海面圖像目標(biāo)檢測(cè)方法初探

雷琴

摘 要：基于可見光海面圖像的目標(biāo)檢測(cè)在海防安全等領(lǐng)域中都有較好的應(yīng)用。文章系統(tǒng)分析了近年來國內(nèi)外可見光海面目標(biāo)檢測(cè)方法，將文獻(xiàn)中基于可見光圖像的海面目標(biāo)檢測(cè)方法歸類為三大類：基于閾值的檢測(cè)方法、基于模型的檢測(cè)方法和基于模式分析的檢測(cè)方法，并在文中系統(tǒng)闡述了這三類方法。

關(guān)鍵詞：海面；圖像目標(biāo)；檢測(cè)方法

引言

海面目標(biāo)檢測(cè)在軍事領(lǐng)域、海防安全、海關(guān)管理、海上緝私、港口船只調(diào)度、海洋環(huán)境保護(hù)，海洋環(huán)境監(jiān)測(cè)以及海上交通管理等許多場(chǎng)合都具有廣闊的應(yīng)用前景。海面目標(biāo)檢測(cè)的常用方法有基于雷達(dá)圖像、基于紅外圖像和基于可見光圖像的目標(biāo)檢測(cè)。雷達(dá)成像原理是采用傳感器感應(yīng)有效場(chǎng)景中運(yùn)動(dòng)目標(biāo)的反射或輻射，目前發(fā)展比較成熟，較為常見的雷達(dá)成像有地波超視距雷達(dá)（ground wave over-the-horizon radars，GWOTHR）[1]，合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）[2]。基于雷達(dá)圖像的目標(biāo)檢測(cè)系統(tǒng)通常比較龐大、價(jià)格昂貴、采用的技術(shù)也比較復(fù)雜。雷達(dá)成像一般適用于超視距大目標(biāo)的檢測(cè)與跟蹤系統(tǒng)中，但其在近距離小目標(biāo)的檢測(cè)與跟蹤中的絕對(duì)精度比較低[1]，并且雷達(dá)成像存在掃描盲區(qū)。紅外成像系統(tǒng)的隱蔽性高，但其成像距離遠(yuǎn)，對(duì)溫度敏感度高，相關(guān)噪聲較強(qiáng)，且紅外圖像中目標(biāo)的面積相對(duì)較小，通常會(huì)失去形狀信息[3]。這兩種方法雖然在技術(shù)方法和檢測(cè)能力上有所差異，在目標(biāo)檢測(cè)中都能發(fā)揮巨大的作用。然而，由于這些方法都需要高昂的設(shè)備成本和維護(hù)成本，因此限制了相關(guān)系統(tǒng)的推廣，而且這些系統(tǒng)在局部海域目標(biāo)檢測(cè)場(chǎng)景的快速部署非常困難，需要雷達(dá)安裝或訪問衛(wèi)星數(shù)據(jù)。

1 可見光海面圖像的目標(biāo)檢測(cè)

文章主要關(guān)注使用圖像傳感器諸如數(shù)字相機(jī)所獲得的可見光海面圖像的目標(biāo)檢測(cè)?；诳梢姽夂Ｃ鎴D像的目標(biāo)檢測(cè)在海防安全等領(lǐng)域中都有較好的應(yīng)用，檢測(cè)區(qū)域限定在近岸或從海上某點(diǎn)出發(fā)的可視距離以內(nèi)，該方法在海防安全及其他相關(guān)領(lǐng)域中都有較好的應(yīng)用。海面運(yùn)動(dòng)載體和海上的浮標(biāo)均可以作為很好的系統(tǒng)部署的地方。BSOP（the Bottom Stationing Ocean Profiler）[4]是一個(gè)國外的真實(shí)系統(tǒng)，它是一個(gè)自治的浮標(biāo)平臺(tái)，該平臺(tái)設(shè)計(jì)為具備一個(gè)傳感器裝備，收集海洋數(shù)據(jù)，通過一個(gè)雙向RF衛(wèi)星與控制中心存儲(chǔ)和傳輸數(shù)據(jù)。近年來，國內(nèi)外學(xué)者在基于可見光圖像的檢測(cè)研究方面取得了許多研究成果[5-18]。文獻(xiàn)中基于可見光圖像的海面目標(biāo)檢測(cè)方法主要有三大類：基于閾值的檢測(cè)方法[5][6]、基于模型的檢測(cè)方法[7-12]、基于模式分析的檢測(cè)方法[13-18]。

1.1 基于閾值的方法

基于閾值的方法主要利用目標(biāo)區(qū)域與背景區(qū)域亮度差異，根據(jù)閾值將目標(biāo)區(qū)域分割出來[5][6]。這類方法是早期的目標(biāo)檢測(cè)方法，實(shí)現(xiàn)簡單，在目標(biāo)區(qū)域與背景區(qū)域亮度有較大差異的情況下有效果，但是在目標(biāo)區(qū)域與背景區(qū)域亮度較為接近或圖像組成較為復(fù)雜時(shí)，檢測(cè)效果較差。

文獻(xiàn)[6]針對(duì)復(fù)雜海面背景下閾值方法失效的情況，提出了一種基于自適應(yīng)多階閾值分割檢測(cè)方法來提高閾值方法的自適應(yīng)能力，將閾值分割結(jié)果用一些統(tǒng)計(jì)特征進(jìn)一步作篩選，并取得了一定的效果。然而該方法始終無法避免閾值分割對(duì)目標(biāo)與背景亮度要求的局限性，鑒于閾值方法的局限性，有許多研究人員探索研究基于模型的方法來檢測(cè)海面目標(biāo)。

1.2 基于模型的方法

基于顯著圖的視覺注意模型[7-9]，主動(dòng)輪廓模型[10]，計(jì)算模型[11][12]等模型都可以應(yīng)用到海面目標(biāo)檢測(cè)。周偉等人提出利用多尺度相位譜構(gòu)建顯著圖，并且用閾值方法分割出具有較高顯著度的感興趣區(qū)域，然后對(duì)每個(gè)提取的感興趣區(qū)域進(jìn)行二次處理[7]。首先利用一個(gè)估計(jì)閾值對(duì)其進(jìn)行二值分割，閾值估計(jì)可以依據(jù)其窗口各區(qū)間平均亮度的有序統(tǒng)計(jì)量來預(yù)估，再分別提取平均顯著度、形狀復(fù)雜度和空間擴(kuò)展度特征，最后使用最近鄰分類規(guī)則來得到檢測(cè)結(jié)果。此外，周偉等還提出改進(jìn)的顯著圖方法用于感興趣目標(biāo)提取，首先通過分析圖像的譜殘差計(jì)算圖像的顯著圖，再利用一個(gè)全局范圍內(nèi)的競爭機(jī)制和返回抑制策略，控制注意焦點(diǎn)來搜索顯著圖[9]。文獻(xiàn)[8]提出了一個(gè)視覺皮層內(nèi)的顯著性計(jì)算模型，主要基于局部顯著性計(jì)算最大化采樣信息的假設(shè)。該模型是計(jì)算模型為依據(jù)，它表明大量的視覺搜索行為顯示為模型的緊急性屬性以及編碼和信息傳輸?shù)幕驹瓌t。實(shí)驗(yàn)結(jié)果表明在兩個(gè)不同的數(shù)據(jù)集上，預(yù)測(cè)固定模式與競爭模型相比具有較大的功效。

Vard等人[10]于2010年提出了一種主動(dòng)輪廓模型的目標(biāo)檢測(cè)方法。該方法首先提出一個(gè)新的能量函數(shù)的基礎(chǔ)上的自相關(guān)函數(shù)，它能夠檢測(cè)復(fù)雜背景下小物體的活動(dòng)輪廓模型。在所提出的方法中，圖像特征是使用從表示區(qū)域信息的圖像像素中提取的短期自相關(guān)性（Short-Term Autocorrelations，STA）的組合來計(jì)算。所獲得的特征被利用來定義一個(gè)能量函數(shù)稱為規(guī)范累加的短期自相關(guān)（normalized accumulated short-term autocorrelation，NASTA），我們可以準(zhǔn)確地檢測(cè)出含混亂和質(zhì)感的背景圖像中的小物體。此外，該方法提供了對(duì)隨機(jī)噪聲的高魯棒性和可精確定位在嘈雜的背景中很難用肉眼檢測(cè)的小物體。

張等人[12]提出用一個(gè)基于通用判別部分的模型（generic discriminative part-based model，GDPBM）來建立了實(shí)用的目標(biāo)檢測(cè)框架。結(jié)構(gòu)復(fù)雜的地理空間探測(cè)對(duì)象已被探索多年，它仍然是在高分辨率光學(xué)遙感影像（RSI）演繹一個(gè)具有挑戰(zhàn)性的任務(wù)，該方法主要集中在旋轉(zhuǎn)變化的檢測(cè)地理空間對(duì)象的問題，在建立的模型中，以任意取向的地理空間對(duì)象通過三個(gè)分量表示：外觀特征，空間變形特性和旋轉(zhuǎn)變形特征。

基于模型的方法以嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論為支持，將檢測(cè)問題簡化到一個(gè)實(shí)際的模型，有較強(qiáng)的理論推導(dǎo)意義，然而這類方法一般需要一些場(chǎng)景先驗(yàn)知識(shí)，并且對(duì)合適的模型參數(shù)的選擇具有一定的挑戰(zhàn)性。

1.3 基于模式分析的方法

基于模式分析的方法一般是提取圖像低層次特征，利用模式分類方法進(jìn)行訓(xùn)練，提高最終海面目標(biāo)檢測(cè)的準(zhǔn)確率。特征分析方法[13]，圖像區(qū)域自然尺度特征[14]，Contrast box濾波[16]，模式分類[17，18]等模式分析領(lǐng)域的特征提取和分析方法、模式分類理論與方法等都可以應(yīng)用于海面目標(biāo)檢測(cè)?；谀Ｊ椒治龅姆椒z測(cè)性能依賴于特征描述方法以及分類器的選擇。

王等人在系統(tǒng)研究了船舶高分辨率SAR圖像的特征分析基礎(chǔ)上，提出了一個(gè)船舶檢測(cè)的改進(jìn)優(yōu)化算法。該方法提出的快速塊檢測(cè)器能在均勻局部區(qū)域中提取海雜波，可以被當(dāng)做恒定誤報(bào)率檢測(cè)器使用。根據(jù)船舶的長寬比和像素點(diǎn)的核密度估計(jì)等特征分析方法用于船舶識(shí)別，在TerraSAR-X和COSMO-SKYMED圖像上驗(yàn)證了這個(gè)算法[13]。

何等人針對(duì)動(dòng)態(tài)海面背景下的船舶自動(dòng)檢測(cè)問題，將自然尺度特征提取方法從一維信號(hào)拓展到二維圖像，提出了一種基于圖像區(qū)域自然尺度特征的方法。文中通過對(duì)相空間重構(gòu)可以提取出圖像灰度時(shí)間序列的自然尺度特征，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)理論方法，建立目標(biāo)和背景的分類模型。最后，該方法通過建立的分類模型可以檢測(cè)出船舶目標(biāo)[14]。

趙等人提出了標(biāo)準(zhǔn)差特征平面Contrast box濾波的艦船目標(biāo)檢測(cè)方法。該方法首先用局部統(tǒng)計(jì)方差作為特征統(tǒng)一描述了不同亮度艦船目標(biāo)，這種特征描述方法可以部分消除海面平均亮度變化對(duì)特征提取的影響。其次，該方法通過在二維檢測(cè)特征平面上進(jìn)行Contrast box濾波，局部的目標(biāo)檢測(cè)閾值可以自適應(yīng)確定，并結(jié)合目標(biāo)空間的結(jié)構(gòu)信息定位可疑目標(biāo)。先驗(yàn)艦船特征模型可以用來對(duì)疑似目標(biāo)集合進(jìn)行驗(yàn)證，虛警去除以后可以得到最終檢測(cè)結(jié)果[16]。

Bovolo等人認(rèn)為很高分辨率（very high resolution，VHR）的合成孔徑雷達(dá)（SAR）圖像，可以通過衛(wèi)星用間隔相同的地理區(qū)域獲得[17]。VHR的廣泛應(yīng)用促使有效的無監(jiān)督變化檢測(cè)（change detection，CD）技術(shù)飛速發(fā)展。Bovolo等人提出了一種分層方法來處理VHR SAR圖像中無監(jiān)督變化檢測(cè)。

2 結(jié)束語

文章系統(tǒng)分析了近年來國內(nèi)外可見光海面目標(biāo)檢測(cè)方法，將文獻(xiàn)中方法歸類為三大類：基于閾值的檢測(cè)方法、基于模型的檢測(cè)方法和基于模式分析的檢測(cè)方法。雖然這些檢測(cè)技術(shù)具有一定的效果，然而現(xiàn)有研究成果仍然達(dá)不到實(shí)際使用的要求，由于海面船舶檢測(cè)受到海岸景物和海面波紋等復(fù)雜背景影響，因此需要探索研究新的理論和方法來提高可見光圖像目標(biāo)檢測(cè)技術(shù)。

參考文獻(xiàn)

[1]姜維，鄧維波，楊強(qiáng).高頻超視距混合天地波雷達(dá)海雜波特點(diǎn)分析[J].電子與信息學(xué)報(bào)，2011，33（8）：1786-1791.

[2]孫淵，王超，張紅，等.改進(jìn) Notch 濾波的全極化 SAR 數(shù)據(jù)船舶檢測(cè)方法[J].中國圖象圖形學(xué)報(bào)，2013，18（10）：1374-1381.

[3]萬磊，曾文靜，張鐵棟，等.基于梯度信息融合的海面紅外目標(biāo)實(shí)時(shí)檢測(cè)[J].紅外與激光工程，2013，42（1）：41-45.

[4]LC Langebrake，CE Lembke，RH Weisberg，RH Byrne，DR Russell，G. Tilbury，R. Carr. Design and initial results of a bottom stationing ocean profiler[C]. Oceans'02MTS/IEEE，Biloxi，Mississippi. Oceans 2002 IEEE/MTS Conference Committee，2002. Vol.1：98-103.

[5]儲(chǔ)昭亮，王慶華，陳海林，等.基于極小誤差閾值分割的艦船自動(dòng)檢測(cè)方法[J].計(jì)算機(jī)工程，2007，33（11）：239-241.

[6]王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標(biāo)檢測(cè)的多階閾值分割方法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2011，41（4）：293-298.

[7]周偉，關(guān)鍵，張國華.高分辨率遙感圖像感興趣目標(biāo)的提取算法[J].光電工程，2011，38（2）：115-121.

[8]Bruce and J. Tsotsos，Saliency，attention，and visual search： An information theoretic approach，Journal of Vision，vol. 9，no. 3，pp. 5：1-24.

[9]周偉，關(guān)鍵，何友.光學(xué)遙感圖像低可觀測(cè)區(qū)域艦船檢測(cè)[J].中國圖象圖形學(xué)報(bào)，2012，17（9）：1181-1187.

[10]Vard A，Jamshidi K，Movahhedinia N. Small object detection in cluttered image using a correlation based active contour model[J]. Pattern Recognition Letters，2012，33（5）：543-553.

[11]Bi F，Zhu B，Gao L，et al. A visual search inspired computational model for ship detection in optical satellite images[J]. Geoscience and Remote Sensing Letters，IEEE，2012，9（4）： 749-753.

[12]Wanceng Zhang，Xian Sun，Hongqi Wang，Kun Fu，A generic discriminative part-based model for geospatial object detection in optical remote sensing images[J]，ISPRS Journal of Photogrammetry and Remote Sensing Volume 99，January 2015，Pages 30-44

[13]Wang C，Jiang S，Zhang H，Zhang B. Ship Detection for High-Resolution SAR Images Based on Feature Analysis[J]. Geoscience and Remote Sensing Letters，IEEE，2014，11（1）：119-123.

[14]何四華，楊紹清，邵曉方，等.利用圖像區(qū)域自然尺度特征的海面艦船目標(biāo)檢測(cè)[J].紅外與激光工程，2011，40（9）：1812-1817.

[15]王彥情，馬雷，田原.光學(xué)遙感圖像艦船目標(biāo)檢測(cè)與識(shí)別綜述[J].自動(dòng)化學(xué)報(bào)，2011，37（9）：1029-1039.

[16]趙英海，吳秀清，聞凌云，等.可見光遙感圖像中艦船目標(biāo)檢測(cè)方法[J].光電工程，2008，35（8）：102-106.

[17]Bovolo F，Marin C，Bruzzone L. A Hierarchical Approach to Change Detection in Very High Resolution SAR Images for Surveillance Applications[J].Geoscience and Remote Sensing，IEEE Transactions on，2013，51（4）：2042-2054.

[18]Wang C，Zhang H，Wu F，Jiang SF，Zhang B，Tang YX.A Novel Hierarchical Ship Classifier for COSMO-SkyMed SAR Data[J].Geoscience and Remote Sensing Letters，IEEE，2014，11（2）：484-488.