引 言

視頻記錄與判讀系統是靶場紅外測量設備的重要組成部分，用來實時記錄目標視頻圖像并完成對測量目標的定位和判讀。在靶場測量中，準確地提取圖像中弱小多目標的脫靶量對于交匯計算目標的彈道和落點等信息起決定作用。隨著現代科技的進步，對靶場數據處理的效率提出了更高要求，數據量更大，處理速度更快，測量更精確。對于大數據量的紅外多目標圖像序列，運用合適的方法在圖像序列中自動快速找到含有目標的圖像序列段并對其進行判讀是重點和難點。因此，研究紅外圖像多目標段序列的自動判讀技術具有重大意義。在此，研究的目的是實現對目標序列段的準確定位以及測量結果的自動判讀，對于紅外弱小多目標的檢測，單幀檢測很難實現，必須基于目標灰度與鄰域的差異為出發點，充分利用多幀圖像序列的相關信息，比如運動軌跡的連續性、一致性等。根據實際要求，先提出目標序列段自動變步長搜索方法，在大量圖像數據中自動搜索有用目標段，然后對目標序列段進行判讀。實驗結果表明，該技術在很大程度上了提高判讀的精度和實時性。

1 基本原理

1．1 目標序列段自動變步長搜索

由于圖像采集時探測器為凝視狀態，在天空背景下云層的移動是緩變的，而目標的運動速度比較快，相對于高速記錄的圖像可以視為靜止，因此在目標出現前后可以認為背景是靜止不動的。將含有目標圖像與背景圖像相減即可將背景去除，累加目標進入視場前的相連M幀圖像f（x，y），再求算術平均值。設包含目標的紅外場景圖像f’（x，y）為：

這樣可使噪聲方差由原來的σ2降為1／Mσ2，均方差降為原來的剩下的圖像只含有目標和能量減少后的噪聲，其信息量為目標和噪聲所占的像元數目。統計圖像序列的信息量，發現目標開始進入視場時，信號量明顯增加，離開視場時明顯減少，目標在視場內時信號量起伏不大。由此現象，可以通過計算相鄰步長幀之間信息量增量來判斷并確定目標進入和離開視場的時刻，從而搜索到有用目標序列段。

為第n+k幀統計的信號量。搜索步長為k（k≤設定的目標個數），則：△In=In+k一In為前后兩幅圖像信號增量。取閾值Vth=O．4α+Lβ，式中L為權值，與圖像的噪聲情況相關，一般取值0．3～0．5。α，β分別為噪聲的信號量和目標的信號量，α為設定的目標個數乘以理論計算的目標所占像元，β為連續10幀噪聲圖像的信號量的均值。則當|△In|≥Vth令第n幀為有用的信息圖像序列的起始幀；當|△In|《Vth則令第n+k幀為有用的信息圖像序列的結束幀。第一步搜索結束后，減小搜索步長，通常取值為（1／6）k～（1／8）k，選擇某一中間幀，分別向前向后進行搜索，最終精確定位目標起始幀和結束幀。

1．2 圖像二值化分割批處理

在進行減背景運算后，噪聲方差由σ2降為1／Mσ2，均方差降為原來的根號1/M差值圖像就只含有目標和能量減少后的噪聲，更利于圖像分割。

1．2．1 基于直方圖的OTSU最大類問方差法

OTSU最大類間方差法是在最小二乘法原理的基礎上推導得出的。它通過利用直方圖零階、一階累積矩來最大化判別函數，選擇最佳閾值。設輸入圖像為f（x，y），二值化后的圖像為g（x，y），閾值為T，那么圖像二值化過程如下：

計算輸入圖像灰度級的歸一化直方圖，用h（i）表示。

計算灰度均值μT：

這樣可以簡單快速的分割出只含目標和能量減少的噪聲的差值圖像。

1．2．2 自適應閾值分割方法

對于復雜圖像，背景的灰度值并不是常數，物體和背景的對比度在圖像中也有變化。這時，一個在圖像中某一區域效果良好的閾值在其他區域可能效果很差。當圖像中有陰影、背景灰度變化時，只用一個固定閾值對整幅圖像進行閾值化處理，則會由于不能兼顧圖像各處的情況而使分割效果受到影響。因此對于分割復雜圖像，要充分考慮圖像局部區域特性，將閾值選取成一個隨圖像中位置變化的函數值是比較合適的，這就是自適應閾值。

自適應閾值的原理是將原始圖像分為幾個子圖像，對每一個圖像分別求出最優分割閾值。常用的方法有：

Chow和Kandeko將圖像均勻劃分成若干不相重疊的7×7子圖像，對每個具有雙峰直方圖的子圖像用最小誤差法確定閾值，而對于具有單峰直方圖的子圖像，由內差得到分割閾值。

Bernsen給出一種比較簡單的局部閾值算法。它是對每個像素確定以它為中心的一個窗口，計算窗口內灰度級的最大值和最小值，并取其平均值作為閾值。

具體實現步驟是：

（1）取圖像的四角為圖像的背景，取其平均值作為背景值，大于此值的作為目標，目標灰度的平均值作為目標值。

（2）在第t步，分別計算背景和目標的灰度均值EB’和Eo’，其中在第t步將圖像分割為背景和目標的閾值是T’，它是在前一步確定的。

可見，閾值分割實際上就是根據某個判決準則來確定最佳閾值T的過程。為達到快速分割目標的目的，在這里根據圖像的統計特性來確定門限，并根據所要求的虛警概率對初始選擇閾值進行不斷修正。具體算法如下：

對待檢測圖像求其統計特征，即計算均值m和方差σ，從而計算初始閾值T1。即：

式中，M，N分別為待檢測圖像的行數和列數；m為矩形鄰域窗口內原圖像的均值；σ為標準差；k為系數，可通過實驗得到。為了保證對圖像中小目標盡可能高的檢測概率，同時又為了盡量虛警概率，將圖像的SNR作為一個考慮因素，取k為圖像的信噪比值。

1．3 判讀脫靶量計算

在視頻判讀中，脫靶量的測量結果對于檢驗和評估導彈性能起著關鍵作用。下面簡要介紹脫靶量計算原理。如圖2所示。

以靶面中心為原點建立笛卡爾坐標系，如圖3～6所示，設A點為目標像點，它偏離坐標原點的量稱為判讀脫靶量，記做△x，△y。計算出來的脫靶量△x，△y連同光測設備的測量信息作數據處理，可完成對目標運動參數的事后分析。在判讀時，取其質心作為判讀點，質心即目標可視部分圖像灰度分布重心。首先對存儲于硬盤中的圖像序列進行二值分割，把目標從背景中分割出來，然后根據重心計算公式求出目標重心。物理學重心定義，設一幅M×N的圖像，目標圖像在（x，y）點的灰度值f（x，y），其重心為：

傳統的判讀為手動判讀，其特點是：無論圖像中背景多復雜、對比度多低，只要人眼能夠識別目標，就可以實現判讀。而且由于充分結合了測量結果，只對測量不滿意的區段進行判讀，與自動判讀相比，判讀準確性明顯提高。但是在處理多目標圖像時，手動判度很容易造成判度者的視覺疲勞，因此自動判讀對減少判讀者的勞動是有很大意義的。自動判讀是計算重心過程，也是統計平均過程，它算出來的重心位置并不是個別最亮點位置或掃描隨機碰到的某一點位置，而是圖像中各個像元灰度加權平均位置，所以質心判讀隨機誤差小、精度高、穩定性好，簡單而快速。

2 實驗結果與判讀結果分析

取外場采集的以天空為背景的紅外多目標圖像序列進行處理。圖4為原始圖像序列中的1幀，它含有紅外弱小多目標，圖像信噪比約為1．5。目標在成像面上占2～4個像元，目標做近似勻速直線運動，下落速度為1～3像素／幀。

取圖像幀序為1001～2000，共計1 000幀圖像序列進行判讀，得到如圖5，圖6所示結果。

從含有全部目標的圖像序列中連續取五幀分析統計出占不同像元大小的目標個數如表l所示。

表2討論不同步長對判讀時間的影響。

由實際處理結果可見，步長太大，幀間跨度大，會影響搜索精度，太小則搜索時間長；而信號量閾值的權值系數越大時，有用目標段序列越短，越小則有用目標段序列越長。為保證有用目標段序列檢測的速度和精度，一般情況下步長設置在設定的目標數中間段，信號量閾值設得稍微低一些，再利用多幀積累求平均噪聲，使每幅圖像的噪聲更接近統計噪聲，減少由于噪聲的突變導致起始幀或者結束幀的誤判。

3 結 語

針對紅外多目標圖像序列的自動判讀問題，在要求快速精確的前提下，先提出了目標序列段自動變步長搜索方法，在大量圖像數據中快速搜索出有用目標段，然后對目標序列段進行二值化批處理并最終計算出目標脫靶量。試驗結果表明該判讀方法快速準確，判讀效果好。

責任編輯：gt