基于特征融合的雷達視頻運動目標檢測

(海軍航空工程學院,山東煙臺264001)

0 引言

雷達在海洋監視中發揮著至關重要的作用,運動目標檢測與跟蹤是雷達最基本的功能[1]。最初是由雷達操作員根據雷達屏幕上的回波信號進行海上目標檢測,人工鎖定目標并配合后臺硬件完成目標跟蹤。近年來,新型雷達大多具備了目標自動檢測與跟蹤功能,但在密集雜波和復雜多目標情況下,目標檢測虛警率高,跟蹤處理難度大,容易形成虛假航跡[2]。因此,研究一種能穩健地對海上運動目標進行自動檢測的方法具有十分重要的意義。

與傳統的雷達信號處理相比,將按時間順序平面顯示的雷達回波信號構成的序列看作雷達視頻,從計算機視覺的角度來研究雷達目標檢測,其優勢在于可以綜合考慮目標的時間和空間屬性,提高目標檢測速度和準確性[3]。目前,國內外常用的基于圖像的運動目標檢測方法有幀間差法、光流場法、背景差法等[4]。幀間差法利用圖像序列中兩幀或多幀圖像之間的差異來檢測運動目標,運算簡單、速度快,但這種方法容易造成漏檢,在目標中間形成空洞[4]。光流場法是通過計算位移向量來初始化目標輪廓,然后融合其他分割方法來檢測運動目標[5],算法成熟,但其僅適用于低速單目標的檢測,且計算量大,難以用于實時處理。背景差法用當前圖像與背景圖像進行差分,從而檢測出運動目標,但在背景初始化、背景對象移位、背景更新等方面存在諸多問題[6]。不同于上述方法,本文將信息融合的思想引入雷達視頻的運動目標檢測,從幾何形態和能量角度分別提取表征目標的有效特征,并采用D-S證據理論對其進行決策融合,獲取最優決策作為運動目標的判決標準。

1 算法描述

1.1 單幀目標檢測

雷達圖像是灰度圖像,圖像中艦船目標和陸地區域灰度級較高,海面區域灰度值較低,目標與目標之間不會重疊,可以采用閾值分割的方法將疑似目標與背景分割出來。常用的閾值分割方法有全局閾值分割、Otsu閾值分割、迭代式閾值分割。本文選用迭代式閾值分割的方法對雷達圖像進行分割,該方法通過迭代求取最佳閾值,具有一定的自適應性。具體步驟如下:

1)設定參數T0,并選擇一個初始的估計閾值T1;

2)用閾值T1分割圖像,將圖像分成兩部分:G1是由灰度值大于T1的像素組成,G2是由灰度值小于或等于T1的像素組成;

3)計算G1和G2中所有像素的平均灰度值μ1和μ2,以及新的閾值T2=(μ1+μ2)/2;

4)如果|T2-T1|＜T0,則推出T2為最優閾值,否則,將T2賦值給T1,并重復步驟2)～4),直到獲取最優閾值。

閾值分割后的雷達圖像中含有一些獨立的點和細小空洞,需要用形態學處理的方法進行后處理,本文采用形態學膨脹的方法填充空洞、橋接裂縫。圖1為兩組典型雷達視頻圖像數據的單幀檢測結果示例,從左至右依次為原始雷達圖像切片、閾值分割結果和形態學處理結果。

從圖1可以看出,通過迭代式閾值分割,有效地剔除了海面雜波和噪聲,但仍然無法確定檢測結果中的疑似目標是否為運動目標,需要進一步作出判斷。

圖1 典型雷達圖像單幀檢測結果示例

1.2 多幀積累

雷達視頻即為按時間順序構成的雷達圖像序列,如果綜合考慮連續多幀雷達圖像的檢測結果,就可以更加充分地利用單幀檢測結果中包含的目標形狀、位置等信息。在對連續多幀檢測結果進行處理的過程中,可以容易地將那些突然出現于某一幀,但后面連續多幀均未出現的疑似目標判斷為虛警,并加以排除。

在排除虛警的同時,如果將連續多幀的檢測結果進行積累,獲取目標的歷史軌跡,就能夠根據運動目標軌跡與靜止目標軌跡的不同特點,進行特征提取,為運動目標的檢測提供依據。假設第i幀檢測結果為I i,則連續i幀積累結果為

圖2為圖1中的檢測結果連續積累20幀后的效果,標注區域為第20幀的檢測結果。

圖2 典型雷達圖像多幀積累結果示例

1.3 目標特征提取

觀察圖2可以發現,運動目標和靜止目標最直觀的差異就是目標輪廓在目標軌跡中所占的比例大小。另外,從能量角度,運動目標和靜止目標的能量分布也會有所不同。下面綜合利用目標的單幀檢測結果和多幀積累結果,提取目標的面積變化比和能量密度作為運動目標檢測的基本特征標準。

1.3.1 面積變化比

目標輪廓在目標軌跡中所占的比例大小,可引入面積變化比這一概念對其加以描述。本文將面積變化比定義為當前目標面積與當前積累的目標軌跡連通區域面積的比值。雷達圖像經閾值分割后為二值圖像,目標面積即為目標在二值圖像中所占的像素點個數。計算公式如下:

則目標第i幀的面積變化比為

式中,A i為第i幀目標面積,Asi為前i幀目標積累后的連通區域面積。

1.3.2 能量密度

對于靜止目標,目標位置基本不變,雷達連續輻射電磁波會在目標區域積聚能量,而運動目標的位置持續變化,能量會分散在目標軌跡中。因此,運動目標和靜止目標的能量分布情況必定存在差異。本文引入能量密度這一概念來描述目標的能量分布情況。反映在二值化后的雷達圖像上,能量也可以用像素點個數定量描述,將目標第i幀的能量密度Pri定義為

1.4 特征決策融合

決策級圖像融合是指對每個圖像的特征信息進行分類、識別等處理,形成了相應結果后,進行進一步融合的過程,是一種更高層次的信息融合,最終的決策結果是全局最優決策[7]。決策級融合多采用各種不確定性推理技術,本文采用基于D-S證據理論的方法對1.3節提取的目標面積變化比和能量密度進行決策融合,融合的結果作為運動目標的最終判決標準。

1.4.1 D-S證據理論

D-S證據理論是一種非精確推理方法,它將來自兩個或多個證據體的置信函數通過一定組合融合起來,得到一個新的置信函數作為判決依據,該理論在區分不知道、不確定以及正確反映證據收集方面具有很強的靈活性[8]。

假設Θ為一識別框架,C為該識別框架Θ的子集,則函數m∶2Θ→[0,1],在滿足下列條件:時,稱m(C)為C的基本概率賦值(Basic Probability Assigment,BPA)。當C≠Θ時,m(C)表示對C的精確信任程度,即對C的直接支持;當C=Θ時,m(Θ)表示證據的不確定性。

D-S組合規則:設同一識別框架Θ上兩個性質不同的證據C和D,其基本概率賦值分別為m1和m2,則有如下組合公式:

式中,K表示歸一化因子。若K≠1,則m確定一個組合基本概率賦值;若K=1,則認為m1,m2矛盾,不能對基本概率賦值進行組合。

1.4.2 BPA構建

在用D-S證據理論對面積變化比和能量密度進行特征決策融合前,需分別構建Ari和Pri的基本概率賦值函數。在分析大量雷達圖像切片數據的基礎上,結合Ari和Pri的物理意義,可以得出Ari和Pri對應的運動目標概率分段函數y1,y2,并給出相應的置信度Q1,Q2。則BPA為

式中,1-Q i表示運動目標檢測的不確定信息,需要配合辨識框架Θ,并結合式(7)進行決策融合。

1.4.3 最優決策規則

特征決策融合的結果是全局最優決策,即運動目標的最終判決標準。設?B1,B2?Θ,滿足:

若有

則B1為最優決策,其中ε1,ε2為預先設定門限,本文設定ε1=0.9,ε2=0.1。

1.5 檢測流程

經過前面的分析,給出完整的運動目標流程,如圖3所示。首先用迭代式閾值分割法對單幀雷達視頻圖像進行處理,并用形態學膨脹的方法填充細小空洞,檢測出疑似目標。然后將連續多幀的檢測結果進行積累,并綜合單幀檢測結果和多幀積累結果提取出目標的面積變化比和能量密度特征。最后將目標的面積變化比和能量密度輸入D-S決策融合結果,如果滿足最優決策,則將該目標判定為運動目標,否則,繼續對下一單幀檢測結果進行積累,直到所有圖像處理完畢。

圖3 運動目標檢測流程

2 實驗結果與分析

在Matlab 2010平臺上編程實現上述算法,選取固定架設的某型導航雷達上采集的部分實測數據作為實驗數據。該雷達距離分辨率為75 m,數據采集時每個方位平均采樣8次,距離上采樣間隔為5 m,共采集圖像300幀。其中前200幀用于先驗分析,獲取最優決策,后100幀用于算法驗證。

先驗分析階段,在面積變化比和能量密度的提取過程中,由于存在多個目標,會出現目標位置交叉、目標突然消失或出現等復雜情況,本文利用目標的質心位置對各目標進行了關聯。為便于說明,從原始雷達圖像中裁切出兩組子圖像數據(如圖1所示),圖4和圖5分別給出了兩組數據前50幀的面積變化比和能量密度曲線,對于某一兩幀突然消失后面又出現的目標,沿用了前一幀的提取結果。

圖4 目標面積變化比曲線

圖5 目標能量密度曲線

分析圖4和圖5,可以看出隨著積累幀數的增加,目標1,2,3,4的面積變化比從1開始一直呈遞減趨勢,能量密度從1開始小范圍增加并逐漸穩定在10左右的某個數值;目標5,6,7的面積變化比存在波動,無明顯規律,但均在0.5以上,能量密度從1開始持續遞增。在理想情況下,根據面積變化比和能量密度的物理意義,運動目標的面積變化比應從1開始持續遞減,并越來越接近于0,能量密度應穩定在某個固定值附近;而靜止目標的面積變化比應接近于1,能量密度應持續遞增。但對于實測數據,由于目標起伏的影響,連續兩幀圖像中同一目標的面積不一定相同,且對原始圖像進行二值化處理會在一定程度上造成能量衰減,這些因素導致提取出的特征值與理想狀態存在差異,但其滿足基本變化規律,不會對實驗結果產生嚴重的影響。

通過對前200幀雷達圖像進行分析,并結合人工判讀結果,可以確定面積變化比和能量密度的運動目標概率分段函數分別為

以及對應的置信度

將式(10)、(11)代入式(6)和式(7),所有的K均小于1,滿足組合條件。通過式(5)得到的組合結果為

式中,m(B1)=0.981 5,m(B2)=0.881 4,將其代入式(11),符合最優決策規則。所以最優決策為

即當目標的面積變化比和能量密度滿足式(13)時,將其判斷為運動目標。

下面用后100幀雷達圖像對算法進行驗證。觀察圖4和圖5中曲線可以發現,前10幀圖像中提取的特征值不穩定,不能作為判斷依據,因此,從第211幀開始輸出運動目標檢測結果,圖6給出了其中幾個關鍵幀的檢測結果。

圖6 運動目標檢測結果

由圖6的檢測結果可知,用本文算法依次檢測出S1,S2,S3,S4,S5五個運動目標,根據人工判讀結果,到第300幀圖像處理完畢時,除第219幀中的L1由于僅出現幾幀就迅速消失導致漏警外,其余運動目標均被有效檢測出。因此,本文檢測算法虛警率較低,對于穩定、慢速運動目標具有較好的檢測效果,有效解決了密集雜波和復雜多目標情況下,雷達自動檢測與跟蹤容易產生虛假航跡的問題,但對于機動、快速運動目標的檢測性能有待進一步提高。

3 結束語

本文將信息融合的思想引入雷達視頻的運動目標檢測,綜合目標的單幀檢測結果和連續多幀積累結果,提取了兩個表征目標的有效特征,并用證據理論對其進行融合,得到了最優決策準則作為運動目標自動檢測的依據。利用實測數據進行的實驗表明了本文方法的有效性。后續將考慮提取更多的目標特征進行融合,以提升該算法對機動快速運動目標的檢測性能。同時,把該算法與跟蹤算法結合起來考慮,并逐步應用于實際的雷達系統,也是我們下一步要努力的方向。

[1]徐恒.基于船載雷達圖像的海上目標檢測技術研究[D].武漢:武漢理工大學,2012.

[2]何友,關鍵,孟祥偉,等.雷達目標檢測與恒虛警處理[M].2版.北京:清華大學出版社,2011:6-9.

[3]周偉,何東亮,關鍵,等.基于視覺顯著性的雷達視頻艦船檢測[J].雷達科學與技術,2012,10(1):54-58,63.

[4]柯天兵,李永倩.電力系統視頻監控中目標檢測與跟蹤算法研究[J].電力科學與工程,2014,30(1):42-46.

[5]BAO W,LI H,LI N,et al.A Liveness Detection Method for Face Recognition Based on Optical Flow Field[C]∥International Conference on Image Analysis and Signal Processing,Taizhou,China:IEEE,2009:233-236.

[6]胡彪,龔曉峰.基于改進背景差法的運動目標檢測[J].計算機工程與設計,2010,31(17):3841-3844.

[7]何友,王國宏,關欣,等.信息融合理論及應用[M].北京:電子工業出版社,2010:329-331.

[8]YIN S,LIU Y,HUO K.Multi-Sensor Fusion Recognition Method Based on Improved D-S Evidence Theory[C]∥International Conference on Information and Communications Technologies,Nanjing,China:IET,2014:1-7.