曲岳晗 黃杰軍

（1.華北電力大學(xué)電力工程系 保定 071000）

（2.華中科技大學(xué)自動(dòng)化學(xué)院多譜信息處理技術(shù)國家級(jí)重點(diǎn)實(shí)驗(yàn)室 武漢 430074）

1 引言

隨著科學(xué)技術(shù)的發(fā)展，合成孔徑雷達(dá)（SAR）技術(shù)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(shù)據(jù)信息的快速增長(zhǎng)，SAR圖像在海洋監(jiān)測(cè)中的優(yōu)勢(shì)更為突出。與紅外、可見光等光學(xué)傳感器不同，合成孔徑雷達(dá)在保證一定精度的同時(shí)，可以一次性監(jiān)測(cè)幾十甚至上百平方公里的廣闊區(qū)域，表現(xiàn)出了巨大的優(yōu)勢(shì)。但是，SAR無法獲得目標(biāo)精細(xì)的紋理和結(jié)構(gòu)信息，船舶目標(biāo)在SAR圖像中通常展現(xiàn)出小而弱的視覺特性，且大小隨著船舶的實(shí)際大小而改變，這就對(duì)自動(dòng)目標(biāo)檢測(cè)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(cè)算法是Lincoln實(shí)驗(yàn)室ATR系統(tǒng)采用的雙參數(shù)CFAR檢測(cè)方法［1～2］或者其改進(jìn)版本。但是CFAR檢測(cè)方法不具備多尺度檢測(cè)能力，而且計(jì)算量較大，通常要提前指定所需檢測(cè)的船舶尺寸，這就對(duì)海洋監(jiān)管、偵查工作帶來了極大的不便。

針對(duì)以上所發(fā)現(xiàn)的問題，根據(jù)人類眼睛的視覺注意機(jī)制，提出了基于似物性判斷的改進(jìn)CFAR檢測(cè)算法。人類的視覺系統(tǒng)能夠讓人們?cè)谧R(shí)別物體前快速察覺、定位環(huán)境中的物體，并大概估計(jì)其尺寸?；谟^測(cè)到的人類反應(yīng)時(shí)間和估計(jì)的信號(hào)傳輸時(shí)間，人類注意理論認(rèn)為人類視覺系統(tǒng)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(biāo)，獲得目標(biāo)的大小和位置，避免了全圖掃描搜索目標(biāo)的方式。通過所估計(jì)的目標(biāo)大小來計(jì)算CFAR背景窗口的尺寸，使得CFAR具備了多尺度檢測(cè)能力。同時(shí)，使用積分圖［6］優(yōu)化CFAR分割算法，使得SAR圖像艦船目標(biāo)檢測(cè)的效率大幅提升。

2 基于似物性判斷的目標(biāo)檢測(cè)

2.1 傳統(tǒng)CFAR的艦船目標(biāo)檢測(cè)方法性能分析

針對(duì)目標(biāo)的檢測(cè)，主要依據(jù)目標(biāo)金屬材質(zhì)和多反射體結(jié)構(gòu)易在SAR圖像上形成強(qiáng)散射亮像素的本質(zhì)，而設(shè)計(jì)相應(yīng)檢測(cè)器算法進(jìn)行目標(biāo)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(jī)場(chǎng)（Markov Random Fields，MRF）的分割算法，以及基于模糊C均值（Fuzzy C-Means，F(xiàn)CM）的分割算法等?；贑FAR的分割算法需要對(duì)背景雜波的分布進(jìn)行估計(jì)，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(yōu)點(diǎn)是能在一定程度上抑制相干斑噪聲對(duì)分割結(jié)果的影響，但算法迭代過程易陷入局部最優(yōu)，且依賴于初始分割結(jié)果，運(yùn)算復(fù)雜度高；基于FCM的分割算法需要預(yù)先設(shè)置類別和設(shè)定初始值，且對(duì)噪聲較為敏感。CFAR方法是SAR圖像目標(biāo)檢測(cè)領(lǐng)域研究最為廣泛、最為深入，也是目前較為實(shí)用的一種方法，究其原因有如下幾點(diǎn)：

1）計(jì)算簡(jiǎn)單，實(shí)現(xiàn)容易；

2）速度快，比較容易實(shí)現(xiàn)實(shí)時(shí)性；

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

2.2 似物性判斷和CFAR級(jí)聯(lián)的目標(biāo)檢測(cè)

傳統(tǒng)的CFAR算法在檢測(cè)前需要預(yù)先輸入目標(biāo)或者背景窗的尺寸。對(duì)未知海域以及未知目標(biāo)探測(cè)時(shí)，難以事先知道目標(biāo)的類型和尺寸信息。為此，我們提出了似物性判斷和CFAR級(jí)聯(lián)的目標(biāo)檢測(cè)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(biāo)候選區(qū)域，使用I7處理器時(shí)，能夠以300FPS的幀率給出2000個(gè)以內(nèi)的目標(biāo)候選區(qū)域。利用該目標(biāo)提取算法得到的目標(biāo)位置和尺寸作為CFAR的輸入，使得CFAR自動(dòng)適應(yīng)不同尺寸的目標(biāo)，具備了多尺度檢測(cè)能力，并且避免了全圖像素級(jí)掃描搜索，加快了目標(biāo)檢測(cè)的速度。

近年來，目標(biāo)提取算法快速發(fā)展，在計(jì)算機(jī)視覺領(lǐng)域得到了廣泛的應(yīng)用。其中，程明明等提出的二值化賦范梯度特征［7～9］不僅簡(jiǎn)單而且高效。該方法認(rèn)為，擁有完整閉合外輪廓的一般物體，當(dāng)把它們的賦范梯度（Normed Gradient，NG）適當(dāng)?shù)乜s小到一個(gè)固定的小尺寸時(shí)，這些物體圖像就變得非常相似。考慮到計(jì)算方便性，該方法將圖像縮小到8×8并使用賦范梯度構(gòu)成一個(gè)簡(jiǎn)單的64維特征向量，輸入到兩階段級(jí)聯(lián)的SVM中來學(xué)習(xí)判斷是否物體并給出后驗(yàn)概率，因此該方法可以稱為似物性判斷方法。

針對(duì)SAR船舶目標(biāo)檢測(cè)問題，把船舶目標(biāo)圖像窗口縮小到不同的小尺寸，比如16×16,8×8,4×4等，發(fā)現(xiàn)使用8×8窗口時(shí)，不同的船舶的梯度強(qiáng)度特征具有很好的區(qū)分性。圖1展示了物體和非物體在8×8窗口中的梯度強(qiáng)度特征，其中圖1（a）是梯度強(qiáng)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(duì)應(yīng)的賦范梯度特征圖（這里使用梯度強(qiáng)度特征圖）。雖然不同的船舶有不同的尺寸和長(zhǎng)寬比，但他們的梯度在強(qiáng)度上有很大的相關(guān)性。因此，上述的8×8梯度特征可以用來區(qū)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(gè)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(yù)先定義好的不同尺度和比例的窗口來掃描整個(gè)圖像。每個(gè)窗口都使用一個(gè)線性模型ω∈R64來評(píng)分，這個(gè)模型在階段I通過一個(gè)線性SVM學(xué)習(xí)［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(biāo)，尺度和窗口位置。＜·＞表示ω和gl的內(nèi)積。

運(yùn)用非極大值抑制（NMS），我們?yōu)槊恳粋€(gè)事先規(guī)定好的尺度（從訓(xùn)練樣本中統(tǒng)計(jì)得到）提取少量的候選窗口。但是對(duì)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(cè)過程中，有的尺度（比如100×300）含有目標(biāo)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(píng)分準(zhǔn)則為

其中vi，ti∈R是在訓(xùn)練階段II分別為每一個(gè)尺度單獨(dú)學(xué)習(xí)的系數(shù)和偏置。

為了評(píng)判預(yù)測(cè)圖像區(qū)域與真實(shí)目標(biāo)區(qū)域的吻合程度，下面簡(jiǎn)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(shè)黑色框?yàn)檎鎸?shí)目標(biāo)區(qū)域，而灰色框?yàn)闄z測(cè)到的目標(biāo)區(qū)域，定義IOU為檢測(cè)框與真實(shí)框的交集比上檢測(cè)框與真實(shí)框的并集。

圖2 交集與并集

如圖3所示，在訓(xùn)練階段，首先輸入標(biāo)定好的樣本集合，讀取真實(shí)目標(biāo)區(qū)域，為了提高模型的適應(yīng)能力，在所輸入真實(shí)目標(biāo)區(qū)域附近采集多尺度包圍框加入到訓(xùn)練樣本中，這些包圍框與真實(shí)目標(biāo)框的IOU大于0.5。負(fù)樣本在訓(xùn)練圖像集中按照預(yù)定義的尺度隨機(jī)選取，但要求它們與真實(shí)目標(biāo)區(qū)域的IOU小于0.2。

圖3 目標(biāo)提取訓(xùn)練流程

在測(cè)試階段，如圖4所示，對(duì)于給定輸入圖像，按照訓(xùn)練時(shí)統(tǒng)計(jì)得到的若干尺度對(duì)圖像做不同的壓縮并求賦范梯度特征圖（梯度強(qiáng)度特征圖）。然后在階段I用一個(gè)包含64維線性模型ω的8×8的窗口掃描整個(gè)圖像以獲得評(píng)分圖sl。通過使用非極大值抑制，為每個(gè)尺度篩選部分窗口。最后進(jìn)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(duì)較低。因此為每個(gè)尺度的區(qū)域評(píng)分使用一個(gè)獨(dú)立的線性函數(shù)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(biāo)檢測(cè)算法流程

如圖5所示，改進(jìn)型的SAR船舶目標(biāo)檢測(cè)算法先使用似物性判斷，找出SAR圖像中的疑似目標(biāo)，通過對(duì)疑似目標(biāo)篩選，去除部分無效的候選區(qū)域（比如面積過小、面積過大、長(zhǎng)寬比過大等）。將疑似目標(biāo)的包圍框尺寸作為CFAR的保護(hù)窗尺寸，采用改進(jìn)的基于積分圖的快速CFAR算法檢測(cè)潛在目標(biāo)。最后使用非極大值抑制［14～16］，去除重復(fù)的候選框得到目標(biāo)二值圖，對(duì)所得二值圖進(jìn)行形態(tài)學(xué)濾波，提取最小外接矩形框得到最終的目標(biāo)信息。

圖5 基于似物性判斷的CFAR艦船檢測(cè)流程

如圖6所示，似物性判斷提取得到的目標(biāo)候選區(qū)域能夠準(zhǔn)確地估計(jì)出目標(biāo)的像素尺寸，將所提取到的目標(biāo)尺寸輸出到CFAR檢測(cè)器中，經(jīng)過大量的實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)背景雜波窗口保護(hù)窗的尺寸和取目標(biāo)尺寸的0.5倍時(shí)，檢測(cè)器能夠得到最優(yōu)效果。其中背景雜波窗口的尺寸為目標(biāo)尺寸的0.3倍，保護(hù)窗的尺寸為目標(biāo)尺寸的0.2倍。

實(shí)驗(yàn)中使用了高斯背景雜波模型，在計(jì)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(jì)算即可求出指定窗口的均值和方差。實(shí)驗(yàn)中設(shè)置的恒虛警概率為pfa=0.0001。

圖6 基于似物性判斷的CFAR檢測(cè)算法

基于似物性判斷的目標(biāo)提取算法可以得到大約接近2000個(gè)目標(biāo)候選區(qū)域，篩選后剩下1500個(gè)左右，對(duì)這些目標(biāo)候選區(qū)域分別使用CFAR分割后可以得到大約1500個(gè)可能包含目標(biāo)的二值圖像?？紤]到內(nèi)存原因，實(shí)驗(yàn)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(biāo)包圍框、分割效果得分等參數(shù)，統(tǒng)稱為包圍框信息。如圖5（c）所示，去除目標(biāo)面積過小和目標(biāo)面積比例過小或過大的候選區(qū)后，再運(yùn)用非極大值抑制，可以將不含有目標(biāo)的區(qū)域基本去除。為了評(píng)價(jià)CFAR對(duì)圖像分割的效果，并兼顧了候選區(qū)中包含目標(biāo)的概率，我們提出了一個(gè)評(píng)分機(jī)制。

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

其中 p是目標(biāo)面積占窗口面積的比例，τ是一個(gè)統(tǒng)計(jì)量，是包含有目標(biāo)的窗口中目標(biāo)所占比例的估計(jì)值。如圖7所示，通過對(duì)大量的SAR艦船目標(biāo)窗口進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，目標(biāo)占窗口比例大概在1.2到1.8之間，實(shí)驗(yàn)中取τ=1.5。

圖7 目標(biāo)占窗口比例統(tǒng)計(jì)圖

得分s評(píng)價(jià)了CFAR分割的效果，直接把它用作非極大值抑制的分?jǐn)?shù)，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(gè)值的所有包圍框，可以最終將目標(biāo)保留下來而去除極大部分不含有目標(biāo)的無效包圍框，如圖8所示，其中t是一個(gè)可調(diào)閾值，實(shí)驗(yàn)中t取0.1。由于在CFAR分割后，部分包含目標(biāo)面積（像素點(diǎn)數(shù)）過小的包圍框一般沒有目標(biāo)，分割得到的是噪聲信號(hào)，因此對(duì)此類包圍框提前刪除。因此經(jīng)過非極大值抑制后，剩下的包圍框已經(jīng)很少，將它們的二值圖合并到一個(gè)大的二值圖上，可以得到完整的目標(biāo)二值圖。

圖8 非極大值抑制算法流程圖

經(jīng)過非極大值抑制后，雖然極大部分的目標(biāo)候選區(qū)被去除了，但合并得到的完整目標(biāo)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(diǎn)狀噪聲，需對(duì)圖像進(jìn)行腐蝕、膨脹等形態(tài)學(xué)濾波處理。

4 實(shí)驗(yàn)分析與結(jié)論

為了驗(yàn)證基于似物性的改進(jìn)CFAR目標(biāo)檢測(cè)算法對(duì)未知尺度目標(biāo)檢測(cè)的能力以及算法效率，選用了三組含有大目標(biāo)和較小目標(biāo)的SAR圖像進(jìn)行試驗(yàn)。同時(shí)，還展示了傳統(tǒng)CFAR算法處理的效果。實(shí)驗(yàn)中，傳統(tǒng)CFAR的背景窗半徑分別采用了20，40，60三個(gè)不同的等級(jí)，保護(hù)窗口寬度都是5個(gè)像素。實(shí)驗(yàn)1采用的SAR圖像大小為1000×650，實(shí)驗(yàn)2采用的SAR圖像大小為800×600，實(shí)驗(yàn)3采用的SAR圖像大小為1400×1200。三組實(shí)驗(yàn)中，傳統(tǒng)CFAR在采用60個(gè)像素作為背景窗半徑時(shí)都能得到相對(duì)較好的效果，但是處理時(shí)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(shí)驗(yàn)中都能完整地將圖像中的目標(biāo)提取出來，而且時(shí)間不會(huì)隨著圖像尺寸的增加顯著提升。

圖9 改進(jìn)CFAR與傳統(tǒng)CFAR分割對(duì)比1

表1 改進(jìn)CFAR與傳統(tǒng)CFAR運(yùn)行時(shí)間對(duì)比1

圖10 改進(jìn)CFAR與傳統(tǒng)CFAR分割對(duì)比2

表2 改進(jìn)CFAR與傳統(tǒng)CFAR運(yùn)行時(shí)間對(duì)比2

從實(shí)驗(yàn)2和實(shí)驗(yàn)3可以看出來，傳統(tǒng)CFAR去背景窗半徑為40個(gè)像素時(shí)，雖然能夠?qū)⒋蟛糠帜繕?biāo)提取出來，但是大尺寸的目標(biāo)檢測(cè)效果較差甚至完全漏檢。因此，雖然傳統(tǒng)CFAR在采用60個(gè)像素作為背景窗口半徑時(shí)能取得較好效果，但如果目標(biāo)尺寸接近背景窗口尺寸時(shí)，傳統(tǒng)CFAR將難以取得較好的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，本文提出的改進(jìn)CFAR算法對(duì)目標(biāo)尺度并不敏感，獲得了多尺度檢測(cè)能力。同時(shí)改進(jìn)CFAR算法對(duì)每一幅圖像都只需處理大約1500個(gè)目標(biāo)區(qū)域，因此對(duì)不同大小的SAR圖像，都只需要常數(shù)級(jí)的處理時(shí)間。

表3 改進(jìn)CFAR與傳統(tǒng)CFAR運(yùn)行時(shí)間對(duì)比3

本文提出了基于似物性判斷的改進(jìn)CFAR艦船目標(biāo)檢測(cè)方法。該方法從多尺度SAR圖像艦船目標(biāo)檢測(cè)問題出發(fā)，并結(jié)合人類視覺注意機(jī)制，改進(jìn)了傳統(tǒng)的CFAR方法，使得系統(tǒng)檢測(cè)效率大幅提升并具備了多尺度檢測(cè)能力。

5 結(jié)語

綜上所述，似物性判斷方法克服了SAR無法獲得目標(biāo)精細(xì)的紋理和結(jié)構(gòu)信息、船舶目標(biāo)在SAR圖像中通常展現(xiàn)出小而弱的視覺特性且大小隨著船舶的實(shí)際大小而改變的缺點(diǎn)，也避免了CFAR檢測(cè)方法不具備多尺度檢測(cè)能力、計(jì)算量較大、通常要提前指定所需檢測(cè)的船舶尺寸的弱點(diǎn)，結(jié)合人類視覺注意機(jī)制，改進(jìn)了傳統(tǒng)的CFAR方法，使得系統(tǒng)檢測(cè)效率大幅提升并具備了多尺度檢測(cè)能力。