摘　要：提出了一種紅外弱小目標識別的新方法。從實際應(yīng)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(wěn)定性,提出一種有效的自適應(yīng)模板修正方案,并結(jié)合遺傳算法提高匹配的速度。給出了算法實現(xiàn)的全過程,用實地拍攝的紅外空中弱小目標圖像進行了實驗驗證,得到了令人滿意的結(jié)果。 

關(guān)鍵詞：目標檢測　模板匹配　自適應(yīng)模板　遺傳算法 

復雜背景中弱小目標的檢測一直是監(jiān)視和告警系統(tǒng)的重要組成部分。要求監(jiān)視和告警系統(tǒng)具備極快的反就只有及時地發(fā)現(xiàn)目標、跟蹤目標、捕獲和鎖定目標。而監(jiān)視和告警系統(tǒng)為了增大其有效作用距離,要求在遠距離發(fā)現(xiàn)目標,因此在絕大部分時間內(nèi),目標在視場中是以小目標(點和斑點目標)形態(tài)出現(xiàn)的,而且目標的對比度一般都很低,要保證可靠、穩(wěn)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(xiàn)場獲取的實時圖像中尋找最接近目標模板圖像區(qū)域的一種識別跟蹤方式。它無需對圖像進行分割和特征提取處理,而只在原始圖像數(shù)據(jù)上進行運算,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,常用的相似性度量方法如最大近鄰點距離法(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(jié)合自適應(yīng)模板修正,大大提高了算法的穩(wěn)定性。 

1 歸一化相關(guān)函數(shù) 

設(shè)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在S圖中的坐標,叫參考點,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,是一個常數(shù),與(i,j)無關(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匹配時這一項的取值最大,因此可以用下列相關(guān)函數(shù)作相似性度量: 

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

在對目標進行跟蹤過程中,目標模板維系了整個跟蹤的動態(tài)過程。在序列圖像中,由于目標在不斷變化,因此實際圖像必然存在著變形、噪聲、遮擋等變化。對模板進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。 

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

2.1 初始模板確定 

在跟蹤開始時,由于還沒有識別到目標的所在區(qū)域,因此要確定一個初始模板,待首次識別到目標后再對模板進行完全刷新,以便后續(xù)跟蹤。實際應(yīng)用中,自動目標搜索主要針對遠距離的單小目標,目標大小約占5