紅外在軌船只目標檢測方法研究

王文秀 傅雨田 董峰 李鋒

摘 要： 為了較好檢測紅外在軌船只目標，首先建立船只小目標Hu矩特征數(shù)據(jù)庫，緊接著對預處理后的紅外在軌圖像（測試圖像）進行二值化運算；考慮相關散點的影響，采用開運算對其進行消除，得到較為完整的連通區(qū)域并進行矩特征分析；最后，矩特征跟特征庫匹配，在限定閾值范圍內(nèi)則視為船只目標，并進行標記，識別效果精度高，可有效區(qū)分岸邊區(qū)域。該算法可快速實現(xiàn)特征提取與匹配，有效實現(xiàn)特定區(qū)域船只目標統(tǒng)計，對快速準確檢測海上艦船目標具有重要的研究價值。

關鍵詞： 在軌目標； 連通區(qū)域； 紅外圖像； 船只識別； 矩特征； 海上艦船目標

中圖分類號： TN219?34； TP751.1 文獻標識碼： A 文章編號： 1004?373X（2018）14?0092?04

Research on infrared on?orbit ship target detection method

WANG Wenxiu1，2，3， FU Yutian1，2， DONG Feng1，2， LI Feng1，2，3

（1. Key Laboratory of infrared detection and imaging technology of Chinese Academy of Sciences， Shanghai 200083， China；

2. Shanghai Institute of Technical Physics of Chinese Academy of Sciences， Shanghai 200083， China；

3. University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract： The Hu moment feature database for small ship targets is built， and the binary operation is performed for infrared on?orbit images （testing images） after preprocessing， so as to realize better detection of infrared on?orbit ship targets. The opening operation is adopted to eliminate the influence of related scattered points， so as to obtain relatively complete connected area and perform moment feature analysis. The moment features are matched with the feature base. If the moment features are within the range of limited threshold， they are regarded as the ship targets and then marked， which has high accurate recognition results and can effectively discriminate the shore area. The algorithm can rapidly realize feature extraction and matching， and obtain effective ship target statistics in specific areas， which has an important research value for rapid and accurate detection of marine ship targets.

Keywords： on?orbit target； connected area； infrared image； ship recognition； moment feature； marine ship target

0 引 言

紅外在軌圖像目標檢測與識別是遙感圖像處理和模式識別領域研究的熱點內(nèi)容。船只目標是海上重要的運輸載體，也是各國海上軍事的重要目標，因而在民用和軍事領域都有廣闊的應用前景。民用方面，船只目標的檢測可有效監(jiān)控特定港口及相關海域的海運和交通，配合安全管理部門監(jiān)測和打擊走私和海盜等違法行為；在軍事方面，對敵軍艦船目標的檢測對監(jiān)視敵方重點海域的艦船部署動態(tài)，分析敵軍海上作戰(zhàn)實力等都將具有重要的意義[1]。但是海面寬廣，目標相對較為分散，低空偵查較難獲取全面信息，在軌衛(wèi)星獲取目標較小，處理難度大，因而船只自動檢測與識別具有較大的挑戰(zhàn)性。近年來，衛(wèi)星遙感技術飛速發(fā)展，紅外探測器靈敏度不斷提升，不斷涌現(xiàn)高分辨率、短重訪周期的對地偵查衛(wèi)星，提供了海量的海上船只目標資源圖片。傳統(tǒng)的依靠人眼判別艦船目標信息方式，存在效率低、主觀性強、信息獲取慢等缺點，較難滿足對紅外遙感圖像小目標識別的要求[2]。船只目標的快速有效提取成了眾多科研人員研究的熱點，有著非常重要的現(xiàn)實意義。

遙感圖像小目標識別大多集中于可見光和SAR方面，相關檢測算法也在理論上得到應用。例如西安高新技術研究所的黃世奇早在2009年的文獻中就采用算法Coherence Reduction Speckle Noise（CRSN）和Coherence Constant False?Alarm Ratio（CCFAR）檢測算法，較為可行有效[3]。電子科技大學的趙志采用Space?borne SAR，Terrestrial AIS等結(jié)合，展示較為相關的結(jié)果[4]。最新的文獻中，Sungho Kim采用Adaboost?based machine learning 算法在SAR及紅外圖片中使用，得到較好的結(jié)果[5]。Adam Van Etten對在軌的可見光微小目標進行識別，研究內(nèi)容較新，同時得到較好的識別結(jié)果。例如其采用Canny邊緣檢測器預過濾器與HOG特征描述相結(jié)合，隨機森林分類器和滑動窗口。該方法在開放的水定位的性能較好，擁擠的地區(qū)仍然是一個挑戰(zhàn)，需要不斷改進。緊接著Adam Van Etten又采用HOG算子+卷積神經(jīng)網(wǎng)絡的方式對在軌圖像飛機目標識別，實現(xiàn)效果較好。電子所的王小龍?zhí)岢鲆环N線性S?LGGD算法對SAR圖像中的船只進行檢測，較快速實現(xiàn)檢測，只是識別結(jié)果不佳[6]。但以上算法都異常繁瑣，計算機仿真在每一步都耗費大量時間，本文旨在結(jié)合現(xiàn)有工程實例進行紅外在軌船只目標檢測，考慮后續(xù)硬件實現(xiàn)，實時性要求較高，采用矩特征船只目標的分析檢測，對小目標實時監(jiān)測具有重要的參考價值。

1 算法理論

圖像識別中最為常見的特征有紋理特征、形狀特征和空間關系特征。由于拍攝距離關系，在軌紅外海面圖像目標較小，很難看出相關紋理特征。同時，考慮后續(xù)實驗實時性等因素，空間關系在資源和時間的消耗大[4]，因而本文針對紅外在軌小目標進行形狀特征提取和檢測。

1.1 常見形狀特征提取方法

常見形狀特征提取算法有邊界特征、傅里葉形狀描述符、幾何參數(shù)及形狀不變矩[7]。

邊界特征法對形狀參數(shù)的分析最為常用的當屬角點監(jiān)測分析，用于檢測平行直線方法和邊界方向直方圖Hough變換也較為經(jīng)典[8]。在軌船只目標較小，相關角點較難判斷，平行直線也較少見，因而適用性低。

傅里葉形狀描述符法主要采用傅里葉變換方式進行，對目標的曲率函數(shù)、質(zhì)心距離、復坐標函數(shù)特征進行提取，可較好地將二維圖像問題轉(zhuǎn)換為一維特征匹配問題[9]，適合后期探索。

幾何參數(shù)法主要針對目標圓度、偏心率、主軸方向和代數(shù)不變矩以及面積周長等進行分析，部分形狀參數(shù)較難描述，且受分割效果影響較大[10]。

鑒于紅外在軌圖像中船只大小及種類的影響，非特定船只識別邊界特征也各不相同。本文對海上船只進行統(tǒng)一識別，前三種方法就存在一定的局限性，因而本文利用形狀不變矩法，對小目標所在區(qū)域的矩特征提取，作為形狀描述參數(shù)，降低受到邊界及分割效果的影響。

1.2 矩和Hu不變矩

矩是概率論中重要的理論內(nèi)容，是較為重要的數(shù)字特性，有著直觀的物理意義。在二維數(shù)的字圖像方面，矩的相關定義如下[11]：

設圖像區(qū)域f（x，y） 分段連續(xù)，并且在有限區(qū)域非零，那么定義原點矩和中心矩為[11]：

[mp，q=xpyqf（x，y）dxdy] （1）

[μp，q=（x-xc）p（y-yc）qf（x，y）dxdy] （2）

式中，[xc=m1，0m0，0]，[yc=m0，1m0，0]為圖像重心。

定義歸一化中心距為：[ηp，q=μp，qμ（p+q）2+10，0]

Hu不變矩是Hu.M.K在1962年證明了他們具有旋轉(zhuǎn)、縮放和平移不變性[11]。7個主要公式內(nèi)容如下：

有研究人員認為只有基于二階矩的不變矩對二維目標的描述才具有真正的旋轉(zhuǎn)、縮放和平移不變性[12]（恰好M1和M2都是由二階矩組成的）。在對圖像目標識別過程中，只有M1和M2不變性保持的比較好，其他的幾個不變矩帶來的誤差比較大，本文針對M1和M2特征進行提取和匹配。

2 算法檢測過程

本文在軌紅外圖像小目標識別主要包括4大塊內(nèi)容：主要為二值化、開運算、檢測連通區(qū)域、提取不變矩特征與匹配。針對紅外在軌船只目標識別，本文具體實施方案如下。

2.1 開啟運算

形態(tài)學基本運算內(nèi)容主要包括：腐蝕和膨脹、開啟和閉合。

腐蝕的過程是消除邊界點，并使得外邊界向內(nèi)部收縮的過程?？梢杂脕硐∏覠o意義的物體，本文中適合用于消除目標二值化引起的離散點。膨脹將物體外邊界背景點與目標合并，使邊界向外部拓展，可以用來填補物體中的空洞[13]。本文識別目標較小，腐蝕后對大小影響程度較大，因而適當?shù)嘏蛎洈U大目標，便于矩特征的提取。先腐蝕后膨脹的稱為開啟運算，先膨脹后腐蝕的過程稱為閉合運算，考慮識別目標特征性，進行開啟運算操作，實現(xiàn)方式如下：

腐蝕的過程：本文采用3[×]3的結(jié)構(gòu)，對圖像每一個像素進行掃描；使用邏輯語言“與”對其覆蓋的二值圖像做“與”操作；如果都為1，結(jié)果圖像的像素為1，否則為0；結(jié)果是使二值圖像減小一圈。

膨脹的過程：用3[×]3的結(jié)構(gòu)，對圖像每一個像素進行掃描；使用邏輯語言“與”對其覆蓋的二值圖像做“與”操作；如果都為0，結(jié)果圖像的像素為0，否則為1；結(jié)果是使二值圖像擴大一圈。開啟運算的實現(xiàn)及對圖像進行先腐蝕后膨脹操作。

2.2 連通區(qū)域檢測

本文對連通區(qū)域檢測步驟為：從上至下，從左至右依次遍歷圖像。如圖1所示。

如圖1a）所示，在從左至右的遍歷過程中將會遇到第一個白點，如果沒有被標記過，則標記為A，從A點出發(fā)，將A所在的外輪廓點全部跟蹤到，然后回到A點，并將路徑上的點全部標記為A的標號。圖1b）中，如果遇到已經(jīng)標記過的外輪廓點A′，則從A′向右，將它右邊的點都標記為A′的標號，直到遇到黑色像素為止，并標記為B。直到?jīng)]有白色像素為止[12?14]。

除此之外，還需對連通區(qū)域所在矩形框進行標記，進而截取對應區(qū)域，并進行特征提取。同時，根據(jù)矩特征的定義對重心進行標定，在結(jié)果圖像中能直觀顯示結(jié)果。

2.3 Hu不變矩的使用

如果把二值圖像看成二維密度分布函數(shù)，就可以把Hu不變矩特征有效用于圖像處理中[15]。

本文首先從已有在軌紅外海面圖片中資源中截取具有典型特征的船只目標，將尺寸調(diào)整為同等大小[30×30]。利用Hu不變矩公式計算特征，并建立Hu不變矩特征參考庫。在實際使用過程中，將現(xiàn)有圖像中每一個連通區(qū)域Hu不變矩特征提取后與樣本庫進行匹配，在限定匹配域之內(nèi)，即將其視為船只目標，并標注序號。

3 實驗及結(jié)果分析

本文選取較為典型的港口紅外在軌圖像進行分析，圖2為中國臺灣高雄港紅外在軌圖片。

由圖3可知，二值化后的圖像散點較為明顯，沒有鮮明的區(qū)域特征，因而相關區(qū)域特征整合算法變得很有必要。膨脹與腐蝕是最為常用的算法，考慮到目標較小特性，加之船只目標相對較為分散，膨脹是較好的選擇。

本文采用開運算，較好去除邊界處毛刺點，較好形成區(qū)域，如圖4所示。

對開運算后的圖片進行連通區(qū)域分割，緊接著提取對應的矩特征，并與特征庫進行匹配，得到如圖5所示的識別結(jié)果。

由檢測結(jié)果可知，港口信息并未對海面目標產(chǎn)生干擾，船只目標識別率高。算法運行速率高，加之本算法特征提取與匹配過程對硬件要求低，可有效用于實時目標檢測系統(tǒng)。

4 結(jié) 語

紅外在軌船只目標檢測是空間遙感技術的重要發(fā)展方向之一，在壓縮寬覆蓋紅外相機在軌圖像數(shù)據(jù)量，提高遙感應用的效率等方面具有重要的意義[16]，也將具有較高的應用價值。當前國內(nèi)這方面的工作主要開展在可見光波段，相關機器學習算法繁瑣，硬件難以實現(xiàn)。本文在實際應用中不斷向著優(yōu)于特征提取和特征匹配的方向處理，最終采取將預處理后的圖像進行二值化、開運算、及特征提取和匹配，能快速高效提取船只目標，將可以直接在有關型號上得到應用，進而實現(xiàn)對船只目標的實時監(jiān)測，不僅具有學術價值，更具有很強的工程應用價值。

參考文獻

[1] 王彥情，馬雷，田原.光學遙感圖像艦船目標檢測與識別綜述[J].自動化學報，2011，37（9）：1029?1039.

WANG Yanqing， MA Lei， TIAN Yuan. State?of?the?art of ship detection and recognition in optical remotely sensed imagery [J]. Acta automatica sinica， 2011， 37（9）： 1029?1039.

[2] WANG Xiaolong， CHEN Cuixia. A fast line?scanning?based detection algorithm for real?time SAR ship detection [J]. Original paper， 2015（9）： 1975?1982.

[3] HUANG Shiqi， LIU Daizhi， GAO Guiqing， et al. A novel method for speckle noise reduction and ship target detection in SAR images [J]. Pattern recognition， 2009， 42（7）： 1533?1542.

[4] ZHAO Zhi， JI Kefeng， XING Xiangwei， et al. Ship surveillance by integration of space?borne SAR and AIS： review of current research [J]. Journal of navigation， 2014， 67（1）： 177?189.

[5] KIM S， SONG W J， KIM S H. Robust ground target detection by SAR and IR sensor fusion using Adaboost?based feature selection [J]. Sensors， 2016， 16（7）： 1?27.

[6] 張振.高分辨率可見光遙感圖像港口及港內(nèi)目標識別方法研究[D].合肥：中國科學技術大學，2009.

ZHANG Zhen. A study on harbor target recognition in high resolution optical remote sensing image [D]. Hefei： University of Science and Technology of China， 2009.

[7] 楊曉.紅外圖像的目標識別技術研究[D].太原：中北大學，2009.

YANG Xiao. Research on technologies of infrared images target recognition [D]. Taiyuan： North University of China， 2009.

[8] 章學靜，陳禾，馬龍，等.一種基于子圖特征的快速圖像配準算法[J].北京理工大學學報，2015，35（7）：744?749.

ZHANG Xuejing， CHEN He， MA Long， et al. Fast image registration algorithm based on sub?image features [J]. Transactions of Beijing Institute of Technology， 2015， 35（7）： 744?749.

[9] LI Miao， LONG Yunli， LI Jun， et al. Complex morphology small targets detection based on spatial?temporal sparse recovery in infrared surveillance system [C]// Proceedings of 2nd Space Target and Debris Monitoring and Cleaning Technology and Its Application Academic Conference. Suzhou： Chinese Society for optical engineering， 2015： 1?4.

[10] 李俊山.基于特征的紅外圖像目標匹配與跟蹤技術[M].北京：科學出版社，2014.

LI Junshan. Feature based target matching and tracking technique for infrared image [M]. Beijing： Science Press， 2014.

[11] HU Mingkuei. Visual pattern recognition by moment invariants [J]. IRE transactions on information theory， 1962， 8（2）： 179?187.

[12] 曾接賢，付俊，符祥.特征點和不變矩結(jié)合的遙感圖像飛機目標識別[J].中國圖象圖形學報，2014，19（4）：592?602.

ZENG Jiexian， FU Jun， FU Xiang. Aircraft target recognition in remote sensing images based on distribution of the feature points and invariant moments [J]. Journal of image and graphics， 2014， 19（4）： 592?602.

[13] 張毓晉.圖像分析（中冊）[M].北京：清華大學出版社，2012：310?315.

ZHANG Yujin. Image analysis （Vol. II） [M]. Beijing： Tsinghua University Press， 2012： 310?315.

[14] Ronny.圖像分析：二值圖像連通域標記[EB/OL].[2014?03?14]. www.cnblogs.com/ronny/p/img_aly_01.html.

Ronny. Image analysis： connected area labeling of binary images [EB/OL]. [2014?03?14]. www.cnblogs.com/ronny/p/img_aly_01.html.

[15] 杜慶海，于忠清，張佳.基于不變矩特征的圖像識別[J].信息技術與信息化，2008（6）：96?97.

DU Qinghai， YU Zhongqing， ZHANG Jia. Image searching and recognition based on moment invariant [J]. Information technology and informatization， 2008（6）： 96?97.

[16] 王瑞鳳，楊憲江，吳偉東.發(fā)展中的紅外熱成像技術[J].紅外與激光工程，2008，37（z2）：699?702.

WANG Ruifeng， YANG Xianjiang， WU Weidong. Development of infrared thermal imaging technology [J]. Infrared and laser engineering， 2008， 37（S2）： 699?702.