基于时空显著性特征的小运动目标提取方法

《Remote Sensing》：A Method for Extracting Small Moving Targets Based on Temporal and Spatial Saliency Features

　　

为应对复杂运动背景下的暗淡小目标检测问题，基于时空显著性特征，本文提出了一种新颖的提取模型：时间与空间显著性特征（TSSF）模型。在时域处理阶段，研究人员通过利用目标与背景之间的时域运动响应差异构建了一个时域运动显著性算子；该算子同时筛选候选目标点并抑制大面积背景杂波。在空域处理阶段，研究人员构建了一个基于最大均值的灰度显著性算子以进一步验证候选目标点。在目标增强处理的基础上，通过多帧关联可以有效地提取目标轨迹。对十个具有不同背景复杂度且信杂比（SCR）约为1或更低的测试序列进行的定量实验表明，TSSF模型在七个序列上实现了最优背景抑制因子（BSF），在八个序列上实现了最大信杂比增益（SCRG），平均SCRG约为330。在通过接收者操作特征（ROC）曲线评估的检测性能方面，所提方法在九个测试序列上获得了最高的曲线下面积（AUC）值。持续优越的性能验证了所提出的TSSF模型在暗淡小目标增强、背景抑制和稳健目标检测方面的有效性和泛化能力。

**论文解读：基于时空显著性特征的小运动目标提取方法**

**研究背景与问题**

在空间监视、红外搜索与跟踪等应用中，从复杂运动背景中检测暗淡小目标一直是极具挑战的研究课题。由于成像距离远，目标在图像上仅占据一个或几个像素（按SPIE定义，面积不超过9×9像素），缺乏轮廓、纹理等结构特征，极易被云层杂波、系统噪声等淹没。现有方法主要分为三类：基于灰度信息的空域处理（如最大均值、局部对比度）、基于运动信息的时域处理（如时域剖面分析、三帧差分）以及基于优化理论的目标-背景分离方法（如低秩稀疏分解、张量核范数）。然而，在低信杂比（SCR<1）条件下，单一域的处理能力严重受限：纯空域方法对纹理复杂背景的虚警率高，纯时域方法在背景非平稳运动时会产生大量虚假候选点。因此，如何有效融合时空信息、提升低信杂比下的检测可靠性，成为该领域的关键问题。

**研究内容与意义**

为解决上述问题，研究人员提出了一种基于时空显著性特征（TSSF）的联合检测模型。该模型在时域构建运动显著性算子，利用目标与背景在时域剖面中的动态差异抑制大面积背景杂波；在空域构建基于最大均值的灰度显著性算子，进一步验证候选目标点，并通过多帧关联提取目标轨迹。在十个覆盖不同背景复杂度、SCR约为1或更低的测试序列上的定量实验表明，TSSF在七个序列上获得最优背景抑制因子（BSF），在八个序列上获得最大信杂比增益（SCRG，平均约330），并在九个序列上取得最高的ROC曲线下面积（AUC）值。该研究展现了时空显著性建模在低信杂比场景下的显著优势，为红外搜索与跟踪系统突破单域方法的功能边界提供了有效途径。论文发表在《Remote Sensing》。

**主要技术方法摘要**

研究人员使用以下关键技术：首先，时域处理中提出时域动态敏感算子，通过计算像素时域信号的标准差（衡量波动强度）与邻域时域剖面余弦相似度（衡量一致性），乘积后经自适应缩放因子映射得到运动显著性图。其次，空域处理中提出局部灰度敏感算子，基于最大均值思想，计算中心窗口与周围八个3×3窗口的局部强度水平（LIL）差值的最小值（区域强度水平RIL），实现全方向显著性判断。最后，采用SORT算法（简单在线实时跟踪）进行多帧关联，利用卡尔曼滤波和匈牙利匹配管理候选轨迹，并结合距离门控与交并比（IoU）的混合代价进行数据关联。所有测试序列来自三个数据集，包含仿真与公开数据。

**研究结果**

**2. 基于时域运动显著性测量的背景抑制**：通过时域动态敏感算子（标准差与相似度乘积），实验表明该算子能有效抑制大面积连续背景杂波，保留边缘和运动显著性区域。参数选择中，基于分位数和信噪比控制的自适应缩放因子保证了不同条件下的稳定区分能力。

**3. 基于显著性特征的时空联合处理框架**：
- **局部灰度敏感算子**：通过RIL值量化候选点的空间显著性。实验在十个序列上验证，RIL对孤立点状目标响应强，对条带状边缘杂波因至少一个方向一致性高而抑制，从而实现空域精细筛选。
- **归一化**：将滤波后图像映射到8位灰度范围（0–255），以便后续处理。
- **多帧关联跟踪策略**：采用SORT算法，结合距离门控与IoU的混合代价，以及轨迹生命周期管理（存活帧数、可见性比例、位移阈值），在十个数据集上均提取出完整清晰的目标轨迹。实验表明，多帧关联将平均累积虚警点从无跟踪时的11.8降至0.1，且轨迹覆盖率保持100%。

**4. 实验结果**：
- **对比实验**：与LCM、ACM、RLCM、PSTNN、FGLR、RPCA六种先进算法对比，TSSF在八组序列上获得最高SCRG，七组上获得最高BSF。在最低SCR序列（序列4，SCR≈0.172）上，所有对比算法均失效，而TSSF因优先利用多帧运动差异而非绝对亮度，仍能有效检测。ROC曲线分析显示，TSSF在九组序列上取得对数坐标下的最佳AUC，线性坐标下在八组上获得最高AUC。
- **消融实验**：
- 时空联合必要性：对比纯时域、纯空域与联合方案的平均F1分数（0.46、0.43 vs. 0.93），联合方案在所有序列上不差于单域，证明两者互补。
- 多帧关联必要性：无跟踪时累积虚警点平均11.8，加入跟踪后降至0.1，且覆盖率保持100%，证明跟踪可有效过滤时空不连续的随机虚警。
- 关键跟踪参数敏感性：对关联门控距离、删除帧数等六个参数的单变量扫描显示，默认设置在所有序列上接近最优且鲁棒。
- **复杂度分析**：TSSF的每像素时间复杂度为O(Q·m2)，当时间窗Q固定时为O(m2)，在CPU上平均每帧88.4 ms，仅次于最快的LCM（21.8 ms），远优于迭代优化类算法。

**讨论与结论**

**讨论**：研究人员指出，时域运动显著性与空域局部对比度高度互补：时域特征能刻画目标过像素时的瞬态扰动，空域特征提供位置约束，两者协同在单信息源失效时仍维持高检测可靠性。在运动背景下，背景帧间错位对时域特征的干扰可通过空域显著性实时校正。方法目前受限于帧速率不足时剖面统计信息弱化，以及极端密集杂波下空域虚警率仍有提升空间。此外，在空间相关乘性噪声占主导（如光照、场景辐射变化）时算子鲁棒性下降，对数预变换可能缓解但会压缩可探测性。未来方向包括与学习特征融合、高动态平台运动补偿、模型轻量化等。

**结论**（翻译自原文Section 6）：本文提出了一种时空联合检测模型TSSF。在时域和空域分别利用显著性原理设计了特征算子：时域中基于相似度图的运动敏感算子抑制大面积背景杂波并保留运动目标信息；空域中基于邻域灰度级的强度敏感算子进一步筛选候选目标以识别真实目标。此外，多帧关联跟踪能更好地关联和管理目标轨迹。实验结果表明，所提算法能有效处理低SCR图像序列（SCR≈1或SCR<1）并提取微弱目标。与其他先进算法相比，TSSF算法在七个序列上获得最优背景抑制因子（BSF），在八个序列上获得最大信杂比增益（SCRG）。在九个序列上，TSSF在对数假正率（FPR）尺度下取得最佳ROC性能，并在线性尺度下于八个序列上获得最高AUC，证明了其在低虚警率与整体检测性能方面的优越性。