irst

结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱

小目标检测算法

沈旭;程小辉;王新政

【摘要】如何在没有先验信息的情况下从复杂噪声背景下快速检测到远距离进入

的弱小目标,提高整个装备系统的响应能力,是目前IRST热门研究课题.本文通过引

入视觉注意机制,提出了一种结合尺度自适应的局部对比度测量的红外弱小目标检

测方法.本文首先采用拉普拉斯金字塔尺度空间理论对所有像素点局部对比度进行

分析,获得对应的自适应尺度信息;然后在跳出效应的基础上设计了一种基于改进的

局部对比度测量模型,最终生成一个显著图来突出目标特性,该方法能够在增强目标

对比度同时,抑制背景杂波.定性定量实验结果表明,本文提出的方法相比于对比算法

具有较高的红外小目标检测性能,能够对对比度不低于5％的目标稳定检测,适合防

空武器装备工程应用.

【期刊名称】《红外技术》

【年(卷),期】2019(041)008

【总页数】8页(P764-771)

【关键词】目标检测;视觉注意;尺度感知;对比度测量;跳出效应

【作者】沈旭;程小辉;王新政

【作者单位】岭南师范学院信息工程学院,广东湛江524048;桂林理工大学信息科

学与工程学院,广西桂林541004;桂林理工大学信息科学与工程学院,广西桂林

541004

【正文语种】中文

【中图分类】TN219

红外搜索与跟踪系统（infraredarchandtrack,IRST）是现代战争中不可或缺

的关键系统之一，广泛应用于精确制导、光电预警、防空反导等领域[1-2]。与雷

达系统相比，IRST是一种被动探测设备，具有隐蔽性好，精度高，尤其是“对低

慢”目标具有较高的探测精度，可以感知远距离的弱小目标[3]。与可见光系统相

比，IRST具有较远的探测距离与抗干扰能力，能够发现隐藏在云层后面的目标[4]。

现役的武器装备大多是集成了雷达、红外与可见光系统，通过各系统的互补配合，

提高整个系统的精度与响应时间。

在没有先验信息的情况下从复杂噪声背景下检测出弱小目标是IRST系统中一项关

键技术，该技术可以快速检测到远距离进入的目标，提高整个装备系统的响应能力

[5]。然而，远距离进入的目标通常很小，没有明显的纹理特征和形状信息，信噪

比较低。同时，探测器自身盲元[6]、系统噪声以及非均匀性干扰都会对弱小目标

检测与跟踪带来影响，使得弱小目标被噪声与干扰所淹没。

为了有效地检测红外弱小目标，国内外专家学者提出大量的算法，如基于形态学滤

波方法[7]，基于小波变换的算法[8]，最大均值/最大中值滤波器[9]，基于主成分

分析方法[10]等等。这些方法对于简单背景都有着较好的检测效果，但面对复杂背

景下的红外图像分析时，这些传统的方法不足以应对复杂多变的目标信息，使得算

法的整体检测性能下降[11]。为了克服传统方法泛化能力弱的问题，一些学者开始

将机器学习的方法引入到弱小目标检测中。文献[12]将将Facet方向导数特征与稀

疏表示相结合，通过超完备结构化字典，实现弱小目标检测，该算法还可根据不同

检测背景训练出相应背景字典,从而对不同复杂环境下都能得到较好检测效果。文

献[13]从光谱高维数据分析角度出发，结合红外弱小目标感知先验信息，提出了一

种基于最小二乘向量机（leastsquaressupportvectormachines,LSSVM）弱

小目标检测方法，通过人工蜂群算法（artificialbeecolonyalgorithm,ABC）进

行正则优化，获得更好的检测性能。虽然这些方法促进了检测精度的提升，但还不

能完全达到人类视觉系统的检测效果，主要是由于人眼的视觉暂态留效应与大脑的

学习推理能力，提升了对弱小目标的分辨能力。

视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全

局图像获得需要关注的目标区域，而后重点获取所需要关注的目标信息，抑制其他

无用信息。人类视觉注意力机制极大的提高了视觉信息处理的效率与准确性。注意

力机制已经在自然语言处理中取得了重大成功。但在红外搜索与跟踪任务中，如何

将视觉注意力机制有效的嵌入到IRST系统并提升检测性能成为亟待解决的问题。

由于人眼对小目标感知是基于目标与其周围背景之间的对比度进行，通过调节目标

局部区域的对比度测量就可以表征目标区域与其相邻背景之间的差异。本文通过引

入注意力机制，提出了一种结合尺度自适应的局部对比度测量的红外弱小目标检测

方法，该方法可以增强目标对比度，同时抑制邻域背景杂波。同时，本文在视觉注

意机制的基础上，引入了基于信杂比的跳出效应增强目标信息，该方法生成了一个

权值图来突出目标特征，使目标易于后续分割。定性定量实验结果表明，本文提出

的方法相比于对比算法具有较高的红外小目标检测性能。

人类视觉系统在面对复杂自然场景时，具有快速搜索感兴趣目标的能力，这种能力

称之为视觉注意。神经生物学研究表明，当目标明显区分于干扰项的时候目标立刻

被凸显即发生跳出效应（pop-outeffect），这是一种自底向上的快速识别的过程。

在视觉注意和目标感知方面，目标与其邻域之间的对比度比目标的亮度更重要。如

果目标在邻域中具有显著性特征，则目标将迅速获得视觉注意并被有效地提取，这

种属性可能有助于红外目标检测过程。然而对于红外弱小目标，不仅仅表现出对比

度低、尺寸小，还时常被淹没在杂波中，造成目标逐场显示不连续。本文在充分考

虑了显著性的基础上，引入对比度度量策略，提升检测的稳定性与有效性。

高斯拉普拉斯函数（LaplaceofGaussian,LoG），是高斯函数和拉普拉斯函数结

合的算子，具有背景平滑和边缘增强于一身的模型[14]。LoG具有人类视觉特性中

的中心增强和侧向抑制特性。由于红外小目标通常呈现出斑点状特性，利用LoG

进行滤波，可以起到增强目标，抑制背景的作用。

首先，将原始图像I(x,y)与高斯核G(x,y)进行卷积，得到平滑后的图像，即：

式中：，s表征了高斯函数的空间尺度。然后，利用拉普拉斯算子Ñ2对平滑后的

图像进行微分运算：

可以看出LoG表示对原始图像进行高斯拉普拉斯滤波，近推导整理，其表达式如

下所示：

在仿真测试发现，直接对原始红外图像进行LOG处理，复杂背景在一定程度上得

到了抑制。但对于背景中杂波仍然较为显著，尤其是对于云层边缘、海天线区域存

在较大边缘响应。为了进一步增强小目标同时抑制图像背景和杂波，有必要在视觉

注意机制上对现有的算法进行改进。

基于自适应尺度的局部对比度量是在以原始红外图像上以每个像素为中心的尺度可

调图像块区域上计算对比度量度。图1展示了不同尺度矩形框的示意图。理想情

况下，如果图像块大小接近或略大于目标，其计算结果更接近真值。然而，在实际

使用过程中，随着目标进入防区其尺寸也随之变化，很难预先确定目标大小相似的

图像块尺寸。

大多数检测算法则采用多尺度测量策略以适应各种尺寸的小目标，该算法通过设计

不同的尺度块计算对应的显著特征，然后根据给定的规则从这些显著图中选择最佳

结果[14]。然而，通过从多尺度显著图中选择最大对比度测量值进行目标检测，可

能不适合于抑制杂波，导致大量的虚警产生，同时也增加算法复杂度。

为了能够一次遍历获得最优显著图，本文采用自适应尺度块计算每个像素的区域对

比度。如果整个图像的像素数量是N，则像素It(x,y)具有尺度为at(t＝1,2,…,N)的

局部区域。受拉普拉斯金字塔尺度空间理论[15]的启发，每个图像块的尺度at可

以由尺度空间确定，尺度空间根据不同的情况而变化。假定任意像素点对应有m

个尺度，设置为sn＝s0,s1,…,sm。由2.1节可知，不同空间尺度下的LoG结果经

尺度正则化[15]可以表示为如下等式：

式中：sn是高斯核拉普拉斯算子（LoG）的尺度因子。然后在等式(4)的基础上，

从多个不同尺度下找到最优的尺度：

式中：s是显著图F中最大值对应的尺度因子。由于弱小目标近似为圆点，假定其

直径为h，那么an的值近似为h，因此at计算公式如下所示：

由于点目标可以在拉普拉斯尺度空间中具有峰值响应，所以可以基于归一化的拉普

拉斯尺度空间能够用于估计圆形区域的尺寸。为了便于分析，本文在灰度为68的

背景下生成了一个边长为6、对比度为15%的目标，其目标中心的拉普拉斯尺度

空间如图2所示。可以看出，拉普拉斯尺度空间下最优尺度值约等于2.12，其目

标半径为。

值得注意的是该策略对弱小目标定义是小于80像素。为了简化计算，图像块的边

长h设置为1～9的奇数，因此sn的范围可以设置为。由等式(6)可知，每个像素

具有不同的局部区域，其尺度估计值为an。这意味着每个像素的区域对比度将在

自适应局部区域中计算，而不是在图像一次遍历时计算相同尺度下的对比度。

红外小目标在视觉上显示出与周围背景的差异性与离散性，并且通常具有较大的对

比度。对空红外图像背景通常是平坦和均匀的。根据人类视觉注意的特性，在局部

区域计算像素对比度可以提高邻域间的目标强度，并提升视觉注意区域的显著性信

息。因此，本文提出了一个改进的均值算法，其等式如下所示：

式中：Mid(×)是图像块P的中值；W是灰度值大于中值的像素集。由于子区域中

大灰度值像素会比小灰度值的像素更容易影响对比度的计算，因此采用改进的中值

计算将比传统均值运算更实用；N是W中像素数量。对于以像素点为中心的图像

块P0，其8个邻域块与P0大小相同，如图3所示。

可以看出中心块为子空间的内部块，而周围的8个子块可以由相同大小的子区域

组成。对于给定尺度at的像素点，其局部对比度计算如下：

式中：表示尺度为at的所有背景区域；表示区域i的子块；LCM表示局部对比度

测量值；、与的计算公式如等式(7)所示；Cl可以看作目标与局部区域之间的灰度

差，增强了与周围环境不连续的目标区域。然而，如果处于高亮背景边缘区域的像

素，如云边缘等，则Cl可能不足以抑制目标检测过程中的干扰因素。考虑到目标

的亮度通常大于背景的亮度，并且背景区域占据红外图像的大部分区域，因此Cp

有助于解决该问题。对于一个待检测的目标区域上的像素，其；而对于背景区域，

则，其中ob与bg分别表示目标与背景。由于目标特性，可以推导出Cl(ob)＞

Cl(bg)。红外辐射背景下，大部分区域灰度平均值相似，且目标区域对比度高于背

景区域，因此可以得到。最终可以得到LCM(ob)＞LCM(bg)；若计算的像素位于

高亮区域中的杂波背景，比如云层内部，目标出的均值应该大于背景内的均值。本

文的计算策略不仅能抑制杂波，还得获得LCM(ob)＞LCM(bg)；若计算的像素位

于高亮背景区域边界处，背景边缘可以视为最大周边区域，即，可以得到。由于，

则LCM(ob)＞LCM(bg)。

针对视觉感知中的跳出效应，具有高亮的目标信号和低灰度的背景信号的像素将提

升疑似目标的数量。换句话说，较高的信杂比（SCR）将有助于增加图像中像素的

强度。对于红外小目标通常比云的干扰更亮，当背景被抑制时目标区域将具有高

SCR。为了进一步加强目标的显著性，本文提出了一个结合像素强度与背景分布的

加权算子，其计算公式如下：

由于传统的，其中IT与IB分别表示目标灰度与背景灰度，s是表征标准差。SCR

越大，对应的像素灰度越明显。本文采用来代替SCR的分子。为了得到尽可能大

的SCR值，局部区域块设置为最大的尺寸，这意味着s在外围最大块中计算，其

计算方程如下所示：

其中算子g(x,y)表征背景中像素的重要程度，它可以进一步提高目标的显著性，并

通过阈值操作提高SCR值以获得真实目标位置，有助于提高检测率，降低虚警率。

为了验证本文提出的弱小目标检测算法的有效性，采用真实的红外图像法进行仿真

试验。红外图像来自某防空装备采集对空红外视频，图像传输场频为50Hz，单场

大小为720×288。红外热像仪与检测设备之间采用CameraLink进行数字视频传

输，降低了电磁干扰及模数转换对弱小目标对比度的影响。对空视频目标来自旋翼

无人机目标，本文随机的选择6段红外序列进行测试，其目标的对比度不小于5%

作为有效检测的指标。检测到真实目标由红外矩形框标记，虚假目标则由蓝色圆圈

标记。

为了便于定量分析算法的性能，本文采用的性能评价指标包括：信杂比增益SCRg

（signal-to-clutterratiogain）、背景抑制因子BSF（background

suppressionfactor）、受试者工作特性ROC（receiveroperating

characteristic）曲线图和平均运行时间（s），其中ROC曲线反映了目标检测率

和虚警率之间的变化关系。ROC曲线上的点对应的检测率与虚警率，在同样的虚

警率下，检测率越高，其性能越好。SCRg和BSF表征背景抑制与对比度增强能

力，该指标直接关系着后续分割的精度，其定义如下所示：

式中：SRC定义为，IT表示目标的最大峰值，uB和sB是局部背景区域的均值和

标准差；Out和in分别表示处理前后的图像。(sB)in和(sB)out分别表示处理前后

红外图像背景杂波的标准差；SCRg的值表示目标增强的程度，并且BSF的值表

示背景抑制的能力，其值越大表示目标增强和背景抑制的性能越好。

2.2.1弱小目标检测定性分析

为了便于本文所提算法进行定性定量性能分析，针对性的选择了Maxmean[5]，

LCM[6]，MILCM[7]，HLCM[8]，MPLCM[9]作为对比算法。

本文选用的红外图像检测结果如图4所示。目标从8km处进入防区，随着目标的

靠近其对比度与尺度逐渐增强。然而，对于小目标阶段，红外图像大量的噪声信息

都满足对比度不小于5%的指标，这对目标检测带来一定的困难。

本文采用的热像仪是北方光电集团研制的制冷型热像仪，存在器件固有的条纹噪声

以及非均匀噪声，直观的表现是图像左侧比右侧背景亮，且图像中存在一条条明显

的条纹，这些干扰对弱小目标检测的影响较大，导致目标被背景噪声淹没。第一幅

图像中目标位于亮带内部及边缘，对比度不到10%。第二幅图像有一个地面亮目

标，同时地面杂波对目标的干扰较大，尤其是目标在天际线附近；第3幅图像存

在大量云朵，目标位于云层中。第4幅图像则存在大量盲元，背景噪声较多。

通过对比不同算法检测结果可以看出，Maxmean这类传统方法无法有效抑制背景

干扰。在某些结果中，肉眼可见的目标也无法检测，同时一些杂波也被检测出来，

虚警率高。LCM受高亮背景影响，图4(b)中目标在云层中其对比度满足检测的指

标，但其结果中未能检测到目标。MILCM方法可以增强目标信噪比信息，并且在

抑制高亮背景方面具有比LCM更好的性能，但边缘处目标容易出现漏检。在一些

图像中，HLCM在背景抑制方面具有稍好的性能，然而，HLCM在一些复杂背景

下的结果与LCM的结果类似。MPLCM具有良好的抑制背景杂波的性能，但噪声

仍会影响MPLCM的检测结果。在一些检测结果中，MPLCM对背景的平滑过渡，

对一些低对比度的目标检测性能不佳。从所提出的方法的结果可以看出，本文方法

可以有效地抑制复杂的杂波干扰，增强目标的显著性特征。即使图像具有大量干扰

区域，本文方法也具有稳健的检测性能。

2.2.2弱小目标检测定量分析

表1显示不同图像的SCRg和BSF值，其最优值分别由加粗与斜体表示。等式

(13)～(14)的定义可以看出，目标区域的SCRg和BSF值应大于1，其值越高，算

法的目标增强能力和背景抑制能力越好。定量对比发现，Maxmean算法在序列2

和序列6中具有良好的目标增强与噪声抑制能力，但其在序列3中的SCRg小于

1，背景抑制能力不佳，这是由于序列3受云层及条纹噪声的影响，检测到许多虚

假目标，严重降低了SCRg的计算结果。其余5种对比算法的结果指标都大于1，

具有稳定的检测能力。本文提出的算法具有较高的SCRg和BSF值，充分反映出

该方法对于增强目标对比度和抑制干扰杂波具有更好的效果。

图5是表征不同算法检测率和虚警率的ROC曲线。由于篇幅的限制，本文仅仅对

6幅序列图的平均值进行绘制。ROC曲线图中，曲线与x轴围成的区域面积越大，

算法的目标检测效果越好。从图4中可以直观地看出，本文的ROC曲线与x轴围

成的区域面积是最大，表征出最优的检测效果。Maxmean算法只能够检测高亮目

标，对于一些对比度低于5%的弱小目标不能有效检测，检测率较低。因此，

Maxmean在具有复杂背景和图像对比度低的场景下，未能取得良好的检测效果。

LCM算法在目标对比度非常低时性能急剧下降，几乎无法检测出红外图像中的小

目标，同时还存在一些虚检现象。MILCM算法和HLCM算法的检测率都未能达

到100%；MPLCM算法具有一定的虚警率；本文提出的算法具有最好的检测效果，

能够在不同场景下实现稳定检测。

除了检测性能外，本章还讨论了算法计算复杂度。假定图像尺寸为m×n。自适应

尺度步骤可以在o(kmn)时间内实现，其中k是常数，然后计算自适应尺度局部对

比度和权值图。由于每个像素的尺度区域不一致，因此不同像素点所消耗的时间不

相同。设k1和k2分别表示像素对应的尺度区域平均计算时间，那么自适应尺度

局部对比度和权值图的时间复杂度就是o((k1＋k2)mn)；可以看出本文提出的算

法可以在线性时间内计算完成。表2显示了MATLAB运行平台下真实红外图像的

平均计算时间。实验结果表明，该方法在检测精度和杂波抑制方面具有良好的性能。

然而，本文所提出的方法的复杂度最大，耗时最长。但由于本文提出的算法已经移

植到DSP6674平台，其对于720×288单场图像的检测是时间是8ms，完全适合

防空类装备的应用。以上分析可以看出，本文所提出方法可以有效地增强目标强度

并抑制使背景杂波，在相同的检测概率下具有较低的误报率。

为了有效地检测红外弱小目标，本文提出了一种基于视觉注意机制的目标检测方法。

根据对比度机制和弹出效应，设计了加权自适应尺度局部对比度测量算法，可以有

效地增强目标强度并抑制使背景杂波，在相同的检测概率下具有较低的误报率。实

验结果表明，本文提出的算法具有良好的检测性能，能够针对不同类型和不同尺寸

的小目标实现稳定而快速的自适应检测，有广泛的应用场景。在对真实红外图像进

行仿真实验中，该算法能够线性复杂度内实现对对比度不低于5%的目标稳定检测。

本文获取的测试与仿真数据来自西北机电工程研究所；本文成文过程中，西安电子

科技大学导航制导与控制的张蒙老师对算法提出了改进建议及性能对比方法。作者

在此表示衷心的感谢。

【相关文献】

[1]杨元庆,张志利,侯传勋.一种近地背景下红外弱小目标检测预处理算法[J].红外技术,2018,

40(8):812-817.

YANGYuanqing,ZHANGZhili,ocessingalgorithmforinfrared

small-targetdetectioninthenear-earthbackground[J].InfraredTechnology,2018,40(8):

812-817.

[2]史漫丽,凌龙,吴南,等.基于自适应Gabor滤波的红外弱小目标检测[J].红外技术,2018,

40(7):632-637.

SHIManli,LINGLong,WUNan,raredtargetdetectionbadonadaptive

Gborfilter[J].InfraredTechnology,2018,40(7):632-637.

[3]杨慧,张宝辉,沙涛,等.地空背景下红外弱小运动目标检测[J].红外技术,2018,40(5):462-

467.

YANGHui,ZHANGBaohui,SHATao,ionofsmallinfraredmovingtargets

underground-skybackground[J].InfraredTechnology,2018,40(5):462-467.

[4]田广强.一种新颖高效的红外动态场景多目标检测跟踪[J].红外技术,2018,40(3):259-263.

algorithmforefficientmulti-objectdetectionandtrackingfor

infrareddynamicframes[J].InfraredTechnology,2018,40(3):259-263.

[5]DeshpandeSD,MengHE,-meanandmax-medianfilters

fordetectionofsmalltargets[C]//ProceedingsofSPIE,1999,3809:74-83.

[6]WANGQi,LIUGang,ingofmulti-dim-small-targetinaorsky

backgroundbadonhigher-ordercumulantsandwavelet[J].RecentAdvancesin

ComputerScienceandInformationEngineering,2012:497-504.

[7]HANJH,LIANGK,ZHOUB,edsmalltargetdetectionutilizingthe

multiscalerelativelocalcontrastmeasure[J]..,2018,15(4):

612-616.

[8]CUIZ,YANGJL,LIJB,aredsmalltargetdetectionframeworkbadon

localcontrastmethod[J].Measurement,2016,91:405-413.

[9]WEIYT,YOUXG,LIH,calepatch-badcontrastmeasureforsmall

infraredtargetdetection[J].PatternRecognit.,2016,58:216-226.

[10]BAIX,tiveentropy-badcontrastmeasureforinfraredsmall-target

detection[J].IEEETransactionsonGeoscience&RemoteSensing,2018,99:1-15.

[11]DENGH,SUNX,scalefuzzymetricfordetectingsmallinfrared

targetsagainstchaoticcloudy/a-skybackgrounds[J].IEEETransactionsonCybernetics,

2018,99:1-14.

[12]康红霞,黄树彩,黄文龙,等.最小二乘向量机结合光谱维信息检测弱小目标[J].现代防御技术,

2018,46(4):86-91,119.

KANGH,stsquaresvectormachinecombinedwithspectral

dimensioninformationtodetectweaktargets[J].ModernDefenceTechnology,2018,

46(4):86-91,119.

[13]荣楚君,曹晓光,白相志.Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法[J].

中国图象图形学报,2018,23(11):1768-1776.

RONGC,CAOX,edweaksmalltargetdetectionalgorithmbadon

fisher'sderivativefeaturesandsparreprentation[J].JournalofImageandGraphics,

2018,23(11):1768-1776.

[14]ZHOUY,ZHANGJ,edsmalltargetdetectionusingweightingLoG

operator[J].JournalofAppliedOptics,2017,38(1):114-119.

[15]HED,SUNX,LIUM,y-badwindowlectionfordetectingdimand

smallinfraredtargets[J].PatternRecognition,2017,61:66-77.