捷聯導引頭中基于知識的目標分割方法研究

白 楊，崔 明，賈宏光

（中國科學院長春光學精密機械與物理研究所，吉林 長春 130033）

0 引言

隨著成像傳感器件的發展，CCD及紅外探測器都擁有越來越高的分辨率，它在目標跟蹤識別、高清成像等領域得到廣泛的應用.為了降低成本，同時提高系統的可靠性，采用成像傳感器件與彈體固連的形式，即捷聯式導引頭成為了研究熱點［1－3］.捷聯式導引頭通過大的視場來克服沒有穩定平臺帶來的由彈體姿態改變及與目標相對運動引起的大相對位移的問題.通過大視場保證對目標的有效探測，就會帶來成像場景復雜、處理數據量大及干擾多等問題，并且目標在識別階段往往只有十幾個甚至幾個像素.需要一些有效的圖像分割方法將感興趣的區域正確地分割出來，達到降低處理難度、減少干擾和運算的目的.圖像分割的關鍵是如何選取閾值來達到最優的分割結果.所謂最優的分割結果，就是將感興趣的目標作為一個或幾個連通區域與背景區分出來，擁有連續的輪廓［4］.

常規圖像分割方法都很難適合多變的場景，其中一個重要的原因是受到全局景象的干擾，目標容易淹沒在背景中，尤其在目標尺寸相對較小時往往得不到正確的目標區域.隨著面向圖像對象分析方法的發展，將圖像對象作為分析處理單元而不是圖像像素，更適合對現實世界的知識認知［5－6］.本文提出了一種基于知識的目標分割算法，將圖像區域作為研究對象，提取疑似目標區域，加入特征提取環節，最后依據目標的先驗知識對分割結果進行特征判定，同時對閾值進行修正，得到最終的閾值進而正確分割出目標區域.

1 問題分析

根據目標成像原理，各個目標與背景的對比度差異是目標可分割的依據.同時目標本身的成像特征也可以作為先驗知識輔助完成對目標的分割，提高復雜場景對較小目標分割的正確率.分析了自適應閾值分割和基于邊緣的分割方法的自身弱點，說明本文提出的分割方法的必要性.

1.1 目標成像

對于地面場景，假設場景中的景物均為漫反射體，則物體的光亮度為

式中：Et為目標的照度；ρ為目標的漫反射系數.

經過光學成像系統成像在CCD像面上的光照度為

則場景中各個目標的靜態對比度為

1.2 自適應閾值分割

快速迭代是自適應閾值分割中常用的方法，假設圖像中出現了2個主要灰度區域，以最大灰度和最小灰度的均值作為第一步近似.

快速迭代可以快速地對圖像灰度進行分類，易受區域中兩級灰度的影響，很難對全局復雜的場景做出正確閾值分割.但其在小區域灰度接近時，卻有很好的分割效果.圖1（a）為2個較理想情況下不同距離和場景時對遠處2.3m×2.3m坦克的探測成像，圖像分辨率為1024像素×768像素.圖1（b）為自適應閾值分割結果，由圖1可見，受全局景象的影響，無法得到正確的分割結果.

1.3 基于邊緣的分割

在無法找到合適的閾值時，基于邊緣檢測的圖像分割是常常采用的方法.基于邊緣的分割標記出圖像在灰度上不連續的位置.這樣的不連續可以通過一階導數和二階導數檢測到.一階導數和二階導數通過下面的公式得到：

基于邊緣的分割最常見的問題是在沒有邊界的地方出現了邊界、在實際存在邊界的地方沒有出現邊界以及出現很多干擾邊緣.復雜的場景中很難通過查找邊界來確定目標位置.要找到正確的邊緣，需要進行邊緣合并而得到邊緣輪廓.如果邊緣檢測結果和區域閾值分割結合起來，可以提供相對可靠的目標特征.圖2給出了2個場景的邊緣檢測結果，邊緣檢測的結果可能會過于復雜或者被其他邊緣干擾，很難正確區分出目標.

圖1 自適應分割結果

圖2 邊緣檢測結果

2 基于知識的目標分割

為了得到理想的分割結果，將一些先驗的知識融合到處理中，而這些知識往往是簡單而且也不難得到的.將相應的知識應用于基于知識的圖像分割方法的3個部分，包括場景劃分、特征提取和特征判定，目標知識應用在整個過程，隸屬于數據驅動知識的控制方式［7］，如圖3所示.

基于知識的目標分割算法流程如圖4所示.首先采用粗選閾值對圖像進行場景劃分，對劃分后的場景進行特征提取，通過先驗知識對區域特征進行判定，判斷對應的分割結果是否含有正確的目標區域，如果含有目標區域且目標特征滿足分割要求則目標分割結束，否則對閾值進行修正，重新進行場景劃分及特征判定直到正確地分割出目標區域.特征判定采用級聯式判定結構［8－9］，前面一個判定為正的場景區域才會被送入后面的判定，反之則認為該場景區域不是要找的目標，全部判定為正的場景區域才被判定為目標.

圖3 模型驅動知識控制示意圖

圖4 基于知識的目標分割算法流程

2.1 閾值粗選及修正

設最佳閾值為tf，粗選閾值為t0，閾值修正是從t0到得到tf的過程，即對δt的求取.

最佳閾值并不是唯一的值，可以是一個區間內多個值，因為將目標與背景有效區分的值本身并不唯一.分割出的目標特征能夠滿足要求就認為找到了最佳閾值，停止算法.

δt可由調整速度和調整大小表示，有

2.2 場景劃分及特征提取

分割后的圖像R由m個不相交的區域Ri和一個背景組成.

其中：RB為背景為背景的補集，即為物體的集合.通過已知的一些信息可以對圖像進行初步的閾值分割，信息可以是目標的亮度區間、灰度分布等.分割后的圖像就可以進行初步的劃分，對一幅圖像的區域劃分后的結果是與原圖像對應的大小相等的矩陣，其中對應的每個像素為一個標號值，屬于同一個連通區域的像素具有相同的標號值.這個標號值矩陣用L（x，y）表示，其中每個元素代表對像素點f（x，y）所賦予的標號.

L（x，y）要滿足：

如果p（x，y）∈RB，L（x，y）＝0；如果p（x，y）∈，L（x，y）＝∞；

標記的過程如下，一開始，初始化矩陣為：

然后，在迭代時刻t＞0，矩陣［L（p）］t的迭代表達式為

其中

參數λ＞0是連通區域計數器，每次將L（p）t的值設為λ時就加1，整數m和n定義在連通性的領域中.當迭代表達式無法進行更新且L（p）不為有限值時，認為像素點p屬于一個新的連通區域并將其標為λ.這樣λ的值總比當前檢測到的連通區域數大.上述迭代過程一直進行到矩陣不再發生變化.在連通區域的標記過程結束時，具有標號L（x，y）＝0的像素屬于RB，而屬于RcB中的同一連通區域的像素具有相同的標號，即區域Ri的標號為i.

得到各個區域Ri后，可以得到對應的幾何描述，這些特征描述豐富了區域的特征屬性，刻畫了圖像中目標的形狀等特征.組合成一個6維目標特征向量St（a，l，r，f，c，s），用于本文目標的特征描述及判定：區域面積a為目標區域的像素面積，描述目標區域的大小；區域長度l為最小外接矩形長軸；外觀比例r為最小外接矩形的長寬比，描述目標區域的矩形；形狀因子f為面積a與區域邊界像素數目的平方的比值，描述目標區域的邊界復雜性；圓形性c為區域半徑的平方與面積的比值，描述區域的緊致程度；對稱性s為目標區域關于最小外接矩形中心線兩邊的像素數的差異與面積的比值，描述目標區域的對稱性.對于不同類型的目標特征量會有所不同，各個量所處級聯位置也會有變化.區域質心即一階矩，描述區域的位置，提供定位信息：

3 實驗及分析

搭建視景仿真平臺，給定探測距離、姿態仿真參數，得到不同探測距離下的目標場景的成像，并通過本文方法對成像場景進行目標分割.首先建立目標場景的相關知識：確定待分割目標的對比度特性即目標的亮度值與背景亮度值的關系；給定待分割目標的基準特征向量及每個特征量的權重及級聯關系.對前面提到的距離300和1000m時對2.3m×2.3m的坦克成像的2個場景進行處理.給定場景后可以知道目標亮度值低于或高于背景亮度值，2個場景中目標亮度值均低于背景.給定目標類型后可以設定其外觀比例、對稱性、矩形度及圓形度的判定閾值，已知導引頭光學系統的焦距及探測器像元尺寸，可以得到相應距離下目標的理想成像大小，初始粗閾值為全局的灰度均值，分別為181和187.距離300m時的目標場景經過一次調整，正確分割出了目標區域，具體參數如表1所示.距離1000m時的目標場景經過2次調整，正確地分割出了目標區域，具體參數如表2所示.圖5給出了2個場景的分割結果.

表1 距離300m時目標分割結果參數

表2 距離1000m時目標分割結果參數

圖5 300m及1000m場景目標分割結果

4 結論

實驗結果表明，采用基于知識的目標分割方法對已知類型目標進行分割，結合先驗知識提高了分割處理的自動化程度，能夠快速得到正確的目標區域，有效地降低全局信息對目標的干擾，同時減少運算量，將全局處理變成局部處理，并為后面的目標識別和跟蹤提供依據，提高了系統整體的實時性.目標的分割是捷聯導引頭上目標識別技術的一個重要環節，對全局景象進行有效地劃分處理，保證目標定位跟蹤的實時完成.當然本文方法對給定類型目標的有效分割有一個重要的前提，即目標本身的可分割性.目標無法分割的主要原因是目標紋理與背景紋理交叉，導致得不到一個目標完整的連通區域，因此對于紋理目標還需進一步研究基于紋理特征知識的紋理區域分割方法.

［1］林喆，姚郁，遆曉光，等.捷聯成像導引頭相關跟蹤算法研究［J］.兵工學報，2009，30（5）：572－579.

［2］訚勝利，張躍，張鑫，等.相位匹配法用于提高非制冷全捷聯導引頭制導信息精度［J］.光學與光電技術，2013，11（1）：76－80.

［3］張躍，劉波，訚勝利.捷聯式光學導引頭的穩定、跟蹤原理與系統仿真［J］.光學精密工程，2008，7（1）：89－92.

［4］王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標檢測的多階閾值分割方法［J］.中國科學技術大學學報，2011，41（4）：293－298.

［5］譚衢霖，奧爾德雷德，胡吉平.基于知識規則的數字掃描圖像目標邊界提取［J］.應用基礎與工程科學學報，2013，21（3）：553－561.

［6］王奎，張榮，尹東，等.基于邊緣特征和 AdaBoost分類的遙感圖像云檢測［J］.遙感技術與應用，2013，28（2）：263－268.

［7］白楊.成像導引頭中自動目標識別關鍵技術研究［D］.長春：中國科學院長春光學精密機械與物理研究所，2011.

［8］李闖，丁曉青，吳佑壽.一種改進的 AdaBoost算法——AD AdaBoost［J］.計算機學報，2007，30（1）：103－109.

［9］VIOLA P，JONES M.Advances in Neural Information Processing System［M］.Cambridge：MIT Press，2002：1311－1318.