基于分層特征描述的艦船目標(biāo)鑒別

程紅， 劉思彤,2， 孫文邦， 楊帥

(1.空軍航空大學(xué)，長春　130022; 2.空軍西安飛行學(xué)院，西安　710306)

基于分層特征描述的艦船目標(biāo)鑒別

程紅1， 劉思彤1,2， 孫文邦1， 楊帥1

(1.空軍航空大學(xué)，長春130022; 2.空軍西安飛行學(xué)院，西安710306)

摘要：針對當(dāng)前一些目標(biāo)鑒別方法無法兼顧目標(biāo)的可分性和方法的有效性，同時又能減少計算的復(fù)雜度等要求，提出了一種基于分層特征描述的鑒別方法。首先，提取目標(biāo)的簡單形狀或幾何特征，利用加權(quán)投票法初步篩選并去除大量易識別的虛警； 然后對篩選的候選目標(biāo)提取更為復(fù)雜的鑒別特征，利用特征分離法選擇最優(yōu)特征組合，并采用支持向量機方法進(jìn)行二次鑒別，進(jìn)一步去除虛警，得到真實目標(biāo)。實驗結(jié)果表明，該方法對目標(biāo)的整體檢測效果較好，具有較高的可區(qū)分性和可鑒別性； 能有效減少計算的復(fù)雜度，同時又能在一定程度上減少外界因素的影響，有效地去除虛警、保留目標(biāo)，其耗時僅為常用方法的1/3。

關(guān)鍵詞：艦船目標(biāo)鑒別； 簡單特征； 復(fù)雜特征； 分層描述

0引言

由于海洋背景復(fù)雜多樣，采用艦船檢測算法得到的候選目標(biāo)區(qū)域不可避免地會存在一些云、陰影等虛警。這些虛警影響了目標(biāo)檢測結(jié)果的準(zhǔn)確性，因此需要對檢測結(jié)果進(jìn)行進(jìn)一步的鑒別處理，以找出真正的艦船目標(biāo)[1]。根據(jù)不同的鑒別依據(jù)，可以將現(xiàn)有的目標(biāo)鑒別方法分為基于艦船目標(biāo)自身特征[2]的方法和基于先驗知識的方法[3]2大類。基于先驗知識的方法利用目標(biāo)可能出現(xiàn)的位置、形式或所屬區(qū)域等先驗知識去除虛警，該類方法簡單，但依賴于先驗信息的獲取； 基于艦船目標(biāo)自身特征的方法是直接對目標(biāo)自身進(jìn)行鑒別，主要利用目標(biāo)和背景在特征空間上的差異完成目標(biāo)的鑒別，一般包含特征提取、特征選擇和鑒別器設(shè)計[4]等3個部分。對于該類方法而言，特征的描述與選擇是進(jìn)行鑒別的首要任務(wù)和關(guān)鍵，應(yīng)當(dāng)同時滿足目標(biāo)的可區(qū)分性、可鑒別性和計算簡單易實現(xiàn)等要求。但目前的特征提取往往顧此失彼： 如果提取的特征簡單且數(shù)量少，鑒別器的計算量小、耗時少，但可區(qū)分性弱、不能很好地滿足鑒別需要； 如果提取的特征復(fù)雜或數(shù)量多，對目標(biāo)的可區(qū)分性較好，但計算量就會很大且耗時長； 雖然部分算法利用特征選擇縮短了特征維數(shù)，但圖像中可能存在的大量虛警仍會影響鑒別性能和效率。

為解決上述問題，本文提出一種基于分層特征描述的鑒別方法，首先提取目標(biāo)的簡單幾何特征，通過加權(quán)投票初步篩選并去除大量易區(qū)分的虛警； 再對篩選的候選目標(biāo)提取復(fù)雜鑒別特征，利用特征分離法選擇最優(yōu)特征集并采用支持向量機方法進(jìn)行二次鑒別，最終得到真實目標(biāo)。

1常用目標(biāo)鑒別方法

1.1序貫鑒別法[5]

對任一切片的特征向量F={f1,f2,…,fn}，分別設(shè)置閾值[timin,timax]，i=1,2,…,n，依次對fi進(jìn)行判決，判決公式為

(1)

(2)

其中： n為向量維數(shù)； H為判決結(jié)果。僅當(dāng)H=n時才將該切片作為目標(biāo)保留，該方法計算簡單，易于實現(xiàn)，但易受外界因素影響，因此如何確定各特征的閾值和鑒別順序還有待研究。

1.2支持向量機方法

支持向量機(supportvectormachine,SVM)方法的目的在于尋找能夠使目標(biāo)和背景具有最大分類間隔的最優(yōu)超平面[6]，具體性能體現(xiàn)在模型及其參數(shù)的選擇。線性可分時，可按照公式(3)計算超平面來實現(xiàn)分類，即

yi(wTxi+b)≥1，i=1,2,…,n，

(3)

式中： xi為樣本特征向量；yi為類標(biāo)簽； w和b分別為權(quán)矢量和偏差項，wT表示對w進(jìn)行轉(zhuǎn)置。具體計算過程不再贅述，示意圖如圖1所示。

圖1　線性可分情況下的超平面

線性不可分時，可以通過映射將其轉(zhuǎn)化為高維空間中的線性問題，在變換空間中求得最優(yōu)分類平面，如圖2。

圖2　將樣本映射到特征空間RD

目前最常用的映射是基于核函數(shù)的映射，通過選擇適當(dāng)?shù)膬?nèi)積核函數(shù)K(x，y)，在不增加計算復(fù)雜度的前提下實現(xiàn)非線性分類到線性分類的轉(zhuǎn)變。高斯核函數(shù)在核函數(shù)中適用性最好，通過選擇合理的參數(shù)，可以適用于任意分布的樣本，是應(yīng)用最廣泛的核函數(shù)。在缺少先驗信息的情況下，SVM優(yōu)先選擇高斯核函數(shù)。該方法的鑒別效果較好，準(zhǔn)確率較高。在此基礎(chǔ)上又提出了大量改進(jìn)方法，但多數(shù)計算復(fù)雜度高，還有待進(jìn)一步完善。

2基于分層特征描述的目標(biāo)鑒別方法

本文基于分層特征描述的目標(biāo)鑒別方法主要包括初層鑒別與篩選和深層二次鑒別2大步驟，具體流程如圖3所示。

圖3　基于分層特征描述的目標(biāo)鑒別方法

2.1初層鑒別與篩選

為了降低鑒別過程的計算量，首先提取簡單特征對實驗區(qū)域進(jìn)行初層鑒別與篩選，去除大量與目標(biāo)有明顯差異的虛警。

2.1.1簡單特征的提取

區(qū)分目標(biāo)與背景最簡單的特征是面積、長、寬與長寬比。艦船目標(biāo)一般具有特定的長、寬、長寬比和面積范圍，根據(jù)一定的先驗知識或統(tǒng)計信息[6]設(shè)置閾值，即可在一定程度上區(qū)分目標(biāo)與背景。緊湊度F定義為

F=4πA/P2，

(4)

式中：A為區(qū)域面積；P為區(qū)域周長。它能夠反映區(qū)域的分布性質(zhì)和邊界光滑度，有助于區(qū)分目標(biāo)與背景。相應(yīng)閾值設(shè)置如表1，其中R為圖像分辨率。

表1　特征閾值選取

2.1.2基于投票機制的目標(biāo)鑒別

對于每個候選區(qū)域，提取上述5種簡單特征構(gòu)成特征向量，將向量中的每個特征值與其閾值范圍進(jìn)行比較，若在其范圍內(nèi)，則將該候選區(qū)域的權(quán)值加1； 反之，權(quán)值不作處理。統(tǒng)計完畢后，為了避免目標(biāo)提取誤差對特征統(tǒng)計造成的影響，規(guī)定當(dāng)某區(qū)域的權(quán)值≥3，將其作為候選目標(biāo)保留； 反之，視為虛警去除。

2.2深層二次鑒別

經(jīng)過初層篩選已經(jīng)去掉了大量的虛警，但仍有少數(shù)不易區(qū)分，需進(jìn)行二次鑒別。

2.2.1復(fù)雜特征的提取

二次鑒別提取的復(fù)雜特征主要有分形特征、紋理特征、不變矩特征和對稱指數(shù)特征。分形特征[7]能較好地模擬自然地物，而對于人工艦船目標(biāo)則存在一定的差異，可以利用這種差異來加以區(qū)分； 由于艦船目標(biāo)與背景表現(xiàn)出自然的紋理差異，LBP(local binary pattern)特征[8]對圖像的局部紋理特征具有卓越的描繪能力，傅里葉變換也可利用圖像的頻率特性來描述紋理，通過多分辨率多通道特征對圖像濾波來提取相應(yīng)特征，可采用強度、熵和慣性3種常用量度來加以區(qū)分； 不變矩特征則具有平移、旋轉(zhuǎn)和尺度不變性，能高效地完成目標(biāo)形狀的描述； 對稱指數(shù)特征S是根據(jù)大多數(shù)艦船目標(biāo)所呈現(xiàn)的對稱形狀[9]提出的，即

(5)

式中：A為整個候選區(qū)域的面積；Abefore和Aafter分別為以等效橢圓的短軸為分割線，前、后2部分區(qū)域的面積；Aleft和Aright分別為以等效橢圓的長軸為分割線，左、右2部分區(qū)域的面積。S用于衡量候選區(qū)域的對稱性，S值越接近于1，對稱性越好。在圖像中，大多數(shù)艦船目標(biāo)表現(xiàn)出較好的對稱性，只有部分目標(biāo)不存在前后對稱或受噪聲影響不滿足對稱性，但S值均控制在一定范圍內(nèi)，可用于區(qū)分目標(biāo)與背景。

2.2.2特征選擇與鑒別

為了充分利用特征，優(yōu)選特征組合，需要計算各復(fù)雜特征區(qū)分目標(biāo)與非目標(biāo)的能力，特征的可區(qū)分性越好，鑒別性能就越好。本文采用特征分離法進(jìn)行特征選擇，利用類內(nèi)、類間距離準(zhǔn)則來衡量特征的可區(qū)分性，使得類內(nèi)距離最小化和類間距離最大化，再選取滿足一定閾值條件的最優(yōu)特征構(gòu)成鑒別特征組合。

(6)

(7)

Ji=dini/douti，

(8)

由于這些鑒別特征的可區(qū)分性不同，對鑒別的貢獻(xiàn)程度也就不同，因此有必要根據(jù)特征的貢獻(xiàn)能力構(gòu)造加權(quán)特征向量。基于Fisher準(zhǔn)則[10]尋找最優(yōu)權(quán)值向量r*，定義為

(9)

(10)

(11)

3實驗結(jié)果對比與分析

為驗證本文方法的可行性和有效性，在Intel(R)Core(TM)2 Quad CPU Q9400 2.66 GHz，內(nèi)存3 GB的計算機中，Matlab R2009b的編程條件下進(jìn)行對比實驗與分析。

3.1實驗結(jié)果

利用本文方法對文獻(xiàn)[2]檢測得到的2個候選區(qū)域進(jìn)行鑒別，鑒別結(jié)果如圖4所示。為直觀地反映鑒別效果，本文將鑒別前后的艦船目標(biāo)用最小外接矩形框出并標(biāo)記為紅色，圖4 (a)和(c)為文獻(xiàn)[2]方法的檢測結(jié)果，黃色虛線區(qū)域為剔除的虛警。圖4 (b)和(d)為本文方法的鑒別結(jié)果。從圖4 (a)中可以看出，實例1的虛警主要是與小型艦船目標(biāo)形狀、區(qū)域統(tǒng)計特征相近的浮漂、礁石和部分碎云，圖(c)中實例2的虛警則主要是由碎云或陰影導(dǎo)致的； 而本文方法能夠有效屏蔽礁石、碎云等的干擾，保留真正的艦船目標(biāo)而將虛警去除，使得艦船檢測的準(zhǔn)確率提高、虛警率降低。

(a) 實例1文獻(xiàn)[2]方法檢測結(jié)果(b) 實例1本文方法鑒別結(jié)果

(c) 實例2文獻(xiàn)[2]方法檢測結(jié)果(d) 實例2本文方法鑒別結(jié)果

圖4鑒別結(jié)果對比

Fig.4Comparison of discrimination results

3.2不同方法的鑒別結(jié)果對比

為進(jìn)一步評價算法性能，將本文方法與序貫鑒別法和文獻(xiàn)[11]方法進(jìn)行對比實驗與分析，結(jié)果如圖5和圖6所示。圖中紅色虛線區(qū)域表示目標(biāo)被當(dāng)做虛警去除，造成漏檢； 黃色虛線區(qū)域則表示非目標(biāo)被當(dāng)做目標(biāo)保留，造成虛警。

(a) 原圖像 (b) 待鑒別二值化圖像

(c) 序貫鑒別法 (d) 文獻(xiàn)[11]方法 (e) 本文方法

圖5實例1不同鑒別方法對比

Fig.5Comparison of different discrimination methods for example 1

(a) 原圖像 (b) 待鑒別二值化圖像

(c) 序貫鑒別法 (d) 文獻(xiàn)[11]方法 (e) 本文方法

圖6實例2不同鑒別方法對比

Fig.6Comparison of different discrimination methods for example 2

圖5 (c)中許多目標(biāo)由于未滿足序貫閾值條件而被當(dāng)成虛警去除，圖中礁石卻因特征與目標(biāo)相近而被鑒別為目標(biāo)； 圖6 (c)中目標(biāo)因受到外界干擾，導(dǎo)致其形狀不能滿足要求而被去除。由此可知，序貫鑒別法的鑒別條件過于嚴(yán)格，當(dāng)目標(biāo)區(qū)域提取不夠精確或受到外界因素影響不能滿足閾值要求時，就會造成漏檢，效果較差。文獻(xiàn)[11]方法與本文方法的鑒別效果都比較好，但文獻(xiàn)[11]方法仍存在極少數(shù)量的漏檢和虛警，如圖5 (d)和圖6 (d)中的黃色虛線區(qū)域，鑒別性能與本文方法相比不夠穩(wěn)定； 從圖5 (e)和圖6 (e)中可以看出，本文方法能在一定程度上減少外界因素的影響，且鑒別性能較穩(wěn)定，提高了整體檢測正確率，降低了虛警率，相比其他方法具有較大優(yōu)勢。

3.3結(jié)果參數(shù)對比分析

選取多幅實驗圖像，采用不同的鑒別方法對檢測結(jié)果進(jìn)行鑒別效果對比。選用以下參數(shù)進(jìn)行定量分析，檢測到的目標(biāo)數(shù)量ND，檢出的正確目標(biāo)數(shù)量NC，檢出的虛警數(shù)量NFAR，漏檢的目標(biāo)數(shù)量NM，鑒別總時間T，以及檢測率DR、虛警率FAR和品質(zhì)因子FOM，即

(12)

(13)

(14)

計算出的結(jié)果如表2所示。

表2　目標(biāo)鑒別結(jié)果參數(shù)分析

經(jīng)過目視判讀，圖像中大、小目標(biāo)數(shù)量共有138個。由表2可知，鑒別前直接檢測結(jié)果的漏檢數(shù)量為0，虛警數(shù)量較多，DR值很高，可知檢測算法為了盡量涵蓋圖像中的全部目標(biāo)而增大了虛警率，但同時降低了檢測性能(見其參數(shù)FOM值)。檢測結(jié)果輸入鑒別器處理后，各方法都有效地減少了虛警數(shù)量，但又各有差異： 序貫鑒別法雖然減少了虛警，但同時也造成了部分漏檢，使得DR降低，影響整體檢測性能； 文獻(xiàn)[11]的方法和本文方法都能在降低虛警率的同時保證了較高的檢測率，既去除了虛警又保留了目標(biāo)，但從表2中可以看出，本文方法鑒別結(jié)果要稍好于前者。最后，通過比較各方法所用的時間可以發(fā)現(xiàn)，本文方法雖然較序貫鑒別法耗時長，但鑒別性能遠(yuǎn)遠(yuǎn)高于它； 而與性能相差不大的文獻(xiàn)[11]方法相比，耗時僅為其所用時間的1/3。綜上所述，本文方法能正確有效地去除虛警、保留目標(biāo)，使得虛警率降低，整體檢測性能得到大幅提高。

4結(jié)論

本文分析了目前常用的基于目標(biāo)自身特征的鑒別方法，對目標(biāo)特征的提取進(jìn)行了深入研究。針對目前的特征提取方法無法較好地兼顧可區(qū)分性、可鑒別性和計算復(fù)雜度等要求，影響鑒別效率等問題，提出一種基于分層特征描述的鑒別方法。該方法通過提取簡單特征對候選區(qū)域進(jìn)行初層篩選，去除了大量虛警，減少了后續(xù)工作的計算量； 針對性地提取適用于艦船目標(biāo)的復(fù)雜精細(xì)特征進(jìn)行深層二次鑒別，使得鑒別結(jié)果更加準(zhǔn)確，效率更高。

參考文獻(xiàn)(References)：

[1]Corbane C,Najman L,Pecoul E et al.A complete processing chain for ship detection using optical satellite imagery[J].International Journal of Remote Sensing,2010,31(22):5837-5854.

[2]Bi F K,Liu F,Gao L N.A hierarchical salient-region based algorithm for ship detection in remote sensing images[J].Lecture Notes in Electrical Engineering,2010,67:729-738.

[3]Li W W.Detection of Ship in Optical Remote Sensing Image of Median-low Resolution[D].Changsha:National University of Defense Technology,2008:19-21.

[4]Lu C Y,Zou H X,Sun H,et al.Combing rough set and RBF neural network for large-scale ship recognition in optical satellite images[C]//Proceedings of the 35th International Symposium on Remote Sensing of Environment(ISRSE35).IOP Conference Series:Earth and Environmental Science,SCI,2014,17(1).

[5]李禹,王世晞,計科峰,等.一種新的高分辨率SAR圖像目標(biāo)自動鑒別方法[J].國防科技大學(xué)學(xué)報,2007,29(3):81-84.

Li Y,Wang S X,Ji K F,et al.A new method of automatic target discrimination in high-resolution SAR image[J].Journal of National University of Defense Technology,2007,29(3):81-84.

[6]Gonzalez R C,Woods R E,Eddins S L.Digital Image Processing Using MATLAB[M].Translated by Ruan Q Q.Beijing:Publishing House of Electronics Industry,2005:315-319.

[7]劉凱.基于分形幾何理論的虹膜識別算法研究[D].濟南:山東大學(xué),2011:13-20.

Liu K.The Research of Iris Recognition Algorithms Based on Fractal Geometry[D].Ji’nan:Shandong University,2011:13-20.

[8]許軍毅.光學(xué)衛(wèi)星遙感圖像艦船目標(biāo)檢測技術(shù)研究[D].長沙:國防科技大學(xué),2011:73-80.

Xu J Y.The Study of Ship Target Detection in Optical Satellite Remote Sensing Image[D].Changsha:National University of Defense Technology,2011:73-80.

[9]Delphine C M.Ship detection with spaceborne multichannel SAR/GMTI radars[C]//Proceedings of 9th European Conference on Synthetic Aperture Radar.Piscataway,NJ,USA;IEEE,2012:400-403.

[10]Gao G.An improved scheme for target discrimination in high-resolution SAR images[J].IEEE Transaction on Geosciences and Remote Sensing,2011,49(1):277-294.

[11]Dardas N H,Georganas N D.Real-time hand gesture detection and recognition using bag-of-features and support vector machine techniques[J].IEEE Transactions on Instrumentation and Measurement,2011,60(11):3592-3607.

(責(zé)任編輯： 陳理)

Ship target discrimination based on hierarchical feature description

CHENG Hong1， LIU Sitong1,2， SUN Wenbang1， YANG Shuai1

(1.AviationUniversityofAirForce,Changchun130022,China； 2.Xi’anFlightAcademyofAirForce,Xi’an710306,China)

Abstract:In view of the problem that current methods cannot reach a good balance between capability of discrimination, utility and computational complexity, the authors have proposed in this paper an algorithm based on hierarchical feature description. Firstly, simple shape or geometrical features are extracted to get rid of large numbers of false-alarm targets based on weighted voting. Secondly, complex discrimination features are selected to form the optimal feature set by feature separation. And then the feature set is used to support vector machine to get the real ship target. Experimental results show that the proposed algorithm in this paper, which extracts hierarchical features to certain regions identified, can effectively eliminate false alarms, reduce the amount of computation, and improve accuracy and efficiency of discrimination, and can also reduce the influence of external factors, remove false alarm and reserve the targets effectively, with time spending being only 1/3 of the common method.

Keywords:ship target discrimination; simple feature; complex feature; hierarchical description

doi:10.6046/gtzyyg.2016.02.05

收稿日期：2014-12-24；

修訂日期：2015-02-21

基金項目：全軍軍事類研究生課題(編號： 2013JY514)資助。

中圖法分類號：TP 751

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-070X(2016)02-0028-06

第一作者簡介：程紅(1969-)，女，博士，教授，碩士研究生導(dǎo)師。主要從事遙感圖像信息處理。

通信作者：劉思彤(1989-)，女，碩士，助教，主要研究數(shù)字圖像處理與應(yīng)用。Email： liusitong1114@163.com。

引用格式： 程紅,劉思彤,孫文邦,等.基于分層特征描述的艦船目標(biāo)鑒別[J].國土資源遙感,2016,28(2):28-33.(ChengH,LiuST,SunWB,etal.Shiptargetdiscriminationbasedonhierarchicalfeaturedescription[J].RemoteSensingforLandandResources,2016,28(2):28-33.)