基于鷹視頂蓋響應和對比度感應機制的海上目標檢測算法

胡 爽，鄧亦敏

(北京航空航天大學 自動化科學與電氣工程學院，北京 100083)

0 引 言

海上目標的檢測識別是計算機視覺領域關注的一個重要課題，其技術被應用于水文信息采集、遙感測繪、海事救援、海洋漁業(yè)等諸多領域。隨著相關成像技術的發(fā)展成熟，面對未來水上環(huán)境的立體化、多樣化、復雜化，基于圖像處理、計算機視覺技術的海上目標檢測與識別成為當前研究的熱點，具有廣闊的應用場景[1]。

當前海上目標檢測研究的主要對象是水面艦船，海上目標的背景一般為顏色紋理較為單一的海面環(huán)境，與海上目標的相關特征反差較大，故現(xiàn)有檢測算法主要針對海上目標的顏色、輪廓、形狀以及紋理等特征進行檢測，常見的有閾值分割法、邊緣檢測法以及基于顯著性的檢測方法。閾值分割法對目標、背景有一定的要求，分離精度高，同時通用性較低；目標與背景顏色差異不大、邊緣特征不明顯時，邊緣檢測法效果不佳；基于顯著性的檢測方法實現(xiàn)較為簡單，在目標特征較為明顯且背景較為單一時效果較好，這與海上目標檢測的任務環(huán)境是相契合的。

近年來，針對海上目標顯著性檢測，郭少軍等[2]提出一種基于顏色圖像塊聚類的艦船顯著性檢測方法，該方法對顏色相似區(qū)域做聚類處理，對其邊緣進行背景索引標記獲得顯著度，最終獲得顯著性目標。余東行等[3]將顯著性檢測和深度學習結合，對艦船目標進行定位和分類。劉偉建[4]將局部方向特征和顏色特征相融合，進行艦船顯著性檢測，有效抑制了孤立噪聲點的干擾，施天俊等[5]結合了幀間差分特征對紅外弱小目標進行顯著性檢測，抑制了背景虛警，提高了檢測準確率。

對于目標檢測這一課題，文獻[6]通過模擬鷹眼視覺機制，建立了一種著陸目標特征提取方法，應用在無人機自主著陸的視覺測量系統(tǒng)中，并通過實驗驗證了該方法的準確性、速度和魯棒性。文獻[7]提出一種基于鷹眼視覺自適應機制的無人機海上小目標檢測方法，將鷹眼視覺自適應機制引入到目標檢測方法中，建立了針對高照度條件、低照度條件等情況下的自適應模型，有效抑制了背景干擾，突出了目標信息。文獻[8]基于鷹眼的結構和特性，提出一種新的目標檢測方法，同時提出一種模擬水面場景的方法并進行實驗，對不同場景下的目標均有不錯的檢測效果。

本文參考鷹眼雙中央凹結構[9]提出一種基于鷹視頂蓋響應和對比度感應機制的海上目標檢測算法(Maritime Detection Based on Eagle-Eye-Tectum Response and Contrast, MDERC)，對目標進行顯著性檢測。主要工作和貢獻有：

(1)針對海上目標進行顯著性檢測，使用基于鷹視頂蓋響應和對比度感應機制的海上目標檢測算法對目標區(qū)域進行顯著性提取。對原始圖像利用感應對比度機制進行處理，在多個顏色空間的通道中減少目標周邊區(qū)域中離散雜點的影響，降低虛警率，再使用仿鷹視頂蓋感受野響應的顯著圖提取方法進行顯著圖提取。

(2)實驗證明本文算法提高了顯著圖提取的準確性，與其他方法相比可得到更好的顯著性提取結果。

1 鷹眼機制

在生物視覺機理和仿生方面，具有不同構造生物的眼睛擁有不同的特點。鷹眼與其他生物的眼睛相比，同時擁有高視覺敏銳度和大視場范圍，這兩大特點使得鷹眼在目標檢測等領域具有非常大的優(yōu)勢[10]，而這種優(yōu)勢就來源于鷹眼獨特的雙中央凹結構。本文參考這種結構設計算法，以達到任務需求。鷹眼視網(wǎng)膜具有獨特的雙中央凹結構，分為正中央凹區(qū)和側中央凹區(qū)，如圖1所示。中央凹是視網(wǎng)膜中視覺最敏銳的區(qū)域，視覺細胞在此處斜向周圍排列，光敏感器非常密集，具有更高的圖像質(zhì)量。根據(jù)鷹眼視網(wǎng)膜不同區(qū)域電子顯微成像可以看出，中央凹區(qū)視覺細胞密集而周邊稀疏，正中央凹和側中央凹處為局部最大值。由于中央凹區(qū)的視覺細胞密度最高，因此鷹眼對于視覺信息的獲取是非均勻的[11]。這樣非均勻的信息獲取特點可以支持鷹眼更好地適應高空捕食活動，在捕獲獵物和識別時可以自主切換策略[12]，在對疑似的任務目標保持高分辨率觀測的同時，又能對視野其他部分保持警戒，從而可以較好地平衡目標檢測識別時的視場、分辨率間的關系。

圖1 鷹眼中央凹結構[9]

另外在鷹腦視覺系統(tǒng)中存在離頂蓋通路，是最為重要的一條視覺通路，如圖2所示，由視網(wǎng)膜、視頂蓋、圓核、外紋體構成，在離頂蓋通路中又以中腦區(qū)域中的視頂蓋最為重要[13]，其神經(jīng)元感知機制與視覺顯著性間的關系已有諸多研究，Zahar等通過設計電生理學實驗研究了倉鸮視頂蓋區(qū)域的神經(jīng)元響應與目標凸顯感知機制之間的關系[14]。學者從中研究建立仿鷹眼機制的算法，以應對不同場景下的任務需求。

圖2 離頂蓋通路[9]

2 檢測算法

2.1 算法總體框圖

算法總體框架如圖3所示。首先，針對海上目標采圖時的噪聲干擾，通過仿鷹眼對比度感應機制對各顏色空間進行預處理，遍歷各像素位置，記錄中央?yún)^(qū)域最大值和中值，以及周邊區(qū)域的均值，計算得到各像素位置的對比度感應值，調(diào)整圖像各顏色通道抑制干擾；其次, 進行仿鷹視頂蓋響應顯著度提取，由事先訓練集訓練得到的視頂蓋神經(jīng)元模型，得到神經(jīng)元響應，進一步計算得到顯著度值，通過計算各通道的信息熵對顯著圖進行線性加權，得到最終的顯著圖及顯著度檢測的結果。

圖3 顯著度檢測算法框圖

2.2 仿鷹眼對比度感應機制預處理

圖4 對比度感應示意圖

(1)

根據(jù)中間區(qū)域的最大值和周邊區(qū)域的信息，局部對比度函數(shù)定義為[9]

(2)

當周邊區(qū)域中出現(xiàn)尖峰脈沖以及單像素噪聲等離散雜點時，其亮度值不利于目標的檢測。局部對比度函數(shù)中使用了中值進行計算，可以有效避免離散雜點的干擾作用。分析可知，有效減少目標周邊區(qū)域中離散雜點的影響，降低虛警率，更有利于后續(xù)的顯著圖提取。

2.3 仿鷹視頂蓋響應顯著度提取

得到圖像的初步處理結果后，通過對鷹腦視頂蓋的淺層神經(jīng)元感受野進行模擬，根據(jù)神經(jīng)元感受野的響應大小進行統(tǒng)計，進一步生成得到顯著度圖。

將圖像進行對比度感應處理后，輸入到訓練完成后的神經(jīng)元感受野集合中，得到一個對應神經(jīng)元響應的集合。由于訓練完成后的神經(jīng)元具有各向不一致性，對于相同的圖像刺激，不同感受野會產(chǎn)生相同的神經(jīng)元響應，反之則會產(chǎn)生不同的神經(jīng)元響應，故對于背景的神經(jīng)元響應會較平穩(wěn)，而在目標區(qū)域則會出現(xiàn)較大差異。根據(jù)不同響應的最終統(tǒng)計結果，就可以得到圖像中不同位置的顯著值。下面對鷹視頂蓋神經(jīng)元進行模擬建立。

本文使用基于線性生成模型對鷹視頂蓋神經(jīng)元的響應特性進行模擬，將自然圖像數(shù)據(jù)看作由基函數(shù)線性組合而成：

(3)

式中：x為觀測數(shù)據(jù)向量，對應輸入圖像；A為混合矩陣，每列稱為基函數(shù)；s為基函數(shù)稀疏向量。使用Sparsenet模型[15]對鷹腦視頂蓋淺層神經(jīng)元的響應計算進行模擬，從10幅灰度化訓練集圖像提取圖像塊進行訓練，通過學習得到感受野描述子，即基函數(shù)A。本文使用64個感受野對圖像輸入產(chǎn)生的響應進行描述，感受野如圖5所示。

圖5 鷹視頂蓋神經(jīng)元感受野模擬[15]

然后對輸入圖像的神經(jīng)元響應進行求取，對圖像按照感受野大小進行無重疊采樣。根據(jù)無重疊采樣得到的圖像塊計算得到對應的神經(jīng)元響應，即已知采樣結果x和訓練得到的A陣得到采樣結果對應的式(3)中的s陣，輸入圖像所對應的各組神經(jīng)元響應，大致符合廣義高斯分布[16]，其方程如下：

(4)

如上所述，輸入圖像的神經(jīng)元響應符合廣義高斯分布，神經(jīng)元響應大多集中在零附近。目標區(qū)域的響應較為特殊，而背景區(qū)域的響應較為一致。由此可得，目標區(qū)域對應響應出現(xiàn)概率較小，背景區(qū)域對應響應出現(xiàn)概率較大，與其相對應，出現(xiàn)概率較大響應的對應區(qū)域顯著值較小，即背景區(qū)域的顯著值較小，出現(xiàn)概率較小響應的對應區(qū)域顯著值較大，即目標區(qū)域的顯著值較大。

由上述結論可以建立由神經(jīng)元響應求得圖像顯著值的計算方法，對四個顏色空間的各通道進行顯著值計算，分別為RGB，LMS，HSI和YIQ顏色空間。第一步, 針對四個顏色空間的部分通道進行對比度感應機制計算，對LMS和YIQ中的各通道、HSI中的I通道，以及灰度圖進行對比度感應機制計算；第二步，求得圖像對應的各組神經(jīng)元響應，計算四個顏色空間的各通道及灰度圖的顯著值：

(5)

式中：S(x,y)為單個通道中(x,y)處的顯著值；Rk為(x,y)處的神經(jīng)元響應；rk(x,y)為單個顏色通道或灰度圖中(x,y)像素處對應第k維神經(jīng)元響應。

求得單通道的顯著圖后，根據(jù)各通道信息熵的計算結果對各通道顯著圖結果進行線性加權，根據(jù)信息論中熵的定義，計算每個通道的顯著圖的信息熵[6]：

(6)

式中：對應顯著圖中所有的顯著值,i∈{1, 2, …,m};m為對應通道顯著圖中的最大值;pi為在該通道顯著圖對應顯著值i的出現(xiàn)概率。這樣的定義與上面推論相對應，即當顯著值均勻分布時圖像熵最大，而當顯著值集中在某幾個數(shù)值附近時，熵會大大減少，直到全局顯著值均相等的最極端情況，此時熵為0。因此，計算不同顏色通道時可以按照信息熵的大小對顏色通道進行選擇，得到最合適的顯著圖。

計算空間的各顏色通道顯著圖對應的信息熵，然后按照信息熵數(shù)值大小選擇最小的顏色通道作為該顏色通道的顯著圖[16]。確認各顏色通道的顯著圖后，對各顏色空間顯著圖進行合并，將對應顯著圖的信息熵進行歸一化，并將其作為對應顯著圖的合并系數(shù)，進行線性加權進而得到最終的顯著圖，計算合并系數(shù)：

(7)

式中：i=1, 2，…, 5分別為灰度及四個顏色空間被選中的顏色通道；Ei為第i個顯著圖對應信息熵；Oj為歸一化系數(shù)。

使用該系數(shù)對各顯著圖進行線性加權，融合四個顏色空間及灰度圖的顯著圖結果，這樣可以兼顧顏色主導目標顯著的情況、亮度主導目標顯著的情況及其他情況，能夠獲得更多的顯著目標細節(jié)，從而在顯著圖中獲取更加準確的目標顯著值，得到最終的顯著圖，獲取顯著海上目標的檢測結果。

3 仿真結果

選取3組數(shù)據(jù)集進行測試，分別使用航拍海上目標圖像、ECSSD公開數(shù)據(jù)集、unity虛擬環(huán)境中的海上目標圖像3個數(shù)據(jù)集，對所提出的MDERC算法與其他視覺注意方法進行對比實驗。實驗環(huán)境為Matlab R2016b，計算機配置為Win10系統(tǒng)、英特爾i7處理器。選取對比的方法有頻域殘差法(Spectral Residual，SR)[17]，誘導機制顯著性檢測法(Saliency by Induction Mechanisms, SIM)[18]，基于自相似性(Self-Resemblance，SER)的空時顯著性計算法[19]。在公開圖庫中對MDERC算法和對比方法進行測試，進行量化分析，再對海面背景的航拍目標圖像、unity虛擬環(huán)境中的海面無人艇目標圖像分別進行測試。

(1)ECSSD公開圖庫測試

在公開圖庫上測試算法，對常規(guī)圖像提取顯著圖，測試MDERC算法的顯著圖提取效果，使用量化指標與對比算法進行對比。ECSSD[20]包括1 000張常規(guī)圖像，以及對應人工標注的二值基準圖(Ground-Truth，GT)。使用不同方法計算圖庫中的圖像顯著圖，并進行量化分析。繪制F值隨設定閾值的變化曲線和精度-召回(Precision-Recall, P-R)曲線以比較各個方法的提取效果。各顯著圖提取方法得到的顯著圖像素值為1～255間的整數(shù)值，設置閾值進行二值化，與公開圖庫中的二值基準圖做對比，記錄在某個閾值下的顯著圖提取精度和召回率，F(xiàn)值計算如下[21]：

(8)

式中：β為權重系數(shù),β2=0.3。

圖6為ECSSD圖庫中若干圖像的顯著圖提取結果。圖7為量化的對比結果。

圖6 ECSSD圖庫對比結果

圖7 ECSSD圖庫量化對比結果

從圖中可以看出，雖然在閾值較低時MDERC算法的F值較低，但在該數(shù)據(jù)集上MDERC算法獲得了最大F值，且獲得的P-R曲線高于其他算法。在表1中將4種算法的最大F值列出，可以看出本文算法在常規(guī)圖像中相比其他方法具有較為明顯的優(yōu)勢。

表1 ECSSD上顯著圖提取最大F值

(2)航拍海上目標數(shù)據(jù)集測試

對海上航拍目標圖像進行顯著圖提取實驗，圖8所示為在海面背景下對目標圖像的測試。該圖庫是在海面上使用無人機拍攝海面船只的航拍場景，圖中展示了部分圖像的測試結果。

圖8 海面目標圖像測試結果

可以看出, 在航拍海面船舶目標的圖像中，MDERC算法可以有效提取海面船舶目標，且與3種對比算法相比，MDERC算法的顯著圖提取結果并未超出實際目標區(qū)域大小，顯著圖定位區(qū)域較為精確。

(3)unity3D海上目標數(shù)據(jù)集測試

使用unity3D搭建海上航拍虛擬環(huán)境，包括海上船舶目標、海浪環(huán)境等。在不同條件下進行采圖后，使用MDERC算法及對比方法進行顯著圖提取，實驗結果如圖9所示。

圖9 unity3D環(huán)境目標圖像測試結果

對海上航拍場景進行測試，第一列為虛擬環(huán)境下的原圖，包括不同距離下的帶靶標目標，以及海浪干擾。由于對比度感應機制對單像素離散雜點進行了抑制，而且提取顯著圖時是在多顏色通道下進行線性加權后合并的結果，這兩者作用疊加對海上目標顯著度檢測時的海雜波和海浪干擾有一定的抑制作用，從此數(shù)據(jù)集仿真結果可以看到，MDERC算法可以在遠距離對船舶整體進行提取，在近距離對靶標目標進行有效提取，同時對于海浪干擾有一定的抑制作用，對提取結果未造成過大影響；而其他算法則由于沒有相關機制在多顏色通道下對海浪雜波進行抑制，對結果造成了較大的影響。

在常規(guī)圖像中，所提MDERC算法相比其他方法具有較為明顯的優(yōu)勢，后兩個實驗測試說明了MDERC算法在海上航拍目標圖像顯著圖中的有效性。以上結果證明了MDERC算法的確可以有效對海上目標進行顯著圖提取，達到顯著度檢測的目的。

4 結 束 語

本文針對海上目標檢測問題，對海上目標采用顯著度檢測方法進行檢測定位，通過模擬鷹眼的雙中央凹生理結構，提出了一種鷹視頂蓋響應和對比度感應機制的海上目標檢測算法。使用對比度感應機制對圖像不同顏色空間通道處理后，利用仿鷹視頂蓋淺層神經(jīng)感受野模型對圖像提取顯著圖。通過實驗證明，本文所提算法有效提高了對于海上目標顯著度檢測的能力。