楊光+蔚鵬志+鄧翔

摘 要 全色圖像中港口內(nèi)艦船的快速、準確檢測，受地物、云等影響，是一個難點問題。針對這個問題，本文提出了一種基于SIFT特征的港口內(nèi)艦船檢測方法。本文方法與傳統(tǒng)方法不同，通過建立港口區(qū)域模板，簡化SIFT特征點提取方法，通過圖像配準快速、準確地定位海水區(qū)域。然后，對港口內(nèi)靠岸艦船使用2D-Otsu和Harris角點結(jié)合方法、對水面艦船使用基于異常檢測的方法，準確提取感興趣區(qū)域。最后，結(jié)合艦船和典型虛警（云、波浪等）的特點，建立CART分類器，有效剔除虛警。實驗結(jié)果表明，本文提出的港口內(nèi)艦船檢測方法具有較高的艦船檢測準確性和效率，并且對于不同尺寸的艦船目標和不同分辨率的圖像均具有較好的適應(yīng)性。

【關(guān)鍵詞】艦船檢測 模板匹配 SIFT特征 特征提取 特征融合

1 引言

港口內(nèi)艦船檢測是監(jiān)視特定港口海運交通、獲取艦船部署與動態(tài)的主要手段，具有重要的研究價值[1-4]。隨著遙感成像技術(shù)的發(fā)展，能夠提供豐富細節(jié)信息且與人類解譯方式相同的全色遙感圖像近年來被逐步引入到艦船檢測領(lǐng)域[2][5]，使得利用全色遙感圖像進行港口內(nèi)艦船檢測成為可能。

港口內(nèi)艦船包括靠岸艦船和水面艦船兩類。檢測港口內(nèi)艦船通常包括海陸分割、艦船感興趣區(qū)域提取和虛警排除三個主要階段。

海陸分割是確定海陸邊界，排除地物干擾，保證艦船檢測準確性的前提。文獻[6]提出了一種基于邊界跟蹤的海陸分割方法，具有較高的效率，但是分割精度較低，嚴重影響港口內(nèi)靠岸艦船檢測的準確性。文獻[7]依據(jù)港口的共性特點，在檢測港口的過程中實現(xiàn)海陸分割，具有較好的準確性，但需要準確檢測港口。

艦船感興趣區(qū)域提取是艦船檢測方法避免漏檢的重要階段。目前，對于港口內(nèi)艦船感興趣區(qū)域提取方法的研究僅有較少的報道。由于港口內(nèi)艦船包括背景不同的靠岸艦船和水面艦船兩類，因此，文獻[8]對上述兩類艦船使用不同的方法分別進行感興趣區(qū)域提取，但是該文章研究的主要是大型艦船，對于艦船的普適性不強。文獻[9]則提出使用一種基于G0分布的港口內(nèi)艦船 CFAR 檢測方法，能夠有效檢測靠岸艦船和水面艦船，但是該方法針對的是SAR圖像，對于光學圖像難以確定有效的閾值。

虛警排除是艦船檢測過程中剔除誤檢的重要步驟?，F(xiàn)有艦船檢測方法中，大都利用艦船的特點，提取艦船的形狀、紋理等特征進行虛警排除[2]。然而，在全色圖像中，云、波浪等典型虛警也具有排他性特征。

綜上所述，對于港口內(nèi)艦船檢測，目前缺少有效的海陸分割方法，同時對于艦船感興趣區(qū)域提取的普適性方法研究較少，并且忽略了典型虛警（如云、波浪）的特點。因此，本文提出了一種基于模板匹配的港口內(nèi)艦船檢測方法。該方法主要包括以下三個步驟：首先，建立港口區(qū)域模板，通過圖像配準獲取準確的海陸邊界；然后，采用2D-Otsu和角點檢測結(jié)合的方法提取靠岸艦船感興趣區(qū)域，使用基于異常檢測的方法提取水面艦船的感興趣區(qū)域；最后，結(jié)合艦船的特點和典型虛警（云、波浪等）的特點，建立CART分類器，從而準確檢測艦船目標。

2 快速、準確的海陸分割方法

由于現(xiàn)有的海陸分割方法不能滿足準確檢測靠岸艦船的目的，而通過港口檢測提取海水區(qū)域的方法難度較大且普適性不高。因此，本文通過與港口區(qū)域模板進行配準，準確地檢測海陸邊界。

本文對每個港口利用Google Earth的圖像分別建立模板，并且人工確定海岸線。圖1顯示了舊金山港口部分區(qū)域的模板圖像。

圖像配準方法有基于區(qū)域的配準、基于特征的配準、基于混合模型的配準和基于物理模型的配準四類[11]。由于待檢測圖像的分辨率具有多樣性，并且模板圖像不具有準確的分辨率，同時光學圖像受光照的影響較大。因此，本文選擇具有縮放、旋轉(zhuǎn)、亮度不變性的SIFT特征[10]對圖像進行配準。

2.1 傳統(tǒng)SIFT特征點描述方法

文獻[10]中提出的SIFT特征向量提取方法首先構(gòu)建圖像高斯金字塔。第一步對圖像進行多次下采樣，得到N幅下采樣圖像Ii（i=1，...，N）；第二步，利用與尺度因子（σ）相差成固定倍數(shù)（σ，21/Mσ，...）的高斯函數(shù)組與Ii進行卷積，每個Ii得到M（一般取值3-5）層圖像Gt（t=1，...，M）；第三步，對于相鄰的Gt和Gt+1作差，得到M-1個差值圖像Dk（k=1，...，M-1）。

然后，檢測SIFT特征點。第一步求取圖像Dk中的極值點，并去除低對比度的關(guān)鍵點和不穩(wěn)定的邊緣響應(yīng)點，得到SIFT特征點；第二步，以特征點為中心，確定其周圍16×16的像素窗口作為SIFT特征區(qū)域；第三步，對SIFT特征區(qū)域的每一個像素點求取梯度幅值與梯度方向。

最后，提取SIFT特征向量。將SIFT特征區(qū)域劃分為16個4×4大小的子窗口，對每個子窗口計算8個方向（以45度為間隔）的梯度直方圖，并得到每個方向的梯度加權(quán)值，則一個極值點對應(yīng)16×8維的特征向量。

2.2 本文中SIFT特征點描述方法

通過對SIFT特征點提取過程的描述可以看出，傳統(tǒng)的方法需要對N×（M-1）個圖像進行特征點提取，并且要對所有的特征點進行匹配計算，會嚴重影響數(shù)據(jù)量較大的全色圖像的實時處理。同時，港口區(qū)域的高分辨率圖像受地物、艦船、云等的影響要高于低分辨率圖像，所以提取的SIFT特征點可用性相對不高。此外，全色5m分辨率圖像中港口區(qū)域的輪廓比較明顯（如圖1所示）。因此，本文依據(jù)港口區(qū)域圖像的特點，將現(xiàn)有的SIFT特征點提取方法做如下改進。

（1）在對圖像進行下采樣時，僅取分辨率最接近5m和3m的兩個下采樣圖像I1和I2；

（2）分別對I1和I2進行高斯卷積，建立三層高斯金字塔Gt，依據(jù)實驗結(jié)果，尺度空間取值為σ，21/4，21/2σ；

（3）降低SIFT特征點向量維數(shù)，對SIFT特征區(qū)域的子窗口計算6個方向（以60度為間隔）的梯度直方圖，得到96維特征向量。

2.3 特征點匹配與仿射變換

現(xiàn)有的特征點匹配方法為了實現(xiàn)尺度適應(yīng)性，對兩幅待配準圖像的所有特征點均進行兩兩匹配，最終選取距離最近的點。對于每一個港口，其位置是固定的。因此在特征點匹配過程中，首先利用圖像分辨率進行初匹配，對于兩幅待配準圖像的I1中分辨率相差較大的高斯金字塔不進行處理；然后，對于金字塔的每一層先使用位置信息進行粗匹配，再利用歐式距離對特征點間的相似性進行度量，并使用RANSAC方法去除匹配錯誤的特征點對，從而獲取準確的匹配對。最后，使用文獻[10]中介紹的方法進行仿射變換，實現(xiàn)圖像配準。

圖2顯示了舊金山港口區(qū)域WorldView-2全色圖像與圖1中模板進行配準的結(jié)果。從圖2（b）中可以看出，本文基于配準的方法能夠準確獲取港口內(nèi)的海水區(qū)域，為后續(xù)準確檢測艦船提供了保證。

3 艦船感興趣區(qū)域的有效提取方法

艦船感興趣區(qū)域提取的目的是確定艦船的位置和數(shù)量。港口內(nèi)靠岸艦船分布在海岸線的海水一側(cè)，但是有時會出現(xiàn)并排?？慷鄠€艦船的情形，如圖3所示。港口內(nèi)的水面艦船相互之間有一定的距離，但是出現(xiàn)的位置比較隨機。根據(jù)第一節(jié)提出的方法可以準確定位海岸線，所以靠岸艦船感興趣區(qū)域提取的重點是數(shù)量，而水面艦船感興趣區(qū)域提取的重點是位置。因此，本文采用不同的方法提取艦船感興趣區(qū)域。

3.1 2D-Otsu和Harris角點結(jié)合的方法

靠岸艦船的海面背景一般比較簡單，不會出現(xiàn)大浪等情況。同時，艦船的灰度與周圍海水有一定的差異。2D-Otsu方法能夠依據(jù)灰度，對背景簡單的圖像進行快速、準確的分割[9]。因此，選用該方法對海岸線的海水一測進行分割，確定艦船的位置，如圖4所示。同時，對上述分割得到的感興趣區(qū)域進行簡單的長寬比檢測，初步確定艦船數(shù)量。

受云、陰影等的干擾，在高分辨率圖像中使用2D-Otsu方法進行分割，可能使得感興趣區(qū)域的尺寸與實際差異過大，導致確定的艦船數(shù)量不準確。所以，引入對光照具有一定穩(wěn)定性的Harris角點對邊緣區(qū)域進行檢測（檢測結(jié)果如圖5所示）。通過對檢測的角點進行凸包計算和線性劃分最終獲得準確的艦船數(shù)量和艦船感興趣區(qū)域。

3.2 基于異常檢測的方法

港口內(nèi)水面艦船的背景有時比較平靜（如圖6（a）所示），有時受行駛痕跡、云等的干擾比較復雜（如圖6（b）、（c）所示）。文獻[2]提出了基于背景分析的艦船檢測方法，對多種海面背景的圖像均能較準確地提取艦船感興趣區(qū)域。因此，本文參考文獻[2]的方法提取港口內(nèi)水面艦船的感興趣區(qū)域。圖7顯示了圖6中的艦船感興趣區(qū)域提取結(jié)果。

4 基于CART分類器的虛警排除方法

在全色圖像中，港口內(nèi)艦船檢測結(jié)果中的虛警主要有云、行駛痕跡、陰影、波浪等。表1分析了艦船和典型虛警在全色圖像中的主要特點。

從表1可以看出，在虛警排除過程中，可以使用紋理特征排除云虛警，使用灰度特征排除陰影虛警，等等。然而，現(xiàn)有虛警排除方法大都使用艦船的特點構(gòu)建分類器，忽略了典型虛警的特點。因此，本文綜合考慮艦船和典型虛警的特點，使用描述亮度的平均灰度特征，描述紋理的方差、紋理粗糙度、紋理均勻性、對比度和LBP算子，描述形狀的長寬比、緊湊性、對稱性、偏心率，以及面積特征刻畫感興趣區(qū)域。選擇易于理解和實現(xiàn)、挖掘出的分類規(guī)則準確性高，并且在兩分類問題中有較好效果的CART算法構(gòu)建分類器。圖8顯示了圖6中艦船目標的最終檢測結(jié)果。

5 實驗結(jié)果

為了驗證本文方法的有效性，在3.4 GHz CPU的計算機上對共包含11個港口的34幅圖像進行了測試，檢測長度大于50像素的艦船目標。圖像數(shù)據(jù)包括4幅WorldView-2、12幅QuickBird和18幅5m分辨率的SPOT-5全色圖像，平均大小為11000×11000像素。針對三個檢測步驟，分別進行了如下實驗。

5.1 海陸分割有效性實驗

本文海陸分割的核心是圖像配準，通過對比簡化的SIFT特征點描述方法和傳統(tǒng)方法，驗證該步驟的準確性和實時性。使用均方根誤差和計算時間作為配準的評價準則，兩者的值越小說明方法的準確性和效率越高。表2顯示了對比結(jié)果。從對比結(jié)果可以看出，本文使用的配準方法在保證配準精度基本相同的情況下，能夠?qū)⑴錅仕俣忍岣呓?倍。

5.2 感興趣區(qū)域提取準確性實驗

該實驗的主要目的是驗證靠岸艦船和水面艦船感興趣區(qū)域提取的準確性。評價標準為檢測率和虛警率，檢測率越高、虛警率越低說面檢測準確性越高，兩者的定義如下：

檢測率=檢測出的正確數(shù)目/實際數(shù)目，

虛警率=檢測出的虛警數(shù)目/檢測出的總數(shù)目。

實驗結(jié)果如表3所示。從表3可以看出，本文提出的感興趣區(qū)域提取方法的檢測率達到了94.91%，僅有19個漏警，說明本文方法具有很高的準確性。

5.3 虛警排除準確性實驗

該實驗主要是為了驗證虛警排除的準確性，即在去除最少目標的情況下刪除的虛警越多越好。表4顯示本文方法的最終檢測結(jié)果，盡管誤刪了7個艦船，但是本文方法去除了88個虛警，虛警率降低了14%。

通過對所有圖像數(shù)據(jù)進行測試，得出本文方法對11000×11000像素圖像的平均處理時間僅需1.93分鐘

6 結(jié)論

本文提出了一種基于SIFT特征的港口內(nèi)艦船檢測方法。該方法使用簡化的SIFT特征點向量進行圖像配準，快速準確提取海陸邊界；依據(jù)港口內(nèi)靠岸艦船和水面艦船的各自特點，分別使用2D-Otsu和Harris角點結(jié)合的方法、基于異常檢測的方法提取艦船感興趣區(qū)域；結(jié)合艦船和典型虛警的特點，使用平均灰度等11個特征建立CART分類器，準確剔除虛警。實驗結(jié)果表明，該方法的檢測準確率達到了93.03%，平均處理時間僅有1.93分鐘。同時，該方法能夠?qū)Χ喾N尺寸的艦船目標進行準確檢測，并且適用于多種分辨率圖像。因此，本文方法具有很好的準確性、實時性和普適性，相信在港口內(nèi)艦船實時檢測領(lǐng)域，該方法具有廣闊的應(yīng)用前景。

參考文獻

[1]陳琪，王娜，陸軍等.SAR圖像港口區(qū)域艦船檢測新方法[J].電子與信息學報，2011，33（09）：2132-2137.Chen Qi， Wang Na，Lu Jun，et al.A New Method for Ship Detection in Harbor Region of SAR Images[J].Jounal of Electronics & Information Technology，2011，33（09）：2132-2137.

[2]Yang Guang，Li Bo，Ji Shufan，Gao Feng， Xu Qizhi.Ship Detection From Optical Satellite Images Based on Sea Surface Analysis[J].IEEE Geoscience and Remote Sensing Letters，2014，11（03）：641-645.

[3]李曉博，孫文方，李立.靜止軌道遙感衛(wèi)星海面運動艦船快速檢測方法[J].電子與信息學報，2015，37（08）：1862-1867.Li Boxiao，Sun Wenfang，Li Li. Ocean Moving Ship Detection Method for Remote Sensing Satellite in Geostationary Orbit[J].Jounal of Electronics & Information Technology，2015，37（08）：1862-1867.

[4]Weiya Guo，Xuezhi Xia，Xiaofei Wang. A remote sensing ship recognition method of entropy-based hierarchical discriminant regression[J].Optik - International Journal for Light and Electron Optics，2015，126（20）：2300-2307.

[5]Zhu C.，Zhou H.，Wang R.，Guo J..A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48（09）：3446–3456.

[6]李超鵬，楊光.一種基于海陸邊界跟蹤的快速海陸分割方法[J].計算機科學，2014，41（10）：84-86.Li Chaopeng， Yang Guang.Fast Sea-Land Segmentation Method Based on Maritime Boundary Tracking[J]. Computer Science，2014，41（10）：84-86.

[7]Francesca Pieralice，Raffaele Proietti，Paola La Valle，et al.An innovative methodological approach in the frame of Marine Strategy Framework Directive：A statistical model based on ship detection SAR data for monitoring programmes[J]. Marine Environmental Research，2014，102：18-35.

[8]Marino Armando，Hajnsek Irena. Ship Detection With TanDEM-X Data Extending the Polarimetric Notch Filter[J].IEEE Geoscience and Remote Sensing Letters，2015，12（10）：2160-2164.

[9]Lowe D.G.Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision，2004，60（02）：91-100.

[10]侯鵬洋，季艷，高峰，等.一種基于SIFT特征的快速逐層遙感圖像配準方法[J].遙感技術(shù)與應(yīng)用，2014，29（05）：873-877.Hou Pengyang，Ji Yan，Gao Feng，et al.Fast Hierarchical Registration Method for Remote Sensing Image based on SIFT[J].Remote Sensing Technology and Application，2014，29（05）：873-877.