基于Harris算法的自適應(yīng)雙極性紅外艦船目標(biāo)檢測(cè)

徐 倩，陳咸志，羅鎮(zhèn)寶，金代中，胡俊杰，曲 銳

(西南技術(shù)物理研究所，四川 成都610041)

1 引言

海空背景下紅外艦船目標(biāo)檢測(cè)技術(shù)是對(duì)海偵查、監(jiān)測(cè)等應(yīng)用領(lǐng)域研究的重點(diǎn)，有效的紅外艦船目標(biāo)檢測(cè)為后續(xù)的識(shí)別與跟蹤提供了重要基礎(chǔ)。受艦船目標(biāo)輻射特性的影響，紅外艦船目標(biāo)成像表現(xiàn)出多極性，即目標(biāo)灰度高于或低于背景灰度，或部分高于而另一部分低于背景灰度，另一方面受傳感器噪聲、海面輻射、天空熱輻射以及作用距離遠(yuǎn)等因素的影響，艦船目標(biāo)在圖像中表現(xiàn)出對(duì)比度低、信噪比低，特別是在背景中存在有非平穩(wěn)雜波干擾的情況時(shí)，目標(biāo)可能被雜波淹沒，使得紅外艦船目標(biāo)的有效檢測(cè)成為一個(gè)極具挑戰(zhàn)性的問題。

多年來許多學(xué)者進(jìn)行了相關(guān)研究:文獻(xiàn)［1］建立艦船輪廓模型定位目標(biāo)感興趣區(qū)域，但建立的模型與實(shí)際艦船很難達(dá)到一致，檢測(cè)效果較差。文獻(xiàn)［2］首先提取海天線確定目標(biāo)感興趣區(qū)域，再利用行列均值自適應(yīng)閾值分割出艦船目標(biāo)。該算法在不存在海天線的情況下會(huì)發(fā)生誤檢，且不適用于目標(biāo)亮度低于背景的場(chǎng)景。文獻(xiàn)［3］對(duì)圖像建立區(qū)域連接圖，采用最小生成樹方法得到分類結(jié)果。該算法在目標(biāo)灰度分布不均勻時(shí)不能有效檢測(cè)出目標(biāo)。

已有算法大多基于艦船目標(biāo)灰度高于背景灰度能量(即已知目標(biāo)能量強(qiáng)度高于背景的關(guān)系)或艦船目標(biāo)成像灰度均勻的假設(shè)。實(shí)際應(yīng)用中，艦船目標(biāo)成像不僅可能呈現(xiàn)出目標(biāo)灰度高于或低于背景，即雙極性，還可能呈現(xiàn)出多極性，即目標(biāo)區(qū)域內(nèi)部部分區(qū)域灰度高于背景，而其他部分區(qū)域灰度低于背景。如圖1所示為已有方法對(duì)灰度雙極性或多極性艦船目標(biāo)的檢測(cè)結(jié)果，可見當(dāng)目標(biāo)灰度低于背景灰度(圖1(a))和灰度呈現(xiàn)多極性(圖1(b)，圖1(c))時(shí)，已有方法不能準(zhǔn)確檢測(cè)出艦船目標(biāo)。

圖1 傳統(tǒng)算法對(duì)某些典型紅外艦船圖像檢測(cè)結(jié)果

針對(duì)現(xiàn)有方法在艦船目標(biāo)成像灰度呈現(xiàn)“雙極性”或多極性的情況下適應(yīng)能力不足，本文提出了一種新的紅外艦船目標(biāo)檢測(cè)方法。首先對(duì)原始紅外圖像進(jìn)行均值漂移濾波去掉一部分雜波干擾;再對(duì)濾波后圖像進(jìn)行行垂直方向梯度投影提取感興趣區(qū)域;然后在感興趣區(qū)域提取角點(diǎn)，得到艦船目標(biāo)的大致區(qū)域，最后優(yōu)化檢測(cè)窗口得到完整目標(biāo)。實(shí)驗(yàn)表明該方法能夠在艦船目標(biāo)呈現(xiàn)雙極性或多級(jí)性的情況下獲得較好的檢測(cè)結(jié)果。

2 基于均值漂移的圖像濾波

均值漂移算法(Mean Shift)在圖像平滑和圖像分割中都得到了很好的應(yīng)用［4］。均值漂移模型可以實(shí)現(xiàn)圖像的不連續(xù)保持性濾波，不僅可以濾除圖像中的噪聲信息，而且能夠自適應(yīng)地減小局部結(jié)構(gòu)中顯著邊緣信息的平滑?；谇笆鰞?yōu)點(diǎn)，均值漂移濾波能夠有效濾除海面雜波干擾的同時(shí)不損失艦船目標(biāo)的邊緣信息，有利于后續(xù)目標(biāo)角點(diǎn)的提取。

均值漂移算法是采用迭代計(jì)算的方式，即先算出當(dāng)前點(diǎn)的偏移均值，移動(dòng)該點(diǎn)到其偏移均值，然后以此為新的起始點(diǎn)，繼續(xù)移動(dòng)，直到滿足一定條件結(jié)束迭代計(jì)算。該算法自應(yīng)用到圖像處理中以來，針對(duì)不同應(yīng)用，出現(xiàn)了多種偏移均值的表達(dá)形式［4－6］，文中采用定義形式［5］，偏移均值表示為:

其中，G(x)是一核函數(shù);w(xi)≥0是一個(gè)賦給采樣點(diǎn)xi的權(quán)重;h為一常數(shù)。給定初始點(diǎn)、核函數(shù)和容許誤差均值漂移算法循環(huán)的執(zhí)行下面兩步，直至結(jié)束條件滿足:

(1)計(jì)算mh(x);

文中將紅外艦船目標(biāo)的空間信息和灰度信息統(tǒng)一考慮，組成特征向量x=(xs，xr)，xs表示坐標(biāo)，xr表示該坐標(biāo)上對(duì)應(yīng)的灰度特征，并采用高斯核函數(shù)估計(jì)x的分布，其表達(dá)形式如下:

式中，g(x)為高斯核函數(shù)的剖面函數(shù);hs、hr為控制著圖像濾波平滑度的特定參數(shù);C為一保證Ghs，hr的積分為1的正數(shù);則Ghs，hr為估計(jì)灰度及空間信息分布的兩高斯核函數(shù)的剖面函數(shù)復(fù)合而成的核函數(shù)。

分別用xi和zi，i=1，…，n表示原始和平滑后的圖像，用yi，j來表示第i點(diǎn)使用核Ghs，hr在均值漂移過程中第j次迭代的位置，由式(1)、(2)可表示為:

由均值漂移算法原理，用均值漂移算法對(duì)每一個(gè)像素點(diǎn)xi=(xis，xir)進(jìn)行如下步驟:

1)初始化j=1，并且使yi，1=xi;

2)運(yùn)用均值漂移算法計(jì)算yi，j+1，直到收斂，記收斂后的值為yi，c;

考慮到處理時(shí)間和處理效果，通過大量試驗(yàn)得到經(jīng)驗(yàn)值hs=4，hr=8，可以獲得比較好的濾波效果，如圖2所示，其中(a)為原始圖像，(b)為運(yùn)用均值濾波算法對(duì)圖(a)濾波結(jié)果，可以看出均值濾波在保持艦船目標(biāo)邊緣及內(nèi)部灰度特性時(shí)消除了大量海面雜波及天空云層干擾。

圖2 均值濾波結(jié)果

3 基于梯度特征的感興趣區(qū)域提取方法

本文針對(duì)天空云層較少海面無強(qiáng)魚鱗光的場(chǎng)景，對(duì)成像面積具有一定大小(大于10×10像素，艦船高度不超過圖像高度的1/4)的雙極性或多級(jí)性艦船目標(biāo)進(jìn)行檢測(cè)。

提取艦船目標(biāo)感興趣區(qū)域的傳統(tǒng)做法是提取海天線［7］，這在海天線模糊或不存在海天線情況下容易發(fā)生誤檢。當(dāng)存在海天線時(shí)，艦船一般出現(xiàn)在海天線附近(如圖1所示)，由于天空和海面存在熱輻射差，在海天線過渡區(qū)域圖像垂直方向梯度變化大;當(dāng)不存在海天線時(shí)，由于艦船大多呈扁平狀、存在吃水線以及艦船附近水紋多出現(xiàn)水平分布，在艦船附近垂直方向梯度變化也較明顯。因此無論是否存在海天線，艦船附近區(qū)域垂直方向梯度都會(huì)有較大變化。

由于天空背景灰度分布比較均勻而海面雜波干擾比較強(qiáng)，可以通過檢測(cè)第一個(gè)垂直方向梯度變化較大的行再上下進(jìn)行行擴(kuò)展來初步定位艦船區(qū)域。圖3是圖1(c)行垂直方向梯度均值投影圖。

圖3 圖1(c)行垂直方向梯度均值投影

設(shè)圖像尺寸為M×N，(i，j)是二維數(shù)字圖像平面上的點(diǎn)，f(i，j)是經(jīng)均值濾波后圖像各點(diǎn)的灰度值，綜合以上分析，可以得出感興趣區(qū)域(ROI)提取方法，步驟如下:

1)將圖像與垂直向梯度算子［－1;0;0;0;1］相卷，得到垂直向梯度Iy(i，j)，并記錄于長(zhǎng)度為M×N的數(shù)組中;

2)垂直向梯度取絕對(duì)值，計(jì)算各行行梯度均值，為進(jìn)一步消除雜波干擾，取相鄰三行平均值作為各行行均值，得到行垂直方向梯度均值投影Avg_Iy(j)，j=0，1，…，M－1，并記錄于長(zhǎng)度為M的數(shù)組中;

3)設(shè)定行垂直方向梯度均值閾值th1，通過大量實(shí)驗(yàn)得到經(jīng)驗(yàn)值:

ROI獲取流程圖如圖4所示，圖5給出了存在海天線和不存在海天線兩種場(chǎng)景下ROI提取結(jié)果。

圖4 ROI獲取流程圖

圖5 典型場(chǎng)景下提取的艦船ROI(直線為定位行)

4 基于Harris算法的艦船目標(biāo)檢測(cè)

Harris算法是基于圖像灰度的角點(diǎn)檢測(cè)算法，若像素點(diǎn)所在位置的x方向梯度與y方向梯度的絕對(duì)值均比較大，則將該像素點(diǎn)判定為角點(diǎn)［8］。根據(jù)前面的分析，雙極性艦船邊緣及內(nèi)部在各個(gè)方向梯度都有明顯變化，因此可以通過檢測(cè)ROI中紅外艦船目標(biāo)的Harris角點(diǎn)來實(shí)現(xiàn)艦船目標(biāo)檢測(cè)。

對(duì)于圖像I(x，y)，在點(diǎn)(x，y)處平移(Δx，Δy)后的自相似性可以通過自相關(guān)函數(shù)來表示，自相關(guān)函數(shù)可以近似為二次項(xiàng)函數(shù):

ω為高斯加權(quán)系數(shù);Ix，Iy為原圖在x和y兩個(gè)方向的一階梯度。

當(dāng)二次項(xiàng)函數(shù)兩個(gè)特征值都大且近似相等時(shí)此點(diǎn)為角點(diǎn)。由于求取特征值計(jì)算量較大，故定義響應(yīng)函數(shù):

式中，det M為矩陣M(x，y)的行列式;trace M為矩陣M(x，y)的跡，α取值一般為0．04～0．06，本文α取0．06。R值與特征值大小有關(guān)，當(dāng)R值為局部最大值時(shí)，即為角點(diǎn)。

若直接尋找R值的局部最大值點(diǎn)，由于海面雜波的干擾會(huì)得到很多角點(diǎn)，幾乎占據(jù)整個(gè)窗口，因此考慮先抑制一部分雜波角點(diǎn)響應(yīng)值再尋找R值的局部最大值點(diǎn)。由于雙極性艦船與背景灰度差異大，多級(jí)性艦船內(nèi)部部分與部分之間存在灰度差異，因此在艦船邊緣及內(nèi)部區(qū)域會(huì)檢測(cè)出大量具有大響應(yīng)值的密集角點(diǎn)，可以通過去掉弱響應(yīng)值以抑制部分雜波角點(diǎn)，通過大量實(shí)驗(yàn)得到，抑制閾值設(shè)置為R最大值的0．008可以消除大部分雜波角點(diǎn)。對(duì)抑制后的R值尋找局部最大值即得初步檢測(cè)角點(diǎn)。

在初步檢測(cè)角點(diǎn)中仍會(huì)存在少量響應(yīng)值很大的雜波角點(diǎn)，由于艦船目標(biāo)角點(diǎn)的密集性使得雜波角點(diǎn)表現(xiàn)出奇異性，因此對(duì)初步檢測(cè)角點(diǎn)x坐標(biāo)值做統(tǒng)計(jì)，計(jì)算其均值和方差，去掉距均值2倍方差的奇異角點(diǎn)，得到最終檢測(cè)角點(diǎn)。圖6給出了角點(diǎn)檢測(cè)流程圖。

根據(jù)最終檢測(cè)角點(diǎn)在ROI區(qū)域中畫出矩形框使得其剛好包圍所有的角點(diǎn)。圖7給出了圖1(c)ROI中艦船目標(biāo)檢測(cè)過程圖，“+”號(hào)為檢測(cè)出的角點(diǎn)位置，矩形框?yàn)槌醪綑z測(cè)結(jié)果。

圖6 角點(diǎn)檢測(cè)流程圖

圖7 ROI中艦船目標(biāo)檢測(cè)過程

5 目標(biāo)檢測(cè)窗口優(yōu)化

在檢測(cè)角點(diǎn)過程中雖然抑制了雜波，但同時(shí)可能損失一部分目標(biāo)角點(diǎn)，使得檢測(cè)窗口比真實(shí)目標(biāo)略小;同時(shí)由于艦船煙囪成像一般為一條豎直線，有時(shí)檢測(cè)不出角點(diǎn)，使得檢測(cè)窗口高度比真實(shí)目標(biāo)略低，因此需對(duì)檢測(cè)窗口進(jìn)一步優(yōu)化。

由于艦船各個(gè)方向梯度都較大，可以將已有檢測(cè)窗口沿各個(gè)方向逐步擴(kuò)展，每擴(kuò)展一次計(jì)算擴(kuò)展后梯度均值與上次窗口梯度均值的比值，與給定閾值作比較，大于閾值則繼續(xù)擴(kuò)展，小于閾值則停止。經(jīng)實(shí)驗(yàn)驗(yàn)證，水平方向閾值設(shè)置為0．95，垂直方向閾值設(shè)置為0．995可以獲得較完整的目標(biāo)窗口。

6 實(shí)驗(yàn)結(jié)果與分析

采用文中提出的艦船目標(biāo)檢測(cè)方法，對(duì)實(shí)際拍攝的雙極性和多級(jí)性紅外艦船圖像進(jìn)行了實(shí)驗(yàn)，圖像大小為320×254，檢測(cè)結(jié)果均用黑色矩形框標(biāo)出如圖8所示。其中(a)和(d)中艦船區(qū)域灰度高于背景，(b)和(e)中艦船區(qū)域灰度低于背景，而(c)和(f)中艦船區(qū)域灰度分布不均勻，從圖中可以看出，本文算法均能大致檢測(cè)出紅外艦船目標(biāo)。

圖8 某些典型場(chǎng)景下雙極性和多級(jí)性艦船目標(biāo)檢測(cè)結(jié)果

為了驗(yàn)證算法的魯棒性，對(duì)一視頻序列進(jìn)行了實(shí)驗(yàn)，限于篇幅的原因，僅從序列中選取第1幀、第173幀以及第450幀圖像進(jìn)行說明，如圖9所示。在視頻序列中，艦船在垂直和水平方向上均有移動(dòng)，圖9(c)中天空部分多了一個(gè)很大的亮斑干擾，實(shí)驗(yàn)結(jié)果表明，本文算法均能夠比較準(zhǔn)確的提取紅外艦船目標(biāo)，算法穩(wěn)定性較好。

圖9 視頻序列中艦船目標(biāo)檢測(cè)結(jié)果

7 結(jié)語

針對(duì)不同環(huán)境和拍攝角度下紅外圖像中艦船目標(biāo)呈現(xiàn)“雙極性”和“多極性”的問題，本文提出了一種新的基于梯度信息和Harris角點(diǎn)檢測(cè)的紅外艦船目標(biāo)檢測(cè)算法。首先對(duì)圖像進(jìn)行均值漂移濾波以抑制雜波干擾，在此基礎(chǔ)上，利用圖像的梯度特征獲得感興趣區(qū)域(ROI)，很好地解決了不存在海天線和海天線模糊時(shí)艦船目標(biāo)檢測(cè)的難題，隨后通過自適應(yīng)設(shè)置Harris算法閾值并去掉雜波角點(diǎn)，實(shí)現(xiàn)艦船目標(biāo)的自動(dòng)檢測(cè)，為后續(xù)的目標(biāo)識(shí)別和跟蹤創(chuàng)造了有利條件。然而需要指出的是，文中算法并不適應(yīng)任何情況，當(dāng)海面有強(qiáng)魚鱗光反射和天空有較多云層時(shí)，檢測(cè)算法也有發(fā)生誤檢的風(fēng)險(xiǎn)，這些都是今后需要進(jìn)一步完善和提高的地方。

［1］ YAN Fabao，ZOU Changwen，WANG Lu，et al．Infrared warship target detection based on SUSAN algorithm and segmentation algorithm using the mean of image rows and colums［J］．Laser＆Infrared，2011，41(3):324－327．(in Chinese)嚴(yán)發(fā)寶，鄒常文，王璐，等．基于SUSAN算法和行列均值分割的海面艦船檢測(cè)［J］．激光與紅外，2011，41(3):324－327．

［2］ YANG Mingyue，YANG Weiping．Automatic detection method of IR warship target in the complex sea－sky background［J］．Infrared and Laser Engineering，2008，37(4):638－641．(in Chinese)楊明月，楊衛(wèi)平．復(fù)雜海天背景下紅外艦船目標(biāo)的自動(dòng)檢測(cè)方法［J］．紅外與激光工程，2008，37(4):638－641．

［3］ TAO Wenbing，JIN Hai．Ship infrared object segmentation based on mean shift filtering and graph spectral clustering［J］．J．Infrared Millim．Waves，2007，26(1):61－64．(in Chinese)陶文兵，金海．基于均值漂移濾波及譜分類的海面艦船紅外目標(biāo)分割［J］．紅外與毫米波學(xué)報(bào)，2007，26(1):61－64．

［4］ Comaniciu D，Meer P．Mean shift:A robust approach toward feature space analysis［J］．IEEE Trans．PAMI．2002，24(5):603－619．

［5］ Yizong Cheng．Mean shift，mode seeking，and clustering［J］．IEEE Trans．PAMI，1995，17(8):790－799．

［6］ Fashing M，Tomasi C．Mean shift is a bound optimization［J］．IEEE Trans Pattern Anal Mach Intell，2005，27(3):471－474．

［7］ GUO Xiaowei，MA Dengwu，DENG Li．Automatic target recognition algorithm for infrared warship under sea－sky background［J］．Laser＆Infrared，2012，42(12):1398－1402．(in Chinese)郭小威，馬登武，鄧力．海天背景下紅外艦船自動(dòng)目標(biāo)識(shí) 別 算 法［J］．激 光 與 紅 外，2012，42(12):1398－1402．

［8］ XU Kehu，WANG Tianzhao，CHEN Jinyu，et al．Harris corner detection algorithm based on self－adapting nonmaximal suppression［J］．Science＆Technology Review，2013，31(20):35－38．(in Chinese)徐克虎，王天召，陳金玉，等．自適應(yīng)非最大抑制的Harris角點(diǎn)檢測(cè)算法［J］．科技導(dǎo)報(bào)，2013，31(20):35－38．