基于稀疏动态反演的红外弱小目标检测理论及方法研究

发布时间：2020-08-09 20:25

【摘要】：红外成像探测在精确制导/反导、红外预警、空间远距离目标探测以及天基碎片探测等多个方面都有广泛的应用。该类应用中都需要对目标进行精确检测、识别和解析。由于成像距离长、成像环境复杂以及探测器精度等原因,红外弱小目标检测是一个有挑战性的问题,一直以来也得到了广泛的关注。传统的红外弱小目标检测方法在复杂场景中容易受到背景杂波和噪声的干扰,检测精度有限,在实际应用中效果不佳。稀疏动态反演,或者称为稀疏动态优化,是信号处理领域一种常用的思路,用于从观测量中恢复出信号的成分,并进一步从中提取所需要的信息。通过对红外成像场景和红外弱小目标进行分析,结合稀疏动态反演理论,可以提升弱小目标检测的精度和稳定性,有助于红外搜索与跟踪系统的发展。本文的研究集中于红外图像分析、模型构建、稀疏动态反演方法研究等,研究对象包括海面、天空及地面等复杂度不同的场景,研究内容主要包括以下几个方面:(1)分析了红外图像的背景特性以及目标特性,分析了不同场景的特点以及目标检测的难点。传统的红外弱小目标检测方法往往没有考虑到场景多样性以及目标的不同特性,因此限制了目标检测的效果。本文通过研究红外成像的特点,为后续构建针对性的目标/背景模型打下了基础,也是本文所开展的研究工作的理论基础。(2)提出了基于联合正则化的红外弱小目标检测方法,将正则化模型与主成分追踪模型结合,提出一种基于全变差-主成分追踪的红外弱小目标检测方法。在红外场景中,由于成像模糊、缺乏细节信息等特点,红外背景可以被认为是低秩的或者局部低秩的。而在该假设下,背景成分中的边缘等信息容易对目标检测产生干扰,而全变差项的引入可以很好地刻画背景中灰度突变的成分,避免其干扰目标检测。通过构建全变差-主成分追踪联合正则化模型,在目标检测和背景恢复中都取得了很好的效果。(3)提出了基于稳定多子空间学习的红外弱小目标检测方法。在复杂成像背景下,会出现图像中包含多个强辐射源或多种干扰物的情况,这些干扰会对红外目标检测造成极大的影响,而传统的红外弱小目标检测方法没有很好地针对这一情况进行设计。本文研究提出了一种基于稳定多子空间学习的红外弱小目标检测方法,针对包含多个辐射源的背景,采用多子空间学习方式,代替传统的单一子空间学习,可以寻找到适合于描述多个辐射源的线性子空间,更好地刻画背景细节,进而实现精确的目标检测,在复杂场景中取得了很好的效果。(4)提出了基于多任务联合稀疏表示的红外弱小目标检测方法。由于红外图像成像质量差、本身可利用的信息较少等原因,传统的基于稀疏表示的目标检测算法在样本库构建、特征选取等方面难度较大,在实际应用中容易造成误检及漏检。本文采用一种新的多任务联合稀疏表示及分类方法,通过提取四种不同的特征:灰度特征,边缘特征,梯度直方图特征以及灰度分布直方图特征来构建多任务字典;同时将样本分为三类:目标类,平滑背景类以及突变背景类,结合一种新的基于平滑L0范数的求解方法,构建了基于多任务联合稀疏表示的红外弱小目标检测框架。该方法在实际测试中取得了较好的效果。(5)提出了一种基于非负变分模态分解的红外弱小目标检测方法。红外图像中的不同成分,包括背景、目标及噪声,其区别不仅表现在灰度分布的不同,也表现在其频域分布的区别。模态分解是一种常用的信号分量分解方法,可以根据信号的不同性质将其分解为不同的子信号。我们采用了一种自适应窄带信号分解方法,称为变分模态分解,并考虑红外目标的非负性,在其中加入非负约束。该算法将经过预处理的红外图像自适应地分解为不同的窄带信号,而红外弱小目标就包含在其中一个窄带之中。该方法计算量较小,检测结果中杂波很少,虚警率很低,在特定场景中可以取得很好的效果。(6)提出了两种基于视觉显著性的红外弱小目标检测方法,采用了两种不同的显著性检测思路。其中之一利用了红外弱小目标局部对比度高的特点,首先采用局部熵以及图像块相似度筛选出图像中的潜在目标区域,即显著性高的区域,再在该区域中计算局部对比度,可以高效地得到红外弱小目标检测结果。另一种思路是结合红外弱小目标的灰度显著性和运动显著性,提出一种二值图显著性结合运动信息的红外弱小目标检测方法,通过计算目标的灰度二值图显著性以及运动显著性,可以很好地捕捉到场景中的动态目标。实际数据测试以及多种评价指标表明,上述提出的方法可以在一定程度上解决红外弱小目标检测中虚警率高、检测率低以及有时存在误检及漏检的问题,结合我们所进行的场景特性分析,本文所提出的方法具有较强的场景针对性,适合于红外搜索与跟踪系统中的应用。此外,本文构建了基于稀疏动态反演检测的全新体系,为后续相关研究打下了坚实的理论基础。
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN215;TP391.41
【图文】：

技术路线图,弱小目标检测,红外,稀疏约束

第一章绪论值图显著性结合运动信息的红外弱小目标检测方法，将灰度图像以及运动显著性图像作为输入，通过二值图显著性计算，输出目标位置。该研究内容及成果是对目前的基于显著性度量的红外弱小目标检测的一种推进。图 1-1为本文的技术路线图。通过分析背景和目标的成像特性，进行稀疏动态反演算法的研究，提出四种不同的基于反问题求解、稀疏约束和稀疏表示的红外弱小目标检测方法；同时研究了基于视觉显著性的检测方法，实现了复杂背景下的红外弱小目标检测。

三维图像,算法处理,三维图像,三维投影

(c) (d)图 3-5 TV-PCP 算法处理前后的三维图像对比。(a) 序列 2 原图的三维投影图；(b) 序列 2 经 TV-PCP 算法处理后的三维投影图；(c) 序列 3 原图的三维投影图；(d)序列 3 经 TV-PCP 算法处理后的三维投影图除了可以获得很好的目标检测效果之外，TV-PCP 算法的另一个优点是其突背景恢复效果。由于 TV-PCP 算法可以视为 IPI 方法的一种改进，且该改进集对背景数据的处理，通过引入全变差项从而更精确地刻画背景。因此，我们了这两种算法在 6 组测试序列中对于背景恢复的效果，结果见图 3-6。可以看出PI 算法由于采用了低秩约束，尽管可以保留大部分背景，但对于边缘和细节的不尽如人意。对于本章提出的 TV-PCP 算法，通过加入额外的背景约束，成功出了大量背景细节，效果远好于单一低秩约束，该结果与表 3-4中的结果相。但同时也要注意到，部分目标的残影出现在了背景中，在序列 3 和序列 6 试结果中尤为明显，这是由于全变差项以及其他约束项的权重所导致的。这证了本章的一个主要观点：在联合正则化问题中，多重约束项之间的平衡往

示意图,多子,空间数据,示意图

图 4-1 多子空间数据示意图013）提出了一种多子空间恢复方法，称为低秩 LRR），旨在寻找分布在不同子空间中的数据的最干扰项为稀疏矩阵的情况，类似公式(3-7)，假设观测一个低秩矩阵 L 和一个稀疏矩阵 S 的和，即满足下M = L + Srank(L) min m n S0mn 据分布在 k 个子空间的集合 Uiki=1上，这里 k 是未构建为如下形式：minL Srank(L) + λ S0s.t. M = L + S 则化因子。对比公式 (3-8)中所描述的 PCP 问题，

【参考文献】