较好的检测效果。
从客观上评价算法效果,采用信噪比(signal-to-noise ratio,SNR)、信噪比增益(SNR gain,SNRG)和背景抑制因子(background suppression factor,BSF)作为评价指标[20]。SNR和SNRG定义为:
式中:μt表示目标位置所有像素的平均值; μb表示背景部分所有像素的平均值; σb表示背景部分所有像素值的标准差; ESNR, in表示算法处理前的信噪比值; ESNR, out表示算法处理后的信噪比值。ESNR越大,表示目标越容易被检测到;ESNRG越大,表示对目标信号的增强性能越好。
背景抑制因子BSF用来表示对背景的抑制能力,BSF定义为:
式中:σin和σout分别表示原图与处理后图像中完整背景的标准差。EBSF值越高,抑制效果越好。
5种算法在Seq.1~Seq.3场景下的SNRG和BSF如表 2所示。
evaluation index image sequence LCM top-hat MPCM LoG this paper SNRG Seq.1 7.78 231.21 112.09 317.64 1517.63 Seq.2 0.38 2.61 9.85 8.04 38.79 Seq.3 0.05 2.29 9.04 5.15 16.21 BSF Seq.1 0.98 6.73 0.50 7.36 26.53 Seq.2 0.93 2.07 2.81 2.94 25.72 Seq.3 0.83 1.42 3.43 1.56 6.79 Table 2. Sequence images describe the SNRG and BSF values of the five algorithms in the first three sets of scenes
由实验结果可以看出,本文中所提算法在不同复杂背景的红外序列图像中的SNRG和BSF值最大,分别平均提高了6.8倍和7.44倍,表明本文中所提算法在目标增强和背景抑制方面都优于其它4种比较算法。
为了进一步验证该算法与其它4种算法相比的优越性能,通过接受者操作特性(receiver operating characteristic,ROC)曲线[21]来表征目标检测过程中检测率和虚警率关于阈值的相关关系。根据式(9),使用所提出的基于最大值和均值的自适应阈值分割方法,通过设置不同的λ值来调整阈值门限Eth, 绘制ROC曲线。检测率Fd和虚警率Fa定义为:
式中:nt表示检测出来的真实目标个数; Nt表示真实目标个数; nf表示虚假目标数; N表示总像素数[22]。
以Fd作为纵坐标,Fa作为横坐标绘制ROC曲线。通常情况下,曲线距离左上方越接近,即Fd较高,Fa较低,说明该算法的检测效果越好。选取Seq.1~Seq.3这3组序列图像进行实验测试,分别为复杂云层背景、山地背景和森林背景。由图 7可以看出,和其它4种算法相比,本文中所提算法(红色实线、空圆心标记符)总是能率先趋近于1,能在10-6数量级的虚警率下无限接近于100%的检测率。
通过上述实验结果可以看出,与LCM、top-hat、MPCM和LoG这4种典型红外小目标检测算法相比,本文中所提算法的SNRG和BSF值分别平均提高了6.8倍和7.44倍,在目标增强和背景抑制方面都优于其它4种比较算法;同时,由ROC曲线可以看出,该算法在更低的虚警率下有更高的检测率,其总体的处理效果要优于其它4种典型的红外小目标检测算法,具有较强的适用性与鲁棒性。
-
为了验证无人机探测系统在实际使用场景下的性能,通过外场实验对其进行测试,具体测试场景如图 8所示。其中1为220 V户外移动电源,2为上位机,3为28 V线性电源,4为无人机探测装置,5为供电接口,6为数据接口与线缆。
实验过程中,将无人机探测装置固定于实验平台上,采用四旋翼无人机作为红外目标,控制无人机攀升至距离地面200 m高度,并在成像系统视场内飞行,最后利用无人机探测系统对无人机目标进行检测。图 9、图 10分别为单帧检测效果和连续多帧检测效果。
为了客观评价系统在实际场景下的检测效果,对连续帧下的检测数据进行分析,在108帧图像中成功检测并框出目标位置的有106帧,系统的检测率为98.15%。由此可以看出,无人机探测系统在实际使用场景下的检测率能够达到预期效果。
为了验证目标检测算法的实时性,采用代码调试器(code composer studio,CCS)中的clock计时器功能计算目标检测算法所花费的时间。如图 11所示,DSP中图像处理所花费的时间为19.92 ms。系统中探测器的输出帧频为30 Hz,所以FPGA采集一帧图像的时间为33.33 ms,减去SRIO与UART的传输时延, 大概为32 ms,远大于DSP完成目标检测的时间。因此,当目标出现在当前帧并被检测到时,系统在采集下一帧图像时即可获取目标相关信息,不会出现丢帧、漏检的情况,具有较强的实时性。
通过上述实验结果可以看出,本文中所设计并实现的无人机探测系统能够准确检测出200 m高度的四旋翼无人机小目标;通过多帧目标检测实验,系统的检测率为98.15%,能够达到预期效果;另外系统图像处理花费时间为19.92 ms,远小于33.33 ms的系统整体时延,具有较强的实时性。