基于聯合稀疏區域生長的遙感飛機檢測算法

寧晨 鄧梁 王鑫

摘? 要：針對高分遙感圖像中的飛機目標，文章提出了一種基于改進FastMBD和聯合稀疏區域生長的精確目標檢測算法。首先，基于遙感圖像的特性，利用局部區域顯著性對FastMBD算法進行改進，克服其先驗假設不足;接著，利用內外顯著比值實現顯著目標檢測;最后，基于聯合稀疏提出了一種區域生長算法，補全因目標分割導致的殘缺，同時基于HOG與SIFT特征，實現了最終目標檢測。將提出方法在DOTA數據集上進行實驗，結果表明了提出的方法的優越性。

關鍵詞：遙感圖像;目標檢測;聯合稀疏表示;顯著性;FastMBD

中圖分類號：TP751? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）20-0031-04

Remote Sensing Aircraft Detection Algorithm Based on Joint Sparse Area Growth

NING Chen1，DENG Liang2，WANG Xin2

（1.School of Computer and Electronic Information，Nanjing Normal University，Nanjing? 210023，China;

2.College of Computer and Information，Hohai University，Nanjing? 211100，China）

Abstract：Aiming at aircraft target in high resolution remote sensing image，an accurate target detection algorithm based on improved FastMBD and joint sparse area growth is proposed in this paper. First of all，based on the characteristics of remote sensing image，the FastMBD algorithm is improved by using the local region saliency to overcome the deficiency of prior hypothesis. Then，the saliency target detection is realized by using the internal and external saliency ratio. Finally，an area growth algorithm based on joint sparse is proposed to complete the defects caused by target segmentation. At the same time，the final target detection is realized based on HOG and SIFT features. The proposed method is tested on DOTA data set，and the results show the superiority of the proposed method.

Keywords：remote sensing image;target detection;joint sparse representation;saliency;FastMBD

0? 引? 言

在遙感圖像處理和理解中，對軍用或民用飛機目標的檢測具有重大的理論意義和應用價值。但由于遙感圖像搜尋區域大、目標小，而且飛機形狀、姿態、背景干擾復雜多變，對飛機目標的檢測往往存在誤檢，因此如何準確地檢測遙感圖像中的飛機目標是一個具有挑戰性的課題[1，2]。南京師范大學所屬省級光電技術重點實驗室與河海大學通信與信息系統研究所在國家自然科學基金和中央高校專項資金的支持下，聯合在此領域展開了研究，并獲得了包括本文在內的一系列成果。

近年來，顯著性模型[3]已被證明是一種有效的目標預檢測技術，其中快速最小障礙距離（Fast Minimum Barrier Distance，FastMBD）算法[4]就是兼具目標檢測效果和計算效率的檢測模型。但是，因為FastMBD算法是基于目標位于待測區域中心假設的，當遙感圖像存在大量目標時，這一假設被削弱，導致召回率大幅降低。本文提出基于改進FastMBD的顯著性檢測，通過將增強對比度的后處理局限于一個一個的局部區域，從而避開FastMBD原假設，提高了召回率。另外，顯著圖的閾值分割過程會因為陰影遮擋等因素產生目標殘缺現象，影響最終檢測效果。因此，本文將聯合稀疏[5]引入區域生長算法，提出了基于聯合稀疏的區域生長算法，對顯著圖閾值分割結果進行補全，以保證目標完整性，提高特征點定位精度以及最終的召回率，作者在提出的改進FastMBD初步設想基礎上，增加了聯合稀疏區域生長的算法優化，進一步提高了算法性能，同時，本文還給出詳細的實驗分析以及結論，進一步構成了完整的研究思路。

1? 提出的方法

本文提出算法的原理框圖如圖1所示，本文算法可分為兩個階段：顯著目標預檢測和基于聯合稀疏區域生長的精確檢測。在預檢測階段，首先計算輸入遙感圖像的改進FastMBD顯著圖，進行自適應融合，突出其一致性。再利用內外能量比值對顯著圖進行顯著目標提取，最后將SVM與KNN級聯構成綜合檢測器，提高檢測精度。在精確檢測階段，基于聯合稀疏的區域生長方法，先將丟失特征點的疑似目標通過顏色模型轉換獲取參考圖像;再以殘缺目標像素作為種子，對整個參考圖像進行聯合稀疏重構，對重構殘差比值進行閾值分割和膨脹判別即可完成區域生長;最后利用KNN匹配補充漏檢目標。

1.1? 基于改進FastMBD的顯著目標預檢測

為提高處理效率，本文提出的基于改進FastMBD的顯著目標預檢測分為三個部分：首先提取改進FastMBD顯著圖并自適應融合，然后進行一致性突出，最后通過內外顯著比值檢測提取顯著目標。

FastMBD算法是基于圖像邊界連通性假設建立的，它通過計算每個像素的最小障礙距離（MBD）來度量它到圖像邊界的連通性，從而判定像素為目標像素還是背景像素。假定輸入圖像為img，分配給像素的路徑為π，那么最小障礙距離計算為：

其中， 表示起點為（x，y），終點為（p，q）的路徑，? 表示起點為（x，y），終點為（p，q）的障礙距離，即路徑 上的極差。

然而，FastMBD算法是基于圖像邊界連通性假設的，這會造成遙感圖像中小目標丟失的現象，如圖2（a）所示。為了克服這種缺陷，本文將廣域圖像的顯著圖轉化為求解一系列局部圖像的顯著圖，將其分割成若干子圖像subImg=

{|1≤k≤subNum}，其中，subNum表示子圖像數量，size表示分割子圖像的尺寸參數，將其分別進行求解FastMBD顯著圖subMBD={|1≤k≤subNum}。此外，為消除陰影，本文對目標與陰影分別求解RGB三通道的標準差以及均值，再由像素級標準差與均值的歐式距離判定消除陰影部分。最后，再將處理后的局部顯著圖進行加性融合拼接成整體顯著圖，如圖2（b）所示。從圖2的對比可以看出改進FastMBD算法可以明顯克服小目標丟失現象。

1.2? 基于聯合稀疏區域生長的飛機目標精確檢測

在去除陰影的時候，目標有可能因為陰影等遮擋造成閾值分割時誤分割部分目標至背景，這會造成形狀和特征的不完整。為補全殘缺并檢測出漏檢目標，本文作者受到先前所從事的利用聯合稀疏重構算法對遙感目標進行識別案例[6，7]的啟發，提出使用基于聯合稀疏區域生長對飛機目標進行精確檢測，分為聯合稀疏重構、閾值分割以及KNN檢測三個階段。

聯合稀疏重構階段中，首先對殘缺目標所在局部區域對應的原圖通過顏色模型轉換和計算顯著圖等手段生成更多通道，將其組成參考圖像，然后以殘缺目標對應像素作為種子像素，對應的參考向量組合即可形成字典，再以此對整個參考圖像進行聯合稀疏重構。最后比上顯著信息即可得到重構殘差比值，如此可增強最終結果中目標與背景的差異性。閾值分割階段主要是為了避免聯合稀疏重構結果手工挑選閾值，減少參數影響，對重構殘差比值進行閾值分割過后，簡單膨脹殘缺目標并聯合分割結果即可判別是否需要補全，完成區域生長任務。然后對補全目標提取SIFT特征，進行KNN匹配，即可完成精確檢測任務。

在本文區域生長部分，將分割出的殘缺目標本身視為種子像素，此時每個像素對應一個參考向量，本文采用聯合稀疏模型的思路，假設同一個局部區域內部像素對應的參考向量可以用一組共享的原子線性表出，那么就可以將多個像素對應的參考向量視為同一批，同時進行重構判別，最終形成基于聯合稀疏重構的生長準則。聯合稀疏重構問題可以用下列優化式表示：

?=arg min‖RDA-part‖? ? s.t.‖A‖row，0≤K0

其中，殘缺目標對應的參考向量為RD=[rd1，…]，將其作為重構字典。A表示對應的稀疏系數，其在聯合稀疏框架下，具有共享稀疏模式，即字典原子選取相同。‖A‖row，0表示對A求聯合稀疏范數。K0為聯合稀疏范數的上界。

2? 實驗與分析

2.1? 評價指標與實驗環境

本機配置為Intel（R） Core（TM） I5 4210M @ 2.60 GHz 12 GB內存，軟件是Spyder 3.2.6，語言是Python。訓練集與測試集的數量比約為2：1，一共挑選了786個飛機目標作為測試目標，測試圖像分辨率最大可達1 200像素×1 600像素，而目標尺寸約為80像素×80像素。

實驗采用召回率（Recall）、精確率（Precision）和F度量值等評價指標來進行分析，通過評價指數說明本文提出的目標檢測算法的優越性。

2.2? 結果與分析

我們分別給出三種場景下本文檢測算法的檢測結果，如圖3～圖5所示。可以看出本文算法可以很好地對遙感圖像中的飛機目標進行精確檢測。同時，為說明本文提出的改進步驟的有效性，我們將本文算法與兩種相關算法進行對比。這三種方法分別為：

方法1：基于傳統FastMBD的顯著目標檢測方法，后續使用HOG和SIFT進行進一步識別;

方法2：基于改進FastMBD的顯著目標檢測方法，后續使用HOG和SIFT進行進一步識別;

方法3：基于改進FastMBD與聯合稀疏區域生長的檢測方法（本文提出的方法）。

表1給出這三種目標檢測算法的性能比較結果，包括目標檢測的三個參數：召回率、精確率和F度量值。其中，F度量值是召回率和精確率的調和均值，反應目標檢測算法的總體性能。由表1可知，方法1與方法2對比可見改進FastMBD的優化必要性，而方法3加入聯合稀疏區域生長算法以后，召回率明顯提升，顯然該算法能通過補全目標來召回原本缺失、偏移的特征點，從而提高SIFT的匹配性能。由此可見，在本文檢測算法中，利用局部區域顯著性對FastMBD算法進行改進，克服其先驗假設不足，同時，基于聯合稀疏的區域生長算法可補全因目標分割導致的殘缺，從而最終提高F度量值等性能。根據表中與其他目標檢測算法的比較，可看出本文算法的優異性能。

3? 結? 論

本文提出一種基于改進FastMBD與聯合稀疏區域生長的遙感飛機檢測算法，該算法主要分為顯著目標預檢測與區域生長精確檢測兩個階段。在顯著目標預檢測階段，本文將對比度增強操作局限于子區域，并引入加性融合，將不同尺寸的局部顯著圖融合以提升最終的目標檢測召回率，并基于內外顯著比值進行了顯著目標檢測。同時，由于形狀特征對目標形狀完整性要求較高，而顯著檢測以后的閾值分割圖不能保證其完整性，因此，在區域生長階段中，本文聯合稀疏引入區域生長算法，基于區域生長的形狀補完操作提高了特征點的定位精度，最終提升了光學遙感飛機目標檢測的召回率。

參考文獻：

[1] YU Y T，GUAN H Y，JI Z. Rotation-Invariant Object Detection in High-Resolution Satellite Imagery Using Superpixel-Based Deep Hough Forests [J]. IEEE Geoscience and Remote Sensing Letters，2015，12（11）：2183–2187.

[2] LI B Y，CUI X G，BAI J. A cascade structure of aircraft detection in high resolution remote sensing images [C]//2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. IEEE，2016：653-656.

[3] WANG X，NING C，XU L Z. Saliency detection using mutual consistency-guided spatial cues combination [J]. Infrared Physics & Technology，2015，72：106-116.

[4] Zhang J M，Sclaroff S，Lin Z，et al. Minimum Barrier Salient Object Detection at 80 FPS [C]// 2015 IEEE International Conference on Computer Vision （ICCV）. IEEE，2015：1404-1412.

[5] Zhang Y X，Du B，Zhang L P，et al. Joint Sparse Representation and Multitask Learning for Hyperspectral Target Detection [J]. IEEE Transactions on Geoscience and Remote Sensing，2017，55（2）：894-906.

[6] NING C，LIU W B，ZHANG G，et al. Enhanced synthetic aperture radar automatic target recognition method based on novel features [J]. Applied Optics，2016，55（31）：8893-8904.

[7] NING C，LIU W B，ZHANG G，et al. Synthetic Aperture Radar Target Recognition Using Weighted Multi-Task Kernel Sparse Representation [J]. IEEE Access，2019，7：181202-181212.

作者簡介：寧晨（1978—），男，漢族，安徽阜陽人，講師，博士，主要研究方向：圖像處理、機器學習;鄧梁（1994—），男，漢族，湖南長沙人，碩士研究生，主要研究方向：圖像處理、模式識別;王鑫（1981—），女，漢族，安徽阜陽人，副教授，博士，主要研究方向：圖像處理、模式識別、計算機視覺、機器學習。