一種融合顯著性的Adaboost電視制導圖像變尺度目標快速檢測方法研究

錢 昆

(解放軍陸軍軍官學院，安徽 合肥 230031)

電視制導武器進行地面目標自主攻擊時，需要在末端制導時實時檢測出目標，確定目標位置與彈軸中心的偏差量。但制導過程中隨著彈目距離的改變，目標尺寸發(fā)生快速變化，即隨著彈目距離的減小，目標尺度呈現(xiàn)非線性快速變大。傳統(tǒng)的圖像目標檢測算法如模板相關匹配法［1］、背景建模法［2］、基于識別的方法［3］等，雖然對目標的檢測方式各不相同，但算法較難適應目標尺度發(fā)生較快變化的情況。模板相關匹配法要求預裝模板與目標實時的尺寸相近，其在制導過程中模板更新機制難以確定;基于背景建模法要求圖像背景較為穩(wěn)定，其無法適應制導圖像的快速變化;基于識別的方法需要提取大量的對尺度具有不變性的高維特征，進行分類器的訓練，如SVM支持向量機、神經(jīng)網(wǎng)絡模型、Boosting方法等，這類方法對圖像質(zhì)量要求較高，對紋理不豐富目標的檢測效果不理想，且運算量較大;在戰(zhàn)場環(huán)境中，要求系統(tǒng)有較高的實時性和可靠性，因此，上述算法很難滿足戰(zhàn)場需求。

針對這些問題，本文采用一種融合改進的Adaboost目標檢測方法，通過提取圖像的顯著性區(qū)域，從而有針對性地檢測目標，減少計算量。在考慮彈目距離較遠時，電視制導畫面成像不清晰，紋理不豐富情況下，該方法能很好地提取出塊狀目標，針對海面或沙漠等背景較為單一的區(qū)域目標檢測較為有效。

1 融合顯著性的檢測

1.1 顯著性檢測

人類視覺可以在無經(jīng)驗情況下快速搜索到感興趣目標，依靠的就是圖像顯著性。顯著性檢測方法有很多，如 Itti方法［4］，GBVS 方法［5］等，但這些方法計算較為復雜，不利于硬件實時地實現(xiàn)，本文采用一種實現(xiàn)較為簡單的剩余譜［6］理論的顯著性檢測方法，這種方法可描述為一幅圖像的log振幅譜減去平均log振幅譜就是顯著性部分，其檢測效果如圖1～3所示。

提取出的區(qū)域用矩形框標出，通過顯著性區(qū)域提取，就大致確定了目標尺度，為下一步識別提供方便。對于單一背景下的目標檢測，由于目標相對于背景的顯著性較強，因此采用顯著性方法能有效地框出疑似目標。

圖1 海面艦船可見光圖像

圖2 圖像顯著性區(qū)域提取

圖3 提取出的待檢測區(qū)域

1.2 Adaboost檢測

Adaboost［7］(Adaptive Boosting的簡稱)是一種Boosting目標識別分類器訓練方法，其思想是針對同一類樣本訓練不同的弱分類器，然后把這些弱分類器集聯(lián)起來，最終形成一個強分類器。Adaboost算法訓練分類器時利用了Haar特征和積分圖像來加快訓練速度。由于矩形特征的特征值計算只與此特征端點的積分圖像有關，而與圖像坐標值無關，使得特征提取速度大大提升，同時又采用級聯(lián)式的聯(lián)合分類器，可以加快目標的檢測速度。

原有的Adaboost檢測需要將圖像進行不同尺度金字塔式的降采樣，然后再進行滑動窗口提取識別，這種做法無疑增加了計算量，同時利用滑動窗口的提取可能導致目標提取不完整，導致檢測不出目標。本文將Adaboost方法應用于電視圖像目標檢測，由于前期利用顯著性確定了目標的大致尺寸，下一步則直接利用Adaboost對提取出的區(qū)域進行識別。

本文提出的檢測方法具體步驟總結如下:

1)收集目標樣本進行Adaboost級聯(lián)式分類器的訓練，這屬于前期準備工作也稱為離線學習;

2)對獲取的每一幀圖像進行直方圖均衡化和去噪等預處理，之后利用基于剩余譜的顯著性區(qū)域提取方法，提取出區(qū)域，區(qū)域的邊界由矩形框標出，從而確定目標尺寸;

3)對提取出區(qū)域直接利用訓練好的Adaboost級聯(lián)式分類器進行識別，這個過程屬于在線監(jiān)測。

由于AdaBoost分類器是屬于級聯(lián)式的分類器，對于非目標窗口，它被最初的幾個弱分類器識別時就能夠被判斷是否為目標，因此不需要進行完全級聯(lián)式地識別，減少了消耗時間，保證了檢測的實時性。

綜上所述，本文的檢測總流程如圖4所示，它由離線學習和在線檢測兩部分組成，離線學習是利用收集的訓練樣本經(jīng)過Adaboost算法的訓練，得到表示目標模型的分類器;在線檢測是指利用得到的分類器檢測圖像確定是否為目標。

圖4 本文目標檢測流程

2 實驗與分析

本文利用 OpenCV1.0［8］與 VC++6.0 實現(xiàn)基于Adaboost算法的檢測識別，實驗平臺配置:CPU為Intel Core2 Quad CPU Q9400 2.66GHz，內(nèi)存為 4G，Windows XP操作系統(tǒng)。

分類器需要通過訓練樣本得以實現(xiàn)識別功能，因此需要選取事前獲得的目標區(qū)域模板和非目標模板，進行分類器訓練。選取事前獲得的地面圓形靶標區(qū)域圖像150張作為正樣本，其中不含背景圖像，同時選取任意背景大小的圖(不包含目標)150張作為負樣本，正樣本都是統(tǒng)一經(jīng)過裁切縮放對齊成24×24像素的BMP格式的圖片，負樣本是不含有正樣本模式的任何圖像，如圖5、圖6所示。

圖5 正樣本示例

圖6 負樣本示例

本文將分類器的級聯(lián)數(shù)設置為20個，虛警率設置為10－6，訓練耗時約20小時，訓練完之后，采用cvLoad-Image函數(shù)循環(huán)導入序列圖像，cvLoad函數(shù)載入訓練好的分類器，cvHaarDetectObjects函數(shù)進行檢測識別，程序?qū)γ恳粋€顯著性區(qū)域進行預處理和特征提取，然后送入分類器中來判斷該窗口中是否為目標。

實驗利用某次外場實驗獲取的圖像進行本文方法的目標自主檢測，為了與原算法進行對比，實驗中視頻圖像利用傳統(tǒng)Adaboost方法進行目標檢測。利用本文方法其檢測識別效果如圖7所示，圖中的方框所標示的區(qū)域即為目標。

統(tǒng)計檢測識別結果，模板檢測窗口能隨著目標的快速非線性變大而增大，共檢測300幅圖像，有32幅圖像出現(xiàn)漏檢，誤檢12幅，檢測率為85.33%。實驗結果表明:檢測一副720×586大小的圖像，平均耗時16.6ms，小于電視場掃描時間20ms，在普通PC上達到了實時性。同時統(tǒng)計利用改進前的方法進行檢測結果，兩者對比如表1所示，可見利用本方法無論是在檢測率還是在耗時上都優(yōu)勢明顯。

表1 兩種方法檢測結果對比

圖7 檢測識別結果

3 結束語

本文將顯著性檢測融入Adaboost目標檢測中，在普通計算機上達到了實時性，針對海面或沙漠等背景較為單一的區(qū)域，取得了很好的檢測效果，適應了目標的尺度快速變化，但使用本文方法前期準備工作量大，需要獲取大量目標模板，對于實際戰(zhàn)場應用還有許多問題待研究。下一步將針對檢測率的提高及該算法的硬件化設計進行研究，為實現(xiàn)電視制導武器的自尋的奠定基礎。

［1］張萬清.飛航導彈電視導引頭［M］.北京:中國宇航出版社，1994.

［2］Stauffer C，Crimson W.Adaptive Background Mixture Models for Real-time Tracking［C］//Proc IEEE Conference on Computer Vision and Pattern Recognition，F(xiàn)ort Collins，Colorado，1999(2):246-252.

［3］R.Fergus，P.Perona，A.Zisserman.Object Class Recognition by Unsupervised Scale-invariant Learning［C］.Proc.CVPR，2，2003.

［4］L.Itti，C.Koch，E.Niebur.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis［C］.PAMI，1998:1254-1259.

［5］J.Harel，C.Koch，P.Perona.Graph-based Visual Saliency［C］.Advances in Neural Information Processing Systems，19:545，2007.

［6］X.Hou，L.Zhang.Saliency Detection:A Spectral Residual Approach［C］//IEEE Conf.Computer Vision and Pattern Recognition，2007.

［7］Paul Viola，Michael J.Jones.Rapid Object Detection U-sing a Boosted Cascade of Simple Features［C］//Proceedings of the 2001 IEEE Computer Society Conference，Computer Vision and Pattern Recognition，2001(1):511-518.

［8］劉瑞禎，于仕琪.OpenCV教程——基礎篇［M］.北京:北京航空航天大學出版社，2007.