基于特征融合的雷達(dá)視頻運(yùn)動(dòng)目標(biāo)檢測(cè)

(海軍航空工程學(xué)院,山東煙臺(tái)264001)

0 引言

雷達(dá)在海洋監(jiān)視中發(fā)揮著至關(guān)重要的作用,運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是雷達(dá)最基本的功能[1]。最初是由雷達(dá)操作員根據(jù)雷達(dá)屏幕上的回波信號(hào)進(jìn)行海上目標(biāo)檢測(cè),人工鎖定目標(biāo)并配合后臺(tái)硬件完成目標(biāo)跟蹤。近年來,新型雷達(dá)大多具備了目標(biāo)自動(dòng)檢測(cè)與跟蹤功能,但在密集雜波和復(fù)雜多目標(biāo)情況下,目標(biāo)檢測(cè)虛警率高,跟蹤處理難度大,容易形成虛假航跡[2]。因此,研究一種能穩(wěn)健地對(duì)海上運(yùn)動(dòng)目標(biāo)進(jìn)行自動(dòng)檢測(cè)的方法具有十分重要的意義。

與傳統(tǒng)的雷達(dá)信號(hào)處理相比,將按時(shí)間順序平面顯示的雷達(dá)回波信號(hào)構(gòu)成的序列看作雷達(dá)視頻,從計(jì)算機(jī)視覺的角度來研究雷達(dá)目標(biāo)檢測(cè),其優(yōu)勢(shì)在于可以綜合考慮目標(biāo)的時(shí)間和空間屬性,提高目標(biāo)檢測(cè)速度和準(zhǔn)確性[3]。目前,國內(nèi)外常用的基于圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有幀間差法、光流場法、背景差法等[4]。幀間差法利用圖像序列中兩幀或多幀圖像之間的差異來檢測(cè)運(yùn)動(dòng)目標(biāo),運(yùn)算簡單、速度快,但這種方法容易造成漏檢,在目標(biāo)中間形成空洞[4]。光流場法是通過計(jì)算位移向量來初始化目標(biāo)輪廓,然后融合其他分割方法來檢測(cè)運(yùn)動(dòng)目標(biāo)[5],算法成熟,但其僅適用于低速單目標(biāo)的檢測(cè),且計(jì)算量大,難以用于實(shí)時(shí)處理。背景差法用當(dāng)前圖像與背景圖像進(jìn)行差分,從而檢測(cè)出運(yùn)動(dòng)目標(biāo),但在背景初始化、背景對(duì)象移位、背景更新等方面存在諸多問題[6]。不同于上述方法,本文將信息融合的思想引入雷達(dá)視頻的運(yùn)動(dòng)目標(biāo)檢測(cè),從幾何形態(tài)和能量角度分別提取表征目標(biāo)的有效特征,并采用D-S證據(jù)理論對(duì)其進(jìn)行決策融合,獲取最優(yōu)決策作為運(yùn)動(dòng)目標(biāo)的判決標(biāo)準(zhǔn)。

1 算法描述

1.1 單幀目標(biāo)檢測(cè)

雷達(dá)圖像是灰度圖像,圖像中艦船目標(biāo)和陸地區(qū)域灰度級(jí)較高,海面區(qū)域灰度值較低,目標(biāo)與目標(biāo)之間不會(huì)重疊,可以采用閾值分割的方法將疑似目標(biāo)與背景分割出來。常用的閾值分割方法有全局閾值分割、Otsu閾值分割、迭代式閾值分割。本文選用迭代式閾值分割的方法對(duì)雷達(dá)圖像進(jìn)行分割,該方法通過迭代求取最佳閾值,具有一定的自適應(yīng)性。具體步驟如下:

1)設(shè)定參數(shù)T0,并選擇一個(gè)初始的估計(jì)閾值T1;

2)用閾值T1分割圖像,將圖像分成兩部分:G1是由灰度值大于T1的像素組成,G2是由灰度值小于或等于T1的像素組成;

3)計(jì)算G1和G2中所有像素的平均灰度值μ1和μ2,以及新的閾值T2=(μ1+μ2)/2;

4)如果|T2-T1|＜T0,則推出T2為最優(yōu)閾值,否則,將T2賦值給T1,并重復(fù)步驟2)～4),直到獲取最優(yōu)閾值。

閾值分割后的雷達(dá)圖像中含有一些獨(dú)立的點(diǎn)和細(xì)小空洞,需要用形態(tài)學(xué)處理的方法進(jìn)行后處理,本文采用形態(tài)學(xué)膨脹的方法填充空洞、橋接裂縫。圖1為兩組典型雷達(dá)視頻圖像數(shù)據(jù)的單幀檢測(cè)結(jié)果示例,從左至右依次為原始雷達(dá)圖像切片、閾值分割結(jié)果和形態(tài)學(xué)處理結(jié)果。

從圖1可以看出,通過迭代式閾值分割,有效地剔除了海面雜波和噪聲,但仍然無法確定檢測(cè)結(jié)果中的疑似目標(biāo)是否為運(yùn)動(dòng)目標(biāo),需要進(jìn)一步作出判斷。

圖1 典型雷達(dá)圖像單幀檢測(cè)結(jié)果示例

1.2 多幀積累

雷達(dá)視頻即為按時(shí)間順序構(gòu)成的雷達(dá)圖像序列,如果綜合考慮連續(xù)多幀雷達(dá)圖像的檢測(cè)結(jié)果,就可以更加充分地利用單幀檢測(cè)結(jié)果中包含的目標(biāo)形狀、位置等信息。在對(duì)連續(xù)多幀檢測(cè)結(jié)果進(jìn)行處理的過程中,可以容易地將那些突然出現(xiàn)于某一幀,但后面連續(xù)多幀均未出現(xiàn)的疑似目標(biāo)判斷為虛警,并加以排除。

在排除虛警的同時(shí),如果將連續(xù)多幀的檢測(cè)結(jié)果進(jìn)行積累,獲取目標(biāo)的歷史軌跡,就能夠根據(jù)運(yùn)動(dòng)目標(biāo)軌跡與靜止目標(biāo)軌跡的不同特點(diǎn),進(jìn)行特征提取,為運(yùn)動(dòng)目標(biāo)的檢測(cè)提供依據(jù)。假設(shè)第i幀檢測(cè)結(jié)果為I i,則連續(xù)i幀積累結(jié)果為

圖2為圖1中的檢測(cè)結(jié)果連續(xù)積累20幀后的效果,標(biāo)注區(qū)域?yàn)榈?0幀的檢測(cè)結(jié)果。

圖2 典型雷達(dá)圖像多幀積累結(jié)果示例

1.3 目標(biāo)特征提取

觀察圖2可以發(fā)現(xiàn),運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)最直觀的差異就是目標(biāo)輪廓在目標(biāo)軌跡中所占的比例大小。另外,從能量角度,運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)的能量分布也會(huì)有所不同。下面綜合利用目標(biāo)的單幀檢測(cè)結(jié)果和多幀積累結(jié)果,提取目標(biāo)的面積變化比和能量密度作為運(yùn)動(dòng)目標(biāo)檢測(cè)的基本特征標(biāo)準(zhǔn)。

1.3.1 面積變化比

目標(biāo)輪廓在目標(biāo)軌跡中所占的比例大小,可引入面積變化比這一概念對(duì)其加以描述。本文將面積變化比定義為當(dāng)前目標(biāo)面積與當(dāng)前積累的目標(biāo)軌跡連通區(qū)域面積的比值。雷達(dá)圖像經(jīng)閾值分割后為二值圖像,目標(biāo)面積即為目標(biāo)在二值圖像中所占的像素點(diǎn)個(gè)數(shù)。計(jì)算公式如下:

則目標(biāo)第i幀的面積變化比為

式中,A i為第i幀目標(biāo)面積,Asi為前i幀目標(biāo)積累后的連通區(qū)域面積。

1.3.2 能量密度

對(duì)于靜止目標(biāo),目標(biāo)位置基本不變,雷達(dá)連續(xù)輻射電磁波會(huì)在目標(biāo)區(qū)域積聚能量,而運(yùn)動(dòng)目標(biāo)的位置持續(xù)變化,能量會(huì)分散在目標(biāo)軌跡中。因此,運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)的能量分布情況必定存在差異。本文引入能量密度這一概念來描述目標(biāo)的能量分布情況。反映在二值化后的雷達(dá)圖像上,能量也可以用像素點(diǎn)個(gè)數(shù)定量描述,將目標(biāo)第i幀的能量密度Pri定義為

1.4 特征決策融合

決策級(jí)圖像融合是指對(duì)每個(gè)圖像的特征信息進(jìn)行分類、識(shí)別等處理,形成了相應(yīng)結(jié)果后,進(jìn)行進(jìn)一步融合的過程,是一種更高層次的信息融合,最終的決策結(jié)果是全局最優(yōu)決策[7]。決策級(jí)融合多采用各種不確定性推理技術(shù),本文采用基于D-S證據(jù)理論的方法對(duì)1.3節(jié)提取的目標(biāo)面積變化比和能量密度進(jìn)行決策融合,融合的結(jié)果作為運(yùn)動(dòng)目標(biāo)的最終判決標(biāo)準(zhǔn)。

1.4.1 D-S證據(jù)理論

D-S證據(jù)理論是一種非精確推理方法,它將來自兩個(gè)或多個(gè)證據(jù)體的置信函數(shù)通過一定組合融合起來,得到一個(gè)新的置信函數(shù)作為判決依據(jù),該理論在區(qū)分不知道、不確定以及正確反映證據(jù)收集方面具有很強(qiáng)的靈活性[8]。

假設(shè)Θ為一識(shí)別框架,C為該識(shí)別框架Θ的子集,則函數(shù)m∶2Θ→[0,1],在滿足下列條件:時(shí),稱m(C)為C的基本概率賦值(Basic Probability Assigment,BPA)。當(dāng)C≠Θ時(shí),m(C)表示對(duì)C的精確信任程度,即對(duì)C的直接支持;當(dāng)C=Θ時(shí),m(Θ)表示證據(jù)的不確定性。

D-S組合規(guī)則:設(shè)同一識(shí)別框架Θ上兩個(gè)性質(zhì)不同的證據(jù)C和D,其基本概率賦值分別為m1和m2,則有如下組合公式:

式中,K表示歸一化因子。若K≠1,則m確定一個(gè)組合基本概率賦值;若K=1,則認(rèn)為m1,m2矛盾,不能對(duì)基本概率賦值進(jìn)行組合。

1.4.2 BPA構(gòu)建

在用D-S證據(jù)理論對(duì)面積變化比和能量密度進(jìn)行特征決策融合前,需分別構(gòu)建Ari和Pri的基本概率賦值函數(shù)。在分析大量雷達(dá)圖像切片數(shù)據(jù)的基礎(chǔ)上,結(jié)合Ari和Pri的物理意義,可以得出Ari和Pri對(duì)應(yīng)的運(yùn)動(dòng)目標(biāo)概率分段函數(shù)y1,y2,并給出相應(yīng)的置信度Q1,Q2。則BPA為

式中,1-Q i表示運(yùn)動(dòng)目標(biāo)檢測(cè)的不確定信息,需要配合辨識(shí)框架Θ,并結(jié)合式(7)進(jìn)行決策融合。

1.4.3 最優(yōu)決策規(guī)則

特征決策融合的結(jié)果是全局最優(yōu)決策,即運(yùn)動(dòng)目標(biāo)的最終判決標(biāo)準(zhǔn)。設(shè)?B1,B2?Θ,滿足:

若有

則B1為最優(yōu)決策,其中ε1,ε2為預(yù)先設(shè)定門限,本文設(shè)定ε1=0.9,ε2=0.1。

1.5 檢測(cè)流程

經(jīng)過前面的分析,給出完整的運(yùn)動(dòng)目標(biāo)流程,如圖3所示。首先用迭代式閾值分割法對(duì)單幀雷達(dá)視頻圖像進(jìn)行處理,并用形態(tài)學(xué)膨脹的方法填充細(xì)小空洞,檢測(cè)出疑似目標(biāo)。然后將連續(xù)多幀的檢測(cè)結(jié)果進(jìn)行積累,并綜合單幀檢測(cè)結(jié)果和多幀積累結(jié)果提取出目標(biāo)的面積變化比和能量密度特征。最后將目標(biāo)的面積變化比和能量密度輸入D-S決策融合結(jié)果,如果滿足最優(yōu)決策,則將該目標(biāo)判定為運(yùn)動(dòng)目標(biāo),否則,繼續(xù)對(duì)下一單幀檢測(cè)結(jié)果進(jìn)行積累,直到所有圖像處理完畢。

圖3 運(yùn)動(dòng)目標(biāo)檢測(cè)流程

2 實(shí)驗(yàn)結(jié)果與分析

在Matlab 2010平臺(tái)上編程實(shí)現(xiàn)上述算法,選取固定架設(shè)的某型導(dǎo)航雷達(dá)上采集的部分實(shí)測(cè)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。該雷達(dá)距離分辨率為75 m,數(shù)據(jù)采集時(shí)每個(gè)方位平均采樣8次,距離上采樣間隔為5 m,共采集圖像300幀。其中前200幀用于先驗(yàn)分析,獲取最優(yōu)決策,后100幀用于算法驗(yàn)證。

先驗(yàn)分析階段,在面積變化比和能量密度的提取過程中,由于存在多個(gè)目標(biāo),會(huì)出現(xiàn)目標(biāo)位置交叉、目標(biāo)突然消失或出現(xiàn)等復(fù)雜情況,本文利用目標(biāo)的質(zhì)心位置對(duì)各目標(biāo)進(jìn)行了關(guān)聯(lián)。為便于說明,從原始雷達(dá)圖像中裁切出兩組子圖像數(shù)據(jù)(如圖1所示),圖4和圖5分別給出了兩組數(shù)據(jù)前50幀的面積變化比和能量密度曲線,對(duì)于某一兩幀突然消失后面又出現(xiàn)的目標(biāo),沿用了前一幀的提取結(jié)果。

圖4 目標(biāo)面積變化比曲線

圖5 目標(biāo)能量密度曲線

分析圖4和圖5,可以看出隨著積累幀數(shù)的增加,目標(biāo)1,2,3,4的面積變化比從1開始一直呈遞減趨勢(shì),能量密度從1開始小范圍增加并逐漸穩(wěn)定在10左右的某個(gè)數(shù)值;目標(biāo)5,6,7的面積變化比存在波動(dòng),無明顯規(guī)律,但均在0.5以上,能量密度從1開始持續(xù)遞增。在理想情況下,根據(jù)面積變化比和能量密度的物理意義,運(yùn)動(dòng)目標(biāo)的面積變化比應(yīng)從1開始持續(xù)遞減,并越來越接近于0,能量密度應(yīng)穩(wěn)定在某個(gè)固定值附近;而靜止目標(biāo)的面積變化比應(yīng)接近于1,能量密度應(yīng)持續(xù)遞增。但對(duì)于實(shí)測(cè)數(shù)據(jù),由于目標(biāo)起伏的影響,連續(xù)兩幀圖像中同一目標(biāo)的面積不一定相同,且對(duì)原始圖像進(jìn)行二值化處理會(huì)在一定程度上造成能量衰減,這些因素導(dǎo)致提取出的特征值與理想狀態(tài)存在差異,但其滿足基本變化規(guī)律,不會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生嚴(yán)重的影響。

通過對(duì)前200幀雷達(dá)圖像進(jìn)行分析,并結(jié)合人工判讀結(jié)果,可以確定面積變化比和能量密度的運(yùn)動(dòng)目標(biāo)概率分段函數(shù)分別為

以及對(duì)應(yīng)的置信度

將式(10)、(11)代入式(6)和式(7),所有的K均小于1,滿足組合條件。通過式(5)得到的組合結(jié)果為

式中,m(B1)=0.981 5,m(B2)=0.881 4,將其代入式(11),符合最優(yōu)決策規(guī)則。所以最優(yōu)決策為

即當(dāng)目標(biāo)的面積變化比和能量密度滿足式(13)時(shí),將其判斷為運(yùn)動(dòng)目標(biāo)。

下面用后100幀雷達(dá)圖像對(duì)算法進(jìn)行驗(yàn)證。觀察圖4和圖5中曲線可以發(fā)現(xiàn),前10幀圖像中提取的特征值不穩(wěn)定,不能作為判斷依據(jù),因此,從第211幀開始輸出運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果,圖6給出了其中幾個(gè)關(guān)鍵幀的檢測(cè)結(jié)果。

圖6 運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果

由圖6的檢測(cè)結(jié)果可知,用本文算法依次檢測(cè)出S1,S2,S3,S4,S5五個(gè)運(yùn)動(dòng)目標(biāo),根據(jù)人工判讀結(jié)果,到第300幀圖像處理完畢時(shí),除第219幀中的L1由于僅出現(xiàn)幾幀就迅速消失導(dǎo)致漏警外,其余運(yùn)動(dòng)目標(biāo)均被有效檢測(cè)出。因此,本文檢測(cè)算法虛警率較低,對(duì)于穩(wěn)定、慢速運(yùn)動(dòng)目標(biāo)具有較好的檢測(cè)效果,有效解決了密集雜波和復(fù)雜多目標(biāo)情況下,雷達(dá)自動(dòng)檢測(cè)與跟蹤容易產(chǎn)生虛假航跡的問題,但對(duì)于機(jī)動(dòng)、快速運(yùn)動(dòng)目標(biāo)的檢測(cè)性能有待進(jìn)一步提高。

3 結(jié)束語

本文將信息融合的思想引入雷達(dá)視頻的運(yùn)動(dòng)目標(biāo)檢測(cè),綜合目標(biāo)的單幀檢測(cè)結(jié)果和連續(xù)多幀積累結(jié)果,提取了兩個(gè)表征目標(biāo)的有效特征,并用證據(jù)理論對(duì)其進(jìn)行融合,得到了最優(yōu)決策準(zhǔn)則作為運(yùn)動(dòng)目標(biāo)自動(dòng)檢測(cè)的依據(jù)。利用實(shí)測(cè)數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)表明了本文方法的有效性。后續(xù)將考慮提取更多的目標(biāo)特征進(jìn)行融合,以提升該算法對(duì)機(jī)動(dòng)快速運(yùn)動(dòng)目標(biāo)的檢測(cè)性能。同時(shí),把該算法與跟蹤算法結(jié)合起來考慮,并逐步應(yīng)用于實(shí)際的雷達(dá)系統(tǒng),也是我們下一步要努力的方向。

[1]徐恒.基于船載雷達(dá)圖像的海上目標(biāo)檢測(cè)技術(shù)研究[D].武漢:武漢理工大學(xué),2012.

[2]何友,關(guān)鍵,孟祥偉,等.雷達(dá)目標(biāo)檢測(cè)與恒虛警處理[M].2版.北京:清華大學(xué)出版社,2011:6-9.

[3]周偉,何東亮,關(guān)鍵,等.基于視覺顯著性的雷達(dá)視頻艦船檢測(cè)[J].雷達(dá)科學(xué)與技術(shù),2012,10(1):54-58,63.

[4]柯天兵,李永倩.電力系統(tǒng)視頻監(jiān)控中目標(biāo)檢測(cè)與跟蹤算法研究[J].電力科學(xué)與工程,2014,30(1):42-46.

[5]BAO W,LI H,LI N,et al.A Liveness Detection Method for Face Recognition Based on Optical Flow Field[C]∥International Conference on Image Analysis and Signal Processing,Taizhou,China:IEEE,2009:233-236.

[6]胡彪,龔曉峰.基于改進(jìn)背景差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(17):3841-3844.

[7]何友,王國宏,關(guān)欣,等.信息融合理論及應(yīng)用[M].北京:電子工業(yè)出版社,2010:329-331.

[8]YIN S,LIU Y,HUO K.Multi-Sensor Fusion Recognition Method Based on Improved D-S Evidence Theory[C]∥International Conference on Information and Communications Technologies,Nanjing,China:IET,2014:1-7.