基于时频分析的成像小弱运动目标检测方法 dim moving target detection method based on time-frequency analysis.pdfVIP

第23卷第9期 强 激 光 与 粒 子 束 V01．23，NO．9 2011年9月 HIGHPOWERLASERANDPARTICI。EBEAMS Sep．，2011 文章编号： 1001-4322(2011)09—2292—05 基于时频分析的成像小弱运动目标检测方法。 李正周1， 田 蕾1， 郑 微1， 张月华1， 金 钢2’3 (1．重庆大学通信工程学院，重庆400044；2．中国空气动力研究与发展中心，四川绵阳621000 3．中国科学院光电技术研究所，成都610209) 摘 要：针对传统空时域滤波器难以剔除杂波(尤其是杂波边缘)的缺点，提出了一种基于时频分析的弱 小运动目标检测方法。理论分析表明，目标经过处的时频是一个小波包，波包的幅度与目标的幅度一致，面宽 度则与目标速度成反比关系；杂波边缘经过处的时频则是一个上坡或者下坡。采用两级滤波方法检测运动目 标，即首先采用恒虚警率准则过滤噪声，然后再利用目标出现处存在的波包，分别统计主瓣与旁瓣能量及其能 量比，去除杂波，检测出运动目标。云背景下弱小目标检测试验结果证明了该方法的有效性。 关键词：小弱运动目标；杂波； 时频分析；短时加窗傅里叶变换 ‘ 中图分类号：TP391．4 文献标志码： A doi：10．3788／HPI。P2292 由于成像器件本身的噪声及背景杂波干扰往往很强，使小目标检测成为红外目标检测跟踪中的难点，同时 2|。目前，弱小运动目标检测方法可分为跟踪前检测(DBT)和检测前跟踪(TBD)两种。跟踪 也是研究的热点[1 前检测需要对每帧图像进行门限判决，采用卡尔曼滤波器进行跟踪。这要求目标信噪比高，且目标特征明显， 对淹没于强噪声和强杂波的弱小运动目标检测性能则往往不佳。检测前跟踪避免对每帧图像进行门限判决， 而是沿目标轨迹积累和提高目标能量和信噪比，将目标检测转换为目标轨迹检测，提高目标检测概率和降低虚 警概率¨j。由于跟踪前检测假设幅度平稳的目标淹没于时间独立高斯分布的噪声中，而对于具有背景杂波(如 云杂波)的图像往往需要采用基于空域、时域和空时域的高通滤波器白化图像和过滤杂波。目前，运用较为广 泛的高通滤波器有基于动态规划的方法、基于局部熵的方法和基于小波变换的方法等H…。这些滤波器的运用 极大地提高了整幅图像信杂比，但杂波局部尤其是杂波起伏较大部分和边缘的信杂比却并不明显，其在空间和 时间的持续性使得后续的轨迹检测进一步提高了杂波能量，难以分辨出目标和杂波。 本文从时频域出发，分析运动目标、噪声和杂波的短时加窗傅里叶变换时频特征，利用目标、噪声和杂波时 频波形差异检测目标，该方法属于检测前跟踪范畴。理论分析表明，目标经过像素的时频是在噪声和杂波时频 上叠加了一个小波包，波包的幅度与目标的幅度一致，而宽度则与目标速度成反比关系。在此基础上，采用两 级滤波方法检测运动目标，即首先利用噪声的幅频值低于目标幅频值，采用恒虚警率准则过滤噪声，然后再利 用目标出现处存在的波包，分别统计主瓣与旁瓣能量及其能量比，去除杂波，检测出运动目标。 1 序列图像小弱目标的时频分析 时频检测方法描述信号在时域和频域的联合分布信息，可为分析和分辨目标、噪声和杂波提供细微的空 间、时间、频率及其联合多维度的特征。小弱运动目标的序列图像f(x，Y，k)可表述为 f(x，y，走)一s(x，Y，是)+b(x，Y，是)+n(x，Y，le) (1) 像序列的帧数。首先，对连续N帧序列图像的同一位置(z，y)的N个像素厂(z，Y，∞进行短时加窗傅里叶变 换‘8] F(x，Y，m，oJ)一DFT[f(x，Y，尼)*砌(志)] (2) 式中：k和m为序列图像的第k和m帧；Ⅲ为角频率；w(k)为短时窗函数，一般选能量聚集性强的汉明窗或者 的短时傅里叶变换为 *收稿日期：2010-11—26；