一種在軌海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤方法*

矯騰章，胡玉新，呂鵬，張凱，臺(tái)憲青

(1 中國(guó)科學(xué)院電子學(xué)研究所， 北京 100190； 2 中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng) 技術(shù)重點(diǎn)實(shí)驗(yàn)室， 北京 100190； 3 中國(guó)科學(xué)院大學(xué)， 北京 100049)

基于遙感圖像的海上艦船目標(biāo)檢測(cè)與跟蹤是遙感衛(wèi)星對(duì)地觀測(cè)的重要研究方向，在海上交通、海上搜救和作戰(zhàn)指揮等方面具有重要作用。光學(xué)遙感圖像清晰直觀、細(xì)節(jié)信息豐富的特點(diǎn)，使其廣泛應(yīng)用于艦船檢測(cè)與跟蹤領(lǐng)域。視頻衛(wèi)星的出現(xiàn)使得衛(wèi)星具備了連續(xù)觀測(cè)能力，傳統(tǒng)的艦船檢測(cè)開始向檢測(cè)后的持續(xù)跟蹤轉(zhuǎn)變。傳統(tǒng)的衛(wèi)星數(shù)據(jù)處理模式是在衛(wèi)星獲取數(shù)據(jù)后進(jìn)行壓縮，然后在有限的過境時(shí)間內(nèi)將數(shù)據(jù)下傳至地面，地面接收數(shù)據(jù)后再進(jìn)行信息提取。然而，隨著遙感圖像分辨率的不斷提升，需要下傳的數(shù)據(jù)量隨之增大，進(jìn)而導(dǎo)致星地?cái)?shù)據(jù)傳輸?shù)臅r(shí)間大大增加，造成目標(biāo)檢測(cè)和跟蹤的時(shí)效性降低。另外，數(shù)據(jù)下傳至地面后處理的模式還受到數(shù)據(jù)傳輸帶寬和衛(wèi)星過境時(shí)間的限制，進(jìn)一步增加了數(shù)據(jù)的時(shí)延。要解決上述問題，可以采用在軌數(shù)據(jù)處理的方式，在衛(wèi)星上進(jìn)行艦船目標(biāo)的檢測(cè)與跟蹤。這樣，就可以在有限的數(shù)據(jù)下傳時(shí)間內(nèi)，將數(shù)據(jù)處理結(jié)果下傳至地面，從而提高目標(biāo)檢測(cè)和跟蹤的時(shí)效性。

國(guó)外在軌處理技術(shù)已日趨成熟，并廣泛應(yīng)用在軍事和民用領(lǐng)域。美國(guó)的EO-1衛(wèi)星可在軌對(duì)感興趣區(qū)域(region of interest，ROI)進(jìn)行自動(dòng)識(shí)別、變化檢測(cè)以及云判識(shí)別，并剔除無效數(shù)據(jù)[1]；德國(guó)的BIRD衛(wèi)星實(shí)現(xiàn)了著火點(diǎn)在軌檢測(cè)功能[2]；法國(guó)Pleiades-HR星座可實(shí)現(xiàn)在軌輻射校正和幾何校正等圖像預(yù)處理操作，同時(shí)還具備在軌數(shù)據(jù)分析和目標(biāo)特征提取能力[3]。中國(guó)在軌數(shù)據(jù)處理技術(shù)起步較晚，與發(fā)達(dá)國(guó)家之間有較大差距。因此，盡快建立能夠滿足在軌處理應(yīng)用需求的海上艦船目標(biāo)檢測(cè)與跟蹤方法，對(duì)充分發(fā)揮遙感衛(wèi)星效能，快速檢測(cè)、跟蹤和識(shí)別海上艦船目標(biāo)具有重要意義。

多目標(biāo)跟蹤是目標(biāo)跟蹤的一個(gè)重要分支。多目標(biāo)跟蹤根據(jù)目標(biāo)獲得方式可分為基于檢測(cè)的跟蹤(detection based tracking，DBT)和非基于檢測(cè)的跟蹤(detection free tracking，DFT)[4]。DBT需要在跟蹤過程中對(duì)每一幀圖像進(jìn)行目標(biāo)檢測(cè)，對(duì)檢測(cè)器的準(zhǔn)確度有較嚴(yán)要求[5-6]。DFT是在第1幀標(biāo)定目標(biāo)后，不再對(duì)后續(xù)幀圖像進(jìn)行目標(biāo)檢測(cè)。因此，DFT無法跟蹤第1幀之后出現(xiàn)的目標(biāo)。目前，DBT已經(jīng)成為多目標(biāo)跟蹤的主流方法，DBT實(shí)現(xiàn)多目標(biāo)跟蹤是將不同幀檢測(cè)到的目標(biāo)進(jìn)行數(shù)據(jù)關(guān)聯(lián)。Sittler[7]首先提出數(shù)據(jù)關(guān)聯(lián)這一概念，目前常用的數(shù)據(jù)關(guān)聯(lián)算法有最近鄰(nearest neighbor，NN)數(shù)據(jù)關(guān)聯(lián)、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(joint probability data association，JPDA)和多假設(shè)跟蹤(multiple hypothesis tracking，MHT)等[8]。NN數(shù)據(jù)關(guān)聯(lián)方法比較簡(jiǎn)單，計(jì)算量小，缺點(diǎn)是抗干擾能力較弱，在目標(biāo)密度或噪聲干擾較大時(shí)容易造成關(guān)聯(lián)錯(cuò)誤。劉勇等[9]利用迭代最近點(diǎn)和全局最近鄰算法實(shí)現(xiàn)靜止軌道衛(wèi)星目標(biāo)點(diǎn)跡關(guān)聯(lián)。JPDA能夠處理多目標(biāo)的情況，而且不需要任何目標(biāo)和雜波的先驗(yàn)知識(shí)，能較好適應(yīng)密集環(huán)境下的目標(biāo)跟蹤。蘇駿等[10]在JPDA基礎(chǔ)上，提出修正概率數(shù)據(jù)關(guān)聯(lián)算法，實(shí)現(xiàn)水下多目標(biāo)跟蹤。MHT算法通過延遲判斷關(guān)聯(lián)航跡的方式，提高存在航跡交叉情況時(shí)的數(shù)據(jù)關(guān)聯(lián)準(zhǔn)確度，但是當(dāng)被跟蹤目標(biāo)或干擾噪聲密度增大時(shí)，計(jì)算復(fù)雜度呈指數(shù)增長(zhǎng)。郭新民和呂鵬[11]采用概率多假設(shè)跟蹤算法，對(duì)多個(gè)目標(biāo)的“時(shí)間-距離-多普勒頻率”數(shù)據(jù)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，進(jìn)而得到多目標(biāo)的運(yùn)動(dòng)軌跡參數(shù)。

光學(xué)衛(wèi)星對(duì)地凝視成像過程中，相機(jī)受衛(wèi)星運(yùn)動(dòng)和姿態(tài)調(diào)整的影響會(huì)產(chǎn)生晃動(dòng)，造成兩幀圖像之間存在數(shù)個(gè)像元的抖動(dòng)，而在星上進(jìn)行圖像配準(zhǔn)需要消耗大量計(jì)算資源。此外，針對(duì)同一目標(biāo)不同觀測(cè)角度的觀測(cè)會(huì)造成不同幀之間輻射差異較大[12]。目前，地面數(shù)據(jù)處理需要對(duì)原始圖像進(jìn)行輻射校正、幾何校正和視頻穩(wěn)像等復(fù)雜的圖像預(yù)處理操作。然而，受到衛(wèi)星體積、功耗的限制，星載數(shù)據(jù)處理平臺(tái)計(jì)算資源有限，而對(duì)遙感序列圖像進(jìn)行在軌艦船目標(biāo)的檢測(cè)和跟蹤需要綜合考慮性能和復(fù)雜度。因此，無法將地面處理中的艦船目標(biāo)檢測(cè)和跟蹤方法直接應(yīng)用到在軌艦船目標(biāo)的檢測(cè)和跟蹤中[13]。為滿足在軌艦船目標(biāo)檢測(cè)和跟蹤的準(zhǔn)確性和實(shí)時(shí)性要求，結(jié)合光學(xué)遙感序列圖像的特點(diǎn)，本文提出一種基于多特征量判別的Canny邊緣檢測(cè)和JPDA的在軌海上運(yùn)動(dòng)艦船多目標(biāo)檢測(cè)和跟蹤方法。該方法利用多特征量判別的Canny邊緣檢測(cè)方法作為檢測(cè)器，逐幀對(duì)光學(xué)遙感圖像進(jìn)行艦船檢測(cè)，然后將檢測(cè)結(jié)果利用JPDA算法關(guān)聯(lián)到已確認(rèn)航跡上，形成每個(gè)艦船目標(biāo)的運(yùn)動(dòng)軌跡。最后，使用中國(guó)科學(xué)院微小衛(wèi)星創(chuàng)新研究院提供的高分微納衛(wèi)星實(shí)測(cè)圖像數(shù)據(jù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文所提方法可以滿足在軌對(duì)海上多運(yùn)動(dòng)艦船目標(biāo)進(jìn)行快速、準(zhǔn)確的檢測(cè)和跟蹤需求。

1 在軌海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤方法

1.1 基于多特征量判別的Canny邊緣檢測(cè)

目前，光學(xué)遙感圖像艦船檢測(cè)主要有以下3種方法：基于閾值分割的方法[14]、基于統(tǒng)計(jì)的方法[15]和基于分類的方法[16]?；陂撝捣指畹姆椒ㄊ悄壳笆褂米疃嗟姆椒?，該方法利用目標(biāo)和背景的灰度差異實(shí)現(xiàn)目標(biāo)的分割；基于統(tǒng)計(jì)的方法根據(jù)圖像的灰度值的統(tǒng)計(jì)概率分布檢測(cè)艦船；基于分類的方法利用機(jī)器學(xué)習(xí)的方式，通過提取艦船特征并構(gòu)造分類器實(shí)現(xiàn)艦船的檢測(cè)。

基于閾值分割的方法和基于統(tǒng)計(jì)的方法要求海面較為平靜，且無法處理艦船內(nèi)部灰度不均的情況；基于分類的方法需要大量的訓(xùn)練樣本訓(xùn)練分類器，而艦船樣本數(shù)量有限，無法滿足訓(xùn)練需求。在高分辨率遙感圖像中，海上艦船目標(biāo)輪廓清晰，細(xì)節(jié)明顯。因此，本文將邊緣檢測(cè)用于高分辨率光學(xué)遙感圖像艦船檢測(cè)。

邊緣檢測(cè)是圖像處理中常用方法，可以提取物體的結(jié)構(gòu)特征，常用的邊緣檢測(cè)算子有Sobel算子、Laplacian算子和Canny算子等。其中，Sobel算子適用于漸變圖像，對(duì)邊緣的定位精度不高；Laplacian算子是各向同性的，但是對(duì)噪聲比較敏感。綜上，考慮到高分辨率光學(xué)遙感圖像中，海上艦船目標(biāo)輪廓清晰、海面和云況較為復(fù)雜的特點(diǎn)，本文選擇Canny算子進(jìn)行邊緣檢測(cè)。

Canny邊緣檢測(cè)算法是由Canny[17]于1986年提出的，該算法能夠準(zhǔn)確地提取圖像中物體的邊緣。同時(shí)，實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，是一種優(yōu)秀的邊緣檢測(cè)算法。Canny邊緣檢測(cè)算法流程如下：首先，利用高斯濾波對(duì)原始圖像進(jìn)行降噪，高斯濾波器為G(i,j,σ)，其中(i,j)為高斯濾波器對(duì)應(yīng)點(diǎn)坐標(biāo)，σ為高斯函數(shù)的標(biāo)準(zhǔn)差。高斯濾波的計(jì)算公式如下

(i,j)=F(i,j)?G(i,j,σ)，

(1)

式中：F(i,j)為原始圖像(i,j)處的灰度值，I(i,j)為濾波后圖像(i,j)處的灰度值。然后，利用Canny算子計(jì)算圖像上(i,j)坐標(biāo)處的x方向偏導(dǎo)數(shù)Dx(i,j)和y方向偏導(dǎo)數(shù)Dy(i,j)，進(jìn)而求得梯度幅值M(i,j)和梯度方向θ(i,j)：

(2)

θ(i,j)=arctan(Dx(i,j)/Dy(i,j)).

(3)

然后，對(duì)梯度邊緣進(jìn)行非極大值抑制，保留最準(zhǔn)確的邊緣。最后，利用雙閾值法得到最終的邊緣檢測(cè)結(jié)果，閾值高于高閾值的點(diǎn)被判定為邊緣點(diǎn)，閾值在高低閾值之間且與邊緣點(diǎn)相連的點(diǎn)也被判定為邊緣點(diǎn)，否則為非邊緣點(diǎn)[18]。

多特征量判別的Canny邊緣檢測(cè)算法通過邊緣檢測(cè)提取的輪廓作為感興趣目標(biāo)，包含太陽(yáng)耀斑、碎云和島嶼等虛警目標(biāo)，利用感興趣目標(biāo)的連通域的面積、長(zhǎng)度、緊致度、長(zhǎng)寬比和質(zhì)密度5個(gè)特征構(gòu)建多特征判別器，剔除云和島嶼等虛警。其中，緊致度C的定義為目標(biāo)邊界長(zhǎng)度l的平方與目標(biāo)面積S的比值：C=l2/S。最小外接矩形的質(zhì)密度D，質(zhì)密度定義為連通區(qū)域最小凸多邊形的像素個(gè)數(shù)n與連通區(qū)域最小外接矩形像素個(gè)數(shù)N的比值：D=n/N。

一個(gè)基于多特征量判別的Canny邊緣檢測(cè)算法對(duì)海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)過程如圖1所示。圖1(a)為光學(xué)遙感衛(wèi)星對(duì)海上運(yùn)動(dòng)艦船目標(biāo)拍攝實(shí)測(cè)數(shù)據(jù)，從圖中可以清晰地看到4艘不同尺寸的運(yùn)動(dòng)艦船目標(biāo)。圖1(b)為圖1(a)使用多特征量判別的Canny邊緣檢測(cè)算法進(jìn)行多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)后的結(jié)果，從圖中可以看出4艘運(yùn)動(dòng)艦船的輪廓被清晰檢出。圖1(c)為圖1(b)進(jìn)行多特征量判別后的運(yùn)動(dòng)艦船目標(biāo)檢測(cè)結(jié)果，從圖中可以看出，盡管圖像中有大量云的干擾，但是仍然準(zhǔn)確檢測(cè)出全部4艘運(yùn)動(dòng)艦船目標(biāo)。

圖1 基于多特征量判別的Canny邊緣檢測(cè)算法的 多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)過程Fig.1 Multi-ship detection based on the multi-feature Canny edge detection algorithm

1.2 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)

為了得到每個(gè)艦船目標(biāo)的航行軌跡，需要將檢測(cè)到的艦船目標(biāo)位置與已有的軌跡進(jìn)行關(guān)聯(lián)。JPDA由Bar-shalom等人提出，被公認(rèn)為是解決密集環(huán)境下多目標(biāo)數(shù)據(jù)關(guān)聯(lián)的最有效方法之一[19]。設(shè)PD是檢測(cè)目標(biāo)概率，Np表示第p個(gè)量測(cè)的數(shù)量，Nτ是軌跡數(shù)量，λ是錯(cuò)誤量測(cè)密度，φ是雜波數(shù)量，ct是歸一化常數(shù)，t為航跡編號(hào)，δt是二進(jìn)制量，τp表示量測(cè)是否分配給某個(gè)航跡。根據(jù)落入跟蹤門內(nèi)的量測(cè)與目標(biāo)預(yù)測(cè)位置之間的關(guān)系建立確認(rèn)矩陣，計(jì)算落入跟蹤門內(nèi)的量測(cè)與目標(biāo)預(yù)測(cè)位置之間的關(guān)聯(lián)概率：

(4)

(5)

JPDA算法假設(shè)對(duì)目標(biāo)的狀態(tài)向量預(yù)測(cè)和量測(cè)向量預(yù)測(cè)分別為：

(6)

(7)

狀態(tài)更新方程為

(8)

式中：v(k)是組合更新，K(k)為濾波器增益矩陣，可以得到

(9)

式中：vtp(k)是對(duì)軌跡t的第p個(gè)量測(cè)的更新，βtp(k)是位置量測(cè)p來自于目標(biāo)t的概率，Np是量測(cè)數(shù)。

一個(gè)海上多運(yùn)動(dòng)艦船目標(biāo)航跡的數(shù)據(jù)關(guān)聯(lián)過程如圖2所示。圖2(a)展示的是3艘運(yùn)動(dòng)艦船目標(biāo)在海上運(yùn)動(dòng)的航跡，圖2(b)展示的是圖2(a)中3艘運(yùn)動(dòng)艦船目標(biāo)在海上運(yùn)動(dòng)的航跡經(jīng)過JPDA關(guān)聯(lián)后的結(jié)果。從該圖可以看出，盡管3艘船的航跡存在交叉，但是依然可以正確關(guān)聯(lián)，這是因?yàn)楸M管3艘船的航跡在空間域存在交叉，但是航跡交叉并不發(fā)生在同一時(shí)刻，也即意味著在空間域數(shù)據(jù)上加入時(shí)間軸，即可看出3艘船的航跡在“X方向-Y方向-時(shí)間”的三維域上不存在交叉，如圖2(c)所示。綜上，由于JPDA算法具有優(yōu)秀多目標(biāo)數(shù)據(jù)關(guān)聯(lián)性能，且計(jì)算復(fù)雜度適中，結(jié)合海上艦船目標(biāo)航跡不會(huì)同時(shí)交叉的特點(diǎn)，本文在星上海面多運(yùn)動(dòng)艦船目標(biāo)跟蹤中采用JPDA算法進(jìn)行航跡數(shù)據(jù)關(guān)聯(lián)。

圖2 基于JPDA算法的多艦船目標(biāo)跟蹤方法Fig.2 Multi-ship tracking method based on JPDA

經(jīng)典的數(shù)據(jù)關(guān)聯(lián)算法在多目標(biāo)跟蹤場(chǎng)景下的跟蹤準(zhǔn)確性已經(jīng)在文獻(xiàn)[20-22]中給出，本文不再贅述。本文對(duì)最鄰近方法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)方法和多假設(shè)跟蹤算法的計(jì)算復(fù)雜度進(jìn)行對(duì)比分析。3種方法的計(jì)算復(fù)雜度如表1所示。其中，Nk是k時(shí)刻的目標(biāo)數(shù)，Mk是k時(shí)刻的量測(cè)數(shù)，Yk是k時(shí)刻的假設(shè)數(shù)，Bk是k時(shí)刻的分枝數(shù)，W是新航跡數(shù)，ε是比率內(nèi)估計(jì)(estimation within ratio)，η是比率內(nèi)估計(jì)的概率(probability of estimation within ratio)。對(duì)比分析上述3種典型數(shù)據(jù)關(guān)聯(lián)算法的計(jì)算復(fù)雜度公式，可以得到以下結(jié)論：1)NN算法的計(jì)算復(fù)雜度隨著目標(biāo)數(shù)和量測(cè)數(shù)線性變化；2)JPDA算法復(fù)雜度公式中，ε和η是兩個(gè)固定常數(shù)，因此JPDA算法的計(jì)算復(fù)雜度隨量測(cè)數(shù)Mk呈指數(shù)變化；3)MHT算法的計(jì)算復(fù)雜度主要隨目標(biāo)數(shù)、假設(shè)數(shù)和分枝數(shù)呈線性變化，可是假設(shè)數(shù)和分枝數(shù)都隨量測(cè)數(shù)呈指數(shù)變化，很容易出現(xiàn)“組合爆炸”情況，占用大量計(jì)算資源。盡管MHT算法具有理論意義上的最優(yōu)性能，但是MHT算法的主要優(yōu)勢(shì)體現(xiàn)在對(duì)航跡同時(shí)交叉的情況能夠進(jìn)行準(zhǔn)確關(guān)聯(lián)。然而，對(duì)于海面艦船跟蹤場(chǎng)景而言，絕對(duì)不會(huì)出現(xiàn)航跡同時(shí)交叉的情況。因此，綜合考慮跟蹤性能和算法復(fù)雜度，本文采用JPDA算法進(jìn)行海面多運(yùn)動(dòng)艦船目標(biāo)跟蹤和數(shù)據(jù)關(guān)聯(lián)。

表1 不同數(shù)據(jù)關(guān)聯(lián)方法的計(jì)算復(fù)雜度Table 1 Computational complexities of different data association methods

1.3 基于多特征量判別的Canny邊緣檢測(cè)和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的在軌海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤方法

為了實(shí)現(xiàn)高分辨率光學(xué)遙感衛(wèi)星在軌海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤，綜合考慮檢測(cè)、跟蹤準(zhǔn)確性，以及星上計(jì)算資源的限制，本文提出一種基于多特征量判別的Canny邊緣檢測(cè)和JPDA的在軌海上多運(yùn)動(dòng)艦船目標(biāo)跟蹤方法，其關(guān)鍵步驟如圖3所示。

圖3 基于多特征量判別的Canny邊緣檢測(cè)和JPDA的 多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤方法流程圖Fig.3 Flow chart of multi-ship detection and tracking based on the multi-feature Canny edge detection and JPDA

所提方法關(guān)鍵處理流程包括：1)讀取原始光學(xué)遙感圖像數(shù)據(jù)；2)對(duì)遙感圖像進(jìn)行預(yù)處理，目的是提高圖像質(zhì)量，增加后續(xù)檢測(cè)和跟蹤準(zhǔn)確性。由于遙感圖像中的噪聲類型主要是高斯噪聲，因此，預(yù)處理過程主要任務(wù)是使用維納濾波器對(duì)原始遙感圖像中高斯噪聲進(jìn)行濾除；3)由于光學(xué)遙感圖像上薄云的灰度變化較為平緩，邊緣不明顯，可以在邊緣檢測(cè)時(shí)濾除。雖然較厚的云層會(huì)被邊緣檢測(cè)算法檢測(cè)出來，但是可以通過其形狀特征對(duì)其進(jìn)行判別，從而濾除。因此，在圖像預(yù)處理后使用基于多特征量判別的Canny邊緣檢測(cè)算法進(jìn)行艦船目標(biāo)檢測(cè)；4)使用JPDA算法對(duì)多艦船目標(biāo)檢測(cè)結(jié)果進(jìn)行數(shù)據(jù)關(guān)聯(lián)，得到多艦船目標(biāo)運(yùn)動(dòng)航跡；5)最后，顯示輸出多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)跟蹤結(jié)果。

2 實(shí)驗(yàn)及分析

為了滿足在軌條件下對(duì)多運(yùn)動(dòng)艦船目標(biāo)的檢測(cè)和跟蹤需求，將本文所提方法在模擬星載的嵌入式開發(fā)平臺(tái)上進(jìn)行驗(yàn)證，將基于多特征量判別的Canny邊緣檢測(cè)方法中的Canny算子與Sobel算子和Laplacian算子對(duì)艦船邊緣檢測(cè)的效果進(jìn)行對(duì)比，并利用該方法對(duì)不同質(zhì)量圖像的檢測(cè)性能和主要參數(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，最后基于嵌入式GPU開發(fā)平臺(tái)，對(duì)基于多特征量判別的Canny邊緣檢測(cè)方法進(jìn)行優(yōu)化。

2.1 利用本文所提方法對(duì)真實(shí)遙感圖像處理的結(jié)果

本節(jié)利用本文所提方法對(duì)中國(guó)科學(xué)院微小衛(wèi)星創(chuàng)新研究院提供的高分微納衛(wèi)星所拍圖像進(jìn)行處理，主要實(shí)驗(yàn)參數(shù)設(shè)置如表2所示。其中，W代表Canny算子內(nèi)核尺寸，THlb代表Canny算子低閾值，THub代表Canny算子高閾值，Clb代表緊致度下界，Cub代表緊致度上界，Dlb代表質(zhì)密度下界，Dub代表質(zhì)密度上界。

高分微納衛(wèi)星是中國(guó)科學(xué)院微小衛(wèi)星創(chuàng)新研究院研制的一顆低成本微納衛(wèi)星，軌道高度700 km，全色成像分辨率1.4 m，具有視頻與5譜段多光譜成像能力，視頻成像幅寬20 km×5.6 km。我們?cè)谠歼b感圖像中截取2 571 pixel×1 081 pixel的數(shù)據(jù)，原因是截取后的圖像中同時(shí)存在多艘運(yùn)動(dòng)艦船，并且存在云層干擾，可以更好地驗(yàn)證所提方法的性能。需要說明的是，該衛(wèi)星采用推掃成像模式。經(jīng)過預(yù)處理后的第1幀遙感圖像如圖4(a)所示，圖中艦船的運(yùn)動(dòng)方向是自右上至左下，而衛(wèi)星成像的推掃方向是自上而下。使用本文所提方法對(duì)該圖像序列進(jìn)行處理，多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)結(jié)果如圖4(b)所示。從圖中可以看出，盡管存在云和艦船尾跡的干擾，但是仍然準(zhǔn)確檢測(cè)出6艘不同尺寸的運(yùn)動(dòng)艦船目標(biāo)。

表2 主要參數(shù)設(shè)置Table 2 Main parameters

圖4 預(yù)處理后的第1幀圖像及其艦船目標(biāo)檢測(cè)結(jié)果Fig.4 The first frame image after preprocessing and the ship detection results based on the first frame image

圖5(a)和5(b)分別是前8幀圖像和全部13幀圖像進(jìn)行艦船目標(biāo)檢測(cè)和跟蹤的結(jié)果。從圖中可以看出，本文所提方法對(duì)全部艦船準(zhǔn)確實(shí)現(xiàn)了檢測(cè)和跟蹤。此外，從第9幀開始出現(xiàn)在視場(chǎng)的航跡7，被準(zhǔn)確地檢測(cè)和跟蹤，這說明本文所提方法對(duì)新航跡的起始也可以正常處理。

通過以上實(shí)驗(yàn)可以看出，本文所提方法能夠?qū)Ω叻直媛使鈱W(xué)遙感圖像中海上多艦船目標(biāo)實(shí)現(xiàn)準(zhǔn)確地檢測(cè)和跟蹤。

2.2 Sobel算子、Laplacian算子和Canny算子對(duì)艦船邊緣檢測(cè)效果的對(duì)比

為了對(duì)比Sobel算子、Laplacian算子和Canny算子在邊緣檢測(cè)中的性能和效果，本節(jié)對(duì)2.1節(jié)所用海面遙感圖像序列分別使用3種算子進(jìn)行邊緣檢測(cè)。其中，Sobel算子和Laplacian算子的內(nèi)核尺寸均為3×3，Canny算子各參數(shù)見表2。實(shí)驗(yàn)環(huán)境為：Windows 7系統(tǒng)，CPU為Intel Core i5-2430 2.40 GHz，內(nèi)存為4 GB。圖6展示了3種算子對(duì)第1幀數(shù)據(jù)進(jìn)行邊緣檢測(cè)的結(jié)果。其中，圖6(a)是經(jīng)過預(yù)處理后包含艦船目標(biāo)的圖像，6(b)是使用Sobel算子進(jìn)行邊緣檢測(cè)的結(jié)果，6(c)是使用Laplacian算子進(jìn)行邊緣檢測(cè)的結(jié)果，6(d)是使用Canny算子進(jìn)行邊緣檢測(cè)的結(jié)果。通過對(duì)比可以看出，在當(dāng)前實(shí)驗(yàn)條件下，與使用Sobel算子和Laplacian算子的邊緣檢測(cè)算法相比，Canny算子邊緣檢測(cè)算法擁有更加準(zhǔn)確的艦船目標(biāo)邊緣檢測(cè)能力，以及更加強(qiáng)大的抗噪聲干擾能力。

圖5 圖像序列的艦船目標(biāo)檢測(cè)和跟蹤結(jié)果Fig.5 The ship detection and tracking results based on the image sequence

圖6 3種邊緣檢測(cè)算子對(duì)海面艦船檢測(cè)結(jié)果對(duì)比圖Fig.6 Comparison of ship detection results among three edge detection operators

進(jìn)一步地，分別使用Sobel算子、Laplacian算子和Canny算子作為多特征量判別的邊緣檢測(cè)方法中的邊緣檢測(cè)算子，對(duì)全部13幀海面遙感圖像序列的共計(jì)83個(gè)艦船目標(biāo)進(jìn)行艦船目標(biāo)檢測(cè)，分別統(tǒng)計(jì)每種邊緣檢測(cè)算子對(duì)應(yīng)的檢測(cè)目標(biāo)數(shù)、虛警數(shù)、漏檢數(shù)和每幀圖像處理時(shí)間，統(tǒng)計(jì)結(jié)果如表3所示。從表3可以看出，Canny算子在檢測(cè)目標(biāo)數(shù)、虛警數(shù)和處理時(shí)間3個(gè)指標(biāo)上都明顯優(yōu)

表3 3種邊緣檢測(cè)算子海面艦船檢測(cè)結(jié)果Table 3 The result of ship detection using three edge detection operators

于Sobel算子，在檢測(cè)目標(biāo)數(shù)、漏檢數(shù)和處理時(shí)間3個(gè)指標(biāo)上都明顯優(yōu)于Laplacian算子。綜合全部4項(xiàng)指標(biāo)，本文使用的基于Canny算子的邊緣檢測(cè)算法在本實(shí)驗(yàn)場(chǎng)景中性能最好。

2.3 基于多特征量判別的Canny邊緣檢測(cè)方法對(duì)不同質(zhì)量圖像的艦船目標(biāo)檢測(cè)

本節(jié)利用基于多特征量判別的Canny邊緣檢測(cè)方法對(duì)不同質(zhì)量的圖像進(jìn)行艦船目標(biāo)檢測(cè)。由于光學(xué)遙感圖像中存在的噪聲主要是高斯噪聲，因此本文在原始遙感圖像上添加高斯噪聲，原始遙感圖像和添加不同強(qiáng)度高斯噪聲后的第13幀圖像如圖7所示。圖7(a)為原始遙感圖像的第13幀；圖7(b)～7(f)為原始遙感圖像的第13幀在添加高斯噪聲后的結(jié)果，它們的峰值信噪比(peak signal to noise ratio，PSNR)分別為30、28、25、22和20 dB。隨后利用本文方法進(jìn)行艦船目標(biāo)檢測(cè)，分別統(tǒng)計(jì)每種圖像質(zhì)量對(duì)應(yīng)的檢測(cè)目標(biāo)數(shù)、虛警數(shù)和漏檢數(shù)，統(tǒng)計(jì)結(jié)果如表4所示。從表中可以看出，檢測(cè)性能隨著圖像質(zhì)量的下降而下降，但是本文方法對(duì)現(xiàn)有實(shí)測(cè)圖像和添加噪聲后的實(shí)測(cè)圖像都有較好的艦船目標(biāo)檢測(cè)性能。

圖7 原始圖像及添加不同強(qiáng)度高斯噪聲后的圖像Fig.7 The original image and the images after adding Gaussian noises with five different intensities

表4 不同質(zhì)量遙感圖像的艦船檢測(cè)結(jié)果Table 4 The ship detection results based on different quality images

2.4 基于多特征量判別的Canny邊緣檢測(cè)方法的主要參數(shù)對(duì)檢測(cè)性能的影響

為了分析多特征量判別的Canny邊緣檢測(cè)方法的主要參數(shù)對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響，本節(jié)將令Canny算子低閾值THlb、高閾值THub、多特征量判別中的緊致度下界Clb、緊致度上界Cub和質(zhì)密度下界Dlb、質(zhì)密度上界Dub這6個(gè)主要參數(shù)在典型參數(shù)區(qū)間進(jìn)行實(shí)驗(yàn)，分析這6個(gè)主要參數(shù)對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響。6個(gè)參數(shù)的取值分別為：THlb=[8, 10, 12, 14, 16]，THub=[16, 24, 32, 40, 48]，Clb=[8, 10, 12, 14, 16]，Cub=[18, 24, 30, 36, 42]，Dlb=[0.08, 0.16, 0.24, 0.32, 0.40]，Dub=[0.50, 0.60, 0.70, 0.80, 0.90]。實(shí)驗(yàn)結(jié)果如圖8所示。圖8(a)～8(c)展示的是Canny算子低閾值THlb和高閾值THub對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響，從圖中可以看出，檢測(cè)目標(biāo)數(shù)隨低閾值THlb的增大而迅速下降，而高閾值THub對(duì)檢測(cè)目標(biāo)數(shù)影響較小，但是高閾值THub比低閾值THlb對(duì)虛警數(shù)的影響更大；圖8(d)～8(f)展示的是緊致度下界Clb和上界Cub對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響，從圖中可以看出，檢測(cè)目標(biāo)數(shù)隨緊致度上界Cub的增大而迅速變大，而緊致度下界Clb對(duì)檢測(cè)目標(biāo)數(shù)影響較小，但是緊致度下界Clb比上界Cub對(duì)虛警數(shù)的影響更大；圖8(g)～8(i)展示的是質(zhì)密度下界Dlb和上界Dub對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響，從圖中可以看出，檢測(cè)目標(biāo)數(shù)隨質(zhì)密度上界Dub的增大而迅速變大，而質(zhì)密度下界Dlb對(duì)檢測(cè)目標(biāo)數(shù)影響較小，但是質(zhì)密度下界Dlb比上界Dub對(duì)虛警數(shù)的影響更大。綜上，多特征量判別的Canny邊緣檢測(cè)方法對(duì)低閾值THlb、緊致度上界Cub和質(zhì)密度上界Dub3個(gè)參數(shù)的變化比較敏感，虛警數(shù)對(duì)高閾值THub、緊致度下界Clb和質(zhì)密度下界Dlb3個(gè)參數(shù)的變化比較敏感，在處理實(shí)測(cè)遙感圖像時(shí)，應(yīng)根據(jù)具體情況設(shè)置參數(shù)。

圖8 主要參數(shù)對(duì)艦船目標(biāo)檢測(cè)結(jié)果的影響Fig.8 Influences of the main parameters on the detection results

2.5 基于嵌入式GPU開發(fā)平臺(tái)的多特征量判別的Canny邊緣檢測(cè)方法優(yōu)化

隨著計(jì)算機(jī)圖形處理器的高速發(fā)展，利用GPU對(duì)遙感數(shù)據(jù)進(jìn)行處理成為實(shí)現(xiàn)遙感數(shù)據(jù)處理的重要途徑[26-28]。進(jìn)一步地，本文利用TX1作為模擬星載的嵌入式GPU開發(fā)平臺(tái)，實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的處理。Jetson TX1是NVIDIA第二代嵌入式GPU平臺(tái)開發(fā)者套件，集成4核ARM Cortex-A57處理器、Maxwell架構(gòu)的GPU、4 GB LPDDR4內(nèi)存、16 GB的eMMC5.1，提供了CUDA和OpenCV運(yùn)行環(huán)境，能夠?qū)崿F(xiàn)對(duì)載荷數(shù)據(jù)的快速處理。

由于JPDA算法邏輯操作相對(duì)復(fù)雜，不適合在GPU上實(shí)現(xiàn)并行優(yōu)化，因此本文對(duì)基于多特征量判別的Canny邊緣檢測(cè)各步驟的執(zhí)行時(shí)間進(jìn)行分析和優(yōu)化。

基于多特征量判別的Canny邊緣檢測(cè)各步驟的CPU執(zhí)行時(shí)間所占比例如圖9(a)所示。從圖中可以看出，高斯濾波過程占據(jù)大部分的執(zhí)行時(shí)間。由于高斯濾波利用卷積核對(duì)每個(gè)像素進(jìn)行卷積操作，可以利用GPU進(jìn)行并行優(yōu)化。GPU優(yōu)化后的基于多特征量判別的Canny邊緣檢測(cè)各步驟執(zhí)行時(shí)間比例如圖9(b)所示。從圖中可以看出，耗時(shí)較多的高斯濾波過程得到有效的優(yōu)化。表5展示基于多特征量判別的Canny邊緣檢測(cè)在CPU和GPU上面的運(yùn)行時(shí)間和加速比，從表中可以看出，經(jīng)過GPU優(yōu)化的基于多特征量判別的Canny邊緣檢測(cè)算法比在CPU上實(shí)現(xiàn)的速度有明顯提升。

圖9 基于多特征量判別的Canny邊緣檢測(cè)各步驟執(zhí)行時(shí)間比例Fig.9 The proportion of execution time for each step of the multi-feature Canny edge detection algorithm

表5 基于多特征量判別的Canny邊緣檢測(cè)算法 在GPU上的優(yōu)化加速比Table 5 Acceleration ratio of the multi-feature Canny edge detection algorithm on GPU

3 結(jié)束語(yǔ)

本文針對(duì)光學(xué)遙感衛(wèi)星在軌對(duì)海面多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤問題，提出一種基于多特征量判別的Canny邊緣檢測(cè)和JPDA的在軌海上多運(yùn)動(dòng)艦船目標(biāo)檢測(cè)和跟蹤方法。所提方法首先使用Canny邊緣檢測(cè)結(jié)合多幾何特征判別對(duì)光學(xué)遙感圖像海上多運(yùn)動(dòng)艦船目標(biāo)進(jìn)行檢測(cè)，然后利用JPDA算法對(duì)檢測(cè)出的艦船目標(biāo)與已有艦船目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行關(guān)聯(lián)，從而實(shí)現(xiàn)多艦船目標(biāo)的檢測(cè)和跟蹤。通過對(duì)中國(guó)科學(xué)院微小衛(wèi)星創(chuàng)新研究院提供的高分微納衛(wèi)星實(shí)測(cè)數(shù)據(jù)的處理與分析，驗(yàn)證了本文所提方法能夠在軌對(duì)海上多運(yùn)動(dòng)艦船目標(biāo)進(jìn)行快速、準(zhǔn)確的檢測(cè)和跟蹤。

非常感謝中國(guó)科學(xué)院微小衛(wèi)星創(chuàng)新研究院提供的高分微納衛(wèi)星實(shí)測(cè)圖像數(shù)據(jù)，使得本文所提方法得到有效的驗(yàn)證。