基于ObjectNess BING 的海面多艦船目標檢測

郭少軍, 沈同圣, 徐　健, 馬新星

(1.海軍航空工程學院控制科學與工程系, 山東 煙臺 264001;

2.中國國防科技信息中心, 北京 100142; 3. 91868部隊, 海南 三亞 572000)

?

基于ObjectNess BING 的海面多艦船目標檢測

郭少軍1,3, 沈同圣2, 徐健1, 馬新星1

(1.海軍航空工程學院控制科學與工程系, 山東 煙臺 264001;

2.中國國防科技信息中心, 北京 100142; 3. 91868部隊, 海南 三亞 572000)

摘要：將一幅圖像按照一個目標的大小進行縮放,然后計算其梯度特征,再對梯度特征進行標準化,二值化能夠極大地提高目標候選區(qū)域的選擇和檢測計算效率,減少耗時。由于對海上艦船目標的檢測是具有豐富角點的人造目標,對ObjectNess二值化標準梯度特征(binarized normed gradients, BING)方法中的目標候選區(qū)域提取算法進行改進,使其能夠更加快速地進行候選區(qū)域的選擇并保持較高的檢測率。分析了海上多艦船目標的圖像特征,提出了利用角點確定目標的候選基點,再利用ObjectNess BING檢測模型訓練獲得的多目標尺寸進行候選區(qū)域的選擇,對互聯(lián)網(wǎng)上下載的多幅多艦船圖像進行處理的結(jié)果表明,算法能夠有效減少候選目標區(qū)域的數(shù)量并保持較高的檢測概率。

關鍵詞：ObjectNess二值化標準梯度特征; 角點檢測; 模板訓練; 海面艦船; 目標檢測

0引言

海上多艦船目標檢測的任務是對感興趣的艦船進行檢測與識別。目標檢測的好壞對海戰(zhàn)、海上救援、海上反恐、海島安全防御都具有重大的影響。時間是完成任務的根本,因此減少候選目標區(qū)域和提高目標檢測運算速度顯得尤為重要。

文獻[1]針對可見光遙感紅外小目標檢測問題,根據(jù)背景呈紋理狀的特性,依據(jù)局部熵大處圖像灰度比較均勻,局部熵小處圖像的灰度離散程度較大的原理,提出了一種基于局部熵的目標檢測方法;文獻[2]采用小波濾波降低圖像噪聲,再檢測海天線,確定目標潛在區(qū)域,最后采用基于行列均值的自適應閾值方法進行閾值分割,并以邊界長度、目標大小、長寬比及復雜度作為目標特征進行匹配,實現(xiàn)目標檢測。文獻[3]探討了一種基于海天線檢測的艦船目標定位方法。該方法運用最大類間方差(OTSU)算法二值化圖像,運用模板濾波去除離散干擾點,運用Canny算子檢測邊緣并掃描圖像,運用閾值鏈接方法保留海天線上的點,去除目標邊緣點和干擾點,并以一元線性回歸方法擬合出海天線,確定目標潛在區(qū)域,最后運用投影法實現(xiàn)目標定位;文獻[4]提出了基于分形特征的海上目標檢測方法,分形特征能夠有效區(qū)分人造目標和自然目標;文獻[5]采用局部熵方法對圖像進行預處理,突出目標邊緣,再用Canny算子提取目標邊緣,實現(xiàn)對目標的檢測;文獻[6]針對目標像素小于背景像素10%時,門限分割方法難以分割目標的問題,采用顯著性特征引導方法,利用吃水線、高灰度煙囪等特征確定潛在目標區(qū)域,縮小背景范圍,并通過高灰度煙囪及發(fā)動機部位像素與船體像素的比例判斷是否先進行直方圖像均衡化,再運用OTSU方法分割圖像,實現(xiàn)目標的分割。以上的方法大部分需要一個條件:海天線。然而,在背景存在海島或者其他海天線不容易檢測的條件下,以上方法的檢測效率將會受到較大影響。所以需要盡可能的提取候選目標區(qū)域并盡可能多地包含真實目標。

近些年,為了克服海面目標檢測對海天線的依賴,海面目標檢測得到了快速地發(fā)展,然而主流的方法都是基于特殊分類器進行的圖像窗口區(qū)域掃描[7-8],掃描數(shù)據(jù)量龐大。因此,對減少分類器掃描窗口的研究變得越來越熱門[9-15],文獻[10]向我們展示了“似物性”,即表示一個窗口內(nèi)存在目標的可能性。文獻[16]提出用二值化標準梯度特征(binarized normed gradients, BING)來進行候選窗口的“似物性”預測,表現(xiàn)出了強大的多目標檢測能力。

在研項目的主要任務是檢測海面艦船,角點檢測能夠有效地對人造目標進行檢測,而艦船目標屬于人造目標,通過研究發(fā)現(xiàn)利用角點和BING相結(jié)合的方法能夠有效地減少候選目標窗口從而減少目標估計檢測時間。設計一個高效的多艦船目標檢測方法需要滿足以下幾點要求:

(1) 具有較高的檢測概率(detection rate, DR);

(2) 預測較少數(shù)量的候選窗口從而減少艦船檢測的計算時間;

(3) 具備高計算效率使算法能夠較容易地移植到不同的應用,尤其是實時應用系統(tǒng);

(4) 具有檢測不可見目標的能力。

到目前為止,能同時滿足以上所有條件的方法幾乎沒有[16]。

基于上述分析本文提出了結(jié)合BING和角點的方法進行海面目標檢測,該方法首先利用BING和LIB-SVM對目標樣本集訓練識別模板,再針對不同尺度的樣本集計算模板系數(shù)與偏差,提高模板匹配精度;測試過程中利用角點檢測和樣本尺度數(shù)據(jù)進行候選窗口預測,有效減少候選窗口數(shù)量,再利用尺度模板進行候選窗口得分評估,完成目標檢測。通過實驗分析發(fā)現(xiàn),本文方法能夠滿足以上條件中的前3點。

1基于BING的模板訓練

圖1給出的是本文算法流程?？梢詫⒒贐ING的檢測模板訓練描述如下:給定一系列具有目標信息描述的數(shù)據(jù)集,從描述信息中獲得目標窗口位置,利用真實目標作為正樣本,同時在每幅圖像中選取100個非目標窗口作為負樣本,引入LIB-linear或LIB-SVM[17]來訓練這些樣本集,獲得目標似物性檢測模板。

圖1　算法流程圖

1.1線性模板

在文獻[16]中,利用BING訓練獲得了目標模板,對于不同尺寸的目標窗口進行匹配得分計算,模板用w∈R64形容。

(1)

式中,sl,gl,l,i和(x,y)分別是濾波得分、標準化梯度特征、位置、尺寸和窗口坐標。用普遍的常識形容:將一幅圖像重構(gòu)成一個目標的大小尺寸,這個尺寸中含有這個目標的區(qū)域占整個圖像比例將會增多[18-20]。同理,一個具有目標大小的候選尺寸將更有可能包含這個目標。因此,將圖像按照目標尺寸重構(gòu),計算梯度特征,同時利用非最大值約束方法選擇邊緣點并以邊緣點和目標尺寸大小進行候選目標窗口區(qū)域提取將具有更大的概率包含同尺寸目標。定義似物性得分為

(2)

式中,vi,ti∈R分別代表學習獲得的尺寸i對于模板w的系數(shù)和偏移量。

1.2模板訓練

模板訓練包含兩個階段,第一階段的訓練是利用所有尺寸的正樣本與負樣本計算BING特征,再輸入到LIB-SVM中進行模板訓練,獲得第一階段模板;第二階段模板訓練是建立在第一階段基礎之上的,這個階段將完成不同尺度模板相對第一階段模板的系數(shù)與偏移量,從而使不同尺度的目標匹配得分更加精確。

1.2.1第一階段模板訓練

獲得包含目標區(qū)域圖像的正樣本后選擇和正樣本具有50%重合的圖像都作為目標的正樣本,這樣生成的模板將具有一定的局部目標檢測能力。同時,在每幅圖像中隨機選擇100個窗口作為負樣本,這100個窗口不能和任意一個目標區(qū)域具有超過50%的重合區(qū)域。進一步地引入LIB-linear和LIB-SVM來進行檢測模板訓練。和BING一樣,本文也將模板重構(gòu)為一個固定的大小(8×8),這將有利于計算高效化。

1.2.2第二階段模板訓練

以上獲得的模板不是最終的結(jié)果,因為每個尺寸的目標利用這個模板進行似物性計算都存在相應的偏差,因此需要進行進一步的計算,即獲得如等式(2)所示的系數(shù)和偏移量。首先利用預測獲得的候選窗口(見第2節(jié)),選擇那些和真實目標具有超過50%疊加面積的窗口作為正樣本,其他的作為負樣本,同時記錄樣本的尺寸和數(shù)量,對不同的尺寸進行提取相對應的正樣本和負樣本,再一次引入LIB-linear和LIB-SVM對樣本進行訓練從而獲得與第一階段訓練獲得模板的系數(shù)vi和偏差ti,這樣,利用式(1)計算候選窗口的似物性得分就變得簡單。

1.3檢測模板與梯度特征的二值化

檢測模板訓練是基于BING進行的,模板與特征的二值化將大大提高目標的檢測速率。本文利用海面多目標艦船圖像進行模板訓練,獲得模板的圖形化表示如圖2所示。從圖形來看模板中間目標區(qū)域的BING特征值較邊緣處的BING特征值亮度要低,具有特征包裹性,即目標存在圖像中心的特征[21-25]。沿著模板w邊緣的的高權值有效將目標從背景中分離開來,同時,基于BING的訓練模板能夠更具有穩(wěn)定性和預見性[16]。

圖2　訓練模板W

文獻[26-28]解釋了模板二值化近似的優(yōu)點,文獻[16]提出了BING的快速估計,加速了特征提取和測試過程,因此本文中也使用BING的二值化模板近似估計以加速特征提取與測試。模板的二值化近似過程為:

算法 1二值化近似模板w[25]

輸入w,Nw

輸出{βj}Nwj=1,{aj}Nwj=1

偏移初始化ε=w

forj=1toNwdo

aj=sign(ε)

βj=〈aj,ε〉/‖aj‖2(映射ε到aj)

ε←ε-βjaj(更新偏移量ε)

endfor

(3)

算法2是用來對梯度特征計算并二值化的,以Ng個二進制位來表述正規(guī)化的梯度特征,這樣一個64D的梯度特征gl可以由Ng個二值化的梯度特征來近似

(4)

在位的不同位置BING具有不同的權值,利用它能夠快速高效地計算獲得候選目標窗口。擋計算候選窗口的BING特征的似物性得分時,可以將得分以等式(5)來近似。

(5)

算法 2計算 W×H 的BING特征

輸入二值化的正規(guī)梯度特征bW×H

輸出BING特征矩陣bW×H

初始化bW×H=0,rW×H=0

for每個位置(x,y)do

rx,y=(rx,y?1)|bx,y

bx,y=(bx,y-1?8)|rx,y

endfor

2候選窗口預測與檢驗

2.1候選窗口預測

候選目標窗口的多少是目標檢測耗時的一個關鍵因素,BING利用非最大值約束(non-maximum suppression, NMS)平均為每幅圖像預測1 000+的候選窗口,是窗口掃描方式需要候選窗口的1/1 000左右[19,24,26,30]。BING利用二值化正規(guī)模板來對目標進行檢測,具有強大的檢測能力和檢測效率,在文獻[16]中顯示處理VOC2007訓練圖像集過程中,平均每幅圖像的候選目標窗口預測耗時只有0.03 s。

減少多艦船目標檢測耗時具有兩種方法:一種是建立一個更加高效的檢測模板,二值化正規(guī)模板已經(jīng)具有強大的檢測能力,因此文章利用此方式訓練模板;另一種是減少候選目標窗口的數(shù)量但同時保持較高的DR。本文利用了圖像的角點和訓練模板獲得的目標尺寸進行候選窗口的構(gòu)建與選擇,提取的候選窗口數(shù)量只有先前BING方法中非最大值約束的一半,但同時保持了較高的檢測效率(見第3節(jié))。

2.2非最大值約束的窗口預測

利用非最大值約束進行候選目標窗口預測的方法首先需要將圖像重構(gòu)成訓練獲得的目標尺寸的大小(候選目標尺寸越多檢測范圍越廣),再對重構(gòu)后的圖像進行梯度特征計算[18,30],然后在對梯度特征圖像進行非最大值約束提取候選窗口基點,最后結(jié)合基點位置和訓練目標尺寸構(gòu)建候選窗口并進行提取,這種方式為每股圖像獲得的候選窗口數(shù)量在1 500~1 800。

2.3基于角點的窗口預測

利用角點的窗口預測和基于非最大值約束的方法具有一定的相似性,同樣首先需要將圖像重構(gòu)成訓練獲得的目標尺寸大小,不同的是進一步計算的不再是梯度特征而是角點位置的檢測,在完成了角點位置的檢測后需要進一步利用非最大值約束的方法對角點的分布進行優(yōu)化。角點檢測原理如下。

為了定義圖像中的角點,觀察一個假設的特征點周圍小窗口內(nèi)的方向性強度平均變化。考慮到偏移向量(μ,ν),則它的平均變化為

(6)

求和過程覆蓋了預定義的相鄰像素點[33]。強度變化的平均值計算需要在所有可能方向上進行,因為高強度變化可能出現(xiàn)在任何方向。通過這個定義,進行如下測試過程:首先獲取平均強度變化最大值對應的方向,在檢查位于它垂直方向的變化是否也很強烈,同時滿足條件的便是一個角點。

用數(shù)學語言來講,測試這個條件時可以利用泰勒級數(shù)展開對式(6)進行近似

(7)

可以用矩陣形式重寫式(7)

(8)

這是一個協(xié)方差矩陣,表現(xiàn)的是所有方向上強度的變化率。該定義涉及圖像的一階導數(shù),通常利用Sobel算子來進行結(jié)果計算。協(xié)方差矩陣的兩個特征值給出了最大平均強度變化以及垂直方向上的平均強度變化,如果這兩個特征比較低,那么對應的特征點位于同質(zhì)區(qū)域,如果其中一個高另一個低,則屬于邊緣區(qū)域,如果兩個特征值都較高,那么可以認為特征點處于角點位置。因此,角點成立的條件是協(xié)方差的最小特征值超過閾值大小。

為了避免特征值計算帶來的時間消耗,利用特征分解理論中的一些特性可以避免對特征值進行求解,這些特征包括:

(1) 矩陣的特征值之積等于它的行列式(Determinant);

(2) 矩陣的特征值之和等于矩陣對角線之和,既矩陣的跡(Trace)。

然后可以通過式(9)判斷兩個特征值是否都足夠高。

score=Det(C)-k.Trace2(C)

(9)

可以很容易的驗證,只有兩個特征值都足夠高的時候,式(9)的結(jié)果才會足夠高。為了改進檢測結(jié)果,進一步引入非最大值抑制來進行優(yōu)化,從而角點不僅是具有較高得分的點,并且必須是鄰域內(nèi)得分最高的點。

盡管NMS能夠?qū)屈c檢測結(jié)果進行優(yōu)化,但是角點通常在紋理豐富的區(qū)域集聚密集,在紋理稀疏的地方分布較少,為了改善這種情況,首先計算出得分最大的角點作為基點,再進行角點兩兩之間的歐氏距離,只有和任意角點距離都大于一定值的角點才保留下來,這樣角點數(shù)量將會變少,并且分布更加均勻。

2.4窗口檢驗

預測一幅測試圖像獲得候選窗口后需要對候選窗口進行檢驗。首先計算候選窗口的BING特征向量,再將特征向量與候選窗口相對應的模板進行匹配得分計算,如果匹配得分值大于閾值T，則認為這個窗口內(nèi)有目標,否則認為這個窗口是虛假窗口。得分計算等式為

sl=

(10)

式中,Wc是按照式(2)計算得到的不同尺度的模板;sl、gl、l、i、(x,y)分別是濾波得分、標準化梯度特征、位置、尺寸,窗口坐標。

3實驗結(jié)果

本文利用Intel(R) Core(TM) i5-3317U CPU @1.7HZ進行處理,采用海面艦船目標圖像進行試驗,利用DR-#WIN3估計矩陣進行性能評估,并將評估結(jié)果和BING方法進行對比。按式(11)計算目標的DR：

(11)

圖3給出了兩種方法的檢測率與候選數(shù)量之間的關系曲線圖,基于角點的候選窗口預測數(shù)量不如BING多,在候選窗口少于900時,其檢測效率不如BING,但是當候選窗口達到900時能夠達到96.2%的檢測率并在5 000時能夠達到99.5%,效果和BING不相上下。表1給出了兩種方法對不同尺寸的圖像集處理的結(jié)果。每組采用10幅圖像進行處理。

為了更加直觀地觀察不同尺度下兩種方法的候選窗口數(shù)量的差異,考慮到篇幅問題,圖4只給出了3個不同尺度圖像的候選窗口預測結(jié)果來進行對比。

圖3　檢測率曲線

如表1所示,本文方法對整個數(shù)據(jù)圖像集候選窗口的提取與目標的檢測耗時為15.4 ms/幅,而BING的處理耗時為37.4 ms/圖,對332×220,334×500,500×375 3個尺寸的圖像集耗時只需BING的1/4。

表1　候選窗口提取與目標檢測耗時表

總體來看本文方法平均耗時量是BING方法的一半不到,這歸結(jié)于本文方法提取的目標候選區(qū)域較少但是覆蓋目標區(qū)域較完善,減少了不必要的錯誤檢測與判斷,從而減少了時間的消耗。本文方法在檢測概率上較BING稍微遜色1/1 000,但是在時間速度上能達到BING的兩倍以上。

從統(tǒng)計結(jié)果來看,本文算法耗時比BING要少,候選窗口提取與目標檢測速度大約是BING的兩倍。

圖5中對檢測結(jié)果進行了展示。其中有多艦船目標圖像的檢測,也有針對單個大目標的檢測結(jié)果。通過檢測結(jié)果發(fā)現(xiàn),本文算法對多個海面目標檢測精確,檢測目標在檢測框中間位置,對于較大的單個目標圖像,由于艦船桅桿及其他明顯角點位置的干擾還存在一些誤差,如圖 5最后一行所示,這也是下一步需要改進的方面。

圖4　兩種方法提取的候選目標區(qū)域

圖5　海面真實目標的檢測說明

4結(jié)束語

本文提出了一種比非最大值約束更有效地候選目標提取算法,利用BING訓練模型的出色檢測能力,對候選窗口進行目標檢測。對多艦船目標的檢測結(jié)果利用DR-#WIN3進行評估,評估結(jié)果表明本文算法在耗時上較BING提升了將近1倍,同時保證了目標的檢測率。

本文算法為每幅圖像提取相對應的候選窗口的前提是目標具有一定的封閉輪廓。因此,該算法和BING以及窗口掃描式的檢測算法[10,15,31-33]一樣具有局限性。另外,該算法是為了完成海面多艦船目標檢測任務而設計的,它的應用范圍沒有BING廣泛,對于一些不具備角點的目標檢測會變得困難,但是在我們的任務中,即對艦船目標的檢測中,它在速度方面具有一定的優(yōu)勢,這對時效性要求較高的情況具有積極的意義。

較好的目標檢測效果和運算效率使得該算法能夠在一定程度上勝任多艦船目標的檢測。算法中引入了二值化操作和存儲使其可以移植到低能耗的設備上,比如為海島安全、海面反恐、海上救援等設計的移動設備等。另一方面,對于缺乏角點的目標檢測效率并不理想,這促使我們進一步地研究人工目標檢測模板的訓練方法,考慮各個方面的需求,針對特殊任務特殊需求進行深入研究。

參考文獻：

[1] Shi P, Zhuang L S, Ao H H, et al. Ship detection based on human vision perception[J].JournalofAtmosphericandEnvironmentalOptics, 2010,5(5):373-379.(施鵬,莊連生,敖歡歡,等,基于視覺感知機理的艦船目標檢測[J].大氣與環(huán)境光學學報,2010,5(5):373-379.)

[2] Yang M Y, Yang W P. Automatic detection method of IR warship target in the complex sea-sky background[J].InfraedandLaserEngineering,2006,28(10):580-584.(楊明月,楊衛(wèi)平.復雜海天背景下紅外艦船目標實時檢測算法[J].紅外技術,2006, 28(10): 580-584.)

[3] Huang Y D, Li J, Fan N J. Algorithm for locating naval ship on the sea-sky-line[J].TransactionsofBeijingInstituteofTechnology, 2008,28(4):302-305.(黃英東,李杰,范寧軍.海天線上艦船定位算法研究[J].北京理工大學學報,2008,28(4):302-305.)

[4] Zhang D X, He S H, Yang S Q. Ship targets detection method based on multi-scale fractal feature[J].Laser&Infrared,2009,39(3):315-318.(張東曉,何四華,楊紹清.一種多尺度分形的艦船目標檢測方法[J].激光與紅外,2009, 39(3):315-318.)

[5] Ai S F, Zhang G H, Lv G J. A local entrophy based algorithm for detecting IR target under sea background[J].ElectronicOptics&Control,2008,15(7):75-82.(艾淑芳,張國華,呂高杰.一種基于局部熵的海背景紅外目標檢測算法[J].電光與控制,2008,15(7):75-82.)

[6] Zhang F, Wang Y H. Fast IR ship segmentation guided by salient features detection[J].InfraredandLaserEngineering,2004,33(6):603-606.(張芳,王岳環(huán).基于顯著特征引導的紅外艦船目標快速分割方法研究[J].紅外與激光工程,2004,33(6):603-606.)

[7] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]∥Proc.ofthethe18thIEEEConferenceonComputerVisionandPatternRecognition, 2005: 886-893.

[8] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J].IEEETrans.onPatternAnalysis&MachineIntelligence, 2010,32(9):1627-1645.

[9] Alexe B, Deselaers T, Ferrari V, et al. What is an object?[C]∥Proc.ofthe23thIEEEConferenceonComputerVisionandPatternRecognition, 2010: 73-80.

[10] Alexe B, Deselaers T, Ferrari V, et al. Measuring the objectness of image windows[J].IEEETrans.onPatternAnalysis&MachineIntelligence, 2012,34(11): 2189-2202.

[11] Endres I, Hoiem D. Category independent object proposals[C]∥Proc.ofthe11thEuropeanConferenceonComputerVision, 2010:575-588.

[12] Endres I, Hoiem D. Category-independent object proposals with diverse ranking[J].IEEETrans.onSoftwareEngineering, 2014, 36(2):222-234.

[13] Uijlings J R R, Van de Sande K E A, Gevers T, et al. Selective search for object recognition[J].InternationalJournalofComputerVision, 2013,104(2):154-171.

[14] Van de Sande K E A, Uijlings J R R, Gevers T, et al. Segmentation as selective search for object recognition[C]∥Proc.ofthe13thIEEEInternationalConferenceonComputerVision, 2011：1879-1886.

[15] Zhang Z, Warrell J, Torr P H, et al. Proposal generation for object detection using cascaded ranking svms[C]∥Proc.ofthe24thIEEEConferenceonComputerVisionandPatternRecognition, 2011:1497-1504.

[16] Cheng M M, Zhang Z M, Lin W Y, et al. BING: binarized normed gradients for objectness estimation at 300fps[C]∥Proc.ofthe27thIEEEConferenceonComputerVisionandPatternRecognition, 2014: 2386-2393.

[17] Fan R E, Chang K W, Hsieh C J, et al. A library for large linear classification[J].TheJournalofMachineLearningResearch, 2008,9:1871-1874.

[18] Cheng M M, Warrell J, Lin W Y, et al. Efficient salient region detection with soft image abstraction[C]∥Proc.ofthe14thInternationalConferenceonComputerVision,2013: 1529-1536.

[19] Cheng M M, Zhang F L, Mitra N J, et al. RepFinder: finding approximatelyrepeated scene elements for image editing[J].ACMTrans.onGraphics, 2010,29(4):1-8.

[20] Cheng M M, Zhang G X, Mitra N J, et al. Global contrast based salient region detection[C]∥Proc.ofthe24thIEEEConferenceonComputerVisionandPatternRecognition,2011:409-416.

[21] Itti L, Koch C, Niebur E, et al. A model of saliency-based visual attention for rapid scene analysis[J].IEEETrans.onPatternAnalysisandMachineIntelligence, 1998, 20(11): 1254-1259.

[22] Gottlieb J P, Kusunoki M, Goldberg M E, et al. The representation of visual salience in monkey parietal cortex[J].Nature, 1998, 391(6666):481-484.

[23] Koch C, Ullman S. Shifts in selective visual attention: towards the underlying neural circuitry[J].HumanNeurbiology,1985,4:219-227.

[24] Cheng M M, Zheng S, Lin W Y, et al. ImageSpirit: verbal guided image parsing[J].ACMTrans.onGraphics, 2014,34(1):1-11.

[25] Wolfe J M, Horowitz T S. What attributes guide the deployment of visual attention and how do they do it?[J].NatureReviewsNeuroscience, 2004,5(6):495-501.

[26] Chia Y S, Zhuo S, Gupta R K, et al. Semantic colorization with internet images[J].ACMTrans.onGraphics(ACMTOG), 2011,30(6):1-8.

[27] Hare S, Saffari A. Efficient online structured output learning for keypoint-based object tracking[C]∥Proc.ofthe25thIEEEConferenceonComputerVisionandPatternRecognition, 2012:1894-1901.

[28] Zheng S, Sturgess P, Torr P H S, et al. Approximate structured output learning for constrained local models with application to real-time facial feature detection and tracking on low-power devices[C]∥Proc.ofthe10thIEEEConferenceonAutomaticFaceandGestureRecognition, 2013:1-8.

[29] Cheng M M, Mitra N J, Huang X, et al. Salient object detection and segmentation[R].TPAMI-2011-10-0753.Springfield: China Tsinghua University,2011.

[30] Cheng M M, Mitra N J, Huang X, et al. Salientshape: group saliency in image collections[J].TheVisualComputer,2013:1-10.

[31] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]∥Proc.ofthe18thIEEEConferenceonComputerVisionandPatternRecognition,2005,1: 886-893.

[32] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained partbased models[J].IEEETrans.onPatternAnalysis&MachineIntelligence,2010,32(9): 1627-1645.

[33] Bongioe K, Jihoon C, Yong W P, et al. Robust corner detection based on image structure[J].CircuitsSystemSignalProcess, 2012,31(10): 1443-1457.

郭少軍(1985-),男,助理工程師,博士研究生,主要研究方向為圖像融合,多目標檢測與模式識別。

E-mail:guoba2000@163.com.

沈同圣(1966-),男,教授,博士研究生導師,主要研究方向為圖像融合、多目標檢測與識別。

E-mail:TS-SY@163.com.

徐健(1983-),男,工程師,博士研究生,主要研究方向為目標識別、圖像融合技術。

E-mail:blues_coffee@163.com

馬新星(1983-),男,工程師,博士研究生,主要研究方向為多目標檢測識別與圖像融合。

E-mail:xinxing_2006@tom.com

網(wǎng)絡優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20150818.1519.006.html

Detection of multi-ship targets at sea based on ObjectNess BING

GUO Shao-jun1,3, SHEN Tong-sheng2, XU Jian1, MA Xin-xing1

(1.DepartmentofControlEngineering,NavyAeronauticalEngineeringUniversity,Yantai264001,China;

2.ChinaDefenseScienceandTechnologyInformationCenter,Beijing100142,China;

3.Unit91868ofthePLA,Sanya572000,China)

Abstract:It is found that generic objects with well-defined closed boundary can be discriminated by looking at the norm of gradients, with a suitable resizing of their corresponding image windows into a small fixes size,which can save a lot of time. Inspired by the high quality of ObjectNess binarized normed gradients (BING), it is used for the multi-ship target detection on the sea. Considering the characteristics of the ship targets and the artificial objects, a method of predicting the object candidate windows based on corner points and ObjectNess BING is proposed, which can also generates a small set of high quality ship target windows, yielding 96.2% object detection rate (DR) just like the former ObjectNess BING dose for the test of images downloaded from the internet, but with only 900+proposals. It reduces the time cost of ship targets detection and makes the ship detection more efficient than the former ObjectNess BING.

Keywords:ObjectNess binarized normed gradients (BING); detection of corner points; model training; ship target at sea; object detection

作者簡介：

中圖分類號：TP 391

文獻標志碼：A

DOI:10.3969/j.issn.1001-506X.2016.01.03

基金項目：國家自然科學基金(61303192)資助課題

收稿日期：2014-12-18；修回日期：2015-05-30；網(wǎng)絡優(yōu)先出版日期：2015-08-18。