基于似物性判斷的SAR圖像艦船目標檢測?

曲岳晗 黃杰軍

（1.華北電力大學電力工程系 保定 071000）

（2.華中科技大學自動化學院多譜信息處理技術國家級重點實驗室 武漢 430074）

1 引言

隨著科學技術的發展，合成孔徑雷達（SAR）技術得到大幅度提高。SAR圖像的分辨率以及信噪比都越來越高。隨著SAR圖像數據信息的快速增長，SAR圖像在海洋監測中的優勢更為突出。與紅外、可見光等光學傳感器不同，合成孔徑雷達在保證一定精度的同時，可以一次性監測幾十甚至上百平方公里的廣闊區域，表現出了巨大的優勢。但是，SAR無法獲得目標精細的紋理和結構信息，船舶目標在SAR圖像中通常展現出小而弱的視覺特性，且大小隨著船舶的實際大小而改變，這就對自動目標檢測算法提出了較高的要求。目前國際上最流行的SAR圖像船舶檢測算法是Lincoln實驗室ATR系統采用的雙參數CFAR檢測方法［1～2］或者其改進版本。但是CFAR檢測方法不具備多尺度檢測能力，而且計算量較大，通常要提前指定所需檢測的船舶尺寸，這就對海洋監管、偵查工作帶來了極大的不便。

針對以上所發現的問題，根據人類眼睛的視覺注意機制，提出了基于似物性判斷的改進CFAR檢測算法。人類的視覺系統能夠讓人們在識別物體前快速察覺、定位環境中的物體，并大概估計其尺寸?；谟^測到的人類反應時間和估計的信號傳輸時間，人類注意理論認為人類視覺系統只處理了部分所看到的圖像，而其旁邊的不處理。本文使用似物性判斷方法［3～5］先提取SAR圖像中的候選目標，獲得目標的大小和位置，避免了全圖掃描搜索目標的方式。通過所估計的目標大小來計算CFAR背景窗口的尺寸，使得CFAR具備了多尺度檢測能力。同時，使用積分圖［6］優化CFAR分割算法，使得SAR圖像艦船目標檢測的效率大幅提升。

2 基于似物性判斷的目標檢測

2.1 傳統CFAR的艦船目標檢測方法性能分析

針對目標的檢測，主要依據目標金屬材質和多反射體結構易在SAR圖像上形成強散射亮像素的本質，而設計相應檢測器算法進行目標提取。目前，SAR圖像的分割算法主要有基于恒虛警（Constant False Alarm Rate，CFAR）的分割算法、基于馬爾可夫隨機場（Markov Random Fields，MRF）的分割算法，以及基于模糊C均值（Fuzzy C-Means，FCM）的分割算法等?；贑FAR的分割算法需要對背景雜波的分布進行估計，在不同的背景雜波和不同噪聲干擾下分割效果相差較大；基于MRF的分割算法充分利用像素的鄰域信息，其優點是能在一定程度上抑制相干斑噪聲對分割結果的影響，但算法迭代過程易陷入局部最優，且依賴于初始分割結果，運算復雜度高；基于FCM的分割算法需要預先設置類別和設定初始值，且對噪聲較為敏感。CFAR方法是SAR圖像目標檢測領域研究最為廣泛、最為深入，也是目前較為實用的一種方法，究其原因有如下幾點：

1）計算簡單，實現容易；

2）速度快，比較容易實現實時性；

3）SAR圖像中目標和背景雜波的對比度差別是最明顯的特點，CFAR算法就是基于對比度進行的。

2.2 似物性判斷和CFAR級聯的目標檢測

傳統的CFAR算法在檢測前需要預先輸入目標或者背景窗的尺寸。對未知海域以及未知目標探測時，難以事先知道目標的類型和尺寸信息。為此，我們提出了似物性判斷和CFAR級聯的目標檢測算法。似物性判斷方法使用了二值化賦范梯度特征來提取目標候選區域，使用I7處理器時，能夠以300FPS的幀率給出2000個以內的目標候選區域。利用該目標提取算法得到的目標位置和尺寸作為CFAR的輸入，使得CFAR自動適應不同尺寸的目標，具備了多尺度檢測能力，并且避免了全圖像素級掃描搜索，加快了目標檢測的速度。

近年來，目標提取算法快速發展，在計算機視覺領域得到了廣泛的應用。其中，程明明等提出的二值化賦范梯度特征［7～9］不僅簡單而且高效。該方法認為，擁有完整閉合外輪廓的一般物體，當把它們的賦范梯度（Normed Gradient，NG）適當地縮小到一個固定的小尺寸時，這些物體圖像就變得非常相似?？紤]到計算方便性，該方法將圖像縮小到8×8并使用賦范梯度構成一個簡單的64維特征向量，輸入到兩階段級聯的SVM中來學習判斷是否物體并給出后驗概率，因此該方法可以稱為似物性判斷方法。

針對SAR船舶目標檢測問題，把船舶目標圖像窗口縮小到不同的小尺寸，比如16×16,8×8,4×4等，發現使用8×8窗口時，不同的船舶的梯度強度特征具有很好的區分性。圖1展示了物體和非物體在8×8窗口中的梯度強度特征，其中圖1（a）是梯度強度圖，淺色框表示有物體，深色框表示沒有物體。圖1（b）是梯度圖中物體和非物體對應的賦范梯度特征圖（這里使用梯度強度特征圖）。雖然不同的船舶有不同的尺寸和長寬比，但他們的梯度在強度上有很大的相關性。因此，上述的8×8梯度特征可以用來區分物體和非物體。

圖1 賦范梯度特征

賦范梯度特征g定義如下：

其中水平梯度gx和垂直梯度gy可以通過將灰度圖像分別和一個一維向量A=[-1 0 1]以及AT卷積得到。

為了找到圖像中的物體，我們使用一些預先定義好的不同尺度和比例的窗口來掃描整個圖像。每個窗口都使用一個線性模型ω∈R64來評分，這個模型在階段I通過一個線性SVM學習［10～13］得到，如下式所示。

其中，sl，gl，l，i和 (x,y)分別代表濾波得分，NG特征，坐標，尺度和窗口位置。＜·＞表示ω和gl的內積。

運用非極大值抑制（NMS），我們為每一個事先規定好的尺度（從訓練樣本中統計得到）提取少量的候選窗口。但是對于不同的尺度，它們包含物體的可能性是不一樣的。在船舶檢測過程中，有的尺度（比如100×300）含有目標的可能性要比其他的尺度（比如100×700）高的多。因此定義包含物體的評分準則為

其中vi，ti∈R是在訓練階段II分別為每一個尺度單獨學習的系數和偏置。

為了評判預測圖像區域與真實目標區域的吻合程度，下面簡單介紹IOU的定義。如圖2所示，黑色框Ψ面積為A，灰色框φ面積為B，重疊部分面積為C。假設黑色框為真實目標區域，而灰色框為檢測到的目標區域，定義IOU為檢測框與真實框的交集比上檢測框與真實框的并集。

圖2 交集與并集

如圖3所示，在訓練階段，首先輸入標定好的樣本集合，讀取真實目標區域，為了提高模型的適應能力，在所輸入真實目標區域附近采集多尺度包圍框加入到訓練樣本中，這些包圍框與真實目標框的IOU大于0.5。負樣本在訓練圖像集中按照預定義的尺度隨機選取，但要求它們與真實目標區域的IOU小于0.2。

圖3 目標提取訓練流程

在測試階段，如圖4所示，對于給定輸入圖像，按照訓練時統計得到的若干尺度對圖像做不同的壓縮并求賦范梯度特征圖（梯度強度特征圖）。然后在階段I用一個包含64維線性模型ω的8×8的窗口掃描整個圖像以獲得評分圖sl。通過使用非極大值抑制，為每個尺度篩選部分窗口。最后進入階段II，由于部分尺度含有物體的可能性比較高，而其他的尺度含有物體的可能性相對較低。因此為每個尺度的區域評分使用一個獨立的線性函數獲取最終的得分，也就是似物性概率。

圖4 多尺度賦范梯度特征

3 SAR船舶目標檢測算法流程

如圖5所示，改進型的SAR船舶目標檢測算法先使用似物性判斷，找出SAR圖像中的疑似目標，通過對疑似目標篩選，去除部分無效的候選區域（比如面積過小、面積過大、長寬比過大等）。將疑似目標的包圍框尺寸作為CFAR的保護窗尺寸，采用改進的基于積分圖的快速CFAR算法檢測潛在目標。最后使用非極大值抑制［14～16］，去除重復的候選框得到目標二值圖，對所得二值圖進行形態學濾波，提取最小外接矩形框得到最終的目標信息。

圖5 基于似物性判斷的CFAR艦船檢測流程

如圖6所示，似物性判斷提取得到的目標候選區域能夠準確地估計出目標的像素尺寸，將所提取到的目標尺寸輸出到CFAR檢測器中，經過大量的實驗發現，當背景雜波窗口保護窗的尺寸和取目標尺寸的0.5倍時，檢測器能夠得到最優效果。其中背景雜波窗口的尺寸為目標尺寸的0.3倍，保護窗的尺寸為目標尺寸的0.2倍。

實驗中使用了高斯背景雜波模型，在計算均值和方差的過程中使用了積分圖來極大地加快了算法的速度，只需要使用少量尋址和計算即可求出指定窗口的均值和方差。實驗中設置的恒虛警概率為pfa=0.0001。

圖6 基于似物性判斷的CFAR檢測算法

基于似物性判斷的目標提取算法可以得到大約接近2000個目標候選區域，篩選后剩下1500個左右，對這些目標候選區域分別使用CFAR分割后可以得到大約1500個可能包含目標的二值圖像。考慮到內存原因，實驗中沒有直接保存二值圖像，只保存了原圖像的均值、方差和二值圖的分割閾值、目標包圍框、分割效果得分等參數，統稱為包圍框信息。如圖5（c）所示，去除目標面積過小和目標面積比例過小或過大的候選區后，再運用非極大值抑制，可以將不含有目標的區域基本去除。為了評價CFAR對圖像分割的效果，并兼顧了候選區中包含目標的概率，我們提出了一個評分機制。

其中μ是背景雜波均值，percent為目標面積占窗口比例接近某個值τ得程度，Ol為式（4）的似物性概率。percent的計算公式如下：

其中 p是目標面積占窗口面積的比例，τ是一個統計量，是包含有目標的窗口中目標所占比例的估計值。如圖7所示，通過對大量的SAR艦船目標窗口進行統計發現，目標占窗口比例大概在1.2到1.8之間，實驗中取τ=1.5。

圖7 目標占窗口比例統計圖

得分s評價了CFAR分割的效果，直接把它用作非極大值抑制的分數，通過局部搜索，保留最大得分的包圍框并去除與之相交的IOU大于某個值的所有包圍框，可以最終將目標保留下來而去除極大部分不含有目標的無效包圍框，如圖8所示，其中t是一個可調閾值，實驗中t取0.1。由于在CFAR分割后，部分包含目標面積（像素點數）過小的包圍框一般沒有目標，分割得到的是噪聲信號，因此對此類包圍框提前刪除。因此經過非極大值抑制后，剩下的包圍框已經很少，將它們的二值圖合并到一個大的二值圖上，可以得到完整的目標二值圖。

圖8 非極大值抑制算法流程圖

經過非極大值抑制后，雖然極大部分的目標候選區被去除了，但合并得到的完整目標二值圖依然包含很多噪聲。由于SAR圖像本身噪聲較多，為了去除二值圖中的點狀噪聲，需對圖像進行腐蝕、膨脹等形態學濾波處理。

4 實驗分析與結論

為了驗證基于似物性的改進CFAR目標檢測算法對未知尺度目標檢測的能力以及算法效率，選用了三組含有大目標和較小目標的SAR圖像進行試驗。同時，還展示了傳統CFAR算法處理的效果。實驗中，傳統CFAR的背景窗半徑分別采用了20，40，60三個不同的等級，保護窗口寬度都是5個像素。實驗1采用的SAR圖像大小為1000×650，實驗2采用的SAR圖像大小為800×600，實驗3采用的SAR圖像大小為1400×1200。三組實驗中，傳統CFAR在采用60個像素作為背景窗半徑時都能得到相對較好的效果，但是處理時間隨著圖像的尺寸和背景窗口的增加而快速增加。本文方法在三組實驗中都能完整地將圖像中的目標提取出來，而且時間不會隨著圖像尺寸的增加顯著提升。

圖9 改進CFAR與傳統CFAR分割對比1

表1 改進CFAR與傳統CFAR運行時間對比1

圖10 改進CFAR與傳統CFAR分割對比2

表2 改進CFAR與傳統CFAR運行時間對比2

從實驗2和實驗3可以看出來，傳統CFAR去背景窗半徑為40個像素時，雖然能夠將大部分目標提取出來，但是大尺寸的目標檢測效果較差甚至完全漏檢。因此，雖然傳統CFAR在采用60個像素作為背景窗口半徑時能取得較好效果，但如果目標尺寸接近背景窗口尺寸時，傳統CFAR將難以取得較好的檢測效果。實驗結果表明，本文提出的改進CFAR算法對目標尺度并不敏感，獲得了多尺度檢測能力。同時改進CFAR算法對每一幅圖像都只需處理大約1500個目標區域，因此對不同大小的SAR圖像，都只需要常數級的處理時間。

表3 改進CFAR與傳統CFAR運行時間對比3

本文提出了基于似物性判斷的改進CFAR艦船目標檢測方法。該方法從多尺度SAR圖像艦船目標檢測問題出發，并結合人類視覺注意機制，改進了傳統的CFAR方法，使得系統檢測效率大幅提升并具備了多尺度檢測能力。

5 結語

綜上所述，似物性判斷方法克服了SAR無法獲得目標精細的紋理和結構信息、船舶目標在SAR圖像中通常展現出小而弱的視覺特性且大小隨著船舶的實際大小而改變的缺點，也避免了CFAR檢測方法不具備多尺度檢測能力、計算量較大、通常要提前指定所需檢測的船舶尺寸的弱點，結合人類視覺注意機制，改進了傳統的CFAR方法，使得系統檢測效率大幅提升并具備了多尺度檢測能力。