基于高光譜的低對比度傷員目標搜尋技術研究

朱明明，尚丹婷，曹育森，雷濤，夏娟娟，李釗，景裕，張林媛，王健琪，路國華

1.空軍軍醫大學 軍事生物醫學工程學系，陜西 西安 710032；2.西寧聯勤保障中心藥品儀器監督檢驗站，甘肅 蘭州 730050；3.空軍軍醫大學唐都醫院 放射科，陜西 西安 710038

引言

傷員搜救是以人為本的重要體現，能夠反映一個國家綜合實力[1]。快速有效地搜尋傷員也是降低失蹤、死亡率的首要因素。從技術發展特征和使用方式來看，傷員搜尋技術可分為接觸式和非接觸式。現有接觸式救生裝備主要存在穿戴裝置使用不方便，增加身體負荷等影響[2-4]。而且自然災害等事故發生都具有突發性、緊迫性、不可預知性等，傷員不可能在事故發生前隨時隨地隨身攜帶救生設備，且事故發生時傷員陷入昏迷無法觸發設備或者救生設備受到損壞、通訊信號質量不佳等都將為救援工作帶來未知因素。而非接觸式搜尋技術主要利用人體生命特征進行搜索，無需穿戴任何裝備從而避免了以上問題。目前國內外非接觸式搜尋技術可分為聲學、光學、氣味、微波信號等技術[5]，其中應該最廣泛的就是光學信號，采用無人機搭載高清相機和熱紅外成像儀進行低空搜尋[6-8]，但當傷員處于低對比度環境中，即傷員衣著顏色與背景顏色相近時，依靠機載視覺載荷很難發現傷員。高光譜目標識別技術，具有抗偽裝、抗干擾等優點[9]，在低對比度環境下搜尋傷員具有其獨特的優勢。

高光譜技術將成像信息從可見光拓展到400～1000 nm波段，利用先驗知識分析已知的波譜曲線，通過對比高光譜圖像中每個像素波譜與已知波譜的匹配程度進行識別分類。目前高光譜成像技術已廣泛應用于農業、林業、生態環保等領域，利用小型無人機搭載高光譜相機進行低空巡航可實現小尺度高精度遙感監測。其主要原理是根據植被中葉綠素、水分等含量不同影響冠層群體的反射光譜變化，從而反演出區域內植被的長勢、病蟲害、水分脅迫狀況等[10]。高光譜技術能夠有效識別“同色異譜”的目標，王博等[11]研究發現高光譜可快速有效地識別傳統可見光圖像無法識別的偽裝目標；徐文斌等[12]綜合目標的光譜、強度、偏振態等參數，提高了目標的探測識別能力；嚴陽等[13]利用在可見光及近紅外波段下獲取的高光譜圖像，分析了偽裝目標在不同背景下的偽裝效果，目前尚未發現高光譜應用于傷員搜尋的研究。因此，本文提出一種無人機搭載高光譜的戰場傷員識別方案，進行相關實驗討論其可行性和優缺點。

1 材料與方法

1.1 實驗設備

本次實驗采用的高光譜成像系統是由大疆M600六旋翼無人機、HY-1010高光譜成像儀、地面控制系統、穩定云臺、標準反射率板等組成，詳見圖1。① HY-1010高光譜相機[奧譜天成（廈門）科技有限公司]入射端采用狹縫設計，波段范圍400～1000 nm，共300個通道，1920X1080像素CCD探測器，高光譜分辨小于2.6 nm，為后續實驗分析提供數據支撐；② M600六旋翼無人機（大疆DJI Matrice 600），可搭載5.5 kg載荷飛行18 min；最大航行速度65 km/h，懸停精度垂直方向0.5 m、水平方向1.5 m，最大通信距離5 km。

圖1 高光譜數據采集設備

1.2 實驗設計

為方便數據采集、簡化實驗模型，實驗設定為草地環境下對迷彩傷員的識別，實驗背景為學校操場足球場，實驗目標為迷彩服上的血跡。實驗設計如圖2所示，首先，將6套帶有血跡的迷彩服隨機鋪設在足球場中，球場中有大量身著迷彩服運動人員。使用M600無人機搭載HY-1010高光譜相機規劃好航線進行遙感數據采集，對采集圖像進行裁剪、幾何校正等預處理，提取目標波譜和背景波譜，然后對預處理圖像進行最小噪聲分離變換（Minimum Noise Fraction，MNF），此次實驗采用混合調諧匹配濾波（Mixture Tuned Matched Filtering，MTMF）、最小能量約束（Constrained Energy Minimization，CEM）、自適應一致估計（Adaptive Coherence Estimator，ACE）三種波譜分析方法進行分析[14]，對分析結果進行濾波后處理后輸出結果。使用MTMF進行匹配濾波時，目標波譜對比每個像元的MF匹配圖像以及相應的不可行性圖像，用于減少識別目標的假陽性。CEM使用有限脈沖響應線性濾波器（Finite Impulse Response，FIR）和約束條件，最小化平均輸出能量，以抑制圖像中的噪聲和非目標波譜信號[15]。首先對高光譜圖像進行預處理，得到二維化和歸一化后的數據r(L*N)，L為波段數，N為像素數。根據圖像數據r，求得圖像的自相關矩陣：，然后確定目標光譜向量d，根據公式設計FIR線性濾波器：w=[w1,w2,…,wL]T，將歸一化后的數據經過FIR濾波器濾波，得到輸出信號y，即為檢測結果。ACE是由廣義似然比檢驗推出，其中r是高光譜影像的像元光譜向量，d是目標信號，Γ是背景協方差陣[16]。當r與d相似度達到最大時，此時的eACE即為最終檢測結果。比對三種分析方法，對識別結果進行客觀評價。

1.3 研究方法

1.3.1 硬件連接

此機載光譜系統集成了數據存儲、電池倉、云臺、高清相機等模塊，主要實現數據的存儲拷貝、參數設置等功能。將數傳天線插在機載光譜系統的接口上，調整天線方向朝下。在機翼支架上安裝2個RTK定位模塊，實現高精度的GPS測量。從M600的圖傳信號引出一條HDMI線與機載光譜系統連接，由此通道可實時傳輸機載光譜系統的畫面，如圖3所示完成硬件連接。

圖3 機載光譜系統硬件連接示意圖

架設并配置地面站，將地面站設備安裝在地面站三腳架上，使用網線連接地面站登錄網頁169.254.1.0配置接收器，在receiver-position-base setup中獲取地面站當前位置，采用GPS的載波相位觀測量，給出無人機的三維坐標，并生成GPGGA定位信息[17]。在設備管理中通過藍牙連接地面站，連接成功后可自動獲取高光譜相機狀態、空間維光譜信息、積分時間、RX0存儲模式、RTK狀態、GPS搜星數等信息。

1.3.2 多光譜遙感圖像采集

選擇晴朗微風天氣，在學校足球場進行測試，測區面積為90 m×120 m，以黃綠相間草地為主，在草地上鋪設迷彩服噴灑仿真血偽裝成傷員。將反射率板鋪設在作業范圍內，根據照度值，計算合適的積分時間，進行飛行前系統設置。M600六旋翼無人機飛行高度100 m、鏡頭焦距35 mm、縫隙25 μm，此時多光譜相機MS600地面分辨率為8.7 cm。為方便拼接，設置重疊率為80%，航帶間距22 m、飛行速度4.4 m/s，進行航線規劃。本次實驗共分為5組飛行，每組隨機改變傷員位置分布。

1.3.3 數據預處理

每組飛行時長約5 min，高光譜數據為480×13643×300，數據容量達4.8 G，飛行航跡中轉彎部分數據變形不能使用，需進行圖像預處理。一般的遙感圖像處理順序為圖像幾何校正-圖像融合-圖像鑲嵌-圖像裁剪，本次實驗場地較小，單幅圖像就可包含所有的實驗對象，且操場中存在大量運動中的人員，在不同時刻所處位置不同，為圖像的鑲嵌帶來不利因素，因此直接進行圖像裁剪即可獲得所需數據（圖4），裁剪后圖像數據為405×988×300，數據容量300 M。

圖4 預處理圖像

對圖像進行預處理之后，提取目標波譜與背景波譜，每個分類選取100以上的像素點，統計分析光譜曲線如圖5所示，各類地物波譜差異較大，可使用波譜識別的方法進行目標識別。首先因高光譜數據量較大，需進行數據降維以減少后處理的計算量，常見的方法有主成分分析法（Principal Component Analysis，PCA），本次實驗采用基于PCA提出的MNF變換，具有PCA正交變換的性質，變換后得到的向量中的各元素互不相關，各分量按照信噪比從大到小排列，從而達到降噪降維的目的[18]。

圖5 光譜分析圖

2 數據處理結果

對于ACE、CEM識別結果是目標波譜對比每個像元的灰度圖像，可手動修改閾值，調整識別結果。為了更加客觀的對比識別結果，盡可能減少人為干預因素，此處均選擇系統默認閾值。MTMF通過點云圖選擇進行識別，橫坐標表示像元與目標波譜的匹配度MF Scores，縱坐標表示不可行性值In-feasibility Value，用二維散點圖識別具有不可行性低、匹配濾波值高的像元，也就是散點圖中選擇距離右下角最近的點，將點數控制在與目標像元相近的數量，方便統計結果，點云選擇如圖6所示。

圖6 MTMF點云圖選擇

得到初步識別結果后，進行卷積濾波和最小聚類方法去除結果中孤立的小斑點，減少誤識別。最終識別結果如圖7所示，圖中紅色像素為識別目標，可以較為清晰地看出6名偽裝傷員的輪廓。統計分析5組實驗像素識別結果如表1所示，，分別計算5組實驗識別結果的正確率和無人率，統計量均值作為最終結果。

表1 識別結果統計分析表

圖7 三種方法識別結果圖

3 討論與結論

本文采用仿真血噴涂迷彩服的方式模擬低對比度環境下傷員，利用小型無人機搭載高光譜相機采集遙感圖像，使用常用的三種光譜分析方法進行傷員識別，從實驗結果可以看出三種方法均可清晰識別出傷員的輪廓，進一步進行像素級統計分析后發現三種識別方法中ACE誤分率最低53.2%，CEM正確率最高50%。結果中的誤識別主要是由于混合像元和異物同譜的現象造成。通過比對識別結果圖與實際高清照片，發現未識別出的目標像素點主要集中在血跡邊沿位置，也就是混合像元未能識別。由于高光譜分辨率較低，此次實驗中地面分辨率為8.7 cm/pixel，也就是每個像素點為8.7 cm的小方塊，在血跡邊沿位置的像素點中除血跡外還包含草地、迷彩服等物質，形成混合像元。高光譜進行目標識別的基本原理是計算未知地物光譜曲線與已知物體的光譜曲線相似度，根據相似程度設定相應閾值對地物進行識別分類。在提取目標波譜時選定的像素點均為純凈像元，當混合像元中血跡占比較小時與目標波譜差異較大，因此在閾值設定較小時未能識別出目標混合像元。此外，還與血跡的特性有關，血跡是半透明物體，與不同地物混合及干濕程度的變化，都會影響光譜特性的變化。而在統計目標像素個數時將所有含有血跡的像元均納入了目標像素，導致識別正確率較低。雖然血跡邊沿未能識別，導致血跡面積變小且邊沿呈鋸齒狀，但是整體血跡輪廓依然能夠清晰辨識。

目前基于無人機的傷員搜救技術，主要采用人體視覺和紅外視覺的方法，使用HOG+SVM目標檢測算法識別人體輪廓。此類方法需要大量的先驗數據進行訓練，為了確保足夠的分辨率無人機飛行高度受限（一般不超過50 m），且在人員被部分遮擋時識別率大大降低。本次實驗直接對血跡進行檢測，結果表明高光譜在傷員識別應用中具有可行性，可達到像素級識別（識別精度還有待提高）。在本次實驗中發現，高光譜數據量巨大且數據冗余度較高，后期數據處理工作量太大，很難進行實時傳輸計算。在下一步工作中將通過波段選擇的方法，將能夠有效識別傷員的光譜信息集中在有限的波段中，縮小數據運算量。目前高光譜識別方法僅僅利用了光譜維信息，而忽略空間維信息，無法排除異物同譜的干擾。下一步將結合目標的紋理等信息優化現有算法，提出適用于傷員識別的模型。