海基红外搜索和跟踪的区域自适应杂波抑制的小红外目标检测系统技术介绍

本文提出一种海基红外搜索跟踪中小目标检测的区域自适应杂波抑制方法。在现实世界中，杂波通常会产生许多错误检测，阻碍此类检测系统的部署。来袭目标（导弹、船只等）可以位于天空、地平线和海洋区域，这些区域具有不同类型的杂乱，例如云、水平线和海闪发光。基于几何分析的区域分割后，分析了区域杂波的特征。基于空间属性的分类消除了云杂波引起的错误检测。使用异质背景去除过滤器去除水平线的那些。使用时间一致性滤波器拒绝太阳微光的误报，这是最困难的部分。对各种杂波背景序列的实验结果表明，所提出的区域自适应杂波抑制方法产生的误报比均值减法（MSF）少，且具有可接受的退化检测率。

1. 简介

海基红外搜索和跟踪（IRST）系统是宽视场或全向监视系统，设计用于自主搜索、探测、获取、跟踪和指定潜在目标，如图1所示。海基IRST中最重要的威胁是来袭的小型目标，例如反舰掠海导弹（ASSM）或不对称舰艇。在这些应用中，目标通常是无法解析的，并且以只有几个像素的分辨率出现在天空和海洋背景中。通常，小型红外目标的尺寸小于100像素。目标检测系统的重要性能参数包括目标的辐射强度、探测距离、检测率和误报率。如果确定了目标的辐射强度和最小检测距离，则检测算法应能够检测出真实目标，以满足系统的检测率，并尽可能拒绝虚假目标。

图1.海基红外搜索和跟踪（IRST）的操作概念

由于目标信号小而暗淡，远程小目标的检测相当困难。通过降低检测阈值可以实现检测率的标准。另一方面，由于背景混乱，这种简单的方法会导致错误检测的数量增加。图2显示了使用众所周知的修正均值减法滤波器（MMSF）的传统小目标检测方法的问题。云杂乱周围的边缘可能会生成错误检测。由于异构背景而导致的水平边缘线会产生错误检测。最后，太阳微光具有与小目标相似的形状（圆形对称性）和高强度值，这阻碍了真正的目标检测。这种区域杂波会产生许多误报，从而阻碍了真正的目标检测。

图2.现有基于空间滤波的小目标检测方法存在的问题。许多错误检测是由区域杂波产生的，例如云、地平线和太阳光

本研究通过综合减少由不同类型的杂波（如天空中的云层、地平线上的边缘线和海面区域的太阳闪光）引起的错误检测次数，使小目标检测方法实用。根据几何分析，将背景图像分割为天空区域、水平区域和海面区域。通过对杂波行为的仔细观察和分析，提出了一种区域自适应杂波抑制方案。通过基于学习的分类消除了围绕云混乱的错误检测。通过减去异质背景来消除地平线区域周围的错误检测。最后，通过时间一致性过滤器去除了海面区域周围的那些。因此，本研究的贡献可归纳如下。第一个贡献是通过几何分析自动分割区域（天-地平线-海），这是杂波抑制系统中必不可少的步骤。使用基于传感器姿势的预测和基于图像的线拟合估计的水平线对区域进行分割。第二个贡献是基于分析结果提出的区域自适应错误检测抑制方案。第三个贡献是通过与传统检测方法的比较，展示了使用红外测试序列的方法。

2. 杂波抑制方面的相关工作

在过去的20年中，许多研究已经评估了小型红外目标检测方法。本节从目标信息、背景信息、视觉上下文和决策信息等信息使用方面回顾相关论文，以减少误报的数量，如表1所示，其中统计总和为100%。例如，可以使用背景提示的空间信息 （14.2%） 和目标提示的形状信息 （5.8%） 来处理云引起的误报原因。作为第二个示例，由于太阳微光引起的误报的原因可以使用目标提示的运动信息（3.5%），决策提示的高级分类器（2.8%），目标提示的频率信息（2.2%），上下文提示的多传感器融合（2.1%）或背景提示的时间信息（1.5%）。以下小节介绍了减少误报的方法以及云杂波和日光的相关论文。

2.1. 云杂波抑制的相关研究

一些研究已经检查了由云引起的错误检测的消除或减少。他们的减少误报策略在很大程度上取决于情况。如果有任何假设，背景减法可能是一种可行的方法。可以使用空间滤波器从输入图像估计背景图像，例如最小均方滤波器 、均值滤波器 、中值滤波器 和形态滤波器（平顶）。LMS 滤波器将输入图像和背景图像之间的差异降至最低，该差异由相邻像素的加权平均值估计。均值滤波器可以通过高斯均值或简单移动平均线估计背景。中位数筛选器基于订单统计信息。中值可以有效地去除点状目标。形态开口过滤器可以通过特定结构元素的侵蚀和扩张来去除特定的形状。基于滤波器的目标检测在计算上非常简单，但对边缘杂波很敏感。使用非线性滤波器（如中值或形态滤波器）进行目标检测时，边缘周围出现低误报，但计算复杂。组合滤波器，如最大均值或最大中位数，可以保留云和背景结构的边缘信息。

如果传感器平台是静态的，则通过消除缓慢移动的云杂波来增强有关快速目标运动的信息。一种众所周知的方法是待检测前跟踪法。该概念类似于3D匹配滤波器的概念。动态规划（DP）是传统TBD方法的快速版本，在检测暗目标方面取得了良好的性能。每个像素的时间剖面图（包括平均值和方差）可有效检测缓慢移动云中的移动目标。最近，基于时间对比度滤光片（TCF）的方法被开发用于检测超音速小红外目标。累积每帧的检测结果可以检测移动目标。开发宽到精确的搜索方法是为了提高3D匹配滤波器的速度。近年来，提出了一种改进的基于功率律探测器的运动目标检测方法;它对在严重混乱中发生的图像序列有效。

也可以使用决策方法减少云混乱。这些决策方法需要确定探测区域是目标。滞后方法有两个阈值。第一个阈值非常低，用于标识候选目标区域。第二个阈值具有相对较高的值，具体取决于操作要求。当有关尺寸的信息可用时，可以去除大型太阳微光和其他大型物体。通过应用迭代阈值可以获得类似的结果。基于统计的自适应阈值方法，如恒定误报率（CFAR），在严重杂乱的背景中很有用。最简单的分类方法是最近邻分类器（NNC）算法，它仅使用特征相似性[32]。除了NNC之外，还有基于模型的贝叶斯分类器[33]，基于学习的神经网络和支持向量机（SVM）[34]方法。分类信息可用于删除各种杂乱点。

2.2. 太阳杂波抑制的相关著作

可以使用上述TBD方法拒绝阳光杂波。然而，这些方法假设高帧速率以减少太阳光。如果帧速率约为 1 Hz，则应开发一种新方法。

另一方面，频域方法可用于消除低频杂波。基于3D-FFT光谱的方法显示了目标检测的可能研究方向[35]。小波变换提取图像金字塔中的空间频率信息，在阳光闪烁的环境中显示出鲁棒性[36-38]。基于低通滤波器（LPF）的方法也可以对传感器噪声和日光产生鲁棒性[39]。最近，提出了一种自适应高通滤波器（HPF）来减少云和太阳杂波[40]。

当目标处于运动状态时，前一帧被视为背景图像。因此，可以使用递归技术使用加权自相关矩阵更新来执行背景估计[41]。静态杂波也可以通过帧差来消除[42]。与空间滤波方法相比，通过杂波多参数近似推导的先进自适应时空滤波器可以获得巨大的收益[43]。多帧的主成分分析（PCA）可以消除时间噪声，如太阳微光[44]。

信息融合方法可用于减少日光闪烁。这包括目标背景上下文、多要素上下文、多波段上下文和多分类上下文。这些视觉环境以信息融合的形式实现，从而减少杂乱和高检测率。目标-背景上下文同时增强了目标特征并减少了背景杂波，从而减少了太阳-微光杂波[45]。多特征融合可以提高暗目标的检测率[46，47]。如果使用光谱融合，例如中波红外和长波红外的比率或两个波段的检测结果的组合，则可以轻松去除太阳微光[48，49]。各种分类器的投票可以提高暗目标检测率[50]。

3. 来料目标的位置分析

如何计算与项目目标像素的目标距离？目标距离是IRST非常重要的系统参数 根据前面的分析，相机高度（h）、目标距离（D）、目标高度（H）和目标定位角（θ）之间的投影关系可以简化，如图3所示。在此方案中，假设相机仰角 （α） 为 0°。目标定位角度可以通过相机高度和目标距离来估计，如公式（1）所示。如果假设相机的视场（FOV）为6°，红外探测器的尺寸为480，则可以使用公式（2）计算投影目标位置（第i – th图像行）。由于本研究对行图像位置与目标距离之间的关系感兴趣，因此最终的射影关系可以得到公式（3），该方程由方程（1）和（2）导出。如果假设相机高度为20 m，船高为0 m，最小目标检测范围为9000 m，则船舶目标投影到水平线下方的10个像素中，如图4所示。在掠海导弹的情况下，整个正常飞行高度为200 m，投影图像位于水平线上方10像素处，最小检测距离为8000 m。如果ASSM的高度（H）低于相机高度（h），则目标位于水平线周围。当它接近相机时，它出现在海面上。从这种与目标类型相关的几何分析中可以得出结论，远距离目标位于水平线周围（在20-m检测时以水平线为中心±5000像素），而相对较近的目标存在于天空区域或海面区域。因此，有必要将输入图像分割为天空区域、水平区域和海面区域。

图3.通过假设平面简化 IRST 射影几何。三角形代表IRST传感器，圆形目标投射在一维红外探测器上。目标像素位置和目标距离之间的关系可以使用公式（1）–（1）找到。

图4.目标距离（D）和投影图像位置（i）的分析结果。（左）左图使用公式（3）表示目标距离与目标像素位置之间的关系;（右）而右图是红外场景的相应示例。如果传感器高度为20 m，目标高度为0 m，最小检测范围为6000 m，则船舶目标位于水平线下方15像素处。

4. 基于区域杂波抑制的小目标检测

所提出的小目标检测由后台处理和目标处理组成，如图5所示。后台处理模块使用传感器姿态信息和图像处理将输入图像分割成天空、地平线和海洋区域。目标处理模块使用空间过滤器查找候选目标，并使用精心设计的方法拒绝由背景杂波引起的任何误报。空间过滤器（修正均值减法滤波器 （MSF））在整个区域中常用。水平线杂波通过局部方向背景估计 （DBE） 估计并删除。水平区域中的小目标由基于滞后阈值的恒定虚警检测器（H-CFAR）检测。天空和海域的候选目标通过预检测找到。天空区域中的错误检测是由云产生的。因此，基于目标属性的分类器可以拒绝由云混乱引起的错误检测。海域中海闪光的错误检测被三图相关和统计滤波器拒绝。以下小节详细介绍了区域分割、去除地平线区域中的水平线杂波、去除天空区域中的云杂波以及去除海域中的海光。

图5.基于区域分割和区域特定杂波抑制的整体小目标检测流程。

4.1. 几何和基于图像的区域分割

水平信息非常重要，因为它可以提供区域分割提示。因此，区域分割可以通过以下四个步骤进行：（1）使用传感器LOS进行地平线预测，（2）地平线像素（horixel）提取，（3）内在选择和（4）地平线优化和区域分割，如图6所示。水平位置可以使用传感器姿势信息进行预测。下一步是视频序列中的最佳水平跟踪。给定一个输入帧，使用列方向梯度和最大选择提取 horixel。使用RANSAC的鲁棒线拟合方法鉴定内嵌线[51]。RANSAC的重要作用是找到真正的horixels的内在指数。基于内在指数，总最小二乘优化可以稳定地检测最终视界。由于内在 horixel 是通过该过程识别的，因此使用线性提取和优化进行地平线跟踪。内脏检测块在开始时被激活，并在统计上适应环境变化。

图6.通过水平线预测和优化的区域分割流。

基于传感器姿态的地平线预测：如果假设红外摄像机具有高度（h），仰角（α，假设0°以便于分析）和地球半径（R），则可以如图7a所示描绘几何关系。任何图像中的投影水平线都可以通过计算角度（θH），如公式（4）所示。真正的IRST传感器可以改变仰角，从而改变图像域中水平线的位置。如果相机的仰角为α，传感器的视场 （FOV） 为β，则天空区域的角度 （θ天空） 由公式 （5）确定。如果仰角 （α） 小于θH−β/2，传感器只能观测海域。因此，天空区域的角度（θ天空） 为零。同样，也可以分析其他情况。海域的角度（θ海） 确定为，θ海=β−θ天空.由于天海区域分割比例由下式决定坦θ海/坦θ天空，最后一条水平线 （H事先） 使用公式 （6）计算。如果假设图像高度为 1280 像素，垂直视场为 20°，传感器高度为 20 m，仰角为 5°，则预测水平线 （H事先） 的位置如图 6 所示（第一个图像中的蓝色虚线）。

图7.海基IRST系统的几何形状。（a） 传感器高度与水平线之间的关系;（b） 具有视场和仰角的相机几何形状 （α= 0）;（c） 仰角α时水平线的近似位置。

Horixel 提取：给定一个预测的地平线，如图 6 所示（蓝色虚线），设置搜索边界。然后定义采样间隔以降低计算复杂性。对于每个样品位置，柱方向梯度过滤器使用高斯核的导数进行。然后通过最大选择提取接近预测视界的 horixel。图6（第一张图中的黑色虚线）显示了提取的荷里克塞尔。

使用RANSAC进行内在检测：在海洋环境中，地平线经常被岛屿、海岸和云层遮挡。因此，需要一种鲁棒的地平线估计方法，例如RANSAC。基本上，RANSAC算法选择两个霍里塞尔并预测地平线。然后，该算法检查线拟合和内在值。经过多次迭代后，将选择具有最大内在值的地平线参数。图6（第二张图）显示了使用RANSAC方法的内脏检测结果。请注意，内值和异常值的分类几乎正确。内值指数用于优化线拟合和水平跟踪。

基于 SVD 的优化和跟踪：最后一步是使用给定的内数 horixel 集的总最小二乘拟合来细化视界参数。装配过程如下。首先，对内列数进行归一化，并进行奇异值分解（SVD）[52]。地平线方向由具有最小特征值的特征向量选择。图 6（最后一张图像）显示了被近岛和远岛遮挡的图像的地平线优化结果。水平区域放大以显示结果。地平线跟踪是通过 horixel 提取和基于 SVD 的优化以及内脏指数完成的。基于 RANSAC 的初始化以统计方式激活。

4.2. 地平线区域：消除水平线杂波

基于均值减法滤波器（MSF）的小目标检测方法基于二维均值滤波器[2]。8D 均值滤波器用于估计窗口大小为 2 × 5 或 5 × 7 的局部背景。基于MSF的方法已在多个国家部署，因为它简单且对小目标具有很高的探测能力[7，8，53]。修改后的MSF（M-MSF）用于使用预平滑输入图像增强信噪比。另一方面，54D局部均值减法滤波器在水平线周围产生强烈的响应，从而防止目标检测或产生错误检测，如图2所示。如果应用全局阈值或恒定虚警率（CFAR）检测，真实目标像素被埋在水平线像素中，导致水平目标检测失败。

根据实际目标观察，目标具有高斯形状，如图9所示。图9给出了部分目标示例，分别显示了目标尺寸（宽度、高度）的分布和观察到的目标的纵横比。根据统计数据，目标具有类似斑点的结构（平均大小：（宽度= 5.1像素，高度= 5.4像素），标准偏差（宽度= 1.7，高度= 1.4）和纵横比为~1）。请注意，大小包括属于目标区域的非常低强度的像素。因此，引入了类似高斯的滤波器。这个想法类似于匹配滤波器理论。如果滤波器系数与目标形状相同，则达到最大信噪比。在本文中，二维高斯滤波系数设置为G3×3(x， y） = [0.1 0.11 0.1; 0.11 0.16 0.11; 0.1 0.11 0.1]，由核大小为 2、标准差为 1.4 的二维高斯函数生成。过滤器系数应根据特定的目标应用进行更改。

图9.对真实红外目标的观察。（a） 小型红外目标的例子;（b） 目标大小的宽度和高度直方图;（c） 纵横比（高度/宽度）的直方图。

图 11 显示了本节介绍的水平区域空间过滤过程的总体过程。L-DBRF的输入是输出（我M–无国界医生(x， y）） 的前一个滤波器阶段，其中定向背景是估计值。输出可以使用公式（11）计算。请注意在应用M-MSF和L-DBRF期间SCR的改进。由于水平背景杂波是在L-DBRF阶段估计和消除的，因此杂波噪声降低，从而增强了SCR计算。

图 11.水平杂波清除和检测流程的可视化：（a） 输入图像;（b） 匹配过滤器;（c） 水平线杂波估计;（d） 修改后的（M）-MSF结果;（e） 预先设定阈值;（f） 信杂比 （SCR） 计算区域;以及 （g） 使用 SCR 阈值的最终检测结果。

4.3. 天空区域：消除云杂乱

图12b所示的检测结果可以通过将空间滤波后的H-CFAR检测器应用于IRST图像来获得，其中给定的测试图像存在许多由强云杂波引起的错误检测，如图12a所示。机器学习方法应用于此问题。分类器划分特征空间中的正确目标和杂乱点。最简单的方法是最近邻分类器（NNC）算法，它仅使用特征相似性[32]。除了NNC之外，还有基于模型的贝叶斯分类器[33]，基于学习的神经网络和支持向量机（SVM）[34]方法。分类信息可用于删除各种杂乱点。另一方面，很难应用这些分类方法，因为目标很小，导致可获得的信息很少。本文提出了<>种小目标特征类型，并从判别的角度对其进行了分析。本研究基于该特征分析，开发了基于机器学习的杂波抑制方案。

图 12.云杂波引起的误报问题：（a） 原始红外图像;（b） M-MSF + 基于滞后阈值的恒定误报率 （H-CFAR） 检测。

如图 13 所示，云杂波抑制系统由学习阶段和区分阶段组成。在学习阶段，使用目标检测算法和地面实况信息自动准备训练数据库（DB）。分类器是使用提取的特征学习的。在判别阶段，通过探测目标区域来提取特征，通过空间滤波（M-MSF）和前阈值后的8-NN聚类获得特征;最终的目标区分由学习的分类器执行。

图 13.目标区分的整体流程。

小红外目标通常是小于100像素的小明亮斑点;从点状目标图像中提取信息特征非常困难。本研究考虑了标准差、秩填充比、二阶矩、面积、尺寸比、旋转尺寸变化、频率能量和平均距离法。事先，考虑使用过滤后的数据库来检查要素。

本节讨论了区分红外小目标和云杂波的特征提取方法。该过程的其余部分是选择最佳分类器。在这项研究中，选择了AdaBoost，因为它可以选择适合区分真实目标的特征。SVM 方法考虑多维特征向量，并使用内核配方查找支持向量。另一方面，AdaBoost使用简单的弱分类器，以及弱分类器的加权和，这导致强分类器，如公式 （21）所示。在这项研究中，弱分类器只是针对单个特征空间的基于阈值的简单二元决策。图 14 显示了使用所提出的方法进行云杂波抑制的示例。请注意，所提出的方案可以消除云混乱的错误检测。

图 14.使用建议的功能和 AdaBoost 分类器的云杂波抑制示例

4.4. 海域：去除海钼

海闪光使探测海域中的小目标成为一个具有挑战性的问题，如图15所示。虚线圆圈表示真正的目标，箭头表示太阳闪光。由于通过大气散射和吸收，照射的目标能量非常小。这会导致目标变暗，其信噪比（SNR）非常低。暗淡的目标由 2-10 像素组成。目标强度级别与相邻像素的强度级别相似。此外，太阳微光具有相似的形状（圆形对称性），如小目标，以及高强度值，这阻碍了真正的目标检测。

图 15.红外搜索和跟踪系统中的太阳微光示例。

为什么检测小目标非常困难？如果观察每一帧，如图16a所示，目标和太阳光都有小亮点。因此，空间形状信息无法区分真实目标和阳光。另一方面，如果在时间域中观测目标和太阳微光，则可以在强度、尺度、速度和移动方向方面获得观测结果，如图16b所示。关键属性是一致性。与太阳闪光相比，目标显示出一致的强度、规模、速度和方向。

图 16.观察目标和太阳光：（a） 目标和太阳闪光的序列;（b） 从强度、规模、速度和移动方向方面得出的观测结果。

根据调查，在密集的日光杂波环境中进行小目标检测的研究很少。单个空间过滤器无法消除作为真实目标特征的太阳微光杂乱，而海闪光具有非常相似的形状和圆形对称性。传统的运动提示无法使用，因为目标可能是静止的并且帧速率非常低。因此，本文提出了一种折衷空间滤波方法和时间方法的混合方法，即基于属性图关联的独立时空滤波方法。该图仅指示 IRST 中的候选目标。基本假设是，真正的目标在空间和时间域中的行为都像异常值。太阳微光的行为是随机的，但目标的行为是一致的。这种概念用于空间和时间滤波器的设计。图 17 表示基于这些概念的建议目标系统。顶级分量级别由基于图关联的时间滤波部分和基于统计的杂波抑制部分组成，给定通过使用 M-MSF 和预阈值进行预检测提取的候选目标。在时间滤波部分，提出一种基于目标属性的三图关联滤波进行数据关联。在三图关联后，使用时间一致性滤波和恒定虚报（CFAR）检测方法进一步减少海闪杂波。

图 17.提出的小目标检测系统。该系统由几何海域提取部分、空间滤波部分、基于三图相关性的时间滤波部分和基于统计的杂波抑制

在目标检测问题中，重点是如何在三帧内消除太阳微光（系统要求），但对目标的跟踪相对毫发无损。如前所述，基本假设是目标与太阳闪光相比表现为异常值。这表明太阳微光的行为是随机的，但真正的目标表现是一致的。因此，太阳微光引起的误报可以通过使用图形模型的三图相关性来消除。图 18a 显示了使用图形模型的三图相关性的基本概念。白色圆圈表示隐藏变量，灰色圆圈表示检测到的目标数据。相关性仅涉及在三个连续帧中给出的先验预测和数据关联。

为了解释图17中所示的检测系统，本文给出了标准测试图像的整体处理流程和相关结果，如图20所示。测试红外图像（图20a）在海上具有可能的目标。图20b表示使用三图相关滤波器的检测结果。ID 指示相关性的数量。对于此过程，M-MSF和预阈值用于空间候选目标检测。图 20c 表示基于统计信息的时间过滤的结果。图20d显示了使用H-CFAR方法最终检测到的目标。表2总结了该测试序列的杂波减少率。所提出的三图相关滤波器可以减少50%的杂波。通过时间滤波器和CFAR检测，我们可以实现高达97.7%的杂波抑制，同时检测真正的目标。

图 20.海洋区域红外图像的目标检测流程示例。（a） 测试图像;（b） 三图相关结果（ID表示图相关数）;（c） 基于时间过滤器的杂波减少;（d） 使用H-CFAR方法进行最终检测。圆圈表示真实目标，正方形表示检测到的目标。

5. 实验结果

本文介绍了通过地平线检测、水平线杂波抑制、云杂波抑制和太阳-眩光抑制提出的区域分割细节，如图21所示。在本节中，通过比较常规方法对每个提出的项目进行评估，然后将集成方法应用于测试序列。

图 21.提出的区域自适应、小目标检测和杂波抑制方案。

5.1. 水平线检测的评估

如图22所示，制备了四种测试序列，以验证所提方法的鲁棒性。集合 1 是被强云遮挡的远程海洋图像。集合 2 被附近的岛屿遮挡，该岛屿占据了地平线长度的 1/3。套装 3 有附近的岛屿和一个偏远的岛屿。最后一个，Set 4，附近有一个海岸，船只和建筑物挡住了地平线。

图 22.用于水平线检测的测试数据库的组成。

如果线拟合误差平均在一个像素内，则检测到的水平线被声明为正确的检测。地平线位置的地面实况是通过人工检查准备的。最初的测试装置几乎没有传感器噪声。因此，该范围内的均匀分布分别产生了±0.5°和±3.0像素的人工传感器倾斜噪声和地平线定位噪声。表3列出了总体实验结果。该方法正确检测了无噪声序列数据的地平线。在嘈杂数据的情况下，只有Set 4的一帧显示出不正确的地平线检测。图23显示了噪声添加序列的采样水平检测结果。蓝色虚线表示传感器 LOS 的地平线预测。黑色或白色实线表示最佳水平线。洋红色点表示 RANSAC 提取的内脏 horixels。请注意，无论传感器噪声下的遮挡类型如何，都会可靠地检测到水平线。

图 23.测试集 1–4 的地平线检测示例。

表 3.无噪声数据和噪声数据的地平线检测率（DR）。

5.2. 水平杂波抑制的评估

在水平杂波抑制评估中，比较了每幅图像的检测率和虚警数，以评估不同空间滤波器类型的检测性能。作为初始实验，通过背景建模和目标建模制备了合成图像。背景图像具有天空区域和强度差为 100 灰度值的背景区域。使用高斯滤波器进一步逐列平滑水平线。生成了24个具有不同大小和不同SCR值的目标。这些目标入到水平线周围，如图3b的顶部所示。生成的靶标的尺寸范围为（3×10）至（10×0），SCR范围为97.1至95.<>。ROC曲线指标用于评估该测试图像的过滤方法。前阈值 （千前） 设置为 20，H-CFAR 阈值 （k） 从 24 更改为 2。图 8a 显示了评估结果。使用12D局部MSF [1]的结果显示ROC区域非常小，检出率相对较低。最大均值滤波器 [4000] 也会产生较差的 ROC 面积。基于一维全球MSF的方法显示出更大的ROC区域，但产生了许多错误检测（超过1个错误警报，k = 15），阈值很小。最近的方法，局部最小LoG和Top-hat滤波器显示出良好的性能[56，70]。相比之下，所提出的方法（M-MSF后的水平杂波抑制（L-DBRF））显示出理想的ROC曲线模式。请注意，当 k = 1 时，最大误报数仅为 24。图 <>b 显示了使用三种类型的空间过滤器的目标检测结果。H-CFAR阈值经过调整，以发出零误报。所提方法能够成功检测所有目标。

图 24.ROC 曲线和相关检测示例。（a） 三种不同空间滤波器的ROC曲线;（b） 误报阈值为零的检测示例。

在下一次评估中，比较了目标决策方法。原始CFAR探测器探测高于噪声水平的所有像素。另一方面，所提出的决策方法（H-CFAR）使用自适应迟滞阈值，该阈值由用于候选检测的小阈值和用于最终决策的CFAR阈值组成。测试图像由不同数量的合成目标组成，从 10 到 490。图 25 显示了比较结果。原始CFAR检测的处理时间约为16.1 s，随着目标数量的增加而增加。相比之下，所提检测方法的处理时间约为0.65 s，并且随着目标数量的增加而略有增加。两种决策方法的检测结果相似。

图 25.决策方法的处理时间：CFAR与H-CFAR（自适应滞后检测）。

5.3. 云杂波抑制的评估

足够大的数据集对于确保成功学习云混乱抑制非常重要。本研究使用中波红外（MWIR）相机或长波红外（LWIR）相机收集了136张真实目标图像。目标图像是由真实的飞机拍摄的，例如KT-1，F-5和F-16。云杂波数据库是使用上一节中介绍的检测算法准备的。图 26 提供了目标图像和杂乱图像的示例。

图 26.用于分类器学习的目标和杂波数据库：（a） 目标芯片;（b） 杂乱的芯片。

在评估中比较了朴素贝叶斯、SVM 和 AdaBoost 分类器。随机选择训练样本，剩余样本用于测试集。平均检测率 （DR） 和误报率 （FAR） 在 100 次迭代中进行了评估。结果如表4所示。尽管朴素贝叶斯方法产生的容积率较低，但它的容积率相对较低。DR在目标识别中更为重要，因为需要检测真正的目标。SVM 分类器产生了改进的 DR，但具有较高的 FAR。AdaBoost 分类器（学习后有 29 个弱分类器）产生了改进的 DR，其容积率低于 SVM 的容积率。因此，选择AdaBoost作为分类器来拒绝天空区域中的云杂波。

表 4.（a）朴素贝叶斯，（b）SVM和（c）AdaBoost分类器在检测率（DR）和误报率（FAR）方面的性能。

5.4. 海闪光剔除的评估

准备了一组海基IRST图像来测试和评估所提出的方法。图27总结了中波红外（MWIR）相机采集的七种测试序列。套装 1 具有微弱的太阳光芒，带有进入的飞船场景。第2组有强烈的阳光，船只经过。第3组有强烈的稀疏阳光，大型船只靠近海岸。第4组有密集的强烈太阳闪光，带有合成的入射目标和遥远的真实目标。第5组有弱的密集太阳闪光，有一个合成的来袭目标和几艘真正的船只。第6组有强烈的稀疏阳光，在偏远的沿海环境中经过。第7组有强烈的密集阳光，有地效翼船经过。根据评估结果，有选择地使用每个图像集。

图 27.测试数据库的组成。

将所提出的海闪光抑制方法与基线方法（（M-MSF，Min-local-LoG [15]，Top-hat [56]）+ H-CFAR检测）进行了五种测试集（第4组，第5组，第6组，第7组）的比较。以每幅图像的检测率（DR）和虚警次数（FAR）作为比较措施。为了进行公平比较，通过调整阈值来固定每个数据集的检测率。对于每个测试集，基本事实都是手动准备的。表 5 列出了五个不同测试集在误报率（每个图像的错误检测数）方面的总体性能结果。所提出的方法显示出与基线方法相同的检测率，但与基线方法相比，它产生的误报更少（大约少16到28倍）。图 6 显示了测试集 3 的检测结果，该测试集有一个真实目标（地效翼船）经过偏远海岸。在所提出的方法中，方块表示通过去除边缘目标进行最终检测。请注意，基线方法在太阳闪光周围产生了大量的误报。结果表明，所提方法（相关+属性滤波）能够鲁棒地检测出真实目标，并在海闪光区产生少量误报。

图 28.所提方法与测试集6基线方法之间的目标检测比较。

5.5. 所提方法的综合评估

作为最终评估，测试序列由五个扇区组成，共 156 帧（1280 × 1024）。使用Kim等人报告的方法生成了许多合成靶点[60]。测试集由云杂波和海闪发光组成。表 6 列出了总体评估结果，具体取决于杂波抑制方案在检测率和每帧误报数量方面的情况。基本空间滤波器是指（M-MSF + L-DBRF）+ H-CFAR探测器。基本的表示 M-MSF + 预阈值。所提出的方法（区域杂波抑制）将每张图像的错误检测次数减少了2.5至9.4倍，具体取决于杂波抑制方案的扇区类型，检测率仅下降了0.1%-0.8%。图 29 给出了扇区 2 DB 上的杂波抑制效果示例。请注意，所提出的方法几乎完全消除了多云天空区域和海闪光区域的错误检测，同时仍保持目标检测。

图 29.通过应用杂波抑制方法获得系统性能比较结果。

6. 结论

由于点状目标的性质，减少小红外目标检测中杂波引起的错误检测数量非常具有挑战性。杂波根据类型有不同的性质，例如水平线杂波、天空中的云杂波和海中的海波闪烁。该文提出一种基于水平线检测的区域分割方法，同时利用传感器位姿信息和图像处理。在水平区域，修正均值减法滤波器（M-MSF）后的局部定向背景去除滤波器（L-DBRF）过程可以抑制水平线杂波，实现高检测率，每幅图像误报少。在天空区域，提出AdaBoost判别学习方法，基于目标属性特征（如强度、面积、频率等）去除云杂波。根据基于AdaBoost的目标判别方法对测试序列的结果，在检测率仅有少量下降的情况下实现了虚警减少。在海域，提出了单独的时空滤波来拒绝海闪光。三图相关后的时间滤波可以进一步减少太阳微光。通过实验比较，发现无论目标运动如何，使用低帧率红外相机在强日光环境下检测目标都是稳健的。在最终测试中，所提出的集成杂波抑制方案可以有效地将错误检测次数减少2.5至9.4倍，而检测率仅下降0.1%–0.8%。因此，所提出的方案有望对海基红外搜索和跟踪系统有用。