航海雷達目標快速識別方法研究

王海霞,徐 進?,王慶名,趙 陽,龐璽斌

(1.大連海事大學 航海學院,遼寧 大連 116026;2.大連海事大學 校友事務與合作處,遼寧 大連 116026 )

0 引言

航海雷達能夠在惡劣天氣和能見度不良的條件下,穩定獲取海上目標和運動對象的方位角和距離,可實時感知周圍環境信息,提供掃描范圍內的動態障礙物信息和其他在電子海圖上未能顯示出的靜態信息,對船舶安全航行發揮著十分重要的作用[1-2]。目前航海雷達的目標識別主要依賴于駕駛員的手動作業,受限于操作員的專業知識和航海識圖經驗,存在目標搜索和目標識別慢等問題。 對多目標的識別與跟蹤研究已經成為航海雷達比較熱門方向,有比較好的應用前景。

復雜背景下弱小目標的檢測一直是圖像處理領域的熱點和難點[3-4],基于Prewitt 算子的自適應背景預測算法,更有利于弱小目標的實時檢測[5]。 嚴杭晨等[6]提出了一種基于全方位視覺的多目標對象跟蹤方法,采用面向對象的多目標對象跟蹤算法來識別不同的目標,具有魯棒性高、運算量小、便于硬件實現及高效等優點,但會消耗一些計算資源。

雷達目標邊緣檢測是雷達目標識別的基礎,但快速準確檢測是邊緣特征提取的難點問題。 單閾值法提取的邊緣信息存在斷點、特征不準確等問題,采用雙閾值法可以快速提取圖像邊緣信息并實時檢測[7]。 徐進等[8]用改進的Prewitt 算子,對比RATS,OTSU 和MaxEnt 閾值分割方法對航海雷達圖像進行降噪處理,效率較高,且能較為完善地保留圖像的原始信息。 許樂靈等[9]研究發現根據圖像邊緣區域自適應地選擇2 個閾值,二者有效結合可大幅提高邊緣檢測算法的準確度和運算效率。 胡笑莉等[10]利用OTSU 法和 Kittler 法互補計算出的2 個閾值,不僅保留了更多細節目標,也控制了算法的時間開銷,針對光照不均圖像的二值化問題,提出一種新的圖像增強方法。

本文以大連海事大學校船“育鯤”輪執行科研航行任務時,采集的雷達原始圖像為數據基礎,在警戒區范圍內,采用自動多級閾值與面積閾值的雙閾值法,提取對本船航行安全可能產生影響的目標,實現雷達目標的快速識別,為船舶海上航行提供安全保障。

1 雷達目標快速識別方法

1.1 數據來源及設備參數

本文選擇X 波段船載雷達信號采集得到的原始灰度圖像(設備參數,如表1 所示),圖像中信號監測范圍為0. 75 海里,圖像大小為1 024 像素×1 024 像素(如圖1 所示)。 監測數據采集地點：大連沿海,位置如圖2 所示。 船載平臺：大連海事大學“育鯤”輪號(如圖3 所示),采集時間：2015 年8 月11 日10 時14 分59 秒。 這份數據中含有大量的含雜波信息,用于反演海面海浪、風速、風向等信息的研究。

圖1 雷達圖像原圖Fig.1 original radar image

圖2 數據采集點Fig.2 Data acquisition position

圖3 船載雷達溢油監測系統(育鯤輪)Fig.3 Installation of marine radar oil spill monitoring system on the Yukun

表1 育鯤輪航海雷達設備參數Tab.1 Parameters of the marine radar installed on the Yukun

1.2 數據預處理

1.2.1 坐標系統變換

實驗數據的坐標系統是現實世界中船載設備常用的極坐標系統。 但是,數據采集的原始坐標系統是信號抽象世界的平面直角坐標系統。 為了從數據源頭進行解譯分析,應先將數據投影回平面坐標系下。 極坐標以距離和方位角(P,θ)表示目標位置,而直角坐標以(x,y)表示,采用式(1)進行相互轉換,其中θ 為與正北方向的夾角[11]。

1.2.2 Prewitt 算子

雷達信號夾帶很多的干擾噪聲,包括斑點噪聲和同頻干擾,在識別雷達目標之前對雷達圖像進行預處理顯得尤為必要[12]。 現有Prewitt 相關算法存在邊緣識別率低、準確性差、閾值設定隨機性大等問題,為此提出一種自適應閾值的Prewitt 圖像邊緣檢測算法。

Prewitt 算子是一階微分算子,它利用像素點領域的灰度差峰值,檢測目標邊緣[13]。 其原理是利用方向特性窗口與目標圖像進行卷積來完成的,主要包含水平特征窗口與垂直特征窗口。 對數字圖像f(x,y),Prewitt 算子的定義如下：

式中,G(i)為垂直特征窗口算子,多用于檢測水平邊緣,G(j)為水平特征窗口算子,多用于檢測垂直邊緣,i,j 分別為圖像矩陣的行列數。

由于同頻干擾在平面直角坐標系中,表現為Y 軸垂直方向的高亮噪聲,因此本文將Prewitt 算子進行改進,且只利用垂直特征檢測窗口,公式如下：

改進Prewitt 算法計算量小,獲取的邊緣線條細節更加完整清晰。

1.2.3 魯棒自動閾值法

RATS 是一種灰度圖像二值化閾值分割方法[14]。 在噪聲存在的情況下,分割閾值T 偏向于圖像中最大類。 噪聲的偏移可以通過一個低于沒有經過加權的灰度邊緣強度閾值來消除。 這時,閾值T演變為如下公式：

式中,η 為噪聲的標準偏差,λ 為實際使用的邊緣強度閾值的矯正參數。 針對式(6)中定義的邊緣強度,Wilkinson[15]在1998 年的實際實驗中,認為高斯噪聲圖像中的λ=5 最適合。 結果表明,針對原點處邊緣的均勻響應,任何邊緣檢測器在任意維度上都會產生相同的最優閾值T。 特別是在梯度儀檢測器中：

式中,gx,gy,gz 沒有曲率偏差和旋轉變化。 除此之外,Kahmoun[16]在1994 年提到,梯度檢測器可以減少噪聲偏差。 然而,減少噪聲偏置是以增加方差為代價的。 這個方差可以利用Sobel 濾波器內核計算得到的x,y,z 的導數來控制。

1.2.4 線性內插

由于同頻干擾在平面坐標系圖像中,呈現出縱向特性[17]。 所以,在處理噪聲點時,選取其橫軸方向上鄰近的2 個非噪聲像素點,按照距離進行加權插值,如下：

式中,m,n 分別表示目標點左、右側的噪聲點總數。

同頻干擾是雷達在天線接收端方向上造成的噪聲,在雷達圖像上代表方位角方向的信號噪聲。 在抑制這種噪聲時,應當在以方位角為橫軸方向,以量程回波信號為縱軸方向的平面坐標系統中進行降噪處理。 由于橫向卷積處理后的同頻干擾噪聲信號強度被削弱,而其他像元的信號強度變化并不明顯,因此,原圖像與卷積處理后的圖像,會在同頻干擾處存在較大差異。 接下來,再應用自動多級閾值法,進行圖像的二值化分類。 其中,同頻干擾和噪聲為“1”,其他像元為“0”,。 再采用橫向濾波器,對同頻干擾信號進行線性內插處理[18],如圖4 所示。

圖4 圖像預處理Fig.4 Result of data preprocessing

2 識別過程與結果

2.1 鎖定目標范圍

“警戒區”即為根據主管機關在充分考慮該水域的通航環境、通常情況下的通航秩序及該水域歷史上發生的險情、事故情況進行綜合分析的基礎上給所有航經該水域的船舶采取警戒行為的區域[19]。警戒區會比其他區域更加可能會發生碰撞危險事故,所以船舶在該水域航行的過程中,應當加強對某類碰撞危險的針對性瞭望,選擇當下本船最佳航速、航向來避免碰撞事故的發生。 利用灰度分布動態曲線,根據本船目前警戒區范圍,識別出目前對本船有航行威脅的目標,如圖5 所示。

圖5 設定警戒區Fig.5 Set warning zone

2.2 自動多級閾值法

隨著分類數量的增加,閾值圖像變得更加類似于原始圖像[20]。 原始圖像與閾值圖像之間的差異隨著分類數量的增加而減少,但是表示閾值圖像所需的總位數隨著類數的增加而增加。 因此,這2 個因素之間必須存在妥協。

設k 表示分類數量,Dis(k)表示閾值和原始圖像之間的差異。 考慮這2 個因素的成本函數C(k)公式被提議為：

式中,ρ 是一個正的權重常數,C(k)的第1 項測量閾值圖像和原始圖像之間的差異所導致的成本,第2 項測量由用于表示閾值圖像的位數所導致的成本。 差異的平方根Dis(k)與隨機變量的“標準偏差”具有相似的含義。 采用平方位使用懲罰有兩個原因：首先是使用“中間值定理”證明C(k)可以擁有唯一的最小值;第2 個是通過(Dis(k))來避免這個詞的控制。 為了達到CdDis(k)和Cb(log2(k))之間的最佳折衷,C(k)必須最小化。 基于成本函數C(k),提出自動閾值準則(ATC)以確定最優分類數量k?公式如下：

k：灰度被分類的分類號碼;

Sk,i：當灰度級被分為k 類時的第i 個非零閾值;

Ck,i：第i 類具有從Sk,i-1到(Sk,i-1)的灰度級;

ωk,i：Ck,i的概率;

Pk,i：在由ωk,i歸一化后由Ck,i導出的分布;

μk,i：Pk,i的平均數;

因此,對于給定的分布P≡{pi|i∈Gm},可以得到以下關系：

式中,GSk,i≡{Sk,i-1,Sk,i-1+1,…,(Sk,i-1)}在每個類中,所有的灰度級都被指定為該類灰度級的平均值。 差異Dis(k)公式為：

從Pk,i中選擇具有最大方差的分布并應用最大相關標準(Maximum Correlation Criterion,MCC),該選擇分布可以進一步分成2 個分布。 因此,原始分布p 可以在歸一化之后被分割成k+1 個分布,并且原始圖像的灰度也被分成k+1 個類別。 重新標記式(9)～式(14)的所有閾值和k+1 級版本。 因此,可以相應地定義差異Dis(k+1)。

直觀地看,隨著分類數量的增加,閾值圖像變得更加類似于原始圖像。 因此,當分類數量增加時,差異應該減小。 現在,定義的Dis(k)將在下面被證明具有這種適當性。

此外,如果假設Dis(k)的形式為a×k-λ,那么可以得到關于C(k)的下列命題。

命題2：如果Dis(k)=a×k-λ,a＞0,λ＞0 且ρ＜4×ln256×256λ/2/(λa1/2(ln2)2),則Dis(k) 對于k?[1,256]具有唯一的最小值。

從命題2 中可以看出,當Dis(k)開始增加時,可以確定最小成本,而不是在全球范圍內進行搜索。 這意味著式(10)中的搜索過程可以終止并且ATC 的計算復雜度可以進一步降低。 自動多級閾值分割效果如圖6 所示。

圖6 自動多級閾值法Fig.6 Automatic multi-level threshold method

2.3 面積閾值法

通過面積閾值法對第1 次圖像分割后的圖像進行目標提取,根據船舶的面積范圍設定一個最佳閾值,將低于此閾值的噪聲目標進行剔除,如圖7所示。

圖7 面積閾值法Fig.7 Area threshold method

2.4 目標提取

最后,將降噪后的圖像,從平面坐標系轉換到極坐標系統下,其轉換公式如下：

將圖像上識別出來的已經剔除后的目標進行標紅顯示,以便進行下一步提取目標,如圖8 所示。

圖8 目標識別結果Fig.8 Result of target recognition

2.5 雷達目標與電子海圖融合

① 根據船首向角度,將雷達圖像進行旋轉,使雷達圖像的0 點方向指向正北方向,如圖9 所示。

圖9 雷達圖像真北方向校正Fig.9 True north direction correction of radar image

② 提取所有識別目標的輪廓,并記錄每個目標的邊界點圖像坐標,如圖10 所示。

圖10 目標輪廓提取Fig.10 Target contour extraction

③ 根據船舶的GPS 信息,依據WGS1984 地理坐標系統到Beijing1954 平面坐標系統(大連港附近海域處于6°帶劃分的21 帶中)的空間投影方法,將船舶的經緯度坐標變換為平面直角坐標系,單位變換為m。 (121.741 812°,38.943 339°)變換為(390 917.14 m,4 313 042.96 m)

④ 由于當前數據的量程為0.75 海里,且圖像半徑為512 像素,從而計算出每個像素點的空間分辨率為2.71 m。 根據每個目標的邊界點圖像坐標與船舶所在中心點的圖像坐標,以及每個像素的空間分辨率,計算出每個邊界點的在Beijing1954 平面坐標系統下的平面坐標。 最后,將每個邊界點的平面坐標從Beijing1954 平面坐標系統反投影回WGS1984 地理坐標系統中,變換為經緯度坐標。

⑤ 利用地理信息系統中的空間對象生成技術與每個目標的所有邊界點地理坐標,在電子海圖中生成識別的目標多邊形,如圖11 所示。

圖11 數據融合結果Fig.11 Result of data Fusion

3 結束語

本文以大連海事大學校船“育鯤”輪航行過程采集的雷達圖像為數據基礎,提出一種基于多級閾值與面積閾值的雙閾值法的雷達目標快速識別方法。 研究結果表明：

① 改進后的Prewitt 算子進行圖像卷積運算可以實現邊緣檢測,RATS 自動閾值法在提取同頻干擾時能夠消除邊緣細小噪聲,而線性內插的方式加權求均值,抑制同頻干擾,運算簡單,需要采取的像素點少;

② 多級閾值與面積閾值的雙閾值法,能夠將不影響本船航行小面積的目標剔除,只保留船舶或其他較大面積影響船舶航行安全的目標;

③ 提取后的目標與電子海圖融合,在電子海圖上面顯示本船附近在警戒區內可能會對船舶航行安全造成影響的目標,為駕駛員提供更加全面可靠的信息。