一種基于差分濾波的紅外艦船目標(biāo)檢測(cè)方法

修炳楠 呂俊偉 鹿珂珂

1.海軍航空大學(xué)山東煙臺(tái)264001

無(wú)人機(jī)對(duì)指定區(qū)域的艦船目標(biāo)進(jìn)行偵察監(jiān)視時(shí),如果對(duì)被偵察目標(biāo)缺乏有效的預(yù)先樣本圖像積累,很難使用機(jī)器學(xué)習(xí)等需要大量樣本圖像數(shù)據(jù)的方法進(jìn)行圖像目標(biāo)檢測(cè).在這種情況下,可以采用預(yù)先分析紅外艦船目標(biāo)特征,根據(jù)目標(biāo)特征設(shè)計(jì)檢測(cè)器的方式來(lái)進(jìn)行圖像目標(biāo)檢測(cè).

目前,紅外艦船目標(biāo)檢測(cè)典型的研究方向有特征判別、視覺(jué)顯著性檢測(cè)和背景剪除等.其中,特征判別類(lèi)算法一般根據(jù)圖像的全局或者局部特征來(lái)檢測(cè)目標(biāo).經(jīng)典的點(diǎn)特征檢測(cè)算法是Harris 提出的角點(diǎn)檢測(cè)算法[1].該算法用微分算子和矩陣特征值進(jìn)行檢測(cè).算法對(duì)噪聲不敏感且具有旋轉(zhuǎn)不變性.因其具有較高的檢測(cè)準(zhǔn)確率,至今依然被應(yīng)用于目標(biāo)檢測(cè).Harris-Laplacian 檢測(cè)算子[2?3]將Harris 角點(diǎn)檢測(cè)算子與高斯尺度空間相結(jié)合,使角點(diǎn)檢測(cè)增加了尺度不變性.高斯拉普拉斯檢測(cè)算子(Laplace-of-Gaussian,LoG)[4?5]與Harris-Laplacian 采用相同的尺度選擇函數(shù).但是LoG 算子采用了更能突出特征點(diǎn)顯著度的位置選擇函數(shù),常用來(lái)進(jìn)行斑點(diǎn)檢測(cè).高斯差分算子(Difference-of-Gaussian,DoG)[6?7]為了避免LoG 算子求取中必須進(jìn)行的二階微分運(yùn)算,轉(zhuǎn)而采用一組特定常量對(duì)圖像作卷積,減少了計(jì)算量,并且取得與LoG 算子近似的結(jié)果.

采用上述特征描述方法描述紅外艦船目標(biāo)特征時(shí),由于對(duì)目標(biāo)在多尺度下的特征表達(dá)不夠完整,導(dǎo)致圖像中同時(shí)存在多個(gè)大小不同的目標(biāo)時(shí),檢測(cè)結(jié)果容易出現(xiàn)較大偏差.且上述計(jì)算量較大,不適用于對(duì)實(shí)時(shí)性要求較高的場(chǎng)合.

基于對(duì)紅外艦船目標(biāo)特性的分析,提出一種改進(jìn)的斑點(diǎn)檢測(cè)方法.該方法基于多分辨率差分濾波進(jìn)行艦船目標(biāo)檢測(cè),且無(wú)需大量預(yù)先樣本圖像.可以在保持檢測(cè)準(zhǔn)確率的前提下對(duì)高斯差分算子檢測(cè)方法的計(jì)算進(jìn)行簡(jiǎn)化.該方法避免了反復(fù)進(jìn)行高斯濾波運(yùn)算,從而簡(jiǎn)化位置選擇計(jì)算過(guò)程.同時(shí),因?yàn)樵诿總€(gè)分辨率下只作單尺度差分濾波,所以能降低尺度選擇計(jì)算量.

1 問(wèn)題的提出

紅外圖像中艦船目標(biāo)的灰度一般與背景有較大差距.但是由于艦船目標(biāo)自身的灰度不均勻和圖像中海洋背景的噪點(diǎn)干擾,基于角點(diǎn)特征的檢測(cè)方法很難準(zhǔn)確檢測(cè)海洋背景下的紅外艦船目標(biāo).而利用斑點(diǎn)特征可以有效地進(jìn)行紅外目標(biāo)檢測(cè).

紅外圖像斑點(diǎn)是指圖像中與周?chē)鷧^(qū)域在灰度上有較大差異的區(qū)域.斑點(diǎn)區(qū)域內(nèi)部的灰度差異不會(huì)影響斑點(diǎn)檢測(cè)結(jié)果.同時(shí),斑點(diǎn)區(qū)域也不容易被周?chē)鷪D像噪點(diǎn)干擾.因此,利用斑點(diǎn)特征可以有效地進(jìn)行紅外目標(biāo)檢測(cè).本文重點(diǎn)研究利用差分濾波原理進(jìn)行紅外艦船目標(biāo)檢測(cè).

2 檢測(cè)方法

2.1 基本檢測(cè)方法

人工設(shè)計(jì)檢測(cè)器時(shí)一般采用實(shí)驗(yàn)的方式尋找目標(biāo)的特征,再針對(duì)目標(biāo)特征設(shè)計(jì)檢測(cè)器的圖像處理模塊、檢測(cè)流程和相關(guān)參數(shù).基本檢測(cè)方法是對(duì)輸入圖像在多個(gè)分辨率下作差分濾波,取每個(gè)像素的多分辨率差分濾波結(jié)果最大值作為濾波結(jié)果.計(jì)算濾波結(jié)果在目標(biāo)候選區(qū)上的平均灰度.選取平均灰度大于設(shè)定閾值的目標(biāo)候選區(qū)作為紅外艦船目標(biāo)檢測(cè)結(jié)果.

2.1.1 多分辨率差分濾波

1)差分濾波:差分濾波主要用來(lái)檢測(cè)圖像中的斑點(diǎn),即圖像中與周?chē)谢叶炔町惖膮^(qū)域.這些斑點(diǎn)可能就是紅外艦船目標(biāo)區(qū)域.本文方法進(jìn)行斑點(diǎn)檢測(cè)的基本思路是對(duì)輸入圖像分別進(jìn)行平滑濾波和均值濾波,再將兩個(gè)濾波結(jié)果作差分.

圖1 多分辨率差分濾波原理圖

其中,?r≤u≤r,?r≤v≤r.

由式(1)可見(jiàn),σ 是式(1)中直接影響濾波結(jié)果的參數(shù).因?yàn)榫嚯x濾波器模板中心越遠(yuǎn)的像素權(quán)重越低,經(jīng)過(guò)卷積濾波后對(duì)結(jié)果影響越小.而σ 的大小決定了濾波器模板中權(quán)重分配.由式(1)可知,距離濾波器模板中心超過(guò)3σ 的像素對(duì)濾波結(jié)果的影響可以忽略不計(jì).因此,濾波器對(duì)等效半徑為3σ 的斑點(diǎn)檢測(cè)效果最佳.計(jì)算可得,濾波器最佳檢測(cè)面積為π(3σ)2.

為了使不同大小的紅外艦船目標(biāo)都能被正確檢測(cè),需要用不同大小的σ 作為濾波器參數(shù)分別對(duì)圖像作處理.而在濾波器σ 不變的情況下,改變被處理圖像的分辨率能夠達(dá)到與改變?chǔ)?相同的效果.因此,采用多分辨率濾波的方式進(jìn)行處理,可以保證各種尺寸的目標(biāo)都能被正確有效檢測(cè)出來(lái).

提出的多分辨率差分濾波方法原理如圖1所示.對(duì)輸入圖像及其降采樣圖像分別求取差分結(jié)果.取4個(gè)分辨率下的差分結(jié)果最大值作為最終的濾波結(jié)果.

2)圖像金字塔:圖像金字塔是一系列分辨率逐步降低的圖像以金字塔形狀排列組成的集合,是一種有效的圖像多分辨率處理方式.

圖像金字塔的最下一層是高分辨率的待處理圖像.隨著金字塔的層數(shù)升高,相應(yīng)層的圖像尺寸和分辨率都依次降低.

2.1.2 選擇性搜索算法

采用選擇性搜索算法生成初始候選區(qū).選擇性搜索算法首先用圖像分割方法生成初始分割區(qū)域.然后通過(guò)相似度計(jì)算將初始分割的小區(qū)域合并,進(jìn)而得到數(shù)量較少而包含目標(biāo)可能性更高的候選區(qū).

圖2 圖像金字塔

2.1.3 選擇性搜索與差分濾波的融合

對(duì)選擇性搜索結(jié)果與差分濾波結(jié)果的融合算法是:計(jì)算差分濾波結(jié)果圖中目標(biāo)候選區(qū)內(nèi)的圖像平均灰度,保留平均灰度大于設(shè)定閾值的候選區(qū),作為目標(biāo)檢測(cè)結(jié)果.

為了加快平均灰度計(jì)算速度,采用積分圖方法.

對(duì)灰度圖像來(lái)說(shuō),任一點(diǎn)A(x,y)的積分圖表示圖像左上角到該點(diǎn)所圍成區(qū)域內(nèi)所有點(diǎn)的灰度總和.

圖3中A點(diǎn)的積分圖為

其中,G(x,y)表示點(diǎn)A(x,y)的積分圖,i(x′,y′)表示點(diǎn)(x′,y′)的灰度值.

圖3 積分圖

區(qū)域D的積分圖求法如下:

其中,G(e)、G(f)、G(g)、G(h)分別表示e、f、g、h各點(diǎn)的積分圖.如圖4所示.

圖4 區(qū)域積分圖

2.2 具體檢測(cè)方法

本文檢測(cè)算法總體流程如圖5所示.對(duì)輸入圖像分別用選擇性搜索算法和多分辨率差分濾波的方法作處理.再將兩種方法生成的紅外艦船目標(biāo)候選區(qū)進(jìn)行融合,得到最終檢測(cè)結(jié)果.

圖5 目標(biāo)檢測(cè)流程圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

3.1.1 實(shí)驗(yàn)圖像的采集與選取

實(shí)驗(yàn)中,用無(wú)人機(jī)掛載的長(zhǎng)波紅外攝像機(jī)拍攝紅外視頻.再將視頻轉(zhuǎn)存至圖像處理計(jì)算機(jī).每幀圖像尺寸均為530×639 像素.

選取其中139 張圖像組成測(cè)試圖像數(shù)據(jù)集.測(cè)試數(shù)據(jù)集圖像中包含從不同角度拍攝的各型艦船.測(cè)試數(shù)據(jù)集中圖像背景均為海洋背景.圖6為測(cè)試圖像數(shù)據(jù)集中3 幅示例圖像.

利用MATLAB 中目標(biāo)標(biāo)注程序手工標(biāo)注圖像中艦船目標(biāo),得到艦船目標(biāo)樣本圖像和目標(biāo)位置,為計(jì)算目標(biāo)檢測(cè)準(zhǔn)確率作準(zhǔn)備.圖7為部分目標(biāo)示例.

3.1.2 實(shí)驗(yàn)方法的選擇

實(shí)驗(yàn)所用圖像數(shù)據(jù)集中,艦船目標(biāo)的灰度與周?chē)尘坝休^大差異.

如圖8所示,從原圖像的三維分析中可以更直觀地看出,艦船目標(biāo)的灰度級(jí)明顯高于周?chē)尘?另外,從原圖和三維分析圖可以看出,噪聲干擾比較少.因此,可以采用構(gòu)建多分辨率高斯金字塔進(jìn)行差分濾波的方法進(jìn)行目標(biāo)檢測(cè).同時(shí),為了提高檢測(cè)準(zhǔn)確率,對(duì)原圖像進(jìn)行選擇性搜索,得到目標(biāo)候選區(qū).將這些候選區(qū)同多分辨率差分濾波的結(jié)果進(jìn)行融合,得到最終檢測(cè)結(jié)果.

作為多分辨率差分濾波檢測(cè)方法的對(duì)比實(shí)驗(yàn),采用提取方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征進(jìn)行支持向量機(jī)(Support Vector Machine,SVM)分類(lèi)的檢測(cè)方法對(duì)相同的測(cè)試圖像作目標(biāo)檢測(cè)實(shí)驗(yàn).

3.1.3 多分辨率差分濾波目標(biāo)檢測(cè)實(shí)驗(yàn)

在搭載Intel (R)Core (TM)i7-6700 K CPU 4.00 GHz 處理器,32 G 內(nèi)存的PC 機(jī)上使用MATLAB R2014a 進(jìn)行實(shí)驗(yàn).后續(xù)檢測(cè)實(shí)驗(yàn)均在此硬件實(shí)驗(yàn)環(huán)境下進(jìn)行.

用多分辨率差分濾波的方法對(duì)輸入圖像進(jìn)行處理.如圖9和圖10所示.其中,構(gòu)建高斯圖像金字塔所用高斯濾波器采用9×9 的卷積核,方差σ 設(shè)為1.6,高斯金字塔層數(shù)為4,平滑濾波器采用9×9 的均值濾波卷積核.

經(jīng)過(guò)多分辨率差分濾波后得到目標(biāo)區(qū)域大致輪廓.為了進(jìn)一步降低噪聲干擾,再用高斯平滑濾波器進(jìn)行濾波,以便下一步處理.

圖6 測(cè)試圖像數(shù)據(jù)集示例

圖7 數(shù)據(jù)集樣本示例

圖8 測(cè)試圖像及其三維分析圖

圖9 輸入圖像及其三維分析圖

圖10 多分辨率差分濾波檢測(cè)

用選擇性搜索算法提取輸入圖像的目標(biāo)候選區(qū).在平滑后的差分濾波圖中計(jì)算所有候選區(qū)的平均灰度.當(dāng)候選區(qū)內(nèi)圖像平均灰度大于閾值時(shí),判定此候選區(qū)為目標(biāo)區(qū).當(dāng)候選區(qū)內(nèi)圖像平均灰度小于閾值時(shí),判定此區(qū)域?yàn)楸尘?框選出目標(biāo)區(qū),得到最終檢測(cè)結(jié)果.

3.1.4 對(duì)比實(shí)驗(yàn)檢測(cè)結(jié)果

作為對(duì)比實(shí)驗(yàn),在相同實(shí)驗(yàn)環(huán)境下,對(duì)相同的輸入圖像采用HOG 特征加SVM 分類(lèi)的方法進(jìn)行目標(biāo)檢測(cè)實(shí)驗(yàn).

相對(duì)于HOG 結(jié)合SVM 檢測(cè)方法,多分辨率差分濾波檢測(cè)方法對(duì)本文測(cè)試圖像的檢測(cè)準(zhǔn)確率更高.如圖11所示,HOG 結(jié)合SVM 檢測(cè)方法兩次出現(xiàn)誤檢測(cè)現(xiàn)象,將多個(gè)目標(biāo)誤檢測(cè)為單個(gè)目標(biāo).而多分辨率差分濾波檢測(cè)方法準(zhǔn)確檢測(cè)出了圖像中的所有艦船目標(biāo).

圖11 多分辨率差分濾波檢測(cè)結(jié)果與HOG+SVM 檢測(cè)結(jié)果對(duì)比

對(duì)測(cè)試圖像數(shù)據(jù)集中前130 幅圖像進(jìn)行二對(duì)折交叉驗(yàn)證,得到HOG 結(jié)合SVM 檢測(cè)方法檢測(cè)準(zhǔn)確率.再對(duì)相同的130 幅圖像分別作多分辨率差分濾波檢測(cè),計(jì)算平均檢測(cè)準(zhǔn)確率.如表1所示,多分辨率差分濾波檢測(cè)方法的平均檢測(cè)準(zhǔn)確率比HOG 結(jié)合SVM 方法的平均檢測(cè)準(zhǔn)確率更高.

表1 兩種檢測(cè)方法的平均檢測(cè)準(zhǔn)確率

3.2 實(shí)驗(yàn)分析

1)實(shí)驗(yàn)結(jié)果表明,多分辨率差分濾波檢測(cè)方法對(duì)于本文紅外艦船目標(biāo)的檢測(cè)效果較好.由于多分辨率差分濾波處理能夠?qū)⒛繕?biāo)與背景的灰度差異拉大,使得目標(biāo)更容易被檢測(cè)出來(lái).

從圖12(a)中可以看出,對(duì)于方框標(biāo)出的1 ～4號(hào)目標(biāo),由于其距離拍攝鏡頭較遠(yuǎn),所以在原圖中較小,且與背景差異不大,難于被檢測(cè)出來(lái).經(jīng)過(guò)本文方法處理后,1 ～4 號(hào)目標(biāo)與背景的灰度差異被拉大.由圖12(b)、圖12(c)可以看出,1 ～4 號(hào)目標(biāo)的灰度均高于背景及噪聲干擾,在三維圖中形成了突出于背景的尖峰,從而更容易被檢測(cè)出來(lái).從圖12(d)可以看出5 號(hào)目標(biāo)經(jīng)過(guò)本文檢測(cè)方法處理后在灰度上與背景差異非常明顯,能夠被檢測(cè)器成功檢測(cè).

圖12 多分辨率差分濾波結(jié)果三維分析

2)對(duì)實(shí)驗(yàn)結(jié)果分析表明,被檢測(cè)目標(biāo)尺寸與差分濾波器最佳濾波半徑3σ(σ 為高斯低通濾波器標(biāo)準(zhǔn)差)越接近,越容易被成功檢測(cè)出來(lái).

由圖13可見(jiàn),對(duì)于同一張?jiān)紙D像中相同的目標(biāo),采用不同的σ 進(jìn)行差分濾波所得結(jié)果有很大不同.σ 取16 時(shí),圖像中尺度較小的目標(biāo)濾波響應(yīng)值低.最終檢測(cè)結(jié)果也顯示,尺度較小的目標(biāo)沒(méi)有被正確檢測(cè).σ 取2 時(shí),圖像中尺度較小的艦船目標(biāo)濾波響應(yīng)值明顯高于σ 取16 時(shí)的響應(yīng)值.最終檢測(cè)結(jié)果也顯示,尺度較小的目標(biāo)能夠被正確檢測(cè).

原圖像中6 艘艦船尺寸如表2所示.

表2 圖像中艦船目標(biāo)尺寸

σ = 16 時(shí),濾波結(jié)果中艦船目標(biāo)呈模糊的塊狀亮斑.此時(shí),濾波器最佳檢測(cè)面積為7 238.由表2可知,1 號(hào)和2 號(hào)目標(biāo)的等效面積與濾波器最佳檢測(cè)面積最接近,所以濾波結(jié)果灰度級(jí)最高.而其他目標(biāo)的等效面積與濾波器最佳檢測(cè)面積相差較大,所以濾波結(jié)果的灰度級(jí)低,在濾波結(jié)果圖像中表現(xiàn)為與背景相似的灰暗斑塊.相應(yīng)的檢測(cè)結(jié)果中,等效面積與濾波器最佳檢測(cè)面積相差最大的5 號(hào)和6 號(hào)目標(biāo)沒(méi)有被正確檢測(cè)出來(lái).

σ = 2 時(shí),濾波結(jié)果中艦船目標(biāo)的邊緣被突出顯示出來(lái).此時(shí),濾波器最佳檢測(cè)面積為113.5 號(hào)和6號(hào)目標(biāo)的等效面積與濾波器最佳檢測(cè)面積相差較小,而其他目標(biāo)的等效面積與濾波器最佳檢測(cè)面積相差較大.相應(yīng)的檢測(cè)結(jié)果中,等效面積與濾波器最佳檢測(cè)面積相差最小的5 號(hào)和6 號(hào)目標(biāo)都能被正確檢測(cè)出來(lái).

由上述分析可得,改變?chǔ)?取值,使濾波器最佳檢測(cè)面積π(3σ)2與被檢目標(biāo)等效面積越接近,目標(biāo)被成功檢測(cè)的可能性就越高.

3)由實(shí)驗(yàn)結(jié)果可見(jiàn),在閾值為5,高斯低通濾波器卷積模板尺寸為9×9,標(biāo)準(zhǔn)差為1.6 時(shí),多分辨率差分濾波檢測(cè)算法針對(duì)本實(shí)驗(yàn)圖像數(shù)據(jù)集的平均檢測(cè)準(zhǔn)確率達(dá)到最高,達(dá)到89.378%.本文方法對(duì)互相重疊的多個(gè)目標(biāo)均誤檢測(cè)為一個(gè)目標(biāo).這是造成檢測(cè)準(zhǔn)確率下降的根本原因.多個(gè)目標(biāo)互相重疊時(shí),本文檢測(cè)方法無(wú)法準(zhǔn)確得到帶有多個(gè)尖峰的濾波結(jié)果,這導(dǎo)致將這些目標(biāo)誤檢為一個(gè)目標(biāo).

圖13 差分濾波結(jié)果對(duì)比圖

4 結(jié)論

由實(shí)驗(yàn)結(jié)果可見(jiàn),多分辨率差分濾波檢測(cè)方法可以對(duì)海洋背景中的紅外艦船目標(biāo)進(jìn)行有效檢測(cè).在同樣實(shí)驗(yàn)條件下,針對(duì)本文圖像數(shù)據(jù)集,多分辨率差分濾波檢測(cè)方法比使用HOG 結(jié)合SVM 的檢測(cè)方法平均檢測(cè)準(zhǔn)確率高,平均檢測(cè)準(zhǔn)確率達(dá)到89.378%.將多分辨率差分濾波與選擇性搜索結(jié)合的方法能夠?qū)⒛繕?biāo)的灰度、紋理、大小和形狀等特征綜合利用,進(jìn)而提高檢測(cè)準(zhǔn)確率.

本文方法不能準(zhǔn)確檢測(cè)互相重疊的多個(gè)目標(biāo),這是本方法在未來(lái)需要進(jìn)一步研究改進(jìn)的方向.