本文提出一種海基紅外搜索跟蹤中小目標檢測的區域自適應雜波抑制方法。在現實世界中，雜波通常會產生許多錯誤檢測，阻礙此類檢測系統的部署。來襲目標（導彈、船只等）可以位于天空、地平線和海洋區域，這些區域具有不同類型的雜亂，例如云、水平線和海閃發光。基于幾何分析的區域分割后，分析了區域雜波的特征。基于空間屬性的分類消除了云雜波引起的錯誤檢測。使用異質背景去除過濾器去除水平線的那些。使用時間一致性濾波器拒絕太陽微光的誤報，這是最困難的部分。對各種雜波背景序列的實驗結果表明，所提出的區域自適應雜波抑制方法產生的誤報比均值減法（MSF）少，且具有可接受的退化檢測率。

1. 簡介

海基紅外搜索和跟蹤（IRST）系統是寬視場或全向監視系統，設計用于自主搜索、探測、獲取、跟蹤和指定潛在目標，如圖1所示。海基IRST中最重要的威脅是來襲的小型目標，例如反艦掠海導彈（ASSM）或不對稱艦艇。在這些應用中，目標通常是無法解析的，并且以只有幾個像素的分辨率出現在天空和海洋背景中。通常，小型紅外目標的尺寸小于100像素。目標檢測系統的重要性能參數包括目標的輻射強度、探測距離、檢測率和誤報率。如果確定了目標的輻射強度和最小檢測距離，則檢測算法應能夠檢測出真實目標，以滿足系統的檢測率，并盡可能拒絕虛假目標。

圖1.海基紅外搜索和跟蹤（IRST）的操作概念

由于目標信號小而暗淡，遠程小目標的檢測相當困難。通過降低檢測閾值可以實現檢測率的標準。另一方面，由于背景混亂，這種簡單的方法會導致錯誤檢測的數量增加。圖2顯示了使用眾所周知的修正均值減法濾波器（MMSF）的傳統小目標檢測方法的問題。云雜亂周圍的邊緣可能會生成錯誤檢測。由于異構背景而導致的水平邊緣線會產生錯誤檢測。最后，太陽微光具有與小目標相似的形狀（圓形對稱性）和高強度值，這阻礙了真正的目標檢測。這種區域雜波會產生許多誤報，從而阻礙了真正的目標檢測。

圖2.現有基于空間濾波的小目標檢測方法存在的問題。許多錯誤檢測是由區域雜波產生的，例如云、地平線和太陽光

本研究通過綜合減少由不同類型的雜波（如天空中的云層、地平線上的邊緣線和海面區域的太陽閃光）引起的錯誤檢測次數，使小目標檢測方法實用。根據幾何分析，將背景圖像分割為天空區域、水平區域和海面區域。通過對雜波行為的仔細觀察和分析，提出了一種區域自適應雜波抑制方案。通過基于學習的分類消除了圍繞云混亂的錯誤檢測。通過減去異質背景來消除地平線區域周圍的錯誤檢測。最后，通過時間一致性過濾器去除了海面區域周圍的那些。因此，本研究的貢獻可歸納如下。第一個貢獻是通過幾何分析自動分割區域（天-地平線-海），這是雜波抑制系統中必不可少的步驟。使用基于傳感器姿勢的預測和基于圖像的線擬合估計的水平線對區域進行分割。第二個貢獻是基于分析結果提出的區域自適應錯誤檢測抑制方案。第三個貢獻是通過與傳統檢測方法的比較，展示了使用紅外測試序列的方法。

2. 雜波抑制方面的相關工作

在過去的20年中，許多研究已經評估了小型紅外目標檢測方法。本節從目標信息、背景信息、視覺上下文和決策信息等信息使用方面回顧相關論文，以減少誤報的數量，如表1所示，其中統計總和為100%。例如，可以使用背景提示的空間信息 （14.2%） 和目標提示的形狀信息 （5.8%） 來處理云引起的誤報原因。作為第二個示例，由于太陽微光引起的誤報的原因可以使用目標提示的運動信息（3.5%），決策提示的高級分類器（2.8%），目標提示的頻率信息（2.2%），上下文提示的多傳感器融合（2.1%）或背景提示的時間信息（1.5%）。以下小節介紹了減少誤報的方法以及云雜波和日光的相關論文。

2.1. 云雜波抑制的相關研究

一些研究已經檢查了由云引起的錯誤檢測的消除或減少。他們的減少誤報策略在很大程度上取決于情況。如果有任何假設，背景減法可能是一種可行的方法。可以使用空間濾波器從輸入圖像估計背景圖像，例如最小均方濾波器 、均值濾波器 、中值濾波器 和形態濾波器（平頂）。LMS 濾波器將輸入圖像和背景圖像之間的差異降至最低，該差異由相鄰像素的加權平均值估計。均值濾波器可以通過高斯均值或簡單移動平均線估計背景。中位數篩選器基于訂單統計信息。中值可以有效地去除點狀目標。形態開口過濾器可以通過特定結構元素的侵蝕和擴張來去除特定的形狀。基于濾波器的目標檢測在計算上非常簡單，但對邊緣雜波很敏感。使用非線性濾波器（如中值或形態濾波器）進行目標檢測時，邊緣周圍出現低誤報，但計算復雜。組合濾波器，如最大均值或最大中位數，可以保留云和背景結構的邊緣信息。

如果傳感器平臺是靜態的，則通過消除緩慢移動的云雜波來增強有關快速目標運動的信息。一種眾所周知的方法是待檢測前跟蹤法。該概念類似于3D匹配濾波器的概念。動態規劃（DP）是傳統TBD方法的快速版本，在檢測暗目標方面取得了良好的性能。每個像素的時間剖面圖（包括平均值和方差）可有效檢測緩慢移動云中的移動目標。最近，基于時間對比度濾光片（TCF）的方法被開發用于檢測超音速小紅外目標。累積每幀的檢測結果可以檢測移動目標。開發寬到精確的搜索方法是為了提高3D匹配濾波器的速度。近年來，提出了一種改進的基于功率律探測器的運動目標檢測方法;它對在嚴重混亂中發生的圖像序列有效。

也可以使用決策方法減少云混亂。這些決策方法需要確定探測區域是目標。滯后方法有兩個閾值。第一個閾值非常低，用于標識候選目標區域。第二個閾值具有相對較高的值，具體取決于操作要求。當有關尺寸的信息可用時，可以去除大型太陽微光和其他大型物體。通過應用迭代閾值可以獲得類似的結果。基于統計的自適應閾值方法，如恒定誤報率（CFAR），在嚴重雜亂的背景中很有用。最簡單的分類方法是最近鄰分類器（NNC）算法，它僅使用特征相似性[32]。除了NNC之外，還有基于模型的貝葉斯分類器[33]，基于學習的神經網絡和支持向量機（SVM）[34]方法。分類信息可用于刪除各種雜亂點。

2.2. 太陽雜波抑制的相關著作

可以使用上述TBD方法拒絕陽光雜波。然而，這些方法假設高幀速率以減少太陽光。如果幀速率約為 1 Hz，則應開發一種新方法。

另一方面，頻域方法可用于消除低頻雜波。基于3D-FFT光譜的方法顯示了目標檢測的可能研究方向[35]。小波變換提取圖像金字塔中的空間頻率信息，在陽光閃爍的環境中顯示出魯棒性[36-38]。基于低通濾波器（LPF）的方法也可以對傳感器噪聲和日光產生魯棒性[39]。最近，提出了一種自適應高通濾波器（HPF）來減少云和太陽雜波[40]。

當目標處于運動狀態時，前一幀被視為背景圖像。因此，可以使用遞歸技術使用加權自相關矩陣更新來執行背景估計[41]。靜態雜波也可以通過幀差來消除[42]。與空間濾波方法相比，通過雜波多參數近似推導的先進自適應時空濾波器可以獲得巨大的收益[43]。多幀的主成分分析（PCA）可以消除時間噪聲，如太陽微光[44]。

信息融合方法可用于減少日光閃爍。這包括目標背景上下文、多要素上下文、多波段上下文和多分類上下文。這些視覺環境以信息融合的形式實現，從而減少雜亂和高檢測率。目標-背景上下文同時增強了目標特征并減少了背景雜波，從而減少了太陽-微光雜波[45]。多特征融合可以提高暗目標的檢測率[46，47]。如果使用光譜融合，例如中波紅外和長波紅外的比率或兩個波段的檢測結果的組合，則可以輕松去除太陽微光[48，49]。各種分類器的投票可以提高暗目標檢測率[50]。

3. 來料目標的位置分析

如何計算與項目目標像素的目標距離？目標距離是IRST非常重要的系統參數 根據前面的分析，相機高度（h）、目標距離（D）、目標高度（H）和目標定位角（θ）之間的投影關系可以簡化，如圖3所示。在此方案中，假設相機仰角 （α） 為 0°。目標定位角度可以通過相機高度和目標距離來估計，如公式（1）所示。如果假設相機的視場（FOV）為6°，紅外探測器的尺寸為480，則可以使用公式（2）計算投影目標位置（第i – th圖像行）。由于本研究對行圖像位置與目標距離之間的關系感興趣，因此最終的射影關系可以得到公式（3），該方程由方程（1）和（2）導出。如果假設相機高度為20 m，船高為0 m，最小目標檢測范圍為9000 m，則船舶目標投影到水平線下方的10個像素中，如圖4所示。在掠海導彈的情況下，整個正常飛行高度為200 m，投影圖像位于水平線上方10像素處，最小檢測距離為8000 m。如果ASSM的高度（H）低于相機高度（h），則目標位于水平線周圍。當它接近相機時，它出現在海面上。從這種與目標類型相關的幾何分析中可以得出結論，遠距離目標位于水平線周圍（在20-m檢測時以水平線為中心±5000像素），而相對較近的目標存在于天空區域或海面區域。因此，有必要將輸入圖像分割為天空區域、水平區域和海面區域。

圖3.通過假設平面簡化 IRST 射影幾何。三角形代表IRST傳感器，圓形目標投射在一維紅外探測器上。目標像素位置和目標距離之間的關系可以使用公式（1）–（1）找到。

圖4.目標距離（D）和投影圖像位置（i）的分析結果。（左）左圖使用公式（3）表示目標距離與目標像素位置之間的關系;（右）而右圖是紅外場景的相應示例。如果傳感器高度為20 m，目標高度為0 m，最小檢測范圍為6000 m，則船舶目標位于水平線下方15像素處。

4. 基于區域雜波抑制的小目標檢測

所提出的小目標檢測由后臺處理和目標處理組成，如圖5所示。后臺處理模塊使用傳感器姿態信息和圖像處理將輸入圖像分割成天空、地平線和海洋區域。目標處理模塊使用空間過濾器查找候選目標，并使用精心設計的方法拒絕由背景雜波引起的任何誤報。空間過濾器（修正均值減法濾波器 （MSF））在整個區域中常用。水平線雜波通過局部方向背景估計 （DBE） 估計并刪除。水平區域中的小目標由基于滯后閾值的恒定虛警檢測器（H-CFAR）檢測。天空和海域的候選目標通過預檢測找到。天空區域中的錯誤檢測是由云產生的。因此，基于目標屬性的分類器可以拒絕由云混亂引起的錯誤檢測。海域中海閃光的錯誤檢測被三圖相關和統計濾波器拒絕。以下小節詳細介紹了區域分割、去除地平線區域中的水平線雜波、去除天空區域中的云雜波以及去除海域中的海光。

圖5.基于區域分割和區域特定雜波抑制的整體小目標檢測流程。

4.1. 幾何和基于圖像的區域分割

水平信息非常重要，因為它可以提供區域分割提示。因此，區域分割可以通過以下四個步驟進行：（1）使用傳感器LOS進行地平線預測，（2）地平線像素（horixel）提取，（3）內在選擇和（4）地平線優化和區域分割，如圖6所示。水平位置可以使用傳感器姿勢信息進行預測。下一步是視頻序列中的最佳水平跟蹤。給定一個輸入幀，使用列方向梯度和最大選擇提取 horixel。使用RANSAC的魯棒線擬合方法鑒定內嵌線[51]。RANSAC的重要作用是找到真正的horixels的內在指數。基于內在指數，總最小二乘優化可以穩定地檢測最終視界。由于內在 horixel 是通過該過程識別的，因此使用線性提取和優化進行地平線跟蹤。內臟檢測塊在開始時被激活，并在統計上適應環境變化。

圖6.通過水平線預測和優化的區域分割流。

基于傳感器姿態的地平線預測：如果假設紅外攝像機具有高度（h），仰角（α，假設0°以便于分析）和地球半徑（R），則可以如圖7a所示描繪幾何關系。任何圖像中的投影水平線都可以通過計算角度（θH），如公式（4）所示。真正的IRST傳感器可以改變仰角，從而改變圖像域中水平線的位置。如果相機的仰角為α，傳感器的視場 （FOV） 為β，則天空區域的角度 （θ天空） 由公式 （5）確定。如果仰角 （α） 小于θH?β/2，傳感器只能觀測海域。因此，天空區域的角度（θ天空） 為零。同樣，也可以分析其他情況。海域的角度（θ海） 確定為，θ海=β?θ天空.由于天海區域分割比例由下式決定坦θ海/坦θ天空，最后一條水平線 （H事先） 使用公式 （6）計算。如果假設圖像高度為 1280 像素，垂直視場為 20°，傳感器高度為 20 m，仰角為 5°，則預測水平線 （H事先） 的位置如圖 6 所示（第一個圖像中的藍色虛線）。

圖7.海基IRST系統的幾何形狀。（a） 傳感器高度與水平線之間的關系;（b） 具有視場和仰角的相機幾何形狀 （α= 0）;（c） 仰角α時水平線的近似位置。

Horixel 提取：給定一個預測的地平線，如圖 6 所示（藍色虛線），設置搜索邊界。然后定義采樣間隔以降低計算復雜性。對于每個樣品位置，柱方向梯度過濾器使用高斯核的導數進行。然后通過最大選擇提取接近預測視界的 horixel。圖6（第一張圖中的黑色虛線）顯示了提取的荷里克塞爾。

使用RANSAC進行內在檢測：在海洋環境中，地平線經常被島嶼、海岸和云層遮擋。因此，需要一種魯棒的地平線估計方法，例如RANSAC。基本上，RANSAC算法選擇兩個霍里塞爾并預測地平線。然后，該算法檢查線擬合和內在值。經過多次迭代后，將選擇具有最大內在值的地平線參數。圖6（第二張圖）顯示了使用RANSAC方法的內臟檢測結果。請注意，內值和異常值的分類幾乎正確。內值指數用于優化線擬合和水平跟蹤。

基于 SVD 的優化和跟蹤：最后一步是使用給定的內數 horixel 集的總最小二乘擬合來細化視界參數。裝配過程如下。首先，對內列數進行歸一化，并進行奇異值分解（SVD）[52]。地平線方向由具有最小特征值的特征向量選擇。圖 6（最后一張圖像）顯示了被近島和遠島遮擋的圖像的地平線優化結果。水平區域放大以顯示結果。地平線跟蹤是通過 horixel 提取和基于 SVD 的優化以及內臟指數完成的。基于 RANSAC 的初始化以統計方式激活。

4.2. 地平線區域：消除水平線雜波

基于均值減法濾波器（MSF）的小目標檢測方法基于二維均值濾波器[2]。8D 均值濾波器用于估計窗口大小為 2 × 5 或 5 × 7 的局部背景。基于MSF的方法已在多個國家部署，因為它簡單且對小目標具有很高的探測能力[7，8，53]。修改后的MSF（M-MSF）用于使用預平滑輸入圖像增強信噪比。另一方面，54D局部均值減法濾波器在水平線周圍產生強烈的響應，從而防止目標檢測或產生錯誤檢測，如圖2所示。如果應用全局閾值或恒定虛警率（CFAR）檢測，真實目標像素被埋在水平線像素中，導致水平目標檢測失敗。

根據實際目標觀察，目標具有高斯形狀，如圖9所示。圖9給出了部分目標示例，分別顯示了目標尺寸（寬度、高度）的分布和觀察到的目標的縱橫比。根據統計數據，目標具有類似斑點的結構（平均大小：（寬度= 5.1像素，高度= 5.4像素），標準偏差（寬度= 1.7，高度= 1.4）和縱橫比為~1）。請注意，大小包括屬于目標區域的非常低強度的像素。因此，引入了類似高斯的濾波器。這個想法類似于匹配濾波器理論。如果濾波器系數與目標形狀相同，則達到最大信噪比。在本文中，二維高斯濾波系數設置為G3×3(x， y） = [0.1 0.11 0.1; 0.11 0.16 0.11; 0.1 0.11 0.1]，由核大小為 2、標準差為 1.4 的二維高斯函數生成。過濾器系數應根據特定的目標應用進行更改。

圖9.對真實紅外目標的觀察。（a） 小型紅外目標的例子;（b） 目標大小的寬度和高度直方圖;（c） 縱橫比（高度/寬度）的直方圖。

圖 11 顯示了本節介紹的水平區域空間過濾過程的總體過程。L-DBRF的輸入是輸出（我M–無國界醫生(x， y）） 的前一個濾波器階段，其中定向背景是估計值。輸出可以使用公式（11）計算。請注意在應用M-MSF和L-DBRF期間SCR的改進。由于水平背景雜波是在L-DBRF階段估計和消除的，因此雜波噪聲降低，從而增強了SCR計算。

圖 11.水平雜波清除和檢測流程的可視化：（a） 輸入圖像;（b） 匹配過濾器;（c） 水平線雜波估計;（d） 修改后的（M）-MSF結果;（e） 預先設定閾值;（f） 信雜比 （SCR） 計算區域;以及 （g） 使用 SCR 閾值的最終檢測結果。

4.3. 天空區域：消除云雜亂

圖12b所示的檢測結果可以通過將空間濾波后的H-CFAR檢測器應用于IRST圖像來獲得，其中給定的測試圖像存在許多由強云雜波引起的錯誤檢測，如圖12a所示。機器學習方法應用于此問題。分類器劃分特征空間中的正確目標和雜亂點。最簡單的方法是最近鄰分類器（NNC）算法，它僅使用特征相似性[32]。除了NNC之外，還有基于模型的貝葉斯分類器[33]，基于學習的神經網絡和支持向量機（SVM）[34]方法。分類信息可用于刪除各種雜亂點。另一方面，很難應用這些分類方法，因為目標很小，導致可獲得的信息很少。本文提出了<>種小目標特征類型，并從判別的角度對其進行了分析。本研究基于該特征分析，開發了基于機器學習的雜波抑制方案。

圖 12.云雜波引起的誤報問題：（a） 原始紅外圖像;（b） M-MSF + 基于滯后閾值的恒定誤報率 （H-CFAR） 檢測。

如圖 13 所示，云雜波抑制系統由學習階段和區分階段組成。在學習階段，使用目標檢測算法和地面實況信息自動準備訓練數據庫（DB）。分類器是使用提取的特征學習的。在判別階段，通過探測目標區域來提取特征，通過空間濾波（M-MSF）和前閾值后的8-NN聚類獲得特征;最終的目標區分由學習的分類器執行。

圖 13.目標區分的整體流程。

小紅外目標通常是小于100像素的小明亮斑點;從點狀目標圖像中提取信息特征非常困難。本研究考慮了標準差、秩填充比、二階矩、面積、尺寸比、旋轉尺寸變化、頻率能量和平均距離法。事先，考慮使用過濾后的數據庫來檢查要素。

本節討論了區分紅外小目標和云雜波的特征提取方法。該過程的其余部分是選擇最佳分類器。在這項研究中，選擇了AdaBoost，因為它可以選擇適合區分真實目標的特征。SVM 方法考慮多維特征向量，并使用內核配方查找支持向量。另一方面，AdaBoost使用簡單的弱分類器，以及弱分類器的加權和，這導致強分類器，如公式 （21）所示。在這項研究中，弱分類器只是針對單個特征空間的基于閾值的簡單二元決策。圖 14 顯示了使用所提出的方法進行云雜波抑制的示例。請注意，所提出的方案可以消除云混亂的錯誤檢測。

圖 14.使用建議的功能和 AdaBoost 分類器的云雜波抑制示例

4.4. 海域：去除海鉬

海閃光使探測海域中的小目標成為一個具有挑戰性的問題，如圖15所示。虛線圓圈表示真正的目標，箭頭表示太陽閃光。由于通過大氣散射和吸收，照射的目標能量非常小。這會導致目標變暗，其信噪比（SNR）非常低。暗淡的目標由 2-10 像素組成。目標強度級別與相鄰像素的強度級別相似。此外，太陽微光具有相似的形狀（圓形對稱性），如小目標，以及高強度值，這阻礙了真正的目標檢測。

圖 15.紅外搜索和跟蹤系統中的太陽微光示例。

為什么檢測小目標非常困難？如果觀察每一幀，如圖16a所示，目標和太陽光都有小亮點。因此，空間形狀信息無法區分真實目標和陽光。另一方面，如果在時間域中觀測目標和太陽微光，則可以在強度、尺度、速度和移動方向方面獲得觀測結果，如圖16b所示。關鍵屬性是一致性。與太陽閃光相比，目標顯示出一致的強度、規模、速度和方向。

圖 16.觀察目標和太陽光：（a） 目標和太陽閃光的序列;（b） 從強度、規模、速度和移動方向方面得出的觀測結果。

根據調查，在密集的日光雜波環境中進行小目標檢測的研究很少。單個空間過濾器無法消除作為真實目標特征的太陽微光雜亂，而海閃光具有非常相似的形狀和圓形對稱性。傳統的運動提示無法使用，因為目標可能是靜止的并且幀速率非常低。因此，本文提出了一種折衷空間濾波方法和時間方法的混合方法，即基于屬性圖關聯的獨立時空濾波方法。該圖僅指示 IRST 中的候選目標。基本假設是，真正的目標在空間和時間域中的行為都像異常值。太陽微光的行為是隨機的，但目標的行為是一致的。這種概念用于空間和時間濾波器的設計。圖 17 表示基于這些概念的建議目標系統。頂級分量級別由基于圖關聯的時間濾波部分和基于統計的雜波抑制部分組成，給定通過使用 M-MSF 和預閾值進行預檢測提取的候選目標。在時間濾波部分，提出一種基于目標屬性的三圖關聯濾波進行數據關聯。在三圖關聯后，使用時間一致性濾波和恒定虛報（CFAR）檢測方法進一步減少海閃雜波。

圖 17.提出的小目標檢測系統。該系統由幾何海域提取部分、空間濾波部分、基于三圖相關性的時間濾波部分和基于統計的雜波抑制

在目標檢測問題中，重點是如何在三幀內消除太陽微光（系統要求），但對目標的跟蹤相對毫發無損。如前所述，基本假設是目標與太陽閃光相比表現為異常值。這表明太陽微光的行為是隨機的，但真正的目標表現是一致的。因此，太陽微光引起的誤報可以通過使用圖形模型的三圖相關性來消除。圖 18a 顯示了使用圖形模型的三圖相關性的基本概念。白色圓圈表示隱藏變量，灰色圓圈表示檢測到的目標數據。相關性僅涉及在三個連續幀中給出的先驗預測和數據關聯。

為了解釋圖17中所示的檢測系統，本文給出了標準測試圖像的整體處理流程和相關結果，如圖20所示。測試紅外圖像（圖20a）在海上具有可能的目標。圖20b表示使用三圖相關濾波器的檢測結果。ID 指示相關性的數量。對于此過程，M-MSF和預閾值用于空間候選目標檢測。圖 20c 表示基于統計信息的時間過濾的結果。圖20d顯示了使用H-CFAR方法最終檢測到的目標。表2總結了該測試序列的雜波減少率。所提出的三圖相關濾波器可以減少50%的雜波。通過時間濾波器和CFAR檢測，我們可以實現高達97.7%的雜波抑制，同時檢測真正的目標。

圖 20.海洋區域紅外圖像的目標檢測流程示例。（a） 測試圖像;（b） 三圖相關結果（ID表示圖相關數）;（c） 基于時間過濾器的雜波減少;（d） 使用H-CFAR方法進行最終檢測。圓圈表示真實目標，正方形表示檢測到的目標。

5. 實驗結果

本文介紹了通過地平線檢測、水平線雜波抑制、云雜波抑制和太陽-眩光抑制提出的區域分割細節，如圖21所示。在本節中，通過比較常規方法對每個提出的項目進行評估，然后將集成方法應用于測試序列。

圖 21.提出的區域自適應、小目標檢測和雜波抑制方案。

5.1. 水平線檢測的評估

如圖22所示，制備了四種測試序列，以驗證所提方法的魯棒性。集合 1 是被強云遮擋的遠程海洋圖像。集合 2 被附近的島嶼遮擋，該島嶼占據了地平線長度的 1/3。套裝 3 有附近的島嶼和一個偏遠的島嶼。最后一個，Set 4，附近有一個海岸，船只和建筑物擋住了地平線。

圖 22.用于水平線檢測的測試數據庫的組成。

如果線擬合誤差平均在一個像素內，則檢測到的水平線被聲明為正確的檢測。地平線位置的地面實況是通過人工檢查準備的。最初的測試裝置幾乎沒有傳感器噪聲。因此，該范圍內的均勻分布分別產生了±0.5°和±3.0像素的人工傳感器傾斜噪聲和地平線定位噪聲。表3列出了總體實驗結果。該方法正確檢測了無噪聲序列數據的地平線。在嘈雜數據的情況下，只有Set 4的一幀顯示出不正確的地平線檢測。圖23顯示了噪聲添加序列的采樣水平檢測結果。藍色虛線表示傳感器 LOS 的地平線預測。黑色或白色實線表示最佳水平線。洋紅色點表示 RANSAC 提取的內臟 horixels。請注意，無論傳感器噪聲下的遮擋類型如何，都會可靠地檢測到水平線。

圖 23.測試集 1–4 的地平線檢測示例。

表 3.無噪聲數據和噪聲數據的地平線檢測率（DR）。

5.2. 水平雜波抑制的評估

在水平雜波抑制評估中，比較了每幅圖像的檢測率和虛警數，以評估不同空間濾波器類型的檢測性能。作為初始實驗，通過背景建模和目標建模制備了合成圖像。背景圖像具有天空區域和強度差為 100 灰度值的背景區域。使用高斯濾波器進一步逐列平滑水平線。生成了24個具有不同大小和不同SCR值的目標。這些目標入到水平線周圍，如圖3b的頂部所示。生成的靶標的尺寸范圍為（3×10）至（10×0），SCR范圍為97.1至95.<>。ROC曲線指標用于評估該測試圖像的過濾方法。前閾值 （千前） 設置為 20，H-CFAR 閾值 （k） 從 24 更改為 2。圖 8a 顯示了評估結果。使用12D局部MSF [1]的結果顯示ROC區域非常小，檢出率相對較低。最大均值濾波器 [4000] 也會產生較差的 ROC 面積。基于一維全球MSF的方法顯示出更大的ROC區域，但產生了許多錯誤檢測（超過1個錯誤警報，k = 15），閾值很小。最近的方法，局部最小LoG和Top-hat濾波器顯示出良好的性能[56，70]。相比之下，所提出的方法（M-MSF后的水平雜波抑制（L-DBRF））顯示出理想的ROC曲線模式。請注意，當 k = 1 時，最大誤報數僅為 24。圖 <>b 顯示了使用三種類型的空間過濾器的目標檢測結果。H-CFAR閾值經過調整，以發出零誤報。所提方法能夠成功檢測所有目標。

圖 24.ROC 曲線和相關檢測示例。（a） 三種不同空間濾波器的ROC曲線;（b） 誤報閾值為零的檢測示例。

在下一次評估中，比較了目標決策方法。原始CFAR探測器探測高于噪聲水平的所有像素。另一方面，所提出的決策方法（H-CFAR）使用自適應遲滯閾值，該閾值由用于候選檢測的小閾值和用于最終決策的CFAR閾值組成。測試圖像由不同數量的合成目標組成，從 10 到 490。圖 25 顯示了比較結果。原始CFAR檢測的處理時間約為16.1 s，隨著目標數量的增加而增加。相比之下，所提檢測方法的處理時間約為0.65 s，并且隨著目標數量的增加而略有增加。兩種決策方法的檢測結果相似。

圖 25.決策方法的處理時間：CFAR與H-CFAR（自適應滯后檢測）。

5.3. 云雜波抑制的評估

足夠大的數據集對于確保成功學習云混亂抑制非常重要。本研究使用中波紅外（MWIR）相機或長波紅外（LWIR）相機收集了136張真實目標圖像。目標圖像是由真實的飛機拍攝的，例如KT-1，F-5和F-16。云雜波數據庫是使用上一節中介紹的檢測算法準備的。圖 26 提供了目標圖像和雜亂圖像的示例。

圖 26.用于分類器學習的目標和雜波數據庫：（a） 目標芯片;（b） 雜亂的芯片。

在評估中比較了樸素貝葉斯、SVM 和 AdaBoost 分類器。隨機選擇訓練樣本，剩余樣本用于測試集。平均檢測率 （DR） 和誤報率 （FAR） 在 100 次迭代中進行了評估。結果如表4所示。盡管樸素貝葉斯方法產生的容積率較低，但它的容積率相對較低。DR在目標識別中更為重要，因為需要檢測真正的目標。SVM 分類器產生了改進的 DR，但具有較高的 FAR。AdaBoost 分類器（學習后有 29 個弱分類器）產生了改進的 DR，其容積率低于 SVM 的容積率。因此，選擇AdaBoost作為分類器來拒絕天空區域中的云雜波。

表 4.（a）樸素貝葉斯，（b）SVM和（c）AdaBoost分類器在檢測率（DR）和誤報率（FAR）方面的性能。

5.4. 海閃光剔除的評估

準備了一組海基IRST圖像來測試和評估所提出的方法。圖27總結了中波紅外（MWIR）相機采集的七種測試序列。套裝 1 具有微弱的太陽光芒，帶有進入的飛船場景。第2組有強烈的陽光，船只經過。第3組有強烈的稀疏陽光，大型船只靠近海岸。第4組有密集的強烈太陽閃光，帶有合成的入射目標和遙遠的真實目標。第5組有弱的密集太陽閃光，有一個合成的來襲目標和幾艘真正的船只。第6組有強烈的稀疏陽光，在偏遠的沿海環境中經過。第7組有強烈的密集陽光，有地效翼船經過。根據評估結果，有選擇地使用每個圖像集。

圖 27.測試數據庫的組成。

將所提出的海閃光抑制方法與基線方法（（M-MSF，Min-local-LoG [15]，Top-hat [56]）+ H-CFAR檢測）進行了五種測試集（第4組，第5組，第6組，第7組）的比較。以每幅圖像的檢測率（DR）和虛警次數（FAR）作為比較措施。為了進行公平比較，通過調整閾值來固定每個數據集的檢測率。對于每個測試集，基本事實都是手動準備的。表 5 列出了五個不同測試集在誤報率（每個圖像的錯誤檢測數）方面的總體性能結果。所提出的方法顯示出與基線方法相同的檢測率，但與基線方法相比，它產生的誤報更少（大約少16到28倍）。圖 6 顯示了測試集 3 的檢測結果，該測試集有一個真實目標（地效翼船）經過偏遠海岸。在所提出的方法中，方塊表示通過去除邊緣目標進行最終檢測。請注意，基線方法在太陽閃光周圍產生了大量的誤報。結果表明，所提方法（相關+屬性濾波）能夠魯棒地檢測出真實目標，并在海閃光區產生少量誤報。

圖 28.所提方法與測試集6基線方法之間的目標檢測比較。

5.5. 所提方法的綜合評估

作為最終評估，測試序列由五個扇區組成，共 156 幀（1280 × 1024）。使用Kim等人報告的方法生成了許多合成靶點[60]。測試集由云雜波和海閃發光組成。表 6 列出了總體評估結果，具體取決于雜波抑制方案在檢測率和每幀誤報數量方面的情況。基本空間濾波器是指（M-MSF + L-DBRF）+ H-CFAR探測器。基本的表示 M-MSF + 預閾值。所提出的方法（區域雜波抑制）將每張圖像的錯誤檢測次數減少了2.5至9.4倍，具體取決于雜波抑制方案的扇區類型，檢測率僅下降了0.1%-0.8%。圖 29 給出了扇區 2 DB 上的雜波抑制效果示例。請注意，所提出的方法幾乎完全消除了多云天空區域和海閃光區域的錯誤檢測，同時仍保持目標檢測。

圖 29.通過應用雜波抑制方法獲得系統性能比較結果。

6. 結論

由于點狀目標的性質，減少小紅外目標檢測中雜波引起的錯誤檢測數量非常具有挑戰性。雜波根據類型有不同的性質，例如水平線雜波、天空中的云雜波和海中的海波閃爍。該文提出一種基于水平線檢測的區域分割方法，同時利用傳感器位姿信息和圖像處理。在水平區域，修正均值減法濾波器（M-MSF）后的局部定向背景去除濾波器（L-DBRF）過程可以抑制水平線雜波，實現高檢測率，每幅圖像誤報少。在天空區域，提出AdaBoost判別學習方法，基于目標屬性特征（如強度、面積、頻率等）去除云雜波。根據基于AdaBoost的目標判別方法對測試序列的結果，在檢測率僅有少量下降的情況下實現了虛警減少。在海域，提出了單獨的時空濾波來拒絕海閃光。三圖相關后的時間濾波可以進一步減少太陽微光。通過實驗比較，發現無論目標運動如何，使用低幀率紅外相機在強日光環境下檢測目標都是穩健的。在最終測試中，所提出的集成雜波抑制方案可以有效地將錯誤檢測次數減少2.5至9.4倍，而檢測率僅下降0.1%–0.8%。因此，所提出的方案有望對海基紅外搜索和跟蹤系統有用。