一种红外图像中基于焦点选择的目标检测识别方法
作者：陈 杰
来源：《科技传播》 2018年第7期
陈 杰
第一拖拉机股份有限公司齿轮厂 ， 河南洛阳 471004
摘 要 文章针对红外图像中目标大都具有典型热效应的成像特点 ， 采取按照优先级顺序处理各个图像区域的策略 ，变并行处理为串行处理 ， 使数据处理过程具有选择性。本方法能够实现计算资源的合理分配 ， 提高现有红外图像目标检测识别方法的工作效率。
关键词 红外图像 ； 焦点选择 ； 目标检测 ； 识别 ； 方法
中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）208-0102-02
随着计算机科学和信息科学的发展 ， 各种各样的数据与日俱增 ， 计算机信息处理已经成为对付它们的主要技术手段。科学研究和统计表明 ， 在人类获取和处理的各种信息中 ，大约 75% 是视觉信息。同样在当前的计算机信息处理领域 ， 图像和视频也正逐渐成为主要的信息载体。
不论视觉信息还是图像信息 ， 获取它们并不是根本目的 ， 利用它们来满足特定的应用需求才是最终归宿。在利用图像信息和图像分析与理解技术解决诸如产品检测、目标识别、场景监视等各种具体应用问题时 ， 我们往往面临以下局面 ： 一方面 ， 迅速膨胀的图像数据和日益增长的应用需求对计算机信息处理效率提出了越来越高的要求 ， 另一方面 ，实际操作中具体任务所关心的信息通常仅是整个图像数据集合中很小的一部分。因此 ， 在图像分析与理解中 ， 一视同仁的处理所有图像数据是不现实 ，也是不必要的 ， 根据具体需求快速找到并处理与任务相关的小部分信息 ， 而舍弃或弱化其他与任务无关的大部分信息 ， 是提高图像加工效率的必然途径。
1 红外图像目标检测识别
红外图像反映的是物体的热辐射分布情况 ， 能够探测由目标和背景间微小的温差或辐射
频率差引起的热辐射变化 ， 可以在黑暗、多云、雨雾、隐蔽、伪装的条件下发现目标。但是 ， 红外波长大于可见光波长 ， 造成红外图像分辨率普遍较低 ， 缺乏经验的人员往往难以对目标进行准确识别 ， 因此 ， 研发红外图像目标检测识别方法具有很大的发展潜力。
鉴于红外图像目标检测识别问题的重要地位 ，国内外相关领域的研究者相继提出了很多方法 ， 但是这些方法都将注意力集中在针对某个图像区域的特征提取、目标建模和模型匹配等问题上 ， 而没有去考虑更高层次的对于不同图像区域的处理顺序问题 ， 采用的都是依次处理各个图像区域的策略。这些方法不像人类视觉那样具有选择性 ， 它们看似公平的对待各个图像区域 ， 虽然保证了数据处理的严密性 ， 但是也造成了计算资源的极大浪费 ， 严重降低了相关系统的工作效率。
2 选择性数据处理
针对现有技术中的不足 ， 我们采取按照优先级顺序处理各个图像区域的策略 ， 变并行处理为串行处理 ， 使数据处理过程具有选择性 ， 实现计算资源的合理分配 ， 从而提高现有红外图像目标检测识别方法的工作效率。
具体的说 ， 该方案首先通过计算量较小的焦点选择技术确定优先级最高的可疑目标区域 ， 然后通过计算量较大的目标检测识别技术判断可疑目标区域中是否含有感兴趣目标 ， 并通过这种处理过程的循环往复输出一系列按照可疑程度排列的目标检测识别结果。
对于红外图像 ， 遵循人类视觉的串行化信息处理流程 ， 采用依次进行的尺度、特征、方位和尺寸竞争选择焦点 ， 在焦点引导下进行有重点和有选择的目标检测识别 ， 并通过该
过程的循环往复逐一获得图像中的各个有价值目标。该方法构建了一套层次化的数据筛选体系 ， 竞争的层次主要体现在两个方面 ： 一是在检测每个焦点时 ， 四类竞争形成层次 ；二是在检测各个焦点时 ， 各组竞争（每组对应一个焦点）形成层次。与现有方法相比 ， 它具有以下几个优势。
1）根据各自特点 ，将尺度、特征、方位和尺寸竞争相分离 ， 方便根据红外图像和目标类型的具体情况有针对性的调整各种竞争关系。2）用反馈环处理尺度竞争 ， 用胜者全取准则处理特征、方位和尺寸竞争 ，更加符合人类视觉感知。3）所有竞争都是动态的 ， 每个焦点都是在经过四类竞争后得到的 ，目标检测识别过程具有很强的适应性。4）在焦点选择中没有
使用计算开销较大的复杂技术 ，尽量简化图像分析过程 ， 使本方法具有较快的信息处理速度。
3 实施过程
3.1 实施流程
本文通过焦点选择引导红外图像目标检测识别 ， 整个信息处理过程可以分为图像采样、简单特征提取、焦点搜索、焦点描述、目标检测识别、焦点转移六个步骤。输入红外图像 ， 输出识别结果 ，处理过程如下 ：
步骤一 ： 图像采样 ， 对红外图像进行采样处理 ，输出具有一定空间尺度的采样图像。
步骤二 ： 简单特征提取 ， 从采样图像中提取简单特征 ， 输出多幅特征图。
步骤三 ： 焦点搜索 ， 根据多幅特征图中的数据竞争关系搜索焦点 ， 如果不能获得焦点 ， 则进入步骤六 ， 如果能够获得焦点 ， 则输出焦点信息。
步骤四 ： 焦点描述 ， 对步骤三输出的焦点信息进行细化 ， 输出较为准确的焦点信息。
步骤五 ： 目标检测识别 ， 对焦点处的图像内容进行分析 ， 输出识别结果。
步骤六 ： 焦点转移 ， 根据焦点搜索或焦点描述的结果 ， 进行尺度和范围调整 ， 返回步骤一 ， 开始新一轮处理。
3.2 流程详图
图 1 是红外图像目标检测识别方法的处理流程详图。处理过程如下。
步骤一 ： 图像采样。图像采样由尺度设置、范围设置和位置增强三个部分组成 ， 输入红外原始图像 ， 输出一幅具有一定空间尺度的灰度采样图像。
步骤二 ： 简单特征提取。简单图像特征提取输入一幅灰度采样图像 ， 输出多幅特征图。它对相对复杂的图像信息进行了分解。
步骤三 ： 焦点搜索。焦点搜索由视差计算、特征竞争和方位竞争 3 个部分组成 ， 输入 8 幅特征图 ，输出以图像对象形式存在的焦点。它是实现数据选择的核心。
步骤四 ： 焦点描述。焦点描述对通过焦点搜索获得的焦点进行细化 ， 输入以图像对象形式存在的焦点 ， 输出以空间范围形式存在的焦点。
步骤五 ： 目标检测识别。目标检测识别对焦点处的图像内容进行分析 ， 由特征提取和模式识别两个部分组成 ， 输入空间范围形式的焦点 ， 输出语义形式的目标类别信息。
步骤六 ： 焦点转移。焦点转移由尺度调整和范围调整两个部分组成 ， 输入焦点搜索或焦点描述的结果 ， 输出关于尺度设置、范围设置和位置增强的信息。它使焦点选择过程得以循环往复进行。
3.3 控制环
图像采样、特征提取、焦点搜索、焦点描述和目标检测识别组成了一条信息处理流水线。尺度调整和范围调整与该流水线相结合 ， 形成了两个相互交错的控制环路 ， 在其作用下 ， 可以获得一系列按照显著度由大到小排列的焦点。
一种红外图像中基于焦点选择的目标检测识别方法
