可見光視頻圖像中的船舶目標自適應檢測

張恒　楊家軒　周洋宇　姜苗苗　王毓瑋

摘要：

為降低海事監控視頻圖像背景中運動物體引起的雜波和噪聲對船舶目標檢測的影響，根據采集的可見光視頻圖像特性，提出一種海天背景下船舶目標自適應檢測算法。將待檢測圖像進行預處理，使用自適應中值濾波和均值漂移（mean-shift）濾波對圖像進行濾波去噪。采用密度峰聚類對傳統K均值聚類算法進行改進，自適應確定初始聚類中心及其數量。對海面船舶進行自適應聚類分割。仿真實驗顯示：該算法的檢測準確率為90.3%，驗證了其準確性和可靠性;單幀視頻圖像的船舶目標檢測用時可控制在100 ms以內，滿足實時檢測的要求。結果表明：該算法可以實現海天背景下船舶目標的準確、快速檢測，為海上船舶目標跟蹤奠定了可靠的基礎。

關鍵詞：

交通工程; 船舶目標檢測;K均值聚類; 密度峰聚類; 自適應中值濾波; 均值漂移濾波

中圖分類號：? U675.79; TP391.4

文獻標志碼：? A

收稿日期： 2020-04-20

修回日期： 2020-08-20

基金項目：

國家自然科學基金（51579025）;遼寧省自然科學基金（20170540090）

作者簡介：

張恒（1996—），男，安徽亳州人，碩士研究生，研究方向為海上運動目標檢測，（E-mail）dlmuzhangheng@163.com;

楊家軒（1981—），男，山東魚臺人，副教授，博士，研究方向為海上交通信息工程，（E-mail）yangjiaxuan@dlmu.edu.cn

Adaptive detection of ship targets in visible light video images

ZHANG Henga，b， YANG Jiaxuana，b， ZHOU Yangyua，b，

JIANG Miaomiaoa，b， WANG Yuweia，b

（a.Navigation College; b.Key Laboratory of Navigation Safety Guarantee of Liaoning Province，

Dalian Maritime University， Dalian 116026， Liaoning， China）

Abstract：

In order to reduce the influence of clutter and noise caused by moving objects in the background of maritime surveillance video images on the detection of ship targets， according to? the characteristics of the collected visible light video images， an adaptive detection algorithm for ship targets in the sea-sky background is proposed. The images to be detected are preprocessed， that is， the adaptive median filtering and the mean-shift filtering are used to filter the images to remove noise points. The traditionalK-means clustering

algorithm is improved by the density peak clustering， and the initial cluster centers and its number are adaptively determined. The adaptive clustering is used to segment ships on the sea. The simulation experiment? shows that， the detection accuracy of the algorithm is 90.3%， which verifies its accuracy and reliability; the ship target detection time of an image can be controlled within 100 ms， which can meet the requirement of real-time detection. The results show that， the algorithm can achieve accurate and rapid detection of ship targets in the sea-sky background， and lays a reliable foundation for tracking ship targets at sea.

Key words：

traffic engineering; ship target detection; K-means clustering; density peak clustering; adaptivemedian filtering; mean-shift filtering

0 引 言

海上船舶目標檢測具有重要的現實意義和應用價值。在軍事上，可以保障我國領土與主權完整并促進海域的良性管理等;在民用上，可以幫助海事管理人員對進出港船舶進行管理，減少船舶事故的發生，并對船舶非法行為進行更為有效的監控。因此，精確檢測海上船舶目標成為當下研究的熱點。

海事監控視頻可以根據攝像機安裝位置的不同分為兩類：一類是由裝配在非固定平臺上的攝像機所拍攝的視頻，主要包含海天背景，一般由天空、海面和船舶等3部分組成;另一類是由裝配在固定平臺上的攝像機所拍攝的視頻，一般由天空、海面、沿岸物標和船舶等4部分組成。本文研究只針對在非固定平臺上的攝像機采集的視頻。

常用船舶目標檢測算法主要分為基于背景模型的算法、基于視覺注意力模型的算法和基于邊緣紋理特征的算法等3類。基于背景模型進行的船舶目標檢測算法研究有：ZHOU等[1]提出一種基于傅里葉域海面背景概率的單高斯模型方法，通過模型將前景頻率點與背景頻率點分開;HU等[2]采用前n幀視頻序列的中值構造海面背景，并進行背景的更新;楊毅等[3]擴大樣本取值范圍對海面背景進行建模，對輸入的視頻序列進行金字塔變換得到不同分辨率的圖像，使用改進的Vibe算法檢測出結果并進行融合。基于視覺注意力模型進行的船舶目標檢測算法研究有：臧風妮等[4]先利用小波變換獲取粗分辨率的低頻圖像，再分別采用相位譜法和梯度法獲取視覺顯著圖，并將兩者進行融合得到綜合視覺顯著圖，最后利用小波逆變換得到原始圖像的視覺顯著圖，實現海面目標的提取;SUN等[5]根據視覺特性選擇性地分配計算資源，采用自下而上的選擇性注意機制方法提高計算效率、降低分析難度;劉偉健[6]融合局部方向特征顯著圖與顏色特征顯著圖，通過閾值分割和區域生長對最終顯著圖進行后處理，再將灰度顯著圖分割成二值圖，提取前景目標。基于邊緣紋理特征進行的船舶目標檢測算法研究有：FEFILATYEV等[7]首先進行海天線的檢測，然后設定

海天線以上區域的閾值，分割船舶目標;ARSHAD等[8]使用形態學開運算和幀

差法進行背景減除，并通過對邊緣信息進行形態學加粗、膨脹等操作定位船舶目標。

上述船舶目標檢測算法有的計算復雜度高，有的易受海面噪聲干擾，有的容易產生目標漏檢情況。本文提出一種適用于海天背景下海面多船舶場景的目標檢測算法，通過對海面船舶目標進行精確的自適應聚類分割，抑制海面上各種噪聲的干擾，完成船舶目標檢測。

1 圖像預處理

海事監控視頻采集過程會受到海浪、船舶尾跡、魚鱗光等各種噪聲的干擾，因此，在進行船舶目標檢測前需對視頻圖像進行濾波。濾波會不可避免地模糊掉圖像的部分邊緣細節[9]，采用單一的濾波方法無法較好地保存目標邊緣信息。另外，K均值聚類算法只分析圖像的顏色信息，導致圖像的細節部分出現很多較小的干擾。因此，對圖像進行分割前需對圖像進行更好的濾波保邊處理，并對圖像的細節部分進行平滑。鑒于此，本文將自適應中值濾波與均值漂移[10]（mean-shift）濾波相結合對圖像進行雙重濾波處理。

雙重濾波算法首先采用自適應中值濾波算法大面積地抑制噪聲，然后采用均值漂移濾波算法對需保邊區域的細節進行濾波。單獨采用單一濾波算法在保邊的同時，對海面雜波的抑制效果不夠理想，見圖1b、1c、1f、1g。采用雙重濾波的方式對圖像進行平滑，濾波效果顯著優于單一算法濾波效果，見圖1d、1h。

2 基于改進K均值聚類的海面船舶目標區域分割

K均值聚類算法是隨機產生聚類中心的，所消耗的時間較多。同時，K均值聚類算法對初始聚類中心敏感，且需要人為預先設定聚類中心數量，容易陷入局部最優。因此，本文采用改進的K均值聚類算法對海面船舶目標區域進行分割，具體流程見圖2。

2.1 初始化聚類中心

針對經過自適應中值濾波和均值漂移濾波處理

過的海事監控視頻圖像，通過分析其像素點灰度等級的分布，采用密度峰聚類[11]

（density peak clustering， DPC）

將像素點劃分為不同的類別，從而初始化K均值聚類算法的聚類中心及其

數量，解決人為設定初始聚類中心數量的難題，使K均值聚類算法可以自適應。DPC

可分為以下3個步驟：①計算所有數據點得到決策圖;②通過決策圖找出數據集的密度峰，即聚類中心;③將數據集中的數據點按小于臨界距離原則分配到最近的聚類中心，得到聚類結果。使用DPC得到的每個聚類中心都有局部密度高且相互之間距離較遠的特點。在數據點集合P中，某一數據點的局部密度為

ρ=sgn（d-dc）???? （1）

式中：d表示點與點之間的歐氏距離;dc為截斷距離，本文取值為0.1。

sgn（d-dc）=1，d-dc<0

0，d-dc≥0（2）

定義局部密度大于ρj的點為高局部密度點，若集合T為高局部密度點集合，TP，i∈T，i′∈T，j∈P，但jT，則集合T內點與點之間的歐氏距離可表示為dii′。若i為集合T中局部密度最大的點，則dii′=dij，max，其中dij，max表示點i與j之間距離的最大值。以局部密度和高局部密度點間的歐氏距離分別作為橫、縱坐標進行二維輸出，得到決策圖，見圖3c和3d。選擇局部密度較高和高局部密度點間歐氏距離較大的數據點作為K均值聚類中心的候選點，其余數據點分配給最近的聚類中心。

令λ=dii′ρ，按降序對λ進行排序，見圖3e和3f。選擇λ值最大的點c1作為第一個聚類中心，依次計算其余點r與聚類中心c1的歐氏距離dc1r，若歐氏距離大于設定閾值（本文設為6），則添加該點為聚類中心，否則聚類中心尋找結束。

2.2 改進K均值聚類分割船舶目標區域

在K值和聚類中心確定的情況下對預處理后的船舶視頻圖像采用改進的K均值聚類算法進行聚類分割。K均值聚類算法[12]適用于多種數據模型，假設存在一個數據集X={x1，x2，…，xM}，用K均值聚類算法將數據集中的M個數據點劃分為K類后使得目標函數最小。假設第k個類簇wk中的樣本數量為N，則目標函數E為類簇wk內的所有數據點與該類簇的聚類中心ck的歐氏距離dxnck的平方和，即

E=Kk=1Nn=1d2xnck， xn∈wk

（3）

K均值聚類算法通過迭代更新聚類中心使目標函數值最小。假設K個聚類中心分別為c1，c2，…，cK，則聚類中心更新公式為

ck=1NNn=1xn， xn∈wk（4）

改進K均值聚類算法的完整過程如下：①通過分析圖像像素點灰度等級的分布，采用DPC初始化K個聚類中心及其數量;②以聚類中心為圓心，臨界距離R（見式（5））為半徑對所有像素點進行分配，得到新的類簇，然后計算目標函數值;③在新類簇中利用式（4）更新聚類中心;④重復步驟②和③，當目標函數滿足收斂條件時，終止迭代。

R=2Mm=1Mm′=m+1dmm′M（M-1）?????????????????? ?????（5）

式中：dmm′為像素點m與m′之間的歐氏距離;R表示像素點間的臨界距離。

海天背景下的船舶圖像一般由天空、海面和船舶組成，顏色信息相比于其他環境略顯簡單，且像素點灰度等級差距不大，因此采用像素點間的臨界距離作為像素點分類的標準，可關聯各像素點，準確尋找初始聚類中心及其數量，使像素點分類更為準確、可信。如圖4c和4d為采用改進K均值聚類算法的海面船舶自適應聚類效果圖，K值分別為2和3。

在確定初始聚類中心及其數量后進行K均值聚類，算法的基本過程是：在所生成的K個初始聚類中心下，將像素點集中的各個像素點按照臨界距離原則分配到不同的聚類中心，再根據式（4）得到新的聚類中心。

3 實驗結果分析

為驗證本文算法的可靠性和有效性，選取不同海面背景的大量視頻圖像進行仿真，并將仿真結果與文獻[4]和[5]的仿真結果進行對比。本文所采集的視頻圖像可從互聯網或新加坡海事數據集中下載[13]。所有的仿真均是在Windows 10，Intel（R）1.8 GHz，內存8 GB的計算機上進行的，測試圖像分辨率為425×282。選取500幀可見光視頻圖像（海天背景）作為測試樣本，其中有的背景為大海浪，有的背景為小海浪，有的包含單個船舶目標，有的包含多個船舶目標，有的不含船舶目標。

海事監控視頻圖像是由非固定平臺（如浮標、海事巡航船或者無人艇）上的攝像機拍攝的，船舶目標總處于海天背景下。選取包含大海浪、小海浪的單個或多個船舶目標的代表性圖像（見圖5a～5e），采用改進的K均值聚類算法對圖像進行聚類，實現船舶目標在海面區域的完整分割（見圖5f～5j）。在海面船舶目標區域分割過程中，受海面背景影響，小部分船舶目標被學習為海面背景，但所提取的船舶目標的整體紋理清晰，滿足海面船舶目標檢測的要求，如圖5i所示。對船舶目標區域分割結果進行二值化處理獲得船舶目標顯著區域（見圖5k～5o）。最后，進行船舶目標連通域的框定，得到船舶檢測結果（見圖5p～5t）。

本文采用自適應中值濾波與均值漂移濾波相結合的雙重濾波，實現圖像噪聲點的抑制和邊緣保留;分析濾波圖像不同灰度等級的分布，采用DPC改進的K均值聚類算法對船舶圖像進行聚類，對船舶目標區域進行精確分割，有效抑制大海浪背景噪聲帶來的干擾，避免海浪造成的誤檢。從檢測結果來看，無論是在大海浪還是在小海浪背景下，本文算法對船舶目標區域分割準確，實現了海天背景下船舶目標的檢測，如圖6所示。

本文選取檢測率（true precision rate， TPR）和虛警率（false precision rate， FPR）作為評價標準[13]。

RFP=NFP/（NFP+NTN）

RTP=NTP/（NTP+NFN） （8）

式中：RTP和RFP

分別表示檢測率和虛警率;NFP為背景區域運動船舶未

被檢測為目標的次數;NTN為背景區域運動船舶被檢測為目標的次數;NTP為目標區域運動船舶被檢測到的次數;NFN為目標區域運動船舶未被檢測到的次數。

圖7為采用文獻[4]、文獻[5]和本文算法對海天背景下單船舶目標和多船舶目標的檢測結果對比。由圖7可知：文獻[4]和文獻[5]采用的算法將部分天空和海面背景包圍在檢測框內，同時將海面背景中的一些小區域背景標記為船舶目標區域，錯誤地將海浪檢測為船舶;在多船舶目標場景下，當待檢測船舶距離較近時，文獻[5]采用的檢測算法將多船舶目標識別為單船舶目標;本文算法有效抑制了海浪等噪聲的影響，在不同場景下船舶目標檢測準確。

為驗證本文算法的有效性和可靠性，在相同的仿真條件下對3種算法的檢測結果進行對比。如表1所示：本文算法的檢測率為90.3%，比文獻[4]和文獻[5]算法的檢測率分別提高了25.0和18.5個百分點;本文算法的虛警率為7.2%，比文獻[4]和文獻[5]算法的虛警率分別降低了13.4和8.1個百分點;本文對單幀圖像船舶目標檢測用時控制在100 ms以內，可以滿足實時檢測的要求。

4 結束語

針對所采集的海事監控視頻圖像特性，采用改進的K均值聚類算法對海天背景下的船舶目標進行自適應檢測。將待檢測圖像進行雙重濾波，實現視頻圖像噪聲點的抑制和邊緣保留;采用密度峰聚類（DPC）改進的K均值聚類算法對船舶目標區域進行自適應分割，有效抑制不同背景下噪聲帶來的干擾，避免船舶誤檢和漏檢。本文算法在100 ms以內可完成單幀圖像船舶目標檢測，具有較好的實時性。

雖然本文算法比深度學習等算法的目標檢測準確率低，但是本文算法運行速度更快、可靠性更高，而且對硬件設備要求不高，無須事先采集大量數據進行訓練，更適用于航海領域。針對傳統算法目標檢測準確率的不足，下一步將進行深入研究，設計開發準確率更高的船舶目標檢測算法。

參考文獻：

[1]ZHOUAnran， XIE Weixin， PEI Jihong ，et al. Infrared maritime target detection using a probabilistic single Gaussian model of sea clutter in Fourier domain[C]//Tenth International Symposium on Multispectral Image Processing and Pattern Recognition： Automatic Target Recognition and Navigation. SPIE， 2018： 1060804. DOI： 10.1117/12.2282649.

[2]HUW C， YANG C Y， HUANG D Y. Robust real-time ship detection and tracking for visual surveillance of cage aquaculture[J]. Journal of Visual Communication & Image Representation， 2011， 22（6）： 543-556. DOI： 10.1016/j.jvcir.2011.03.009.

[3]楊毅， 鄒衛軍， 白云耀， 等. 基于改進Vibe的海面遠距離運動目標檢測[J]. 電光與控制， 2019， 26（11）： 41-44. DOI： 10.3969/j.issn.1671-637X.2019.11.009.

[4]臧風妮， 李慶忠， 張洋. 一種快速自動檢測海面目標算法[J]. 中國海洋大學學報， 2015， 45（4）： 110-115. DOI： 10.16441/j.cnki.hdxb.20130341.

[5]SUNYuejiao， LEI Wuhu， REN Xiaodong. Remote sensing image ship target detection method based on visual attention model[C]//LIDAR Imaging Detection and Target Recognition 2017. SPIE， 2017： 106053Z. DOI： 10.1117/12.2296260.

[6]劉偉健. 基于顯著性特征的海上運動目標檢測[D]. 哈爾濱： 哈爾濱工程大學， 2018.

[7]FEFILATYEVS， GOLDGOF D， SHREVE M，et al. Detection and tracking of ships in open sea with rapidly moving buoy-mounted camera system[J]. Ocean Engineering， 2012， 54： 1-12. DOI： 10.1016/j.oceaneng.2012.06.028.

[8]ARSHADN， MOON K S， KIM J N. An adaptive moving ship detection and tracking based on edge information and morphological operations[C]//International Conference on Graphic and Image Processing. SPIE， 2011： 82851X. DOI： 10.1117/12.913463.

[9]王傳龍. 基于無人艇的海天線與船艇小目標檢測方法研究[D]. 北京： 中國艦船研究院， 2019.

[10]吳琴琴. Mean Shift算法在彩色圖像濾波與分割中的應用[D]. 西安： 陜西師范大學， 2015.

[11]RODRIGUEZA， LAIO A. Clustering by fast search and find of density peaks[J].Science， 2014， 344： 1492-1496. DOI： 10.1126/science.1242072.

[12]王鵬宇， 游有鵬， 楊雪峰. 結合密度峰聚類的K均值圖像分割算法[J]. 機械與電子， 2019， 37（2）： 40-44.

[13]PRASADD K， RAJAN D， RACHMAWATI L，et al. Video processing from electro-optical sensors for object detection and tracking in a maritime environment： a survey[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（8）： 1993-2016. DOI： 10.1109/TITS.2016.2634580.

（編輯 賈裙平）