海面图像目标检测方法初探

摘 要：基于可见光海面图像的目标检测在海防安全等领域中都有较好的应用。文章系统分析了近年来国内外可见光海面目标检测方法，将文献中基于可見光图像的海面目标检测方法归类为三大类：基于阈值的检测方法、基于模型的检测方法和基于模式分析的检测方法，并在文中系统阐述了这三类方法。

关键词：海面；图像目标；检测方法

引言

海面目标检测在军事领域、海防安全、海关管理、海上缉私、港口船只调度、海洋环境保护，海洋环境监测以及海上交通管理等许多场合都具有广阔的应用前景。海面目标检测的常用方法有基于雷达图像、基于红外图像和基于可见光图像的目标检测。雷达成像原理是采用传感器感应有效场景中运动目标的反射或辐射，目前发展比较成熟，较为常见的雷达成像有地波超视距雷达（ground wave over-the-horizon radars，GWOTHR）[1]，合成孔径雷达（Synthetic Aperture Radar，SAR）[2]。基于雷达图像的目标检测系统通常比较庞大、价格昂贵、采用的技术也比较复杂。雷达成像一般适用于超视距大目标的检测与跟踪系统中，但其在近距离小目标的检测与跟踪中的绝对精度比较低[1]，并且雷达成像存在扫描盲区。红外成像系统的隐蔽性高，但其成像距离远，对温度敏感度高，相关噪声较强，且红外图像中目标的面积相对较小，通常会失去形状信息[3]。这两种方法虽然在技术方法和检测能力上有所差异，在目标检测中都能发挥巨大的作用。然而，由于这些方法都需要高昂的设备成本和维护成本，因此限制了相关系统的推广，而且这些系统在局部海域目标检测场景的快速部署非常困难，需要雷达安装或访问卫星数据。

1 可见光海面图像的目标检测

文章主要关注使用图像传感器诸如数字相机所获得的可见光海面图像的目标检测。基于可见光海面图像的目标检测在海防安全等领域中都有较好的应用，检测区域限定在近岸或从海上某点出发的可视距离以内，该方法在海防安全及其他相关领域中都有较好的应用。海面运动载体和海上的浮标均可以作为很好的系统部署的地方。BSOP（the Bottom Stationing Ocean Profiler）[4]是一个国外的真实系统，它是一个自治的浮标平台，该平台设计为具备一个传感器装备，收集海洋数据，通过一个双向RF卫星与控制中心存储和传输数据。近年来，国内外学者在基于可见光图像的检测研究方面取得了许多研究成果[5-18]。文献中基于可见光图像的海面目标检测方法主要有三大类：基于阈值的检测方法[5][6]、基于模型的检测方法[7-12]、基于模式分析的检测方法[13-18]。

1.1 基于阈值的方法

基于阈值的方法主要利用目标区域与背景区域亮度差异，根据阈值将目标区域分割出来[5][6]。这类方法是早期的目标检测方法，实现简单，在目标区域与背景区域亮度有较大差异的情况下有效果，但是在目标区域与背景区域亮度较为接近或图像组成较为复杂时，检测效果较差。

文献[6]针对复杂海面背景下阈值方法失效的情况，提出了一种基于自适应多阶阈值分割检测方法来提高阈值方法的自适应能力，将阈值分割结果用一些统计特征进一步作筛选，并取得了一定的效果。然而该方法始终无法避免阈值分割对目标与背景亮度要求的局限性，鉴于阈值方法的局限性，有许多研究人员探索研究基于模型的方法来检测海面目标。

1.2 基于模型的方法

基于显著图的视觉注意模型[7-9]，主动轮廓模型[10]，计算模型[11][12]等模型都可以应用到海面目标检测。周伟等人提出利用多尺度相位谱构建显著图，并且用阈值方法分割出具有较高显著度的感兴趣区域，然后对每个提取的感兴趣区域进行二次处理[7]。首先利用一个估计阈值对其进行二值分割，阈值估计可以依据其窗口各区间平均亮度的有序统计量来预估，再分别提取平均显著度、形状复杂度和空间扩展度特征，最后使用最近邻分类规则来得到检测结果。此外，周伟等还提出改进的显著图方法用于感兴趣目标提取，首先通过分析图像的谱残差计算图像的显著图，再利用一个全局范围内的竞争机制和返回抑制策略，控制注意焦点来搜索显著图[9]。文献[8]提出了一个视觉皮层内的显著性计算模型，主要基于局部显著性计算最大化采样信息的假设。该模型是计算模型为依据，它表明大量的视觉搜索行为显示为模型的紧急性属性以及编码和信息传输的基本原则。实验结果表明在两个不同的数据集上，预测固定模式与竞争模型相比具有较大的功效。

Vard等人[10]于2010年提出了一种主动轮廓模型的目标检测方法。该方法首先提出一个新的能量函数的基础上的自相关函数，它能够检测复杂背景下小物体的活动轮廓模型。在所提出的方法中，图像特征是使用从表示区域信息的图像像素中提取的短期自相关性（Short-Term Autocorrelations，STA）的组合来计算。所获得的特征被利用来定义一个能量函数称为规范累加的短期自相关（normalized accumulated short-term autocorrelation，NASTA），我们可以准确地检测出含混乱和质感的背景图像中的小物体。此外，该方法提供了对随机噪声的高鲁棒性和可精确定位在嘈杂的背景中很难用肉眼检测的小物体。

张等人[12]提出用一个基于通用判别部分的模型（generic discriminative part-based model，GDPBM）来建立了实用的目标检测框架。结构复杂的地理空间探测对象已被探索多年，它仍然是在高分辨率光学遥感影像（RSI）演绎一个具有挑战性的任务，该方法主要集中在旋转变化的检测地理空间对象的问题，在建立的模型中，以任意取向的地理空间对象通过三个分量表示：外观特征，空间变形特性和旋转变形特征。

基于模型的方法以严谨的数学理论为支持，将检测问题简化到一个实际的模型，有较强的理论推导意义，然而这类方法一般需要一些场景先验知识，并且对合适的模型参数的选择具有一定的挑战性。

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图像低层次特征，利用模式分类方法进行训练，提高最终海面目标检测的准确率。特征分析方法[13]，图像区域自然尺度特征[14]，Contrast box滤波[16]，模式分类[17，18]等模式分析领域的特征提取和分析方法、模式分类理论与方法等都可以应用于海面目标检测。基于模式分析的方法检测性能依赖于特征描述方法以及分类器的选择。

王等人在系统研究了船舶高分辨率SAR图像的特征分析基础上，提出了一个船舶检测的改进优化算法。该方法提出的快速块检测器能在均匀局部区域中提取海杂波，可以被当做恒定误报率检测器使用。根据船舶的长宽比和像素点的核密度估计等特征分析方法用于船舶识别，在TerraSAR-X和COSMO-SKYMED图像上验证了这个算法[13]。

何等人针对动态海面背景下的船舶自动检测问题，将自然尺度特征提取方法从一维信号拓展到二维图像，提出了一种基于图像区域自然尺度特征的方法。文中通过对相空间重构可以提取出图像灰度时间序列的自然尺度特征，然后结合BP神经网络理论方法，建立目标和背景的分类模型。最后，该方法通过建立的分类模型可以检测出船舶目标[14]。

赵等人提出了标准差特征平面Contrast box滤波的舰船目标检测方法。该方法首先用局部统计方差作为特征统一描述了不同亮度舰船目标，这种特征描述方法可以部分消除海面平均亮度变化对特征提取的影响。其次，该方法通过在二维检测特征平面上进行Contrast box滤波，局部的目标检测阈值可以自适应确定，并结合目标空间的结构信息定位可疑目标。先验舰船特征模型可以用来对疑似目标集合进行验证，虚警去除以后可以得到最终检测结果[16]。

Bovolo等人认为很高分辨率（very high resolution，VHR）的合成孔径雷达（SAR）图像，可以通过卫星用间隔相同的地理区域获得[17]。VHR的广泛应用促使有效的无监督变化检测（change detection，CD）技术飞速发展。Bovolo等人提出了一种分层方法来处理VHR SAR图像中无监督变化检测。

2 结束语

文章系统分析了近年来国内外可见光海面目标检测方法，将文献中方法归类为三大类：基于阈值的检测方法、基于模型的检测方法和基于模式分析的检测方法。虽然这些检测技术具有一定的效果，然而现有研究成果仍然达不到实际使用的要求，由于海面船舶检测受到海岸景物和海面波纹等复杂背景影响，因此需要探索研究新的理论和方法来提高可见光图像目标检测技术。

参考文献

[1]姜维，邓维波，杨强.高频超视距混合天地波雷达海杂波特点分析[J].电子与信息学报，2011，33（8）：1786-1791.

[2]孙渊，王超，张红，等.改进 Notch 滤波的全极化 SAR 数据船舶检测方法[J].中国图象图形学报，2013，18（10）：1374-1381.

[3]万磊，曾文静，张铁栋，等.基于梯度信息融合的海面红外目标实时检测[J].红外与激光工程，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]储昭亮，王庆华，陈海林，等.基于极小误差阈值分割的舰船自动检测方法[J].计算机工程，2007，33（11）：239-241.

[6]王保云，张荣，袁圆，等.可见光遥感图像中舰船目标检测的多阶阈值分割方法[J].中国科学技术大学学报，2011，41（4）：293-298.

[7]周伟，关键，张国华.高分辨率遥感图像感兴趣目标的提取算法[J].光电工程，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]周伟，关键，何友.光学遥感图像低可观测区域舰船检测[J].中国图象图形学报，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，杨绍清，邵晓方，等.利用图像区域自然尺度特征的海面舰船目标检测[J].红外与激光工程，2011，40（9）：1812-1817.

[15]王彦情，马雷，田原.光学遥感图像舰船目标检测与识别综述[J].自动化学报，2011，37（9）：1029-1039.

[16]赵英海，吴秀清，闻凌云，等.可见光遥感图像中舰船目标检测方法[J].光电工程，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.

推荐访问:初探 海面 检测方法 图像 目标