?；t外搜索和跟蹤的區(qū)域自適應(yīng)雜波抑制的小紅外目標(biāo)檢測(cè)系統(tǒng)技術(shù)介紹

本文提出一種?；?a href="http://srfitnesspt.com/tags/紅外/" target="_blank">紅外搜索跟蹤中小目標(biāo)檢測(cè)的區(qū)域自適應(yīng)雜波抑制方法。在現(xiàn)實(shí)世界中，雜波通常會(huì)產(chǎn)生許多錯(cuò)誤檢測(cè)，阻礙此類檢測(cè)系統(tǒng)的部署。來(lái)襲目標(biāo)（導(dǎo)彈、船只等）可以位于天空、地平線和海洋區(qū)域，這些區(qū)域具有不同類型的雜亂，例如云、水平線和海閃發(fā)光?；趲缀畏治龅膮^(qū)域分割后，分析了區(qū)域雜波的特征?；诳臻g屬性的分類消除了云雜波引起的錯(cuò)誤檢測(cè)。使用異質(zhì)背景去除過(guò)濾器去除水平線的那些。使用時(shí)間一致性濾波器拒絕太陽(yáng)微光的誤報(bào)，這是最困難的部分。對(duì)各種雜波背景序列的實(shí)驗(yàn)結(jié)果表明，所提出的區(qū)域自適應(yīng)雜波抑制方法產(chǎn)生的誤報(bào)比均值減法（MSF）少，且具有可接受的退化檢測(cè)率。

1. 簡(jiǎn)介

?；t外搜索和跟蹤（IRST）系統(tǒng)是寬視場(chǎng)或全向監(jiān)視系統(tǒng)，設(shè)計(jì)用于自主搜索、探測(cè)、獲取、跟蹤和指定潛在目標(biāo)，如圖1所示。海基IRST中最重要的威脅是來(lái)襲的小型目標(biāo)，例如反艦掠海導(dǎo)彈（ASSM）或不對(duì)稱艦艇。在這些應(yīng)用中，目標(biāo)通常是無(wú)法解析的，并且以只有幾個(gè)像素的分辨率出現(xiàn)在天空和海洋背景中。通常，小型紅外目標(biāo)的尺寸小于100像素。目標(biāo)檢測(cè)系統(tǒng)的重要性能參數(shù)包括目標(biāo)的輻射強(qiáng)度、探測(cè)距離、檢測(cè)率和誤報(bào)率。如果確定了目標(biāo)的輻射強(qiáng)度和最小檢測(cè)距離，則檢測(cè)算法應(yīng)能夠檢測(cè)出真實(shí)目標(biāo)，以滿足系統(tǒng)的檢測(cè)率，并盡可能拒絕虛假目標(biāo)。

圖1.?；t外搜索和跟蹤（IRST）的操作概念

由于目標(biāo)信號(hào)小而暗淡，遠(yuǎn)程小目標(biāo)的檢測(cè)相當(dāng)困難。通過(guò)降低檢測(cè)閾值可以實(shí)現(xiàn)檢測(cè)率的標(biāo)準(zhǔn)。另一方面，由于背景混亂，這種簡(jiǎn)單的方法會(huì)導(dǎo)致錯(cuò)誤檢測(cè)的數(shù)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(tǒng)小目標(biāo)檢測(cè)方法的問(wèn)題。云雜亂周圍的邊緣可能會(huì)生成錯(cuò)誤檢測(cè)。由于異構(gòu)背景而導(dǎo)致的水平邊緣線會(huì)產(chǎn)生錯(cuò)誤檢測(cè)。最后，太陽(yáng)微光具有與小目標(biāo)相似的形狀（圓形對(duì)稱性）和高強(qiáng)度值，這阻礙了真正的目標(biāo)檢測(cè)。這種區(qū)域雜波會(huì)產(chǎn)生許多誤報(bào)，從而阻礙了真正的目標(biāo)檢測(cè)。

圖2.現(xiàn)有基于空間濾波的小目標(biāo)檢測(cè)方法存在的問(wèn)題。許多錯(cuò)誤檢測(cè)是由區(qū)域雜波產(chǎn)生的，例如云、地平線和太陽(yáng)光

本研究通過(guò)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(qū)域的太陽(yáng)閃光）引起的錯(cuò)誤檢測(cè)次數(shù)，使小目標(biāo)檢測(cè)方法實(shí)用。根據(jù)幾何分析，將背景圖像分割為天空區(qū)域、水平區(qū)域和海面區(qū)域。通過(guò)對(duì)雜波行為的仔細(xì)觀察和分析，提出了一種區(qū)域自適應(yīng)雜波抑制方案。通過(guò)基于學(xué)習(xí)的分類消除了圍繞云混亂的錯(cuò)誤檢測(cè)。通過(guò)減去異質(zhì)背景來(lái)消除地平線區(qū)域周圍的錯(cuò)誤檢測(cè)。最后，通過(guò)時(shí)間一致性過(guò)濾器去除了海面區(qū)域周圍的那些。因此，本研究的貢獻(xiàn)可歸納如下。第一個(gè)貢獻(xiàn)是通過(guò)幾何分析自動(dòng)分割區(qū)域（天-地平線-海），這是雜波抑制系統(tǒng)中必不可少的步驟。使用基于傳感器姿勢(shì)的預(yù)測(cè)和基于圖像的線擬合估計(jì)的水平線對(duì)區(qū)域進(jìn)行分割。第二個(gè)貢獻(xiàn)是基于分析結(jié)果提出的區(qū)域自適應(yīng)錯(cuò)誤檢測(cè)抑制方案。第三個(gè)貢獻(xiàn)是通過(guò)與傳統(tǒng)檢測(cè)方法的比較，展示了使用紅外測(cè)試序列的方法。

2. 雜波抑制方面的相關(guān)工作

在過(guò)去的20年中，許多研究已經(jīng)評(píng)估了小型紅外目標(biāo)檢測(cè)方法。本節(jié)從目標(biāo)信息、背景信息、視覺(jué)上下文和決策信息等信息使用方面回顧相關(guān)論文，以減少誤報(bào)的數(shù)量，如表1所示，其中統(tǒng)計(jì)總和為100%。例如，可以使用背景提示的空間信息 （14.2%） 和目標(biāo)提示的形狀信息 （5.8%） 來(lái)處理云引起的誤報(bào)原因。作為第二個(gè)示例，由于太陽(yáng)微光引起的誤報(bào)的原因可以使用目標(biāo)提示的運(yùn)動(dòng)信息（3.5%），決策提示的高級(jí)分類器（2.8%），目標(biāo)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(shí)間信息（1.5%）。以下小節(jié)介紹了減少誤報(bào)的方法以及云雜波和日光的相關(guān)論文。

2.1. 云雜波抑制的相關(guān)研究

一些研究已經(jīng)檢查了由云引起的錯(cuò)誤檢測(cè)的消除或減少。他們的減少誤報(bào)策略在很大程度上取決于情況。如果有任何假設(shè)，背景減法可能是一種可行的方法?？梢允褂每臻g濾波器從輸入圖像估計(jì)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(tài)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(quán)平均值估計(jì)。均值濾波器可以通過(guò)高斯均值或簡(jiǎn)單移動(dòng)平均線估計(jì)背景。中位數(shù)篩選器基于訂單統(tǒng)計(jì)信息。中值可以有效地去除點(diǎn)狀目標(biāo)。形態(tài)開口過(guò)濾器可以通過(guò)特定結(jié)構(gòu)元素的侵蝕和擴(kuò)張來(lái)去除特定的形狀。基于濾波器的目標(biāo)檢測(cè)在計(jì)算上非常簡(jiǎn)單，但對(duì)邊緣雜波很敏感。使用非線性濾波器（如中值或形態(tài)濾波器）進(jìn)行目標(biāo)檢測(cè)時(shí)，邊緣周圍出現(xiàn)低誤報(bào)，但計(jì)算復(fù)雜。組合濾波器，如最大均值或最大中位數(shù)，可以保留云和背景結(jié)構(gòu)的邊緣信息。

如果傳感器平臺(tái)是靜態(tài)的，則通過(guò)消除緩慢移動(dòng)的云雜波來(lái)增強(qiáng)有關(guān)快速目標(biāo)運(yùn)動(dòng)的信息。一種眾所周知的方法是待檢測(cè)前跟蹤法。該概念類似于3D匹配濾波器的概念。動(dòng)態(tài)規(guī)劃（DP）是傳統(tǒng)TBD方法的快速版本，在檢測(cè)暗目標(biāo)方面取得了良好的性能。每個(gè)像素的時(shí)間剖面圖（包括平均值和方差）可有效檢測(cè)緩慢移動(dòng)云中的移動(dòng)目標(biāo)。最近，基于時(shí)間對(duì)比度濾光片（TCF）的方法被開發(fā)用于檢測(cè)超音速小紅外目標(biāo)。累積每幀的檢測(cè)結(jié)果可以檢測(cè)移動(dòng)目標(biāo)。開發(fā)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(lái)，提出了一種改進(jìn)的基于功率律探測(cè)器的運(yùn)動(dòng)目標(biāo)檢測(cè)方法;它對(duì)在嚴(yán)重混亂中發(fā)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(cè)區(qū)域是目標(biāo)。滯后方法有兩個(gè)閾值。第一個(gè)閾值非常低，用于標(biāo)識(shí)候選目標(biāo)區(qū)域。第二個(gè)閾值具有相對(duì)較高的值，具體取決于操作要求。當(dāng)有關(guān)尺寸的信息可用時(shí)，可以去除大型太陽(yáng)微光和其他大型物體。通過(guò)應(yīng)用迭代閾值可以獲得類似的結(jié)果?；诮y(tǒng)計(jì)的自適應(yīng)閾值方法，如恒定誤報(bào)率（CFAR），在嚴(yán)重雜亂的背景中很有用。最簡(jiǎn)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(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）[34]方法。分類信息可用于刪除各種雜亂點(diǎn)。

2.2. 太陽(yáng)雜波抑制的相關(guān)著作

可以使用上述TBD方法拒絕陽(yáng)光雜波。然而，這些方法假設(shè)高幀速率以減少太陽(yáng)光。如果幀速率約為 1 Hz，則應(yīng)開發(fā)一種新方法。

另一方面，頻域方法可用于消除低頻雜波?；?D-FFT光譜的方法顯示了目標(biāo)檢測(cè)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(yáng)光閃爍的環(huán)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(duì)傳感器噪聲和日光產(chǎn)生魯棒性[39]。最近，提出了一種自適應(yīng)高通濾波器（HPF）來(lái)減少云和太陽(yáng)雜波[40]。

當(dāng)目標(biāo)處于運(yùn)動(dòng)狀態(tài)時(shí)，前一幀被視為背景圖像。因此，可以使用遞歸技術(shù)使用加權(quán)自相關(guān)矩陣更新來(lái)執(zhí)行背景估計(jì)[41]。靜態(tài)雜波也可以通過(guò)幀差來(lái)消除[42]。與空間濾波方法相比，通過(guò)雜波多參數(shù)近似推導(dǎo)的先進(jìn)自適應(yīng)時(shí)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(shí)間噪聲，如太陽(yáng)微光[44]。

信息融合方法可用于減少日光閃爍。這包括目標(biāo)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(jué)環(huán)境以信息融合的形式實(shí)現(xiàn)，從而減少雜亂和高檢測(cè)率。目標(biāo)-背景上下文同時(shí)增強(qiáng)了目標(biāo)特征并減少了背景雜波，從而減少了太陽(yáng)-微光雜波[45]。多特征融合可以提高暗目標(biāo)的檢測(cè)率[46，47]。如果使用光譜融合，例如中波紅外和長(zhǎng)波紅外的比率或兩個(gè)波段的檢測(cè)結(jié)果的組合，則可以輕松去除太陽(yáng)微光[48，49]。各種分類器的投票可以提高暗目標(biāo)檢測(cè)率[50]。

3. 來(lái)料目標(biāo)的位置分析

如何計(jì)算與項(xiàng)目目標(biāo)像素的目標(biāo)距離？目標(biāo)距離是IRST非常重要的系統(tǒng)參數(shù) 根據(jù)前面的分析，相機(jī)高度（h）、目標(biāo)距離（D）、目標(biāo)高度（H）和目標(biāo)定位角（θ）之間的投影關(guān)系可以簡(jiǎn)化，如圖3所示。在此方案中，假設(shè)相機(jī)仰角 （α） 為 0°。目標(biāo)定位角度可以通過(guò)相機(jī)高度和目標(biāo)距離來(lái)估計(jì)，如公式（1）所示。如果假設(shè)相機(jī)的視場(chǎng)（FOV）為6°，紅外探測(cè)器的尺寸為480，則可以使用公式（2）計(jì)算投影目標(biāo)位置（第i – th圖像行）。由于本研究對(duì)行圖像位置與目標(biāo)距離之間的關(guān)系感興趣，因此最終的射影關(guān)系可以得到公式（3），該方程由方程（1）和（2）導(dǎo)出。如果假設(shè)相機(jī)高度為20 m，船高為0 m，最小目標(biāo)檢測(cè)范圍為9000 m，則船舶目標(biāo)投影到水平線下方的10個(gè)像素中，如圖4所示。在掠海導(dǎo)彈的情況下，整個(gè)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(cè)距離為8000 m。如果ASSM的高度（H）低于相機(jī)高度（h），則目標(biāo)位于水平線周圍。當(dāng)它接近相機(jī)時(shí)，它出現(xiàn)在海面上。從這種與目標(biāo)類型相關(guān)的幾何分析中可以得出結(jié)論，遠(yuǎn)距離目標(biāo)位于水平線周圍（在20-m檢測(cè)時(shí)以水平線為中心±5000像素），而相對(duì)較近的目標(biāo)存在于天空區(qū)域或海面區(qū)域。因此，有必要將輸入圖像分割為天空區(qū)域、水平區(qū)域和海面區(qū)域。

圖3.通過(guò)假設(shè)平面簡(jiǎn)化 IRST 射影幾何。三角形代表IRST傳感器，圓形目標(biāo)投射在一維紅外探測(cè)器上。目標(biāo)像素位置和目標(biāo)距離之間的關(guān)系可以使用公式（1）–（1）找到。

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

4. 基于區(qū)域雜波抑制的小目標(biāo)檢測(cè)

所提出的小目標(biāo)檢測(cè)由后臺(tái)處理和目標(biāo)處理組成，如圖5所示。后臺(tái)處理模塊使用傳感器姿態(tài)信息和圖像處理將輸入圖像分割成天空、地平線和海洋區(qū)域。目標(biāo)處理模塊使用空間過(guò)濾器查找候選目標(biāo)，并使用精心設(shè)計(jì)的方法拒絕由背景雜波引起的任何誤報(bào)。空間過(guò)濾器（修正均值減法濾波器 （MSF））在整個(gè)區(qū)域中常用。水平線雜波通過(guò)局部方向背景估計(jì) （DBE） 估計(jì)并刪除。水平區(qū)域中的小目標(biāo)由基于滯后閾值的恒定虛警檢測(cè)器（H-CFAR）檢測(cè)。天空和海域的候選目標(biāo)通過(guò)預(yù)檢測(cè)找到。天空區(qū)域中的錯(cuò)誤檢測(cè)是由云產(chǎn)生的。因此，基于目標(biāo)屬性的分類器可以拒絕由云混亂引起的錯(cuò)誤檢測(cè)。海域中海閃光的錯(cuò)誤檢測(cè)被三圖相關(guān)和統(tǒng)計(jì)濾波器拒絕。以下小節(jié)詳細(xì)介紹了區(qū)域分割、去除地平線區(qū)域中的水平線雜波、去除天空區(qū)域中的云雜波以及去除海域中的海光。

圖5.基于區(qū)域分割和區(qū)域特定雜波抑制的整體小目標(biāo)檢測(cè)流程。

4.1. 幾何和基于圖像的區(qū)域分割

水平信息非常重要，因?yàn)樗梢蕴峁﹨^(qū)域分割提示。因此，區(qū)域分割可以通過(guò)以下四個(gè)步驟進(jìn)行：（1）使用傳感器LOS進(jìn)行地平線預(yù)測(cè)，（2）地平線像素（horixel）提取，（3）內(nèi)在選擇和（4）地平線優(yōu)化和區(qū)域分割，如圖6所示。水平位置可以使用傳感器姿勢(shì)信息進(jìn)行預(yù)測(cè)。下一步是視頻序列中的最佳水平跟蹤。給定一個(gè)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(nèi)嵌線[51]。RANSAC的重要作用是找到真正的horixels的內(nèi)在指數(shù)?；趦?nèi)在指數(shù)，總最小二乘優(yōu)化可以穩(wěn)定地檢測(cè)最終視界。由于內(nèi)在 horixel 是通過(guò)該過(guò)程識(shí)別的，因此使用線性提取和優(yōu)化進(jìn)行地平線跟蹤。內(nèi)臟檢測(cè)塊在開始時(shí)被激活，并在統(tǒng)計(jì)上適應(yīng)環(huán)境變化。

圖6.通過(guò)水平線預(yù)測(cè)和優(yōu)化的區(qū)域分割流。

基于傳感器姿態(tài)的地平線預(yù)測(cè)：如果假設(shè)紅外攝像機(jī)具有高度（h），仰角（α，假設(shè)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(guān)系。任何圖像中的投影水平線都可以通過(guò)計(jì)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(jī)的仰角為α，傳感器的視場(chǎng) （FOV） 為β，則天空區(qū)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(cè)海域。因此，天空區(qū)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(qū)域分割比例由下式?jīng)Q定坦θ海/坦θ天空，最后一條水平線 （H事先） 使用公式 （6）計(jì)算。如果假設(shè)圖像高度為 1280 像素，垂直視場(chǎng)為 20°，傳感器高度為 20 m，仰角為 5°，則預(yù)測(cè)水平線 （H事先） 的位置如圖 6 所示（第一個(gè)圖像中的藍(lán)色虛線）。

圖7.海基IRST系統(tǒng)的幾何形狀。（a） 傳感器高度與水平線之間的關(guān)系;（b） 具有視場(chǎng)和仰角的相機(jī)幾何形狀 （α= 0）;（c） 仰角α?xí)r水平線的近似位置。

Horixel 提?。航o定一個(gè)預(yù)測(cè)的地平線，如圖 6 所示（藍(lán)色虛線），設(shè)置搜索邊界。然后定義采樣間隔以降低計(jì)算復(fù)雜性。對(duì)于每個(gè)樣品位置，柱方向梯度過(guò)濾器使用高斯核的導(dǎo)數(shù)進(jìn)行。然后通過(guò)最大選擇提取接近預(yù)測(cè)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(jìn)行內(nèi)在檢測(cè)：在海洋環(huán)境中，地平線經(jīng)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(jì)方法，例如RANSAC?；旧希琑ANSAC算法選擇兩個(gè)霍里塞爾并預(yù)測(cè)地平線。然后，該算法檢查線擬合和內(nèi)在值。經(jīng)過(guò)多次迭代后，將選擇具有最大內(nèi)在值的地平線參數(shù)。圖6（第二張圖）顯示了使用RANSAC方法的內(nèi)臟檢測(cè)結(jié)果。請(qǐng)注意，內(nèi)值和異常值的分類幾乎正確。內(nèi)值指數(shù)用于優(yōu)化線擬合和水平跟蹤。

基于 SVD 的優(yōu)化和跟蹤：最后一步是使用給定的內(nèi)數(shù) horixel 集的總最小二乘擬合來(lái)細(xì)化視界參數(shù)。裝配過(guò)程如下。首先，對(duì)內(nèi)列數(shù)進(jìn)行歸一化，并進(jìn)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(yuǎn)島遮擋的圖像的地平線優(yōu)化結(jié)果。水平區(qū)域放大以顯示結(jié)果。地平線跟蹤是通過(guò) horixel 提取和基于 SVD 的優(yōu)化以及內(nèi)臟指數(shù)完成的?；?RANSAC 的初始化以統(tǒng)計(jì)方式激活。

4.2. 地平線區(qū)域：消除水平線雜波

基于均值減法濾波器（MSF）的小目標(biāo)檢測(cè)方法基于二維均值濾波器[2]。8D 均值濾波器用于估計(jì)窗口大小為 2 × 5 或 5 × 7 的局部背景?；贛SF的方法已在多個(gè)國(guó)家部署，因?yàn)樗?jiǎn)單且對(duì)小目標(biāo)具有很高的探測(cè)能力[7，8，53]。修改后的MSF（M-MSF）用于使用預(yù)平滑輸入圖像增強(qiáng)信噪比。另一方面，54D局部均值減法濾波器在水平線周圍產(chǎn)生強(qiáng)烈的響應(yīng)，從而防止目標(biāo)檢測(cè)或產(chǎn)生錯(cuò)誤檢測(cè)，如圖2所示。如果應(yīng)用全局閾值或恒定虛警率（CFAR）檢測(cè)，真實(shí)目標(biāo)像素被埋在水平線像素中，導(dǎo)致水平目標(biāo)檢測(cè)失敗。

根據(jù)實(shí)際目標(biāo)觀察，目標(biāo)具有高斯形狀，如圖9所示。圖9給出了部分目標(biāo)示例，分別顯示了目標(biāo)尺寸（寬度、高度）的分布和觀察到的目標(biāo)的縱橫比。根據(jù)統(tǒng)計(jì)數(shù)據(jù)，目標(biāo)具有類似斑點(diǎn)的結(jié)構(gòu)（平均大小：（寬度= 5.1像素，高度= 5.4像素），標(biāo)準(zhǔn)偏差（寬度= 1.7，高度= 1.4）和縱橫比為~1）。請(qǐng)注意，大小包括屬于目標(biāo)區(qū)域的非常低強(qiáng)度的像素。因此，引入了類似高斯的濾波器。這個(gè)想法類似于匹配濾波器理論。如果濾波器系數(shù)與目標(biāo)形狀相同，則達(dá)到最大信噪比。在本文中，二維高斯濾波系數(shù)設(shè)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(biāo)準(zhǔn)差為 1.4 的二維高斯函數(shù)生成。過(guò)濾器系數(shù)應(yīng)根據(jù)特定的目標(biāo)應(yīng)用進(jìn)行更改。

圖9.對(duì)真實(shí)紅外目標(biāo)的觀察。（a） 小型紅外目標(biāo)的例子;（b） 目標(biāo)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(jié)介紹的水平區(qū)域空間過(guò)濾過(guò)程的總體過(guò)程。L-DBRF的輸入是輸出（我M–無(wú)國(guó)界醫(yī)生(x， y）） 的前一個(gè)濾波器階段，其中定向背景是估計(jì)值。輸出可以使用公式（11）計(jì)算。請(qǐng)注意在應(yīng)用M-MSF和L-DBRF期間SCR的改進(jìn)。由于水平背景雜波是在L-DBRF階段估計(jì)和消除的，因此雜波噪聲降低，從而增強(qiáng)了SCR計(jì)算。

圖 11.水平雜波清除和檢測(cè)流程的可視化：（a） 輸入圖像;（b） 匹配過(guò)濾器;（c） 水平線雜波估計(jì);（d） 修改后的（M）-MSF結(jié)果;（e） 預(yù)先設(shè)定閾值;（f） 信雜比 （SCR） 計(jì)算區(qū)域;以及 （g） 使用 SCR 閾值的最終檢測(cè)結(jié)果。

4.3. 天空區(qū)域：消除云雜亂

圖12b所示的檢測(cè)結(jié)果可以通過(guò)將空間濾波后的H-CFAR檢測(cè)器應(yīng)用于IRST圖像來(lái)獲得，其中給定的測(cè)試圖像存在許多由強(qiáng)云雜波引起的錯(cuò)誤檢測(cè)，如圖12a所示。機(jī)器學(xué)習(xí)方法應(yīng)用于此問(wèn)題。分類器劃分特征空間中的正確目標(biāo)和雜亂點(diǎn)。最簡(jiǎn)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(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）[34]方法。分類信息可用于刪除各種雜亂點(diǎn)。另一方面，很難應(yīng)用這些分類方法，因?yàn)槟繕?biāo)很小，導(dǎo)致可獲得的信息很少。本文提出了<>種小目標(biāo)特征類型，并從判別的角度對(duì)其進(jìn)行了分析。本研究基于該特征分析，開發(fā)了基于機(jī)器學(xué)習(xí)的雜波抑制方案。

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

如圖 13 所示，云雜波抑制系統(tǒng)由學(xué)習(xí)階段和區(qū)分階段組成。在學(xué)習(xí)階段，使用目標(biāo)檢測(cè)算法和地面實(shí)況信息自動(dòng)準(zhǔn)備訓(xùn)練數(shù)據(jù)庫(kù)（DB）。分類器是使用提取的特征學(xué)習(xí)的。在判別階段，通過(guò)探測(cè)目標(biāo)區(qū)域來(lái)提取特征，通過(guò)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(biāo)區(qū)分由學(xué)習(xí)的分類器執(zhí)行。

圖 13.目標(biāo)區(qū)分的整體流程。

小紅外目標(biāo)通常是小于100像素的小明亮斑點(diǎn);從點(diǎn)狀目標(biāo)圖像中提取信息特征非常困難。本研究考慮了標(biāo)準(zhǔn)差、秩填充比、二階矩、面積、尺寸比、旋轉(zhuǎn)尺寸變化、頻率能量和平均距離法。事先，考慮使用過(guò)濾后的數(shù)據(jù)庫(kù)來(lái)檢查要素。

本節(jié)討論了區(qū)分紅外小目標(biāo)和云雜波的特征提取方法。該過(guò)程的其余部分是選擇最佳分類器。在這項(xiàng)研究中，選擇了AdaBoost，因?yàn)樗梢赃x擇適合區(qū)分真實(shí)目標(biāo)的特征。SVM 方法考慮多維特征向量，并使用內(nèi)核配方查找支持向量。另一方面，AdaBoost使用簡(jiǎn)單的弱分類器，以及弱分類器的加權(quán)和，這導(dǎo)致強(qiáng)分類器，如公式 （21）所示。在這項(xiàng)研究中，弱分類器只是針對(duì)單個(gè)特征空間的基于閾值的簡(jiǎn)單二元決策。圖 14 顯示了使用所提出的方法進(jìn)行云雜波抑制的示例。請(qǐng)注意，所提出的方案可以消除云混亂的錯(cuò)誤檢測(cè)。

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(cè)海域中的小目標(biāo)成為一個(gè)具有挑戰(zhàn)性的問(wèn)題，如圖15所示。虛線圓圈表示真正的目標(biāo)，箭頭表示太陽(yáng)閃光。由于通過(guò)大氣散射和吸收，照射的目標(biāo)能量非常小。這會(huì)導(dǎo)致目標(biāo)變暗，其信噪比（SNR）非常低。暗淡的目標(biāo)由 2-10 像素組成。目標(biāo)強(qiáng)度級(jí)別與相鄰像素的強(qiáng)度級(jí)別相似。此外，太陽(yáng)微光具有相似的形狀（圓形對(duì)稱性），如小目標(biāo)，以及高強(qiáng)度值，這阻礙了真正的目標(biāo)檢測(cè)。

圖 15.紅外搜索和跟蹤系統(tǒng)中的太陽(yáng)微光示例。

為什么檢測(cè)小目標(biāo)非常困難？如果觀察每一幀，如圖16a所示，目標(biāo)和太陽(yáng)光都有小亮點(diǎn)。因此，空間形狀信息無(wú)法區(qū)分真實(shí)目標(biāo)和陽(yáng)光。另一方面，如果在時(shí)間域中觀測(cè)目標(biāo)和太陽(yáng)微光，則可以在強(qiáng)度、尺度、速度和移動(dòng)方向方面獲得觀測(cè)結(jié)果，如圖16b所示。關(guān)鍵屬性是一致性。與太陽(yáng)閃光相比，目標(biāo)顯示出一致的強(qiáng)度、規(guī)模、速度和方向。

圖 16.觀察目標(biāo)和太陽(yáng)光：（a） 目標(biāo)和太陽(yáng)閃光的序列;（b） 從強(qiáng)度、規(guī)模、速度和移動(dòng)方向方面得出的觀測(cè)結(jié)果。

根據(jù)調(diào)查，在密集的日光雜波環(huán)境中進(jìn)行小目標(biāo)檢測(cè)的研究很少。單個(gè)空間過(guò)濾器無(wú)法消除作為真實(shí)目標(biāo)特征的太陽(yáng)微光雜亂，而海閃光具有非常相似的形狀和圓形對(duì)稱性。傳統(tǒng)的運(yùn)動(dòng)提示無(wú)法使用，因?yàn)槟繕?biāo)可能是靜止的并且?guī)俾史浅５?。因此，本文提出了一種折衷空間濾波方法和時(shí)間方法的混合方法，即基于屬性圖關(guān)聯(lián)的獨(dú)立時(shí)空濾波方法。該圖僅指示 IRST 中的候選目標(biāo)?；炯僭O(shè)是，真正的目標(biāo)在空間和時(shí)間域中的行為都像異常值。太陽(yáng)微光的行為是隨機(jī)的，但目標(biāo)的行為是一致的。這種概念用于空間和時(shí)間濾波器的設(shè)計(jì)。圖 17 表示基于這些概念的建議目標(biāo)系統(tǒng)。頂級(jí)分量級(jí)別由基于圖關(guān)聯(lián)的時(shí)間濾波部分和基于統(tǒng)計(jì)的雜波抑制部分組成，給定通過(guò)使用 M-MSF 和預(yù)閾值進(jìn)行預(yù)檢測(cè)提取的候選目標(biāo)。在時(shí)間濾波部分，提出一種基于目標(biāo)屬性的三圖關(guān)聯(lián)濾波進(jìn)行數(shù)據(jù)關(guān)聯(lián)。在三圖關(guān)聯(lián)后，使用時(shí)間一致性濾波和恒定虛報(bào)（CFAR）檢測(cè)方法進(jìn)一步減少海閃雜波。

圖 17.提出的小目標(biāo)檢測(cè)系統(tǒng)。該系統(tǒng)由幾何海域提取部分、空間濾波部分、基于三圖相關(guān)性的時(shí)間濾波部分和基于統(tǒng)計(jì)的雜波抑制

在目標(biāo)檢測(cè)問(wèn)題中，重點(diǎn)是如何在三幀內(nèi)消除太陽(yáng)微光（系統(tǒng)要求），但對(duì)目標(biāo)的跟蹤相對(duì)毫發(fā)無(wú)損。如前所述，基本假設(shè)是目標(biāo)與太陽(yáng)閃光相比表現(xiàn)為異常值。這表明太陽(yáng)微光的行為是隨機(jī)的，但真正的目標(biāo)表現(xiàn)是一致的。因此，太陽(yáng)微光引起的誤報(bào)可以通過(guò)使用圖形模型的三圖相關(guān)性來(lái)消除。圖 18a 顯示了使用圖形模型的三圖相關(guān)性的基本概念。白色圓圈表示隱藏變量，灰色圓圈表示檢測(cè)到的目標(biāo)數(shù)據(jù)。相關(guān)性僅涉及在三個(gè)連續(xù)幀中給出的先驗(yàn)預(yù)測(cè)和數(shù)據(jù)關(guān)聯(lián)。

為了解釋圖17中所示的檢測(cè)系統(tǒng)，本文給出了標(biāo)準(zhǔn)測(cè)試圖像的整體處理流程和相關(guān)結(jié)果，如圖20所示。測(cè)試紅外圖像（圖20a）在海上具有可能的目標(biāo)。圖20b表示使用三圖相關(guān)濾波器的檢測(cè)結(jié)果。ID 指示相關(guān)性的數(shù)量。對(duì)于此過(guò)程，M-MSF和預(yù)閾值用于空間候選目標(biāo)檢測(cè)。圖 20c 表示基于統(tǒng)計(jì)信息的時(shí)間過(guò)濾的結(jié)果。圖20d顯示了使用H-CFAR方法最終檢測(cè)到的目標(biāo)。表2總結(jié)了該測(cè)試序列的雜波減少率。所提出的三圖相關(guān)濾波器可以減少50%的雜波。通過(guò)時(shí)間濾波器和CFAR檢測(cè)，我們可以實(shí)現(xiàn)高達(dá)97.7%的雜波抑制，同時(shí)檢測(cè)真正的目標(biāo)。

圖 20.海洋區(qū)域紅外圖像的目標(biāo)檢測(cè)流程示例。（a） 測(cè)試圖像;（b） 三圖相關(guān)結(jié)果（ID表示圖相關(guān)數(shù)）;（c） 基于時(shí)間過(guò)濾器的雜波減少;（d） 使用H-CFAR方法進(jìn)行最終檢測(cè)。圓圈表示真實(shí)目標(biāo)，正方形表示檢測(cè)到的目標(biāo)。

5. 實(shí)驗(yàn)結(jié)果

本文介紹了通過(guò)地平線檢測(cè)、水平線雜波抑制、云雜波抑制和太陽(yáng)-眩光抑制提出的區(qū)域分割細(xì)節(jié)，如圖21所示。在本節(jié)中，通過(guò)比較常規(guī)方法對(duì)每個(gè)提出的項(xiàng)目進(jìn)行評(píng)估，然后將集成方法應(yīng)用于測(cè)試序列。

圖 21.提出的區(qū)域自適應(yīng)、小目標(biāo)檢測(cè)和雜波抑制方案。

5.1. 水平線檢測(cè)的評(píng)估

如圖22所示，制備了四種測(cè)試序列，以驗(yàn)證所提方法的魯棒性。集合 1 是被強(qiáng)云遮擋的遠(yuǎn)程海洋圖像。集合 2 被附近的島嶼遮擋，該島嶼占據(jù)了地平線長(zhǎng)度的 1/3。套裝 3 有附近的島嶼和一個(gè)偏遠(yuǎn)的島嶼。最后一個(gè)，Set 4，附近有一個(gè)海岸，船只和建筑物擋住了地平線。

圖 22.用于水平線檢測(cè)的測(cè)試數(shù)據(jù)庫(kù)的組成。

如果線擬合誤差平均在一個(gè)像素內(nèi)，則檢測(cè)到的水平線被聲明為正確的檢測(cè)。地平線位置的地面實(shí)況是通過(guò)人工檢查準(zhǔn)備的。最初的測(cè)試裝置幾乎沒(méi)有傳感器噪聲。因此，該范圍內(nèi)的均勻分布分別產(chǎn)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(shí)驗(yàn)結(jié)果。該方法正確檢測(cè)了無(wú)噪聲序列數(shù)據(jù)的地平線。在嘈雜數(shù)據(jù)的情況下，只有Set 4的一幀顯示出不正確的地平線檢測(cè)。圖23顯示了噪聲添加序列的采樣水平檢測(cè)結(jié)果。藍(lán)色虛線表示傳感器 LOS 的地平線預(yù)測(cè)。黑色或白色實(shí)線表示最佳水平線。洋紅色點(diǎn)表示 RANSAC 提取的內(nèi)臟 horixels。請(qǐng)注意，無(wú)論傳感器噪聲下的遮擋類型如何，都會(huì)可靠地檢測(cè)到水平線。

圖 23.測(cè)試集 1–4 的地平線檢測(cè)示例。

表 3.無(wú)噪聲數(shù)據(jù)和噪聲數(shù)據(jù)的地平線檢測(cè)率（DR）。

5.2. 水平雜波抑制的評(píng)估

在水平雜波抑制評(píng)估中，比較了每幅圖像的檢測(cè)率和虛警數(shù)，以評(píng)估不同空間濾波器類型的檢測(cè)性能。作為初始實(shí)驗(yàn)，通過(guò)背景建模和目標(biāo)建模制備了合成圖像。背景圖像具有天空區(qū)域和強(qiáng)度差為 100 灰度值的背景區(qū)域。使用高斯濾波器進(jìn)一步逐列平滑水平線。生成了24個(gè)具有不同大小和不同SCR值的目標(biāo)。這些目標(biāo)入到水平線周圍，如圖3b的頂部所示。生成的靶標(biāo)的尺寸范圍為（3×10）至（10×0），SCR范圍為97.1至95.<>。ROC曲線指標(biāo)用于評(píng)估該測(cè)試圖像的過(guò)濾方法。前閾值 （千前） 設(shè)置為 20，H-CFAR 閾值 （k） 從 24 更改為 2。圖 8a 顯示了評(píng)估結(jié)果。使用12D局部MSF [1]的結(jié)果顯示ROC區(qū)域非常小，檢出率相對(duì)較低。最大均值濾波器 [4000] 也會(huì)產(chǎn)生較差的 ROC 面積?；谝痪S全球MSF的方法顯示出更大的ROC區(qū)域，但產(chǎn)生了許多錯(cuò)誤檢測(cè)（超過(guò)1個(gè)錯(cuò)誤警報(bào)，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(qǐng)注意，當(dāng) k = 1 時(shí)，最大誤報(bào)數(shù)僅為 24。圖 <>b 顯示了使用三種類型的空間過(guò)濾器的目標(biāo)檢測(cè)結(jié)果。H-CFAR閾值經(jīng)過(guò)調(diào)整，以發(fā)出零誤報(bào)。所提方法能夠成功檢測(cè)所有目標(biāo)。

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

在下一次評(píng)估中，比較了目標(biāo)決策方法。原始CFAR探測(cè)器探測(cè)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(yīng)遲滯閾值，該閾值由用于候選檢測(cè)的小閾值和用于最終決策的CFAR閾值組成。測(cè)試圖像由不同數(shù)量的合成目標(biāo)組成，從 10 到 490。圖 25 顯示了比較結(jié)果。原始CFAR檢測(cè)的處理時(shí)間約為16.1 s，隨著目標(biāo)數(shù)量的增加而增加。相比之下，所提檢測(cè)方法的處理時(shí)間約為0.65 s，并且隨著目標(biāo)數(shù)量的增加而略有增加。兩種決策方法的檢測(cè)結(jié)果相似。

圖 25.決策方法的處理時(shí)間：CFAR與H-CFAR（自適應(yīng)滯后檢測(cè)）。

5.3. 云雜波抑制的評(píng)估

足夠大的數(shù)據(jù)集對(duì)于確保成功學(xué)習(xí)云混亂抑制非常重要。本研究使用中波紅外（MWIR）相機(jī)或長(zhǎng)波紅外（LWIR）相機(jī)收集了136張真實(shí)目標(biāo)圖像。目標(biāo)圖像是由真實(shí)的飛機(jī)拍攝的，例如KT-1，F(xiàn)-5和F-16。云雜波數(shù)據(jù)庫(kù)是使用上一節(jié)中介紹的檢測(cè)算法準(zhǔn)備的。圖 26 提供了目標(biāo)圖像和雜亂圖像的示例。

圖 26.用于分類器學(xué)習(xí)的目標(biāo)和雜波數(shù)據(jù)庫(kù)：（a） 目標(biāo)芯片;（b） 雜亂的芯片。

在評(píng)估中比較了樸素貝葉斯、SVM 和 AdaBoost 分類器。隨機(jī)選擇訓(xùn)練樣本，剩余樣本用于測(cè)試集。平均檢測(cè)率 （DR） 和誤報(bào)率 （FAR） 在 100 次迭代中進(jìn)行了評(píng)估。結(jié)果如表4所示。盡管樸素貝葉斯方法產(chǎn)生的容積率較低，但它的容積率相對(duì)較低。DR在目標(biāo)識(shí)別中更為重要，因?yàn)樾枰獧z測(cè)真正的目標(biāo)。SVM 分類器產(chǎn)生了改進(jìn)的 DR，但具有較高的 FAR。AdaBoost 分類器（學(xué)習(xí)后有 29 個(gè)弱分類器）產(chǎn)生了改進(jìn)的 DR，其容積率低于 SVM 的容積率。因此，選擇AdaBoost作為分類器來(lái)拒絕天空區(qū)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(cè)率（DR）和誤報(bào)率（FAR）方面的性能。

5.4. 海閃光剔除的評(píng)估

準(zhǔn)備了一組?；鵌RST圖像來(lái)測(cè)試和評(píng)估所提出的方法。圖27總結(jié)了中波紅外（MWIR）相機(jī)采集的七種測(cè)試序列。套裝 1 具有微弱的太陽(yáng)光芒，帶有進(jìn)入的飛船場(chǎng)景。第2組有強(qiáng)烈的陽(yáng)光，船只經(jīng)過(guò)。第3組有強(qiáng)烈的稀疏陽(yáng)光，大型船只靠近海岸。第4組有密集的強(qiáng)烈太陽(yáng)閃光，帶有合成的入射目標(biāo)和遙遠(yuǎn)的真實(shí)目標(biāo)。第5組有弱的密集太陽(yáng)閃光，有一個(gè)合成的來(lái)襲目標(biāo)和幾艘真正的船只。第6組有強(qiáng)烈的稀疏陽(yáng)光，在偏遠(yuǎn)的沿海環(huán)境中經(jīng)過(guò)。第7組有強(qiáng)烈的密集陽(yáng)光，有地效翼船經(jīng)過(guò)。根據(jù)評(píng)估結(jié)果，有選擇地使用每個(gè)圖像集。

圖 27.測(cè)試數(shù)據(jù)庫(kù)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(cè)）進(jìn)行了五種測(cè)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(cè)率（DR）和虛警次數(shù)（FAR）作為比較措施。為了進(jìn)行公平比較，通過(guò)調(diào)整閾值來(lái)固定每個(gè)數(shù)據(jù)集的檢測(cè)率。對(duì)于每個(gè)測(cè)試集，基本事實(shí)都是手動(dòng)準(zhǔn)備的。表 5 列出了五個(gè)不同測(cè)試集在誤報(bào)率（每個(gè)圖像的錯(cuò)誤檢測(cè)數(shù)）方面的總體性能結(jié)果。所提出的方法顯示出與基線方法相同的檢測(cè)率，但與基線方法相比，它產(chǎn)生的誤報(bào)更少（大約少16到28倍）。圖 6 顯示了測(cè)試集 3 的檢測(cè)結(jié)果，該測(cè)試集有一個(gè)真實(shí)目標(biāo)（地效翼船）經(jīng)過(guò)偏遠(yuǎn)海岸。在所提出的方法中，方塊表示通過(guò)去除邊緣目標(biāo)進(jìn)行最終檢測(cè)。請(qǐng)注意，基線方法在太陽(yáng)閃光周圍產(chǎn)生了大量的誤報(bào)。結(jié)果表明，所提方法（相關(guān)+屬性濾波）能夠魯棒地檢測(cè)出真實(shí)目標(biāo)，并在海閃光區(qū)產(chǎn)生少量誤報(bào)。

圖 28.所提方法與測(cè)試集6基線方法之間的目標(biāo)檢測(cè)比較。

5.5. 所提方法的綜合評(píng)估

作為最終評(píng)估，測(cè)試序列由五個(gè)扇區(qū)組成，共 156 幀（1280 × 1024）。使用Kim等人報(bào)告的方法生成了許多合成靶點(diǎn)[60]。測(cè)試集由云雜波和海閃發(fā)光組成。表 6 列出了總體評(píng)估結(jié)果，具體取決于雜波抑制方案在檢測(cè)率和每幀誤報(bào)數(shù)量方面的情況?；究臻g濾波器是指（M-MSF + L-DBRF）+ H-CFAR探測(cè)器?；镜谋硎?M-MSF + 預(yù)閾值。所提出的方法（區(qū)域雜波抑制）將每張圖像的錯(cuò)誤檢測(cè)次數(shù)減少了2.5至9.4倍，具體取決于雜波抑制方案的扇區(qū)類型，檢測(cè)率僅下降了0.1%-0.8%。圖 29 給出了扇區(qū) 2 DB 上的雜波抑制效果示例。請(qǐng)注意，所提出的方法幾乎完全消除了多云天空區(qū)域和海閃光區(qū)域的錯(cuò)誤檢測(cè)，同時(shí)仍保持目標(biāo)檢測(cè)。

圖 29.通過(guò)應(yīng)用雜波抑制方法獲得系統(tǒng)性能比較結(jié)果。

6. 結(jié)論

由于點(diǎn)狀目標(biāo)的性質(zhì)，減少小紅外目標(biāo)檢測(cè)中雜波引起的錯(cuò)誤檢測(cè)數(shù)量非常具有挑戰(zhàn)性。雜波根據(jù)類型有不同的性質(zhì)，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(cè)的區(qū)域分割方法，同時(shí)利用傳感器位姿信息和圖像處理。在水平區(qū)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(guò)程可以抑制水平線雜波，實(shí)現(xiàn)高檢測(cè)率，每幅圖像誤報(bào)少。在天空區(qū)域，提出AdaBoost判別學(xué)習(xí)方法，基于目標(biāo)屬性特征（如強(qiáng)度、面積、頻率等）去除云雜波。根據(jù)基于AdaBoost的目標(biāo)判別方法對(duì)測(cè)試序列的結(jié)果，在檢測(cè)率僅有少量下降的情況下實(shí)現(xiàn)了虛警減少。在海域，提出了單獨(dú)的時(shí)空濾波來(lái)拒絕海閃光。三圖相關(guān)后的時(shí)間濾波可以進(jìn)一步減少太陽(yáng)微光。通過(guò)實(shí)驗(yàn)比較，發(fā)現(xiàn)無(wú)論目標(biāo)運(yùn)動(dòng)如何，使用低幀率紅外相機(jī)在強(qiáng)日光環(huán)境下檢測(cè)目標(biāo)都是穩(wěn)健的。在最終測(cè)試中，所提出的集成雜波抑制方案可以有效地將錯(cuò)誤檢測(cè)次數(shù)減少2.5至9.4倍，而檢測(cè)率僅下降0.1%–0.8%。因此，所提出的方案有望對(duì)?；t外搜索和跟蹤系統(tǒng)有用。