海面圖像目標檢測方法初探

雷琴

摘 要：基于可見光海面圖像的目標檢測在海防安全等領域中都有較好的應用。文章系統分析了近年來國內外可見光海面目標檢測方法，將文獻中基于可見光圖像的海面目標檢測方法歸類為三大類：基于閾值的檢測方法、基于模型的檢測方法和基于模式分析的檢測方法，并在文中系統闡述了這三類方法。

關鍵詞：海面；圖像目標；檢測方法

引言

海面目標檢測在軍事領域、海防安全、海關管理、海上緝私、港口船只調度、海洋環境保護，海洋環境監測以及海上交通管理等許多場合都具有廣闊的應用前景。海面目標檢測的常用方法有基于雷達圖像、基于紅外圖像和基于可見光圖像的目標檢測。雷達成像原理是采用傳感器感應有效場景中運動目標的反射或輻射，目前發展比較成熟，較為常見的雷達成像有地波超視距雷達（ground wave over-the-horizon radars，GWOTHR）[1]，合成孔徑雷達（Synthetic Aperture Radar，SAR）[2]?；诶走_圖像的目標檢測系統通常比較龐大、價格昂貴、采用的技術也比較復雜。雷達成像一般適用于超視距大目標的檢測與跟蹤系統中，但其在近距離小目標的檢測與跟蹤中的絕對精度比較低[1]，并且雷達成像存在掃描盲區。紅外成像系統的隱蔽性高，但其成像距離遠，對溫度敏感度高，相關噪聲較強，且紅外圖像中目標的面積相對較小，通常會失去形狀信息[3]。這兩種方法雖然在技術方法和檢測能力上有所差異，在目標檢測中都能發揮巨大的作用。然而，由于這些方法都需要高昂的設備成本和維護成本，因此限制了相關系統的推廣，而且這些系統在局部海域目標檢測場景的快速部署非常困難，需要雷達安裝或訪問衛星數據。

1 可見光海面圖像的目標檢測

文章主要關注使用圖像傳感器諸如數字相機所獲得的可見光海面圖像的目標檢測。基于可見光海面圖像的目標檢測在海防安全等領域中都有較好的應用，檢測區域限定在近岸或從海上某點出發的可視距離以內，該方法在海防安全及其他相關領域中都有較好的應用。海面運動載體和海上的浮標均可以作為很好的系統部署的地方。BSOP（the Bottom Stationing Ocean Profiler）[4]是一個國外的真實系統，它是一個自治的浮標平臺，該平臺設計為具備一個傳感器裝備，收集海洋數據，通過一個雙向RF衛星與控制中心存儲和傳輸數據。近年來，國內外學者在基于可見光圖像的檢測研究方面取得了許多研究成果[5-18]。文獻中基于可見光圖像的海面目標檢測方法主要有三大類：基于閾值的檢測方法[5][6]、基于模型的檢測方法[7-12]、基于模式分析的檢測方法[13-18]。

1.1 基于閾值的方法

基于閾值的方法主要利用目標區域與背景區域亮度差異，根據閾值將目標區域分割出來[5][6]。這類方法是早期的目標檢測方法，實現簡單，在目標區域與背景區域亮度有較大差異的情況下有效果，但是在目標區域與背景區域亮度較為接近或圖像組成較為復雜時，檢測效果較差。

文獻[6]針對復雜海面背景下閾值方法失效的情況，提出了一種基于自適應多階閾值分割檢測方法來提高閾值方法的自適應能力，將閾值分割結果用一些統計特征進一步作篩選，并取得了一定的效果。然而該方法始終無法避免閾值分割對目標與背景亮度要求的局限性，鑒于閾值方法的局限性，有許多研究人員探索研究基于模型的方法來檢測海面目標。

1.2 基于模型的方法

基于顯著圖的視覺注意模型[7-9]，主動輪廓模型[10]，計算模型[11][12]等模型都可以應用到海面目標檢測。周偉等人提出利用多尺度相位譜構建顯著圖，并且用閾值方法分割出具有較高顯著度的感興趣區域，然后對每個提取的感興趣區域進行二次處理[7]。首先利用一個估計閾值對其進行二值分割，閾值估計可以依據其窗口各區間平均亮度的有序統計量來預估，再分別提取平均顯著度、形狀復雜度和空間擴展度特征，最后使用最近鄰分類規則來得到檢測結果。此外，周偉等還提出改進的顯著圖方法用于感興趣目標提取，首先通過分析圖像的譜殘差計算圖像的顯著圖，再利用一個全局范圍內的競爭機制和返回抑制策略，控制注意焦點來搜索顯著圖[9]。文獻[8]提出了一個視覺皮層內的顯著性計算模型，主要基于局部顯著性計算最大化采樣信息的假設。該模型是計算模型為依據，它表明大量的視覺搜索行為顯示為模型的緊急性屬性以及編碼和信息傳輸的基本原則。實驗結果表明在兩個不同的數據集上，預測固定模式與競爭模型相比具有較大的功效。

Vard等人[10]于2010年提出了一種主動輪廓模型的目標檢測方法。該方法首先提出一個新的能量函數的基礎上的自相關函數，它能夠檢測復雜背景下小物體的活動輪廓模型。在所提出的方法中，圖像特征是使用從表示區域信息的圖像像素中提取的短期自相關性（Short-Term Autocorrelations，STA）的組合來計算。所獲得的特征被利用來定義一個能量函數稱為規范累加的短期自相關（normalized accumulated short-term autocorrelation，NASTA），我們可以準確地檢測出含混亂和質感的背景圖像中的小物體。此外，該方法提供了對隨機噪聲的高魯棒性和可精確定位在嘈雜的背景中很難用肉眼檢測的小物體。

張等人[12]提出用一個基于通用判別部分的模型（generic discriminative part-based model，GDPBM）來建立了實用的目標檢測框架。結構復雜的地理空間探測對象已被探索多年，它仍然是在高分辨率光學遙感影像（RSI）演繹一個具有挑戰性的任務，該方法主要集中在旋轉變化的檢測地理空間對象的問題，在建立的模型中，以任意取向的地理空間對象通過三個分量表示：外觀特征，空間變形特性和旋轉變形特征。

基于模型的方法以嚴謹的數學理論為支持，將檢測問題簡化到一個實際的模型，有較強的理論推導意義，然而這類方法一般需要一些場景先驗知識，并且對合適的模型參數的選擇具有一定的挑戰性。

1.3 基于模式分析的方法

基于模式分析的方法一般是提取圖像低層次特征，利用模式分類方法進行訓練，提高最終海面目標檢測的準確率。特征分析方法[13]，圖像區域自然尺度特征[14]，Contrast box濾波[16]，模式分類[17，18]等模式分析領域的特征提取和分析方法、模式分類理論與方法等都可以應用于海面目標檢測。基于模式分析的方法檢測性能依賴于特征描述方法以及分類器的選擇。

王等人在系統研究了船舶高分辨率SAR圖像的特征分析基礎上，提出了一個船舶檢測的改進優化算法。該方法提出的快速塊檢測器能在均勻局部區域中提取海雜波，可以被當做恒定誤報率檢測器使用。根據船舶的長寬比和像素點的核密度估計等特征分析方法用于船舶識別，在TerraSAR-X和COSMO-SKYMED圖像上驗證了這個算法[13]。

何等人針對動態海面背景下的船舶自動檢測問題，將自然尺度特征提取方法從一維信號拓展到二維圖像，提出了一種基于圖像區域自然尺度特征的方法。文中通過對相空間重構可以提取出圖像灰度時間序列的自然尺度特征，然后結合BP神經網絡理論方法，建立目標和背景的分類模型。最后，該方法通過建立的分類模型可以檢測出船舶目標[14]。

趙等人提出了標準差特征平面Contrast box濾波的艦船目標檢測方法。該方法首先用局部統計方差作為特征統一描述了不同亮度艦船目標，這種特征描述方法可以部分消除海面平均亮度變化對特征提取的影響。其次，該方法通過在二維檢測特征平面上進行Contrast box濾波，局部的目標檢測閾值可以自適應確定，并結合目標空間的結構信息定位可疑目標。先驗艦船特征模型可以用來對疑似目標集合進行驗證，虛警去除以后可以得到最終檢測結果[16]。

Bovolo等人認為很高分辨率（very high resolution，VHR）的合成孔徑雷達（SAR）圖像，可以通過衛星用間隔相同的地理區域獲得[17]。VHR的廣泛應用促使有效的無監督變化檢測（change detection，CD）技術飛速發展。Bovolo等人提出了一種分層方法來處理VHR SAR圖像中無監督變化檢測。

2 結束語

文章系統分析了近年來國內外可見光海面目標檢測方法，將文獻中方法歸類為三大類：基于閾值的檢測方法、基于模型的檢測方法和基于模式分析的檢測方法。雖然這些檢測技術具有一定的效果，然而現有研究成果仍然達不到實際使用的要求，由于海面船舶檢測受到海岸景物和海面波紋等復雜背景影響，因此需要探索研究新的理論和方法來提高可見光圖像目標檢測技術。

參考文獻

[1]姜維，鄧維波，楊強.高頻超視距混合天地波雷達海雜波特點分析[J].電子與信息學報，2011，33（8）：1786-1791.

[2]孫淵，王超，張紅，等.改進 Notch 濾波的全極化 SAR 數據船舶檢測方法[J].中國圖象圖形學報，2013，18（10）：1374-1381.

[3]萬磊，曾文靜，張鐵棟，等.基于梯度信息融合的海面紅外目標實時檢測[J].紅外與激光工程，2013，42（1）：41-45.

[4]LC Langebrake，CE Lembke，RH Weisberg，RH Byrne，DR Russell，G. Tilbury，R. Carr. Design and initial results of a bottom stationing ocean profiler[C]. Oceans'02MTS/IEEE，Biloxi，Mississippi. Oceans 2002 IEEE/MTS Conference Committee，2002. Vol.1：98-103.

[5]儲昭亮，王慶華，陳海林，等.基于極小誤差閾值分割的艦船自動檢測方法[J].計算機工程，2007，33（11）：239-241.

[6]王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標檢測的多階閾值分割方法[J].中國科學技術大學學報，2011，41（4）：293-298.

[7]周偉，關鍵，張國華.高分辨率遙感圖像感興趣目標的提取算法[J].光電工程，2011，38（2）：115-121.

[8]Bruce and J. Tsotsos，Saliency，attention，and visual search： An information theoretic approach，Journal of Vision，vol. 9，no. 3，pp. 5：1-24.

[9]周偉，關鍵，何友.光學遙感圖像低可觀測區域艦船檢測[J].中國圖象圖形學報，2012，17（9）：1181-1187.

[10]Vard A，Jamshidi K，Movahhedinia N. Small object detection in cluttered image using a correlation based active contour model[J]. Pattern Recognition Letters，2012，33（5）：543-553.

[11]Bi F，Zhu B，Gao L，et al. A visual search inspired computational model for ship detection in optical satellite images[J]. Geoscience and Remote Sensing Letters，IEEE，2012，9（4）： 749-753.

[12]Wanceng Zhang，Xian Sun，Hongqi Wang，Kun Fu，A generic discriminative part-based model for geospatial object detection in optical remote sensing images[J]，ISPRS Journal of Photogrammetry and Remote Sensing Volume 99，January 2015，Pages 30-44

[13]Wang C，Jiang S，Zhang H，Zhang B. Ship Detection for High-Resolution SAR Images Based on Feature Analysis[J]. Geoscience and Remote Sensing Letters，IEEE，2014，11（1）：119-123.

[14]何四華，楊紹清，邵曉方，等.利用圖像區域自然尺度特征的海面艦船目標檢測[J].紅外與激光工程，2011，40（9）：1812-1817.

[15]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.

[16]趙英海，吳秀清，聞凌云，等.可見光遙感圖像中艦船目標檢測方法[J].光電工程，2008，35（8）：102-106.

[17]Bovolo F，Marin C，Bruzzone L. A Hierarchical Approach to Change Detection in Very High Resolution SAR Images for Surveillance Applications[J].Geoscience and Remote Sensing，IEEE Transactions on，2013，51（4）：2042-2054.

[18]Wang C，Zhang H，Wu F，Jiang SF，Zhang B，Tang YX.A Novel Hierarchical Ship Classifier for COSMO-SkyMed SAR Data[J].Geoscience and Remote Sensing Letters，IEEE，2014，11（2）：484-488.