基于海天線引導與卷積神經網絡的艦船目標檢測?

梅升陽 田金文

（華中科技大學自動化學院多譜信息處理技術國家級重點實驗室 武漢 430074）

1 引言

紅外艦船目標檢測一直是國內外關注的熱點問題，因為它是紅外制導武器在海面背景下識別、跟蹤、可靠捕獲目標的重要基礎和前提。實際海面存在大量海雜波、海浪、太陽光反射等諸多干擾。為了實現海天背景下艦船目標的可靠檢測，眾多學者提出了許多方法。在空域，有基于多尺度局部方差的方法［1］，基于多尺度局部梯度的方法［2］，基于多尺度分形與均值漂移的方法［3］，基于數學形態學的方法，基于梯度統計特性的方法，以及基于小波包和高階統計量的方法等等。在頻域，有基于頻譜殘留變換的方法［4］等。這些方法在簡單的背景干擾下都能取得較好的檢測效果。

傳統的檢測模型通常采用人工特征提取方法獲得目標的特征描述，然后進行目標的分割提取識別等。這種人工特征提取方法相對復雜，對特征提取的方式要求較高。而且人工特征也沒有比較好的適用性，不同的場景用不同的特征會有不同的效果。其次，很多特征提取方式需要小尺度、小角度的變換等等，在現實應用中難以滿足。這些年來，隨著神經網絡和深度學習技術的不斷進步與發展，其在目標檢測、識別、分類等領域越來越顯示其強大之處。卷積神經網絡（Convolution neural net?works，CNNs）是為圖像處理領域特別設計的深度學習網絡架構，它將多層人工神經網絡與卷積運算相結合，通過卷積運算讓計算機自動從圖像中提取目標特征，這樣獲得的特征更自然，通用性更好。同時，它對一定程度的扭曲形變有良好的魯棒性。另外，它根據圖像特點，使用局部圖像來做卷積，這種稀疏連接和權重共享，極大減少了神經網絡模型的參數個數［5］。

然而，卷積神經網絡需要對整個目標進行處理，對于一些復雜目標，模型需要大量的中間節點，計算量大。為了減少目標檢測的計算量，這里引入了海天線檢測方法。根據海天線檢測結果，得到目標檢測的ROI區域。在ROI區域中進行卷積神經網絡的目標檢測，可以大大提高目標檢測的效率，提高檢測方法的可用性。許多學者對海天線提取的研究取得了很好的成果。張峰等采用行映射直方圖的方法確定海天線區域。這種方法在簡單的海天背景上取得良好效果，但是用于圖像二值化的門限不好確定。Mohanty［6］則通過行平均，尋找列方向梯度最大值位置作為海天線位置。但是這種方法對海雜波十分敏感。裴繼紅、劉松濤［7］、楊磊［8］、呂俊偉［9］、裴立力［10］、魏穎［11］等提出了相應的海天線檢測方法，這些方法都有較好的效果，但是在復雜背景下又會面臨這樣那樣的問題。本文將提出基于特性融合的海天線檢測方法，以取得較好的檢測效果和魯棒性。

2 海天線檢測

經過大量實驗研究發現，海天線具有分界特性與直線特性。海天線上部區域與下部區域具有不同的統計特性，如方差、熵等的差別。很多檢測方法也是基于這個特性提出的，如基于局部方差、局部梯度的方法等。另一個特性是直線特性，也就是海天線接近一條直線，利用這個特性，可以用Hough變換的方法來檢測海天線。但是在復雜圖像背景情形下，海天線的分界特性會受到干擾。這樣單一的基于分界特性的算法難以準確檢測海天線，需要結合直線特性進行檢測。將亮度、紋理、直線特性等進行融合以實現更好的海天線檢測是本節的主要內容。

2.1 行分割熵差

考慮一個大小M×N的圖像f（x，y），用Gabor濾波器g（u，v）濾波后的圖像為t（x，y）：

以第i行為界，分割t為上下兩部分：

分別求取t1的熵 H1(i)與t2的熵H2(i)，則行分割熵差為

2.2 行對比度

計算行對比度時先把圖像按照步長Step分割成多個條帶。其中，第1條帶由第1行至第Step行構成，第2條帶由第Step+1行至第2Step行構成，第k條帶由第（k-1）Step+1至第kStep行構成。設第k條帶第1行的行號為i：

第k條帶像素強度和為Sk：

2.3 行直線擬合系數

根據海天線的直線特性，海天線所在的點應當可以回歸成一條直線。用條帶的列重心來代表海天線上的點，根據這些點的直線回歸相關系數可以得知擬合的好壞，也就值直線性的強弱。

對于第m條帶，設其第一行的行號為i，條帶步長為Step，則第n列的重心為

將 第m條 帶 的 重 心G1(x1，y1)，G2(x2，y2)，…，Gn((xn，yn))，…，GN(xN，yN)回歸成一條直線，則該回歸的相關系數，即行直線擬合系數為

2.4 多特性融合的檢測方法

為取得更好的融合效果，先用Gabor濾波器對原紅外圖像進行濾波，得到紋理圖像。在紋理圖像基礎上，分別計算分割熵差、行對比度、直線擬合系數等，最后進行乘積融合。過程如圖1。

圖1 多特性融合流程

用公式表示就是

其中，i表示第i行。

這樣就得到了海天線的位置，當然這里沒有考慮海天線的傾斜問題。對于確定ROI區域來說，這樣的精確度足夠了。

3 基于卷積神經網絡的檢測方法

3.1 CNN網絡檢測模型

本文提出的網絡檢測模型由多個卷積層與多個池化層構成。分別是輸入層、卷積層（Convolu?tional Layer）、池化層（Pooling Layer）、卷積層、池化層。卷積層通過將輸入層或者前一層的局部區域神經元的輸出與卷積核的權重做點積以提取目標特征。卷積層的步長都為1，卷積核大小都為5。所得特征經過激活函數作用，成為下一層的輸入。激活函數使用sigmoid函數：

池化層對上一層的輸入做空間上的降采樣，以減少整個網絡的參數個數，既可以降低計算量，提高檢測效率，又可以避免過擬合問題。這里池化層降采樣比率設為2，也就是池化后的層寬高皆為輸入的一半。整個網絡結構如圖2所示。

最終網絡輸出檢索區域屬于艦船目標的概率P。

3.2 ROI區域提取

為了減少卷積神經網絡檢測時的計算量，可以將檢測區域縮小到海天線上下一定區域范圍內。設上下寬度取為δ，則ROI區域為

圖2 本文卷積神經網絡框架結構

一般艦船分布區域不會太寬，δ取15～30左右即可。

3.3 目標檢測流程

整個檢測過程是在ROI區域內，利用多個尺度的搜索窗口尋找艦船目標。尋找艦船目標的過程中，利用訓練好的CNN網絡求取搜索窗口區域屬于目標艦船的概率。然后進行后處理得到目標檢測結果。整個過程如圖3所示。

圖3 本文目標檢測流程圖

4 實驗結果分析與討論

4.1 海天線檢測實驗

將直線擬合方法、Hough變換法檢測海天線結果與本文提出的方法比較。實驗圖像都是320×256的紅外圖像。直線擬合方法中分區寬度K=4，平均值濾波窗口大小為3×3。本文方法中計算行對比度的步長Step=4。

從第一第二幅圖像可以看到，煙幕彈情形下，直線擬合方法、Hough變換法與本文方法檢測海天線效果接近，直線擬合方法對于有一定傾斜角度的海天線有優勢。

從第三幅圖像可以看到，云霧干擾情況下，直線擬合方法無法準確檢測海天線，Hough變換法與本文方法可以較為準確檢測海天線。

從第四幅圖像可以看到，較強海雜波情形下，直線擬合方法與Hough變換法也無法準確檢測海天線，而本文方法可以較為準確檢測海天線。

綜上所述，本文方法在各種海天線干擾下都有較好的檢測效果，尤其是云霧干擾與海雜波干擾時有較大優勢，但是對于傾斜的海天線稍顯不足。

圖4 本文方法與典型的海天線檢測方法對比

4.2 CNN網絡訓練

本文對卷積神經網絡的訓練使用紅外艦船圖像數據。使用人工標記的方法在艦船目標周圍選取正樣本，在背景區域選取負樣本。在多達220張連續的艦船序列圖像中，用其中200張圖像標記出400個正樣本與600個負樣本。接著對標記出的樣本進行左右對稱處理，以提高訓練模型對艦船方向的適應性。然后對總計2000張樣本進行歸一化處理，尺度為28×28。將這些樣本放入本文的CNN網絡進行訓練。

圖5 典型的紅外圖像數據

圖6 經過歸一化的正樣本，樣本中含有艦船目標

圖7 經過歸一化的負樣本，樣本中為背景或者干擾

圖8 經過多次迭代，訓練樣本的均方誤差越來越小

4.3 基于CNN的艦船目標檢測實驗

提取ROI區域過程中，海天線上下寬度δ設為13。實際檢測過程中，這個參數要根據艦船具體大小來設定。如果艦船大小不同，或者艦船可能偏離海天線較遠，就需要設定較大的δ值，并使用多尺度窗口搜索技術來檢測目標。由于篇幅有限，這里就不對此參數做過多討論。

圖9 基于CNW的艦船目標檢測實驗

得到ROI區域后，在ROI行方向上采集滑動窗口，放入訓練好的卷積神經網絡模型計算窗口屬于目標艦船的概率，從而得到概率曲線。由于圖像上只有一個艦船，獲取最大概率對應的列位置，即可得到目標艦船的位置。實際檢測過程中，可能有多個艦船目標，就需要考慮恒虛警處理以及目標合并的問題。這里就不展開了。

從上面的研究可以看到，本文基于海天線引導與卷積神經網絡的艦船目標檢測方法確實可以準確檢測艦船位置。

5 結語

結合海天線的分界特性與直線特性，本文提出了海天線的多特性融合的檢測方法。相比于傳統的直線擬合方法與Hough變換方法，本文方法在復雜背景下有較大優勢。在海天線檢測基礎上，本文進一步在圖像上提取ROI區域，用于CNN網絡檢測艦船目標。通過自主設計的網絡模型，在人工標記樣本訓練的基礎上，取得較好的檢測效果。今后將進一步研究多尺度的檢測方法以改進算法的整體性能。

［1］鄒常文，馮力天，劉先志，等.基于多尺度局部方差的海面紅外艦船檢測［J］.激光與紅外，2011，41（6）：697-699.ZOU Changwen，FENG Litian，LIU Xianzhi，et al.Infrared Warship Target Detection based on Multi-scale Variance［J］.Laser&Infrared，2011，41（6）：697-699.

［2］邢莎，吉林，雍楊，等.基于多尺度局部邊緣梯度的紅外艦船目標檢測［J］.兵工自動化，2014（5）：61-64.XING Sha，JI Lin，YONG Yang，et al.Infrared Warship Target Detection based on Multi-Scale Edge Gradient［J］.Ordnance Industry Automation，2014（5）：61-64.

［3］鄒常文，劉先志，戴軍，等.基于多尺度分形與均值漂移的紅外海面艦船目標分割［J］.激光與紅外，2010，40（9）：1023-1026.ZOU Changwen，LIU Xianzhi，DAI Jun，et al.Infrared Ship Object Segment based on MFFK and MeanShift filter?ing［J］.Laser&Infrared，2010，40（9）：1023-1026.

［4］張志龍，楊衛平，張焱，等.基于頻譜殘留變換的紅外遙感圖像艦船目標檢測方法［J］.電子與信息學報，2015，37（9）：2144-2150.ZHANG Zhilong，YANG Weiping，ZHAN Yan，et al.Ship Detection in Infrared Remote Sensing Images Based on Spectral Residual Transform［J］.Journal of Electronics&Information Technology，2015，37（9）：2144-2150.

［5］盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述［J］.數據采集與處理，2016，31（1）：1-17.LU Hongtao，ZHANG Qinchuan.Applications of Deep Con?volutional Neural Network in Computer Vision［J］.Journal of Data Acquisition&Processing，2016，31（1）：1-17.

［6］Mohanty，N.C.Image Enhancement and Recognition of Moving Ship in Cluttered Background［J］.Pattern Analy?sis and Machine Intelligence，IEEE Transactions on，1981，3（5）：606-610.

［7］劉松濤，沈同圣，韓艷麗，等.艦船目標海天線提取方法研究［J］.海軍航空工程學院學報，2002，17（6）：51-53.LIU Songtao，SHEN Tongshen，HAN Yanli，et al.Re?search on Locating the Sea-sky Boundary of Ship Target［J］.Journal of Naval Aeronautical Engineering Institute，2002，17（6）：51-53.

［8］Yang，L.，et al.Variance WIE based Infrared Images Pro?cessing［J］.Electronics Letters，2006，42（15）：857-859.

［9］呂俊偉，王成剛，周曉東，等.基于分形特征和Hough變換的海天線檢測算法［J］.海軍航空工程學院學報，2006，21（5）：545-548.LV Junwei，WANG Chenggang，ZHOU Xiaodong，et al.A Sea-sky-line Detection Algorithm based on Fractal Fea?ture and Hough Transform［J］.Journal of Naval Aeronauti?cal Engineering Insititute，2006，21（5）：545-548.

［10］裴立力，史澤林，羅海波.一種基于小波多尺度分析的水天線檢測方法［J］.沈陽工業大學學報，2003，25（2）：125-128.PEI Lili，SHI Zelin，LUO Haibo.Detection of Sea-level based on Wavelet Multi-scale Analysis［J］.Journal of Shenyang University of Technology，2003，25（2）：125-128.

［11］Wei，Y.Z.Shi，and H.Yu.Wavelet Analysis based Detec?tion Algorithm for Infrared Image Small Target in Back?ground of Sea and Sky［C］//Image and Signal Processing and Analysis，2003.ISPA 2003.Proceedings of the 3rd International Symposium on.2003（1）：23-28.