作為紅外預(yù)警探測(cè)領(lǐng)域的關(guān)鍵技術(shù)，適應(yīng)于不同復(fù)雜場(chǎng)景下的紅外弱小目標(biāo)檢測(cè)算法一直受到國(guó)內(nèi)外研究人員的廣泛關(guān)注。隨著紅外預(yù)警探測(cè)技術(shù)的發(fā)展以及軍事化作戰(zhàn)需求的提高，滿足低虛警、高檢測(cè)精度的紅外弱小目標(biāo)檢測(cè)算法一直是國(guó)內(nèi)外研究重點(diǎn)。

紅外弱小目標(biāo)檢測(cè)算法主要分為多幀檢測(cè)和單幀檢測(cè)，多幀檢測(cè)利用多幀圖像中運(yùn)動(dòng)目標(biāo)的連續(xù)性和相關(guān)性實(shí)現(xiàn)紅外小目標(biāo)檢測(cè)，而單幀檢測(cè)主要利用單幀圖像，提取小目標(biāo)在紅外圖像中的梯度、灰度、對(duì)比度等特征，通過目標(biāo)增強(qiáng)或背景抑制等方式實(shí)現(xiàn)弱小目標(biāo)檢測(cè)，相比多幀檢測(cè)，具有復(fù)雜度低，執(zhí)行效率高，便于硬件實(shí)現(xiàn)等優(yōu)點(diǎn)。

據(jù)麥姆斯咨詢報(bào)道，近期，華北光電技術(shù)研究所劉征等人在《激光與紅外》期刊上發(fā)表了以“紅外單幀弱小目標(biāo)檢測(cè)算法研究綜述”為主題的綜述文章。

這項(xiàng)研究首先從成像特點(diǎn)、數(shù)學(xué)模型構(gòu)建以及背景雜波干擾等方面闡述了弱小目標(biāo)的特征與檢測(cè)難點(diǎn)。然后分類介紹了近些年來提出的單幀弱小目標(biāo)檢測(cè)算法，并對(duì)算法的優(yōu)勢(shì)和不足進(jìn)行了分析。最后結(jié)合當(dāng)前紅外預(yù)警探測(cè)領(lǐng)域的實(shí)際應(yīng)用需求，分析了紅外弱小目標(biāo)檢測(cè)算法未來的發(fā)展趨勢(shì)。

紅外弱小目標(biāo)這一定義分別指出了目標(biāo)的兩個(gè)特性，即“弱”和“小”，其中“弱”指的是目標(biāo)信噪比低、與背景之間的對(duì)比度差、紅外輻射強(qiáng)度弱；而“小”指的是目標(biāo)像素少，檢測(cè)時(shí)難以獲得紋理信息，可考慮的信息只有灰度和位置。

紅外小目標(biāo)圖像與對(duì)應(yīng)區(qū)域的三維強(qiáng)度分布圖

紅外單幀弱小目標(biāo)檢測(cè)算法主要通過圖像預(yù)處理突出小目標(biāo)同時(shí)抑制背景噪聲干擾，之后采用閾值分割提取疑似目標(biāo)，最后根據(jù)特征信息進(jìn)行目標(biāo)確認(rèn)。由于單幀檢測(cè)的算法復(fù)雜度較低，檢測(cè)效率高，因此目前絕大多數(shù)的高速運(yùn)動(dòng)目標(biāo)檢測(cè)平臺(tái)等都是采用的單幀紅外弱小目標(biāo)檢測(cè)算法。

紅外單幀弱小目標(biāo)檢測(cè)算法包括：①基于濾波的檢測(cè)算法；②基于人類視覺系統(tǒng)的檢測(cè)算法；③基于圖像數(shù)據(jù)結(jié)構(gòu)的檢測(cè)算法；④基于深度學(xué)習(xí)的智能檢測(cè)算法。

基于濾波的檢測(cè)算法，由于紅外探測(cè)系統(tǒng)得到的單幀圖像中，紅外小目標(biāo)的紋理、大小等特征信息往往難以獲取，通常紅外小目標(biāo)檢測(cè)是基于小目標(biāo)和背景之間的灰度差異。濾波方法的原理就是利用像素灰度差異來突出小目標(biāo)，并去除周圍背景噪聲干擾。目前這類方法大體可分為空間域?yàn)V波和變換域?yàn)V波。空間域?yàn)V波的方法主要有：空域高通濾波、最大中值和最大均值濾波、Robinson Guard濾波器、雙邊濾波算法、數(shù)學(xué)形態(tài)學(xué)方法和二維最小均方濾波器（TDLMS）。變換域?yàn)V波應(yīng)用較多的這類方法主要有頻域高通濾波、小波變換濾波、多尺度幾何分析、二維經(jīng)驗(yàn)?zāi)Ｊ椒纸猓˙EMD）以及離散余弦變換（DCT）。

基于人類視覺系統(tǒng)（HVS）的檢測(cè)算法，人眼可以快速定位到感興趣區(qū)域，并獲取其中的感興趣目標(biāo)，這一行為主要是人眼根據(jù)對(duì)比度區(qū)別目標(biāo)和背景而不是亮度，以此來獲取視覺顯著性區(qū)域。根據(jù)HVS的特性，紅外圖像中目標(biāo)的顯著性特征主要包含對(duì)比度、大小、形狀等等。所以紅外小目標(biāo)檢測(cè)中引入了局部對(duì)比度、視覺顯著性圖、多特征融合、多尺度等理論機(jī)制。

基于圖像數(shù)據(jù)結(jié)構(gòu)的檢測(cè)算法，將圖像數(shù)據(jù)結(jié)構(gòu)引入到紅外小目標(biāo)檢測(cè)算法中，利用了紅外圖像中背景的非局部自相似性和目標(biāo)的稀疏特性，即背景塊屬于同一低秩子空間，而目標(biāo)相對(duì)整體圖像尺寸較小。目前比較典型的基于圖像數(shù)據(jù)結(jié)構(gòu)的方法主要有紅外圖像塊（IPI）模型和穩(wěn)健主成分分析（RPCA）。

基于深度學(xué)習(xí)的智能檢測(cè)算法，能通過訓(xùn)練提取數(shù)據(jù)中深層次的中層以及高層特征，用以目標(biāo)表征，提升目標(biāo)檢測(cè)的魯棒性。目前將深度學(xué)習(xí)應(yīng)用于紅外小目標(biāo)檢測(cè)最大的局限性在于，待檢測(cè)的紅外小目標(biāo)尺寸過小，缺乏紋理、結(jié)構(gòu)等特征，而神經(jīng)網(wǎng)絡(luò)中往往采取下采樣操作，導(dǎo)致目標(biāo)在特征圖上尺寸僅占據(jù)幾個(gè)像素，使得檢測(cè)器難以提取出有效特征，導(dǎo)致小目標(biāo)檢測(cè)效果差；同時(shí)考慮到實(shí)際紅外工程應(yīng)用中對(duì)算法的實(shí)時(shí)性和硬件負(fù)載能力均有限定，神經(jīng)網(wǎng)絡(luò)架構(gòu)移植到常用的FPGA ＋ DSP硬件架構(gòu)上的難度較大。

結(jié)合當(dāng)下紅外預(yù)警探測(cè)系統(tǒng)的發(fā)展需求以及各個(gè)領(lǐng)域逐漸引入人工智能思想的熱潮，可以預(yù)見未來紅外弱小目標(biāo)檢測(cè)的發(fā)展趨勢(shì)如下：

（1）首先，考慮到紅外預(yù)警探測(cè)對(duì)探測(cè)距離、成像質(zhì)量、復(fù)雜背景環(huán)境下的適應(yīng)能力等需求的提高，在硬件上研制大規(guī)模、高分辨率、多波段、超高密度集成和輕型化的焦平面器件，仍然是推動(dòng)紅外弱小目標(biāo)檢測(cè)研究必不可少的一部分。

（2）其次，由于單一波段的紅外探測(cè)系統(tǒng)的性能總是有限的，由單波段檢測(cè)推廣到研究紅外多光譜融合探測(cè)技術(shù)，高光譜探測(cè)技術(shù)以及多傳感器信息融合技術(shù)，進(jìn)行信息互補(bǔ)，實(shí)現(xiàn)預(yù)警系統(tǒng)一體化，有效解決單一波段或單一探測(cè)器探測(cè)性能的局限性。

（3）最后，創(chuàng)新和改進(jìn)現(xiàn)有的紅外弱小目標(biāo)檢測(cè)算法仍然是目前研究的重點(diǎn)。利用深度學(xué)習(xí)模型架構(gòu)進(jìn)行紅外弱小目標(biāo)檢測(cè)，完善紅外弱小目標(biāo)數(shù)據(jù)集，同步考慮神經(jīng)網(wǎng)絡(luò)模型架構(gòu)硬件移植的可行性，后續(xù)研究可以利用FPGA高速并行計(jì)算、低功耗的優(yōu)勢(shì)，在FPGA上搭建神經(jīng)網(wǎng)絡(luò)架構(gòu)，加速神經(jīng)網(wǎng)絡(luò)計(jì)算，保證算法的檢測(cè)效率與實(shí)時(shí)性。

編輯：黃飛