基于自適應模板匹配的紅外弱小目標檢測

摘　要：提出了一種紅外弱小目標識別的新方法。從實(shí)際應用出發(fā),考慮復雜的背景和大量的干擾噪聲,找到了一種適合紅外弱小目標識別的圖像相似性度量方法。為提高此方法的穩定性,提出一種有效的自適應模板修正方案,并結合遺傳算法提高匹配的速度。給出了算法實(shí)現的全過(guò)程,用實(shí)地拍攝的紅外空中弱小目標圖像進(jìn)行了實(shí)驗驗證,得到了令人滿(mǎn)意的結果。 

關(guān)鍵詞：目標檢測　模板匹配　自適應模板　遺傳算法 

復雜背景中弱小目標的檢測一直是監視和告警系統的重要組成部分。要求監視和告警系統具備極快的反就只有及時(shí)地發(fā)現目標、跟蹤目標、捕獲和鎖定目標。而監視和告警系統為了增大其有效作用距離,要求在遠距離發(fā)現目標,因此在絕大部分時(shí)間內,目標在視場(chǎng)中是以小目標(點(diǎn)和斑點(diǎn)目標)形態(tài)出現的,而且目標的對比度一般都很低,要保證可靠、穩定地檢測并跟蹤目標有一定的難度。
 
模板匹配是基于圖像相似性度量、在現場(chǎng)獲取的實(shí)時(shí)圖像中尋找最接近目標模板圖像區域的一種識別跟蹤方式。它無(wú)需對圖像進(jìn)行分割和特征提取處理,而只在原始圖像數據上進(jìn)行運算,從而保留了圖像的全部信息。在目標特征很不明顯的紅外弱小目標識別中這是一種切實(shí)可行的識別跟蹤方法。由于紅外弱小目標識別圖像本身所具有的目標特征很不明顯、背景特征比較強等特點(diǎn),常用的相似性度量方法如最大近鄰點(diǎn)距離法(MCD)、二維最小絕對差累加和算法(MAD)[4]、基于邊緣特征的相似度量(ESD)[1,4]等并不適用。而歸一化互相關(guān)度量[3,5]則比較適合紅外弱小目標的識別,匹配成功率要明顯高于其它的相似性度量方法,再結合自適應模板修正,大大提高了算法的穩定性。 

1 歸一化相關(guān)函數 

設模板T疊放在搜索圖S上平移,模板覆蓋下的那塊搜索圖叫做子圖Si,j,i,j為這塊子圖的左上角像點(diǎn)在S圖中的坐標,叫參考點(diǎn),從圖1中可以看出i和j的取值范圍為1i,j的相似程度: 

式(2)右邊第三項表示模板的總能量,是一個(gè)常數,與(i,j)無(wú)關(guān);第一項是模板覆蓋下那塊子圖的能量,它隨(i,j)位置而緩慢改變;第二項是子圖像與模板的互相關(guān),隨(i,j)而改變。T與Si,j匹配時(shí)這一項的取值最大,因此可以用下列相關(guān)函數作相似性度量: 

將它應用到圖像匹配,即將模板圖像在目標圖像內滑動(dòng),計算每個(gè)位置處的圖像與模板圖像的相關(guān)系數值R(i,j),得到整個(gè)圖像的一個(gè)相關(guān)曲面,尋找這個(gè)相關(guān)曲面的峰值即可確定最佳匹配位置。
 
2 自適應模板修正 

在對目標進(jìn)行跟蹤過(guò)程中,目標模板維系了整個(gè)跟蹤的動(dòng)態(tài)過(guò)程。在序列圖像中,由于目標在不斷變化,因此實(shí)際圖像必然存在著(zhù)變形、噪聲、遮擋等變化。對模板進(jìn)行合理的更新是跟蹤的關(guān)鍵,選擇合適的模板更新策略,可以在一定程度上克服這些變化對跟蹤效果的影響。 

通過(guò)分析和試驗仿真,本文首先對模板進(jìn)行中心加權修正,然后采用基于濾波與預測的模板圖像更新策略,即基于跟蹤置信度的加權自適應模板更新算法。 

2.1 初始模板確定 

在跟蹤開(kāi)始時(shí),由于還沒(méi)有識別到目標的所在區域,因此要確定一個(gè)初始模板,待首次識別到目標后再對模板進(jìn)行完全刷新,以便后續跟蹤。實(shí)際應用中,自動(dòng)目標搜索主要針對遠距離的單小目標,目標大小約占5