基于形态学梯度的红外目标检测

毋亚北，王卫华，吴巨红，陈曾平

(国防科学技术大学 ATR国防重点实验室，长沙 410073)

摘要：对于红外跟踪系统中的低空非合作运动目标检测问题，由于距离未知，目标可能表现为小目标或者面目标，另外，红外图像中可能包含大量的地物背景。针对以上问题，本文提出了一种基于形态学梯度的目标检测算法。此方法首先计算红外图像的形态学梯度，进而根据各种地物背景的形态学梯度特征提取天空区域，然后在此区域内进行目标检测，最后进行目标边缘片段的合并。该方法基于形态学梯度对于灰度变化的敏感性，使用形态学梯度来表征红外目标边缘强度，通过检测目标边缘来达到检测目标的目的。实验证明，本文方法能够有效的检测目标，虚警较少，且对小目标和面目标具有一定通用性。

关键词：红外目标检测；形态学梯度；天空区域提取

0 引 言

红外跟踪系统的目的是实时地自动检测和跟踪场景中可变数量的目标，边检测边跟踪是一种流行的方法，而红外目标检测是其前提条件。对于低空非合作运动目标，其先验信息未知，当目标距离较远时，目标的成像像素较少，表现为小目标；当目标距离较近时，目标的成像像素数目增加，表现为面目标。为了全程跟踪目标，红外目标检测算法需要对面目标和弱小目标具有一定的通用性。另外，对于低空非合作运动目标，红外序列的背景中常常包含部分地物背景，因此要求检测算法能够在复杂的场景中检测出目标。

目前，红外目标检测方法主要分为基于单帧的检测方法和基于多帧的检测方法。基于单帧的方法主要有形态学滤波(顶帽法)、中值滤波、最小二乘估计等；基于多帧的方法主要有帧差法等。大多方法都针对特定的应用背景，上述的单帧检测方法主要针对小目标进行检测，而帧差法需要对图像进行配准，配准的精度将影响检测的效果。

针对上述问题，本文提出了一种基于形态学梯度的目标检测算法。此方法首先计算红外图像的形态学梯度，进而根据各种背景的形态学梯度特征提取天空区域，然后在天空区域内根据目标的形态学梯度特征进行目标检测。本文方法的创新之处在于使用形态学梯度来描述天空和地物区域，有效的提取出了天空背景；使用形态学梯度作为特征对目标进行描述，有效的分割出目标。

1 基于形态学梯度的目标检测算法

1.1 天空区域提取

低空红外图像中常常包含部分的地物背景，这大大增加了背景的复杂程度。一般情况下，天空背景下的目标检测相对容易一些，如果能将天空背景提取出来，然后再进行目标检测，这将大大减小目标检测的难度。本文的思路就是通过计算红外图像的形态学梯度来提取天空区域，然后再进行目标检测。

郑成川伸手拦住一位准备上前的黑旗会灰衣杀手迎向武成龙，话也不说双手就指天画地，紧接着右手掌向前一翻，因为他成名至今还没有人敢公然在他面前蔑视地勾动食指。一股旋转的劲气向武成龙冲击的同时郑成川左手幻动，五缕指风在啸声中劲射。人随掌进，一击必杀！

灰度图像形态学梯度定义为

阿东说：“你看，姆妈闭着眼睛，睡得蛮好。我们让姆妈睡一下。姆妈休息好了，才会喜欢你。你说了要听我的话，是不是？”

其中：b为结构元素。通常使用平坦的结构元素，此时，灰度图像的形态学梯度就是邻域内灰度的最大值减去最小值，即邻域内灰度的最大变化，因此，形态学梯度对灰度的变化比较敏感。

由于天空背景对应大面积的灰度缓变区域，其形态学梯度值较小，本文使用高斯分布模型描述天空区域的形态学梯度分布。在天空与地物背景的边缘处，形态学梯度值较大。利用天空区域形态学梯度较小的特点，对于第t帧红外图像的形态学梯度图像，首先将小于门限Tt(门限选择方法见下文)的区域分割出来，如图1中(c)所示，图中的黑色部分对应天空与地物背景的边缘和灰度变化较大的部分。可见，天空与地物背景的边缘并不是连通的边缘，边缘之间存在细小的间隙，导致天空区域与部分地物背景区域连通了起来。我们使用形态学开运算去除不能包含结构元素的区域，断开天空与地物背景之间的连接，结果如图1中(d)所示。此时边缘之间的间隙被填充，边缘得到连接，天空区域和背景区域被边缘分割开来，根据天空区域面积较大的特点，提取面积最大的区域就得到了天空区域。在目标的边缘和背景起伏较大的地方形态学梯度较大，导致天空区域出现孔洞，经过孔洞的填充，我们获得了完整的天空区域，如图1中(e)所示。在原图中对以上提取的天空区域进行标记的结果如图1中(f)所示，可见，经过上述方法，能够有效的提取出天空区域。

图1 天空区域的提取
Fig.1 Sky area extraction

上述方法的关键在于分割门限的选择。假设第t-1帧红外图像中天空区域形态学梯度分布的均值为

标准差为σt-1，则第t帧红外图像的形态学梯度图像分割门限Tt计算方法如下：

n1一般取值为2，由于本文针对简单的天空背景，因此此门限可以分割出大部分的天空区域。获取初始均值μ0，标准差σ0的方法为：在目标检测之前，使用系统获得纯天空背景的图像，进而获得其形态学梯度分布的均值和标准差。经过天空区域提取，可以获得第t帧天空区域的形态学梯度分布参数μ，σ。由于天空区域的提取可能出现错误，我们使用如下公式计算当前帧天空区域形态学梯度分布参数：

这样参数就能自适应的进行调整，与实际情况相符合，并能够减小天空区域提取的影响，由于实测数据中天空区域参数变化缓慢，因此文中取α=0.1。

1.2 基于形态学梯度的目标检测

经过天空区域的提取，目标检测问题得到了简化，现在我们仅仅考虑如何在天空区域检测目标的问题。为了寻找一种能够检测小目标和面目标的方法，需要使用其共有的特征，边缘就是这样一种特征。描述边缘强度一般使用梯度，然而，红外图像具有边缘模糊，边缘灰度变化缓慢的特点，针对此问题，本文使用形态学梯度来描述红外目标边缘的强度，通过计算形态学梯度进行背景抑制和目标边缘增强，然后通过检测目标的边缘进行目标检测。

对于弱小目标信号，常用的背景抑制方法是顶帽法，假设使用的结构元素大小为a×a，仅当结构元素的面积比目标的面积大时，背景抑制后能够保持目标的强度。形态学梯度定义为邻域内灰度的最大变化，因此，使用大小为(a/2)×(a/2)的结构元素就可以达到此效果，如图2中(a)所示，计算形态学梯度使用的模板大小为顶帽法的1/2。对于面目标的检测，顶帽变换就不再适用，而通过计算形态学梯度，面目标的边缘同样得到增强，如图2中(b)所示。因此，通过使用大小为a×a的结构元素计算形态学梯度，可以保持面积小于2a×2a的目标的强度，增强面积大于2a×2a的目标的边缘，即能够增强小目标和面目标的特征，同时，由于天空区域变化比较缓慢，因此其形态学梯度也较小，计算形态学梯度相当于对背景进行了抑制。此方法相当于对顶帽法进行扩展，使其能够用于面目标检测。

图2 形态学梯Top-hat
Fig.2 Morph-grad & Top-hat

通过计算形态学梯度，目标的特征得到增强，天空背景得到抑制，此时图像只剩下杂波和目标。通常假定杂波服从高斯分布，此时提取杂波的均值u和标准差σ，通常使用式(4)计算检测门限。

有效的预算审批制度应该包括以下几个方面：①全面预算管理。企业所有的项目在开发之前必须做好预算工作，再据此确定收入和支出，这样可以使企业的效益成本规范化。②预算分离。企业应该做到预算层层分离。例如母子公司分离，各个子公司之间分离，同一个公司的日常项目与专项项目分离。这样可以合理控制经费支出，降低企业的运营成本。③规范审批制度。完整严格的审批制度是财务预算的前提，企业必须坚持“先请示，再审批”，严禁“先斩后奏”、“斩而不奏”的现象。④预算考核。企业应该加大预算考核力度，并且将其列入年度各部门考核的指标中，这样可以达到优化成本的目地[4]。

其中：n2一般取值为3～6，并且要求T＞Tt 。

不动产统一登记制度作为一项基础性的制度，对提高政府治理效率，方便企业、方便群众等都具有重要意义，而不动产统一登记基础数据则是不动产统一登记制度的基石。因此，通过对湖南省全省的不动产数字线划图成果的质量检查验收情况，分析在质检过程中发现的普遍性问题，总结出生产中影响成果质量的关键节点和薄弱环节，为今后类似生产模式的数据质检工作提供参考，对生产和质检工作效率、准确率的提高具有很好的指导意义。

1.3 目标检测系统的实现

经过天空区域的提取和目标检测，可以获得可能的目标区域。实际上，在分割结果中同一目标常常表现为距离较近的多个连通分量，因此有必要进一步处理分割结果。文中将检测结果中质心距离小于一定值连通分量进行合并，然后提取可能目标的长宽比和大小等特征，使用这些特征进行虚警的剔除。因此，文中所述的目标检测流程如图3所示。

图3 算法流程
Fig.3 Flow of algorithm

2 实验及分析

帧差法是常用的目标检测方法，可适用于面目标和小目标，因此文中采用帧差法作为对比。文中使用三组红外序列对上述方法进行检验，检测结果如图4所示，每一列对应一种场景，第一列的场景包含树木和一个小目标，第二列的场景包含建筑和两个目标，第三列的场景包含一个面目标，第一行对应本文形态学梯度法的检测结果，第二行为帧差法的检测结果。每组序列包含100帧图像，图像大小为560×680，帧频为25帧/秒。

图4 实验结果
Fig.4 Experiment result

为了对比两种方法的检测性能，两种方法使用的检测门限都为20，选取较高的门限是为了保持较低的虚警概率。形态学梯度法使用的结构元素大小为5×5。帧差法使用块匹配法进行配准，对相邻两帧进行差分。可以看出：两种方法都能够检测到空中飞机目标，但是帧差法包含的虚警数目明显多于本文方法，这可能是因为图像配准的缘故。对于前两种场景，从检测结果中可以看出，两种方法都能检测到目标，但是帧差法包含更多的虚警。对于面目标场景，两种方法都能够有效检测出目标，但是本文方法提取的目标区域更精确。表1统计了针对前两种场景，两种方法的检测概率。由表可知，本文方法在两种场景下检测性能都比较好，而帧差法在两种场景下检测性能变化很大，因此，本文方法的稳定性较好。检测概率Pd的计算公式如下：

目前，国内已经开展了对于降粘型减水剂的研究，[2,3]但相关报道还较少，增大用水量和选用优质的超细粉料优化颗粒是降粘现采用的主要方法。[4]然而，以上方法还存在很多弊端，如增大用水量容易出现泌水抓底、且降低混凝土的强度；而采用优质的超细粉料、优化颗粒级配则大大增加了成本，未从根本上解决问题，因此，具有降粘功能的减水剂的开发有广阔前景。

“两票制”执行后，公立医疗机构在药品验收入库时，必须验明票、货、账三者一致方可入库、使用[2]。部分企业经营场所与仓库不在同一地址，特别是异地设仓的企业，发货与开票难以同步，销售发票随货同行仍然存在一定的困难，进而影响到企业销售出库的效率。

其中：Ftar为包含目标的帧数，Fdet为正确检测出目标的帧数。

表1 本文方法与帧差法的对比
Table 1 Comparison of my method with frame difference method

Ir sequence Method Pd Sequence 1 Frame difference 82% My methold 94% My method 93% Sequence 2 Frame difference 96%

综上所述，对于包含复杂地物背景的红外序列，本文的方法能够有效的检测目标，包含的虚警明显少于帧差法，且对不同的场景具有一定的鲁棒性。

3 结 论

针对低空非合作红外运动目标的检测问题，本文提出了一种基于形态学梯度的红外目标检测方法。此方法首先计算红外图像的形态学梯度，进而根据各种背景的形态学梯度特征提取天空区域，然后在天空区域内根据目标的形态学梯度特征进行目标检测，最后进行边缘片段的合并。该方法基于形态学梯度对于灰度变化的敏感性，使用形态学梯度来表征红外目标边缘强度，通过计算红外图像的形态学梯度进行目标特征的增强和起伏背景的抑制，通过检测目标的边缘来达到检测目标的目的。实测数据表明，本文的方法在包含复杂地物背景的红外图像中能够有效地检测目标，虚警较少，对不同的场景具有一定的鲁棒性。

参考文献：

[1] 秦剑，陈钱，钱惟贤. 基于北景分类的弱小目标检测方法 [J]. 光电工程，2011，38(1)：23-33.

QIN Jian，CHEN Qian，QIAN Wei-xian. A Detection Algorithm for Dim and Small Infrared Target Based on the Classification of the Background [J]. Opto-Electronic Engineering，2011，38(1)：23-33.

[2] 康令州，陈福深，王德胜. 基于形态学算法的红外图像小目标检测方法研究 [J]. 光电工程，2010，37(11)：26-31.

KANG Ling-zhou，CHEN Fu-shen，WANG De-sheng. Detection Method for Infrared Small Target Based on Mathematical Morphology [J]. Opto-Electronic Engineering，2010，37(11)：26-31.

[3] Breitenstein M D，Reichlin F，Leibe B，et al. Online Multiperson Tracking-by-Detection from a Single，Uncalibrated Camera [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828)，2011，33(9)：1820-1833.

[4] Tzannes A P，Brooks D H. Detecting Small Moving Objects Using Temporal Hypothesis Testing [J]. IEEE Transactions on Aerospace and Electronic Systems(S0018-9251)，2002，38(2)：570-586.

[5] 曹素平，李俊山，夏军. 红外运动小目标检测算法研究 [J]. 系统仿真学报，2006，18(2)：747-749.

CAO Su-ping，LI Jun-shan，XIA Jun. Reserch of Small Moving Infrared Target Indentification Algorithm [J]. Journal of System Simulation，2006，18(2)：747-749.

[6] 刘靳，姬红兵. 基于非平稳背景下的小目标检测 [J]. 电子与信息学报，2010，32(6)：1295-1300.

LIU Jin，JI Hong-bing. IR Small Targets Detection Based on Non-homogeneous Background [J]. Journal of Electronics & Information Technology，2010，32(6)：1295-1300.

[7] 管志强. 红外搜索系统中目标探测与识别技术研究 [D]. 南京：南京理工大学，2009：7-9.

GUAN Zhi-qiang. Target detection and identification technology in infrared search system [D]. Nanjing：Nanjing University of Science and Technology，2009：7-9.

[8] 苏新主，姬红兵. 一种基于数学形态学的红外弱小目标检测方法 [J]. 红外与激光工程，2004，33(3)：307-310.

SU Xin-zhu，JI Hong-bing. Detection method for dim small Ir targets based on mathematical morphology [J]. Infrared and Laser Engineering，2004，33(3)：307-310.

IR Target Detection Based on Morphological Gradient

WU Ya-bei，WANG Wei-hua，WU Ju-hong，CHEN Zeng-ping
( ATR Lab, National University of Defence Technology, Changsha 410073, China )

Abstract: We address the problem of detecting targets with different areas in air background，which will be very complex when containing part of ground. A target detection approach based on morphological gradient is proposed. Firstly, morphological gradient of the IR frame is computed. Then the air region is gotten based on the morphological gradient. At last, targets in the air region are detected and labeled. Because morphological gradient is sensitive to the slow changing grayscale on IR targets’ boundaries, morphological gradient is used to strengthen targets’ boundaries and detect targets by detecting the boundaries. Our experiments show that the method yields good detecting performance and is suitable for detecting targets with different areas.

Key words: IR target detection; morphological gradient; sky area extraction

中图分类号：TN391.41;TN219

文献标志码：A

doi：10.3969/j.issn.1003-501X.2012.09.013

文章编号：1003-501X(2012)09-0081-05

收稿日期：2012-04-02；

收到修改稿日期：2012-06-05

作者简介：毋亚北(1989-)，男(汉族)，河南灵宝人。硕士研究生，主要研究工作是信号获取、处理与电路实现。