0 引言

红外弱小运动目标检测作为红外图像处理技术的研究热点之一[1]，在军事侦察领域应用广泛。较早地精确检测出导弹、战斗机等目标，对预警和决策极其重要。但由于红外弱小目标具有距离远、成像面积小、形状特征弱、纹理特征不明等特点，目标信息不突出，常常淹没在起伏的图像背景中。又由于红外成像过程中，光谱能量的辐射衰减造成图像对比度差[2]，器件自身的缺陷会引入大量噪声，这些特点给目标检测带来了难度。

第二，学习十九大对新时代党的建设新的伟大工程的系统部署。这一系统部署科学回答了“治理一个怎样的党？如何治理党？”的关键问题，是推动全面从严治党向纵深发展的定盘星与指南针。要清醒认识到党面临的执政环境的复杂性以及影响党的先进性、弱化党的纯洁性因素的复杂性，深刻认识到推动全面从严治党向纵深发展面临的“四大考验”的长期性和复杂性以及“四个危险”尖锐性和严峻性，深刻领会新时代党的建设总要求、总布局、总目标、着力点等，着眼于提高党的建设质量，找准党的建设目标的新定位，厘清党的领导、党的建设、全面从严治党的逻辑关联，明确内涵，厘清责任，在这一系统部署的科学指引下把全面从严治党不断引向深入。

在过去的 20几年中，国内外学者提出了很多红外弱小目标检测方法，大多是基于目标增强和背景抑制的思路[3]。它利用图像灰度分布信息，抑制背景杂波和点噪声的干扰并保留目标信息，完成目标的初步检测。传统的算法，如Top-hat[4]、最大均值滤波、最大中值滤波、Robinson Guard、核回归方法[5]，都是通过滤波来抑制背景进而实现红外小目标检测。利用目标中心区域和邻域像素的灰度对比差异特性，CHEN C L P等人[6]提出了局部对比及自适应阈值分割目标的方法，DENG等人[7]提出局部熵加权的方法，CHENY等人[8]提出了类似LCM的对比度特征和显著性特征相结合的检测方法，相对而言提高了信噪比，具有更好的检测效果。但对于不同场景，当背景杂波严重时，基于背景抑制的检测方法鲁棒性差，存在误检漏检现象。

究其原因，在检测红外弱小目标的时候，图像可利用信息少，而基于背景抑制的算法只利用图像灰度信息对单帧图像做处理，忽略了目标运动造成的连续帧图像灰度变化。连续帧图像灰度变化不仅包括二维空间固定位置像素值随时间的变化，还包括像素值在空间位置变化的连续性。这都是可以利用的图像信息。考虑到这两个特征，本文提出了一种融合时空结构张量的背景差分算法。背景差分用于像素级目标检测，保证目标能被全部检测出没有遗漏；时空结构张量对物体运动敏感，能突出显示具有运动属性的目标。实验表明，融合两个检测结果可以检测出运动小目标并剔除虚假目标。

1 地空背景特征分析

地空场景是常见的红外侦查场景，以飞行物为检测目标。一般情况下，由于云层在形成过程中受到物理规律的制约，在空间上呈大面积连续分布状态，灰度变化比较平缓[9]。受光照、天气影响，云团有积聚、分层并漂移的情况，云层强边缘灰度变化明显，团块与目标对比度下降，目标背景相对位移变小。对于大视场地空背景，地面灰度虽与天空有偏差，但也均匀分布，且地空分界明显。本文针对固定仰视角地空背景中的弱小目标检测，地面杂波主要指树木等的扰动对运动目标检测的影响。

2 红外弱小运动目标检测

不管林小敏把他夸得有多好,卢一平一旁明白了。她这是给我戴蒙眼呀,她这是哄我拉磨呀,她这是把我当毛驴子使唤呀。我真是一尊财神吗,我真是一座金矿吗？我要是财神,我甘愿任人驱使吗？我要是一座金矿,我稀罕一点蝇头小利吗？

  

图1 算法框架Fig.1 The frame of the proposed algorithm

2.1 基于背景差分的目标检测

乡村民宿设计优于度假酒店的部分，是它的不正式性与自由度使得它能发挥更强烈的人文思想，这种思想来源于本土或外来设计者，又或者来源于不同年龄阶段、拥有不同操作习惯的设计者。在地性叠加人文思想的多层表义内涵造就了多样的民宿形式，使得乡村民宿更加富丽多彩。比如，同样是表达地方建筑材料，即下山采用的是高技派的木模清水混凝土，揽清采用的是低技派的木构筑和石砌体，设计者的设计理念截然不同，建筑的最后形式也是大不相同。

建立背景模型就是模型样本值的填充过程，是该算法的第一步。由于背景不是固定不变的，单一模型样本不能适应背景变化，因此需要多个样本来描述背景。对任一像素点xi，有背景模型：

 

共N个样本。Bk(xi)表示xi处第k个样本值，样本值大小由第一帧图像的数据决定。对于前两个样本值，直接为第一帧图像xi处的像素值V(xi)；后N－2个样本以像素值V(xi)加±10以内的随机噪声填充。

为了验证本文算法的有效性和适用性，采用了不同类别的真实场景红外视频图像，并与传统的基于背景抑制和阈值分割的红外小目标检测算法以及 ViBe背景差分法、时空结构张量法相比较，对检测结果进行对比分析。本文的测试图像分辨率为640×512，其它参数设置如下：模型样本数N＝20，距离差值阈值R＝20，最小匹配数#min＝2，时空结构张量矩阵迹的阈值r＝35。

基于背景差分的红外弱小目标检测是把区分前景目标和背景看成一个二分类问题。把输入视频图像序列中的每一帧与背景模型作比较，若像素信息与模型匹配，则标记为背景点；否则归类为前景点。具体而言，分为3个步骤：背景建模、前景点分割和背景模型更新。

本文提出的融合时空结构张量的背景差分检测算法可分为两个部分：一是时空结构张量和背景差分法对输入图像序列分别进行目标检测；一是对两个检测结果的融合。时空结构张量是对三维结构张量的扩展，能和三维结构张量一样反映图像空间结构特征，更能反映空间信息随时间的变动。检测运动的红外弱小目标时，由于时空结构张量突出显示了图像帧上的连续空间变化，点状小目标能放大成小块显示。背景差分法细化到像素检测目标，检测结果与真实目标大小相当。针对像素级目标分割容易出现离散的孤立错误检测点问题，本文加入了前景点计数操作用于修正背景差分法的检测结果。检测流程图如图1所示。

 

由于背景差分法基于像素做图像处理，其处理结果含有大量离散的错误前景点。本文加入前景点计数模块修正检测分割结果：统计像素点xi在连续帧内被判定为前景点的次数，当计数达到固定值时，将该点标记为背景点。这种方法对地空场景下运动小目标检测是有效的。地空场景中运动目标多为飞行物，单向运动且目标数量有限、运动频率也不高。帧图像像素点大多为背景，并且短时间内被重复多次标记为前景的概率很低。因此，对于计数超过固定值的多为噪声点或背景杂波扰动引起的错误检测，像素点应该归为背景。

为了每帧前景背景分割处理时目标能被准确分割为前景，背景模型要能适应背景的变化、描述当前的背景状况。因此模型更新尤为重要。本文采用ViBe的随机更新策略[10]：对判定为背景的点，用当前像素值随机取代一个模型样本值，使得在不增加样本量的条件下，模型在更长的时间跨度内有效；同时以一定概率随机更新背景点邻域像素的一个背景模型。这是利用空间传输特性，使背景扩散开来，可以逐渐消除错误前景点。

2.2 基于时空结构张量的运动检测

用结构张量检测红外弱小运动目标时，把视频图像序列看成三维空间的一个物体。p＝[x, y, t]可以对应空间任意位置，I(p)表示视频中任一位置像素点的灰度值。

从图 2视频图像序列 I(p)可以看出，在二维 x-y平面内，当场景中存在一个物体时，物体与周边像素存在灰度梯度变化。在 x-t平面内，当场景中物体没有水平位置变化，灰度沿t轴均匀分布，灰度梯度为0，如图3(a)所示；当平面内有物体发生位置变动时，位置(x, y)的灰度值在t方向有梯度变化。图3(b)是I(p)在y＝288处的x-t平面图，显示了这一灰度梯度变化。在 y-t平面内也是相同的道理。所以，如果空间内一点在邻域范围内某一方向上有梯度变化，必是在该点存在区别于背景的物体或是有物体运动的发生。当 t方向存在梯度变化时，有运动目标存在。利用这个原理，有人从数学角度提出了三维结构张量的概念，用矩阵形式表达并通过计算矩阵的迹和特征值来做低层次的运动估计[11]。它描述了 I(p)在空间邻域Ω范围内的梯度变化，用下式表示：

第二类视频的主要特点是运动目标弱小，与背景对比区分不大，如图5所示。此时，用Top-hat检测虚警率很高，甚至还出现目标完全没有被检测出的情况。ViBe背景差分能够检测出目标，但基于像素的差分也很容易产生一些小的错误检测点。时空结构张量检测的移位放大作用在这种情况下体现的最为显著，弱小目标移动产生强光点并有拖尾现象。当然，与ViBe结合之后，目标反映的是真实大小和精确位置。

轴心抗拉试验主要采用1台液压万能试验机进行。用试验机的上端紧紧夹住试件的上部受拉端，试验机下端调整至适当位置夹紧试件下部固定端，保证试件的上下受拉端和试验机的紧固端在一条直线上。为安全起见，试验机加载为位移控制，加载速度为0.01 mm/s。

 

此时计算它的迹，

  

图2 视频序列集I(p) Fig.2 Video sequences I(p)

  

图3 像素值随时间的变化 Fig.3 Pixels’ change with time

为了结构张量的迹能更侧重于反映视频图像灰度值的时间变动，关于时空集I(p)在t方向进一步求导，得到时空结构张量，标记为JF，可以写成：

 

用λ1, λ2, λ3（满足λ1＞λ2＞λ3）表示三维结构张量的特征值。若所有特征值都是0，那么表示像素点邻域的灰度值是一个常数，即没有运动。如果λ1＞0，λ2＝λ3＝0，表明灰度只在一个方向上变化。如果λ1＞0，λ2＞0，λ3＝0表示灰度值只在一个方向上保持不变，也存在运动。通过特征值的分类情况来判断物体是否运动确实可行，但是矩阵特征值分解计算复杂，需要消耗大量时间。考虑到矩阵的迹为矩阵特征值的和，那么也可以利用迹来判断空间内运动情况，计算要简单很多。然而三维结构张量的迹混合了x, y,t三个方向的梯度变化，无法区分梯度来源于x-y平面内还是时间方向上，也就是不能判断梯度来源于静止物体还是运动物体[12]。所以，三维结构张量的迹无法判断目标运动情况。

 

由于迹的每一个分式都和时间方向上的梯度变化相关，当trace(JF)＞r（r是一个阈值）时，认为像素点在时间上存在梯度变化，目标是运动的。

2.3 检测结果融合

利用时空结构张量和背景差分算法的互补性，融合两个检测结果，可以提高最终检测效果的精确度。本文在检测弱小运动目标时，只有被两种算法都检测定义为运动前景目标，像素才确定为前景。被背景差分检测为前景、时空结构张量检测为背景的为动态变化的背景。记背景差分检测结果为F1，结构张量检测结果为F2，那么最终检测结果F为：

 

3 实验结果分析与评价

从第二帧开始，计算xi处的像素值V(xi)与xi处的样本值 Bk(xi)的距离差值。单通道图像即灰度图，距离差值是像素值与样本值差的绝对值；对于三通道彩色图，本文计算的是像素值与样本值的欧氏距离。当像素点与样本距离差值在阈值范围R内，且符合阈值范围标准的个数不少于#min，该像素点被划分为背景像素；否则判定为前景。在下式中背景标记为0，前景标记为1：

第一类视频为静止背景，由于拍摄设备的原因，背景中存在大量噪声，实验结果如图4所示。图4(a)为视频中的原始图像，存在一个运动小目标。图4(b)(c)(d)(e)分别为 Top-hat、ViBe、时空结构张量法以及本文算法的检测结果。Top-hat对背景的抑制能消除云、楼、树的影响，但背景噪声较尖锐，无法归为背景中。ViBe是一种快速且鲁棒性好的算法，但由于用于检测小目标，不能对结果进行如中值滤波等的后处理操作，前景点计数对噪声及错误检测孤立点情况有所改善，但不能排除所有虚假目标。基于时空结构张量的检测运用空时特性，检测结果虽有小斑点的影响不完全正确，但大多数斑点相比目标的像素点个数要少，没有目标的团块大，肉眼容易区分。经过时空结构张量与ViBe背景差分的融合，目标被准确检测出来。

人类社会发展过程中不可避免会运用到心理效应，心理效应积极与消极并存。在思想政治教育中，不仅教育者要正确运用心理效应，用全面、发展、联系、辩证、实事求是的认知观看待教育学生，同样要带动受教育者正确运用此效应，最终达到教育效果的最大发挥。

第三类视频天空背景非均匀分布，树木有轻微摆动，如图6所示。Top-hat基于单帧图像做处理检测小目标，云团、树木的移动对其没有影响。调整阈值在完全显示所有目标的时候，由于下方树木细节显示清楚，梯度变化明显，该区域内无法有效检测目标。ViBe背景差分，由于整个场景中运动的不止小目标，还有天空背景中的分层云团、树木末梢，背景模型对于即刻发生的变化没有样本值与当前时刻的像素值对应，在云的边缘、目标周边对比度不高的位置以及树的摆动范围内，有错误检测点存在。相比之下，时空结构张量检测出的结果是最符合实际结果的。由于背景的变动，其移动速度相比运动小目标有差距，这使得运动前景小目标被轻松识别出来。最后本文的检测结果效果明显优于其它算法。

表2示，2014年黑龙江省肿瘤登记地区合计发病率最高的恶性肿瘤是肺癌，粗发病率为65.58/10万，占全部新发恶性肿瘤病例的24.88%。其次为乳腺癌、肝癌、结直肠癌、甲状腺癌、胃癌、宫颈癌、子宫体癌、卵巢癌和胰腺癌。城市地区发病率最高的恶性肿瘤是肺癌，粗发病率为66.87/10万，占全部新发恶性肿瘤病例的23.82%。其次为乳腺癌、结直肠癌、肝癌、甲状腺癌、胃癌、宫颈癌、子宫体癌、卵巢癌和胰腺癌。农村地区发病率最高的恶性肿瘤是肺癌，粗发病率为62.15/10万，占全部新发恶性肿瘤病例的28.51%。其次为肝癌、乳腺癌、胃癌、结直肠癌、宫颈癌、胰腺癌、食管癌、甲状腺癌和卵巢癌。

2.2.2 BIND BIND≥4分者24例，其预测神经系统不良预后的灵敏度为76.9%，特异度为75.9%，阳性预测值为43.5%，阴性预测值为93.2%。

对于红外运动小目标检测，可以用检测率（DR）和虚警率（FAR）来定量验证算法性能。检测率和虚警率的定义分别如下：

 

表1列出了各算法的检测率，表2列出了各算法的虚警率。

  

图4 视频序列1不同算法的处理结果Fig.4 Results of video sequence 1 processed by different algorithms

  

图5 视频序列2不同算法的处理结果 Fig.5 Results of video sequence 2 processed by different algorithms

  

图6 视频序列3不同算法的处理结果 Fig.6 Results of video sequence 3 processed by different algorithms

 

表1 视频序列不同算法的检测率Table 1 Detection rate of different video sequences processed by different algorithms%

 

 

表2 视频序列不同算法的虚警率Table 2 False alarm rate of different video sequences processed by different algorithms%

 

可以看出，传统的基于背景滤波抑制的 Top-hat算法在不同场景下检测率不稳定，虚警率较高。ViBe对于背景运动情况不能适应，检测点目标时不能抗噪声干扰，误检多。结构张量法在不同场景中都有相对较好的表现，尤其适用于有背景微动态的场景。本文提出的算法检测率高，虚警率改善尤其明显，且稳定性好，整体优于其它算法。

4 总结

本文提出的融合时空结构张量的红外弱小运动目标检测算法，先对视频图像序列用两种方法分别进行检测，然后融合两种结果，整体具有良好的检测效果。这主要归功于两种算法的互补性。基于时空结构张量的算法整合了时间空间的信息，检测出的效果更具有空间一致性。算法对时间变动和运动属性的侧重，使得对于照度变化并不敏感，这能够解决常规算法中整体或局部光照变化带来的影响。但也由于它对运动的依赖，使得检测产生的掩膜要比物体本身大。背景差分算法基于像素处理图像，检测出的运动目标大小与真实目标近似。但基于像素也使得它受照度变化、噪声等影响大。另外背景差分法采用单帧初始化，当初始图像帧中存在运动物体会产生“鬼影”现象，结合时空结构张量后这种缺陷不被计入最终结果，并依旧保证了初始化的速度。总之，本文的算法是一种行之有效的方法，适用于地空背景下红外弱小运动目标的检测。

参考文献：

[1]候旺, 孙晓亮, 尚洋, 等. 红外弱小目标检测技术研究现状与发展趋势[J]. 红外技术, 2015, 37(1): 1-10.HOU Wang, SUN Xiaoliang, SHANG Yang, et al. Present State and Perspectives of Small Infrared Targets Detection Technology[J]. Infrared Technology, 2015, 37(1):1-10.

[2]李思俭, 樊祥, 朱斌, 等. 基于运动模糊复原技术的红外弱小目标检测方法[J]. 光学学报, 2017, 37(6): 73-79.LI Sijian, FAN Xiang, XHU Bin, et al. A Method for Small Infrared Targets Detection Based on the Technology of Motion Blur Recovery[J].ACTA OPTICA SINICA, 2017, 37(6): 73-79.

[3]WEI Yantao, YOU Xinge, LI Hong. Multiscale patch-based contrast meature for small infrared target detection[J]. Pattern Recognition, 2016,58(s): 216-226.

[4]WANG Y L, DAI J M, SUN X G, et al. An efficient method of small targets detection in low SNR[C]//Journal of Physics: Conference Series,2006, 48(1): 427.

[5]GU Y, WANG C, LIU B, et al. A Kernel-Based Nonparametric Regression Method for Clutter Removal in Infrared Small-Target Detection Application[J]. IEEE Geoscience and Remote Sensing Letters,2010, 7(3): 469-473.

[6]CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(1): 574-581.

[7]DENG H, SUN X, LIU M, et al. Small Infrared Target Detection Based on Weighted Local Difference Measure[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(7): 4204-4214.

[8]CHEN Y, XIN Y. An Efficient Infrared Small Target Detection Method Based on Visual Contrast Mechanism[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(7): 962-966.

[9]董宇星, 刘伟宁. 基于灰度特性的海天背景小目标检测[J]. 中国光学与应用光学, 2010, 3(3): 252-256.DONG Yuxing, LIU Weining. Detection of sea-sky line in complicated background based on grey characteristics[J]. Chinese Journal of Optics and Applied Optics, 2010, 3(3): 252-256.

[10]Barnich O, Van D M. ViBe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing, 2011,20(6): 1709-1724.

[11]Filiz Bunyak, Kannappan Palaniappan, Sumit Kumar Nath. Flux Tensor Constrained Geodesic Active Contours with Sensor Fusion for Persistent Object Tracking[J]. Journal of Multimedia, 2007, 2(4): 20-33.

[12]WANG Rui, Filiz Bunyak, Guna Seetharaman, et al. Static and Moving Object Detection Using Flux Tensor with Split Gaussian Models[J].Computer Vision & Pattern Recognition Workshops, 2014: 420-424.