基于圖像與電子偵察的云模型運動目標檢測

康 欣

(海軍裝備部重慶局，四川 成都 610036)

基于圖像與電子偵察的云模型運動目標檢測

康 欣

(海軍裝備部重慶局，四川 成都 610036)

運動目標檢測是分析特定目標行為的基礎(chǔ)。提出一種立足圖像特征分析，通過構(gòu)建圖像本身的梯度方向直方圖特征完成圖像初始建模，采用電子偵察結(jié)果對目標位置進行糾正，而后采用云模型的概念模型進行特征合并，完成目標的檢測。實驗結(jié)果表明：與其他類似算法比較，該算法在檢測速度和檢測準確性方面具有一定的提高和優(yōu)勢。

目標檢測；云模型；梯度方向直方圖；電子偵察

0 引言

特定運動目標的識別及偵察是各類智能系統(tǒng)中重要的組成環(huán)節(jié)，例如交通管理、重點區(qū)域監(jiān)控等，快速完成目標檢測和跟蹤是一個重要問題。電子偵察通過偵收特定目標輻射源信息散射的電磁信號進行偵察和分析，形成對特定目標位置和類型及相關(guān)信息報告。其優(yōu)勢在于目標檢測不受地域或天氣條件的限制，可長時間監(jiān)視特定目標活動，獲得特定目標情況，同時有效了解相關(guān)動態(tài)。缺點是由于電子偵察手段采用的是被動接收的策略，在電磁環(huán)境日趨復(fù)雜等情況下可能存在發(fā)現(xiàn)目標難、檢測和跟蹤難、測向定位難等困難。而此時，采用現(xiàn)有的主動式成像傳感器獲取的光學圖像的綜合分析，可有效形成目標的外觀、形狀、結(jié)構(gòu)細節(jié)等特征的表征量，完成目標的檢測、識別和跟蹤。因此研究基于圖像和電子偵察的融合檢測是提高信息可靠性的有效手段。

電子偵察和圖像能夠有效獲取目標的不同特征信息，形成對同一目標的不同側(cè)面的描述。Sayrol等人[1]采用圖像的信息積累，在圖像的高階處理中形成了提取背景和噪聲分離的有效算法。典型的圖像處理采用3幀相鄰圖像差分、獲取目標識別信息[2]，甚至擴展到66幀圖像分析[3]。當背景變化過于劇烈，則首先應(yīng)該進行背景運動補償[4]。文獻[5]提出SAR圖像的PCA提取目標特征，完成目標分類，獲得了較平穩(wěn)的實驗效果。對圖像進行分塊學習，有效提高圖像的處理能力， Dalal 和Triggs[6]分析了目標的局部細微特征，從而提高目標檢測結(jié)果。機載電子偵察(ESM)本身獲取目標信號特征，建立目標的時頻特征，通過訓練獲取可獲得與圖像特征相類似的表達。

本文選取圖像和電子偵察圖像獲取目標信息，采用信息融合策略，綜合考慮目標特征，通過特征互補策略形成特征向量，采用云模型表達，有效完成目標的表達并達到檢測目標的目的。

1 機載圖像處理

目前，利用無人機平臺可有效快速獲取目標的實時圖像，為目標信息獲取和實時目標檢測提供了有力支撐。機載可見光成像均可獲得較為豐富的顏色、形狀和紋理信息，成像信噪比高，而且能達到的成像分辨率較高。在多幅場景中，目標往往可以借助周圍地物及時間序列，對其檢測結(jié)果和速度起到輔助增強作用。

借助圖像獲取的目標特征，構(gòu)建目標的梯度方向直方圖特征，形成對目標的特征描述。針對獲取的目標信息，進行目標的像素提取和特征的描述，將有序直方圖構(gòu)建成特征描述器，針對圖像的噪聲和光照等變化，梯度方向直方圖具有較好的抗噪聲效果。具體采用直方圖投影的辦法進行特征提取，通過將圖像塊特征向不同方向投影，最后完成其目標投影，其一維投影特征如圖1所示。

圖1的像素梯度信息計算采用的是9方向投影計算方法，其具體計算需要滿足三角函數(shù)特征。假設(shè)某像素點模值d，角度為θ，則其三角函數(shù)滿足如下關(guān)系：

(1)

通過以上方法，可以將一維特征擴展到多維，其計算方法可以針對負值將特征歸一化到0-180°，保證取值為正。具體操作以單像素為考慮對象，同時考慮細胞單元內(nèi)像素的特征，例如，2×2細胞單元直方圖結(jié)果如圖2所示。

通過歸一化的特征，將目標的圖像特征映射成目標特征，目標特征化的描述有助于特征的歸一化描述，同時歸一化的特征對目標檢測具有較好的效果。

2 機載電子偵察信息

機載電子偵察(ESM)是指采用專用的電子偵察裝備對特定區(qū)域特定目標發(fā)出的信息進行偵收，無人機電子偵察是現(xiàn)代常用的手段之一。針對偵察結(jié)果采用信號解算對目標完成搜索、截獲、定位和分析，生成目標的位置、類型等信息，且電子偵察檢測效果與目標的分辨率無關(guān)，因此電子偵察目標特征一定程度上克服了圖像因分辨率低造成的成像困難或不能識別的缺點。電子偵查信息在其他相關(guān)信息支持下，可以比較準確地獲得目標位置及型號和目標位置。

電子偵察獲取目標信息后，主要是通過對偵測的目標信號進行抽象及比對，有效形成對目標的描述。而當電子偵察信息獲取的目標信息與圖像的信息層級不一致時，就需要進一步處理后二者才能夠統(tǒng)一檢測，完成對同一目標的描述。

3 云模型

由于電子偵察和圖像特征兩者特征上存在較大差異，為此，本文采用云模型[7]將目標特征進行歸一化統(tǒng)一。云模型具有定性和定量特征轉(zhuǎn)化的特點，同時將傳統(tǒng)的模糊集理論和概率統(tǒng)計方法有效結(jié)合，有助于特征的統(tǒng)一標識。其中，虛擬云及其云變換和不確定性推理的優(yōu)勢，為解決空間目標挖掘及特征發(fā)掘提供依據(jù)[8-9]。本文從云的特征出發(fā)，建立典型的云模型-正態(tài)云，因為目標的特征分布在一定條件下具有正態(tài)性，正態(tài)云具有較好的描述目標特征的能力。

云最初采用的是語言完成特定概念的定性和定量的不確定概念表述。設(shè)U為數(shù)據(jù)集，則有U={x}，T為U的隸屬單元。即針對x都具有T的唯一隸屬表述。C為U的一個定性概念，x則為C上的一個不確定表示。x作為C的一個標度，可以表述為：

μ：U→[0，1] ?x∈Ux→μ(x)

(2)

因此，x在U中的分布叫云， x稱為U中的云滴。圖3所示為以0為中心的隸屬云特征。

云模型采用數(shù)字特征進行其重要特征的描述，具體包括數(shù)學期望(ExpectedValue，Ex)、熵(Entropy，En)、超熵(HyperEntropy，He)。通過這些數(shù)字特征，模糊性與隨機性集中在一起，構(gòu)成定性與定量的表述：Ex——最大程度地代表云的定性概念，En——定性概念雙邊特性的一種模糊隸屬度表示，He——熵的熵，即它是En的波動性和出現(xiàn)概率的度量。

通過建立數(shù)學特征，對目標和背景兩種不同概念的表述，形成云模型在目標檢測中對目標的描述。

4 云模型目標檢測

云模型采用定量特征進行圖像特征的識別和電子偵察特征的綜合表述，形成對云模型的特征描述。

由于在實踐中，機載圖像和電子偵察同裝于一個平臺，因此可忽略由于其平臺位置帶來的誤差。

兩者的處理通過云模型建立其特征轉(zhuǎn)化模型，形成其統(tǒng)一描述，達到引導性的發(fā)掘目標的過程。

4.1 算法描述

假設(shè)圖像I，初步設(shè)定圖像中有N個概念，本算法的目的是對N個小概念進行合并提升，將特征歸結(jié)為{背景，前景}。在具體應(yīng)用中，采用梯度方向直方圖進行目標的表達。第一步完成對圖像直方圖信息提取。根據(jù)直方圖信息統(tǒng)計結(jié)果，形成對目標的梯度方向直方圖的概念提取，其具體的步驟包括對多個云模型提取的概念進行信息的有效提升，而后對每個概念建立云模型，如果兩個云模型相距很近，則完成兩個云概念的融合，即合并云操作，通過如此反復(fù)迭代，有效完成概念的合并，形成目標和背景兩個概念。同樣，對電子偵察目標信息也采取云模型表述的方法，對其進行特征的建模，達到提取同一目標的目的。

4.2 算法流程

①電子偵察具有探測距離遠、精度差的特點，但是可以引導成像，因此根據(jù)方位信息，我們假設(shè)平臺位置一致，由此可以引導圖像獲取其局部圖像，則針對成像獲取的圖像I，建立圖像的梯度圖像h(x)，假設(shè)圖像像素集合為D，如果是多通道圖像，則，進行多通道獨立求解融合策略，完成圖像的直方圖提取。此時，建立的梯度方向直方圖求解完成后有多個概念，設(shè)為n；

②針對概念n中，提取hmax(x)，則該值設(shè)置為當前云的中心值Exi；

③云模型的幅度采用h(Exi)來表述云模型幅度因子ai；

④利用Exi求取Eni，假設(shè)其誤差為ε；

⑤采用圖像元素D，均值Exi，熵Eni，幅度因子ai則可求取Hei；

⑥將云模型構(gòu)建的云Cloud(Exi,Eni,Hei)作為一個概念放入概念集中；

⑦對直方圖進行如下操作：

h(x)=h(x)-ai*Cloud_Exp(Exi，Eni)

(3)

⑧重復(fù)以上步驟，直到所有的h(x)小于誤差限ε；

⑨獲取電子偵察目標位置信息，包括目標經(jīng)緯度、目標屬性。據(jù)此構(gòu)建目標在圖像中的位置信息，完成對圖像識別結(jié)果的校正。按照步驟①-⑧，對不同的目標信息進行云模型表達，形成對電子偵察目標特征的表述。實驗中，根據(jù)電子偵察目標特征，設(shè)定檢測的目標位置為云的期望值，電子偵察的誤差限為熵，超熵為電子偵察的可信度。構(gòu)建電子偵察的目標特征云模型表達形式。

⑩根據(jù)電子偵察目標信息完成圖像目標信息的校正，形成目標信息的統(tǒng)一表示并輸出。

在步驟⑦中，其中云方程表達式如下：

(4)

x為目標的特征值中心，設(shè)定誤差限ε=0.003。通過以上步驟，可有效提取目標特征，多個云特征融合的過程如下。

(5)

如上所述，則其實驗流程如圖4所示。

4.3 結(jié)果及分析

本文采用室外道路跑車環(huán)境進行模擬，圖像采用交通視頻監(jiān)控獲取，電子偵察采用旁邊架設(shè)雷達獲取，由于其位置與雷達距離在3000m范圍內(nèi)，因此雷達的精度相對較高。

本實驗通過設(shè)定不同的誤差值來進行目標檢測。實驗過程中，對同一場景不同幀目標進行分析。圖像來源為圖像檢測中較為典型的智能交通圖像，環(huán)境的變化唯一不足的是干擾比較少、光線變化不劇烈，通過加入噪聲模擬相對復(fù)雜的實際環(huán)境，分析中，原圖像一幀采用直方圖均衡化處理、一幀不處理進行模擬，電子偵察采用模擬方式對目標定位，其定位信息為{127.5,34.6}。通過云模型分析，仍然可以在一定程度上分析得到前景目標。設(shè)定誤差限ε=0.03和0.003，其分析結(jié)果如圖5、圖6所示。

背景差分算法(Pb Model)往往需要較大的訓練樣本空間，訓練模型對樣本要求高，同時訓練時間長，樣本數(shù)量失衡時也容易造成訓練結(jié)果的不準確性。從結(jié)果可以看出，本文建立的空間電子偵察信息和目標圖像在引導情況下的快速目標檢測，有效提高了目標的發(fā)現(xiàn)概率。云模型通過簡化目標表達形成了目標概念，達到了提取目標的目的。

此外，實驗也說明在誤差為0.03和0.003下，其檢測結(jié)果具有一定的差異。二叉樹檢測算法與Pb Model算法都是直接對圖像本身進行操作，其精度較差。云模型檢測通過特征的逐步提升完成，針對電子偵察目標信息和圖像信息，采用直接處理方法，不需要樣本訓練(Pb Model取得較好的效果需要大量樣本，二叉樹算法初始需要人工參與)。可見，本文算法結(jié)合電子偵察信息和圖像可有效提高準確率，同時效率比Pb Model、二叉樹算法具有一定優(yōu)勢。通過150幀圖像檢測結(jié)果分析，云模型檢測算法時間平均在0.4ms左右。

本次實驗結(jié)果由于實驗環(huán)境較為單一，沒有考慮時間特性、環(huán)境的復(fù)雜性。與目標的多探測手段的綜合使用相比，后續(xù)工作將通過信息進行立體建模，將其特征與信息相結(jié)合，更好地描述該目標特征，完成對目標的精確檢測工作。

5 結(jié)語

建立以電子偵察引導成像，以圖像為主的檢測手段，通過建立圖像的梯度方向直方圖信息，采用云模型的定性與定量之間的轉(zhuǎn)換關(guān)系，對其電子偵察位置信息及圖像信息進行分析，概念提升，達到僅有兩個概念目標的目的，最后通過云模型合并完成目標檢測。從實驗結(jié)果看出，該算法可以對目標進行較好地識別和提取，基本滿足應(yīng)用要求。通過與其他算法比較，可以看出該算法具有較好的檢測效果。

[1] SAYROL E,GASULL A,FONOLLOSA JR. Motion estimation using higher order statistics[J].IEEE Transaction on Image Processing,1996,5(6)：1077-1084.

[2] DUBUISSON MP,JAIN AK. Contour extraction of moving objects in complex outdoor scenes[J].International Journal of Computer Vision ,1995，14(1)：83-105.

[3] 曹炬,譚毅華,馬杰,等.從移動背景紅外序列圖像中檢測運動目標[J].電子與信息學報,2005,27(1):43-46.

[4] MALLAT S,HWANG W L. Singularity detection and processing with wavelets[J].IEEE Transactions on Information Theory,2002，38(2)：617-643.

[5] TAO R T,LI B.SAR Automatic Target recognition based on slow feature analysis[C]// IEEE International Conference on Progress in Informatics and Computing,Nanjing,China:IEEE,2015:40-45.

[6] DALAL N,TRIGGS B.Histograms of oriented gradients for human detection[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,1(12):886-893.

[7] ROOBAERT D,HULLE MMV.View-based 3D object recognition with support vector machines[J].Proceeding IEEE International Workshop on Neural Networks for Signal Processing,1999:77-84.

[8] 李德毅,孟海軍,史雪梅.隸屬云和隸屬云發(fā)生器[J].計算機研究與發(fā)展,1995, 32(6):15-20.

[9] 秦昆.不確定性圖像分割的新方法[D].武漢:武漢大學，2007.

[責任編輯、校對：梁春燕]

Moving Object Detection Based on the Cloud Model

KANGXin

(Chongqing Office of Naval Equipment Department,Chengdu 610036,China)

Moving object detection is the foundation for analyzing behaviors of specific objects.A method is proposed in this paper based on image feature analysis by constructing the histogram of orientated gradient (HOG).A feature map is constructed and the target position is stated by electronic reconnaissance and a cloud model is used to merge the different concepts so as to complete moving object detection.The experimental results show that:the algorithm has the certain advantages in speed detection and detecting accuracy in comparison with other similar algorithms.

moving object detection;cloud model;histogram of orientated gradient;electronic reconnaissance

2017-03-21

康欣(1980-)，男，陜西寶雞人，工程師，主要從事通信、信息處理及融合研究。

TN911.73

A

1008-9233(2017)03-0056-05