周政
中国电子科技集团公司第十一研究所 北京 100015
摘 要：现阶段国内外对目标识别开展了广泛的研究，发现普遍都采用可见光图像的方式。基于红外图像理论对目标识别的研究依然存在着短板。由于可见光目标识别具有一定的环境限制，使得目标识别依然存在较大的难度。相比于可见光成像，红外成像具有很大的优势，因此针对使用红外图像对典型目标进行识别很有必要。
关键词：典型目标；红外图像；处理；识别方法；探究
引 言：
基于典型目标实施红外图像处理中，在目标识别方面往往存在着问题，这就需要通过对红外热成像预处理技术展开分析，提出建立于FPGA平台基础上的HOG特征提取算法予以相应的优化设计，由于红外热成像机理与图像预处理的实现，主要是通过对红外热成像原理的充分利用下，针对红外图像的预处理方法进行了分析，并建立在机器学习方法的基础上对红外图像目标予以识别，重点针对梯度方向直方图特征的提取方法进行了研究[1]。
1.典型目标的红外图像的预处理分析
1.1灰度化图像的预处理
RGB是红外热像仪直接输出的一种三通道彩色图像，这种三通道彩色图像之中每一个像素点都是由红、绿、蓝这三种颜色构成的。而红外图像能够将目标、景物本身的热辐射强度予以反映，并在对红外焦平面探测器的利用下，将这种热辐射信号实现有效转换，使其转换成为一种弱电信号，进而再将弱电信号进行放大，并使其转换成为人眼能够直接进行感知的一种数字图像。这种三通道彩色图像属于一种伪彩色图像，其主要是通过伪彩编码算法编码的充分利用，来对红外热辐射值进行计算使其生成更加容易人眼直接进行观察的数字图像。而灰度图像则仅仅具备单一的通道，灰度图像的信息量相比于彩色图像则少了三分之二，而且红外热成像之中存在的伪彩色信息是不能以颜色特征来针对图像展开相应描述的，所以在具体实施目标识别之前，就必须要针对红外图像的灰度化展开处理工作，以此来实现识别算法运算量的降低。
1.2图像降噪处理
在实施红外图像采集的时候，会遭受到各种不利因素的影响，比如天气因素、环境因素、光照因素、目标的移动以及红外热像仪出现抖动等，进而使得图像的质量出现下降的情况。为了能够将这些不可控的因素而导致图像噪声现象降低。红外图像降噪时主要采用的方法主要包括两种类型：⑴频率域降噪法。这种方法是通过对那些能够对原图特征进行反映的变换系数的利用下，将空间域的图像进行有效变换，使其变换到频率域之中，再通过对原图特征的利用下来对该变换系数实施相应的操作，使其图像质量增强这一目的得以实现，最后再将相应的频率域图像进行变换，使其转变回空间域。但是频率域降噪方式在实施的时候，需要将图像实施两次变换，其运算量比较大，所以这种运算的速度是比较慢的。⑵空间域降噪法。这种降噪方法主要是通过直接针对原图实施操作的方式，大大降低了计算的复杂程度[2]。
2.典型目标的识别方法
2.1特征提取与机器学习的结合识别法
这种方法在模式识别领域之中是非常常见的，基于特征提取方式的利用下，能够得到相应的描述目标的实际特征量，然后在对机器学习法进行充分的利用，来针对所提取到的特征量展开相应的分类，进而使其目标识别的目的得以实现。这种方法在实施中的主要流程是：通过对红外热像仪的使用下，来对大量的红外图片进行采集，并将其作为相关分类器的训练样本，通常可训练样本分为两大类型，一种类型为正样本，这种图片之中包含目标；而另一种类则为负样本，这种图片之中不包含目标。然后在分别针对正负样本的特征向量进行提取，在对所提取的特征向量进行充分利用，针对分类器进行训练，进而获得一个能够针对目标实现识别的分类器。当分类器训练完成之后，实施测试图片的选取，针对分类器在识别效果方面展开测试，需要先将测试图片之中相同的特征量进行提取，然后再将这些特征量输入到相应的分类器之中，进而获得相应的目标识别结果。
2.2红外图像特征提取法
通过上文我们了解到，目标特征量的提取环节是非常重要的，必须要在众多特征之中将一个能够对红外图像目标进行很好描述的合适特征量进行选取，这一选择对于后续识别的具体过程而言是具有决定性影响作用的。由于红外图像、可见光图像两者的成像机理及图像采集的过程之间存在着极大的差异性，使得红外图像与可见光图像之间相比在纹理细节方面比较少，但是形状与轮廓则较为清晰，所以描述红外图像中目标的特征量一般都会与目标形状、轮廓等方面息息相关。⑴局部二值模式特征：这一特征能够将图像的纹理特征很好的进行描述，有相关专家提出属于一种非常简单有效的纹理特征描述算子。该特征的具体计算方法为：先对一个3×3的邻域窗口进行选取，并将其中间位置的像素灰度值gc设置成为阈值，然后再对邻域内的其他7个像素灰度值g0,g1,g2,?g7分别与gc之间一一进行对比，当gi>gc时，则应该将该像素的位置记为1；当gi<gc时，那么该像素的位置则应该记为0。针对邻域实施8次比较，那么将会出现8个二进制的标记值0与1，从邻域内左上角的第一个像素点起，按照顺时针方向来对每一个二进制的标记值进行组合，这一能够获得一个8bit的二进制数，进而将其进行有效转换，使其转换成为十进制，这种十进制的值一共有256个。将该值作为当前像素点的LBP码，实现对该像素点灰度值的有效替换，进而使得一次LBP运算得以完成。促使该3×3窗口能够在整个图像之中实现遍历，进而获得图像的局部二值模式特征。⑵不变矩特征：统计学之中将使用在表征随机量分布的变量称之为矩。二维矩不变理论是基于代数不变量理论的基础上发展而来的，先后提出了各种各样的矩不变量形式，当前阶段应用最多的矩还是几何矩，也被称之为Hu氏矩。当红外图像完成灰度处理之后，可以将其看作二维密度分布函数，进而将统计学之中的矩在图像特征描述之中应用[3]。
结束语：
综上所述，典型目标的红外图像处理中需要与HOG的特征相结合展开分析，并针对目标识别的算法及FPGA的计算特性及优势对算法实施了深入的研究，并分别针对局部二值模式特征、不变矩特征展开了分析，最后选取了相应的训练样本，开展HOG特征与AdaBoost分类器相结合的目标识别实验分析。
参考文献：
[1]关英.典型目标的红外图像处理与识别方法研究[D].辽宁:沈阳理工大学,2020.
[2]张伟.空间目标探测与识别方法研究[D].北京:北京邮电大学,2011.
[3]陆定斌.地面典型目标红外探测技术研究[D].江苏:南京理工大学,2016.