基于鷹視頂蓋響應(yīng)和對比度感應(yīng)機(jī)制的海上目標(biāo)檢測算法

胡 爽，鄧亦敏

(北京航空航天大學(xué) 自動化科學(xué)與電氣工程學(xué)院，北京 100083)

0 引 言

海上目標(biāo)的檢測識別是計算機(jī)視覺領(lǐng)域關(guān)注的一個重要課題，其技術(shù)被應(yīng)用于水文信息采集、遙感測繪、海事救援、海洋漁業(yè)等諸多領(lǐng)域。隨著相關(guān)成像技術(shù)的發(fā)展成熟，面對未來水上環(huán)境的立體化、多樣化、復(fù)雜化，基于圖像處理、計算機(jī)視覺技術(shù)的海上目標(biāo)檢測與識別成為當(dāng)前研究的熱點(diǎn)，具有廣闊的應(yīng)用場景[1]。

當(dāng)前海上目標(biāo)檢測研究的主要對象是水面艦船，海上目標(biāo)的背景一般為顏色紋理較為單一的海面環(huán)境，與海上目標(biāo)的相關(guān)特征反差較大，故現(xiàn)有檢測算法主要針對海上目標(biāo)的顏色、輪廓、形狀以及紋理等特征進(jìn)行檢測，常見的有閾值分割法、邊緣檢測法以及基于顯著性的檢測方法。閾值分割法對目標(biāo)、背景有一定的要求，分離精度高，同時通用性較低；目標(biāo)與背景顏色差異不大、邊緣特征不明顯時，邊緣檢測法效果不佳；基于顯著性的檢測方法實(shí)現(xiàn)較為簡單，在目標(biāo)特征較為明顯且背景較為單一時效果較好，這與海上目標(biāo)檢測的任務(wù)環(huán)境是相契合的。

近年來，針對海上目標(biāo)顯著性檢測，郭少軍等[2]提出一種基于顏色圖像塊聚類的艦船顯著性檢測方法，該方法對顏色相似區(qū)域做聚類處理，對其邊緣進(jìn)行背景索引標(biāo)記獲得顯著度，最終獲得顯著性目標(biāo)。余東行等[3]將顯著性檢測和深度學(xué)習(xí)結(jié)合，對艦船目標(biāo)進(jìn)行定位和分類。劉偉建[4]將局部方向特征和顏色特征相融合，進(jìn)行艦船顯著性檢測，有效抑制了孤立噪聲點(diǎn)的干擾，施天俊等[5]結(jié)合了幀間差分特征對紅外弱小目標(biāo)進(jìn)行顯著性檢測，抑制了背景虛警，提高了檢測準(zhǔn)確率。

對于目標(biāo)檢測這一課題，文獻(xiàn)[6]通過模擬鷹眼視覺機(jī)制，建立了一種著陸目標(biāo)特征提取方法，應(yīng)用在無人機(jī)自主著陸的視覺測量系統(tǒng)中，并通過實(shí)驗(yàn)驗(yàn)證了該方法的準(zhǔn)確性、速度和魯棒性。文獻(xiàn)[7]提出一種基于鷹眼視覺自適應(yīng)機(jī)制的無人機(jī)海上小目標(biāo)檢測方法，將鷹眼視覺自適應(yīng)機(jī)制引入到目標(biāo)檢測方法中，建立了針對高照度條件、低照度條件等情況下的自適應(yīng)模型，有效抑制了背景干擾，突出了目標(biāo)信息。文獻(xiàn)[8]基于鷹眼的結(jié)構(gòu)和特性，提出一種新的目標(biāo)檢測方法，同時提出一種模擬水面場景的方法并進(jìn)行實(shí)驗(yàn)，對不同場景下的目標(biāo)均有不錯的檢測效果。

本文參考鷹眼雙中央凹結(jié)構(gòu)[9]提出一種基于鷹視頂蓋響應(yīng)和對比度感應(yīng)機(jī)制的海上目標(biāo)檢測算法(Maritime Detection Based on Eagle-Eye-Tectum Response and Contrast, MDERC)，對目標(biāo)進(jìn)行顯著性檢測。主要工作和貢獻(xiàn)有：

(1)針對海上目標(biāo)進(jìn)行顯著性檢測，使用基于鷹視頂蓋響應(yīng)和對比度感應(yīng)機(jī)制的海上目標(biāo)檢測算法對目標(biāo)區(qū)域進(jìn)行顯著性提取。對原始圖像利用感應(yīng)對比度機(jī)制進(jìn)行處理，在多個顏色空間的通道中減少目標(biāo)周邊區(qū)域中離散雜點(diǎn)的影響，降低虛警率，再使用仿鷹視頂蓋感受野響應(yīng)的顯著圖提取方法進(jìn)行顯著圖提取。

(2)實(shí)驗(yàn)證明本文算法提高了顯著圖提取的準(zhǔn)確性，與其他方法相比可得到更好的顯著性提取結(jié)果。

1 鷹眼機(jī)制

在生物視覺機(jī)理和仿生方面，具有不同構(gòu)造生物的眼睛擁有不同的特點(diǎn)。鷹眼與其他生物的眼睛相比，同時擁有高視覺敏銳度和大視場范圍，這兩大特點(diǎn)使得鷹眼在目標(biāo)檢測等領(lǐng)域具有非常大的優(yōu)勢[10]，而這種優(yōu)勢就來源于鷹眼獨(dú)特的雙中央凹結(jié)構(gòu)。本文參考這種結(jié)構(gòu)設(shè)計算法，以達(dá)到任務(wù)需求。鷹眼視網(wǎng)膜具有獨(dú)特的雙中央凹結(jié)構(gòu)，分為正中央凹區(qū)和側(cè)中央凹區(qū)，如圖1所示。中央凹是視網(wǎng)膜中視覺最敏銳的區(qū)域，視覺細(xì)胞在此處斜向周圍排列，光敏感器非常密集，具有更高的圖像質(zhì)量。根據(jù)鷹眼視網(wǎng)膜不同區(qū)域電子顯微成像可以看出，中央凹區(qū)視覺細(xì)胞密集而周邊稀疏，正中央凹和側(cè)中央凹處為局部最大值。由于中央凹區(qū)的視覺細(xì)胞密度最高，因此鷹眼對于視覺信息的獲取是非均勻的[11]。這樣非均勻的信息獲取特點(diǎn)可以支持鷹眼更好地適應(yīng)高空捕食活動，在捕獲獵物和識別時可以自主切換策略[12]，在對疑似的任務(wù)目標(biāo)保持高分辨率觀測的同時，又能對視野其他部分保持警戒，從而可以較好地平衡目標(biāo)檢測識別時的視場、分辨率間的關(guān)系。

圖1 鷹眼中央凹結(jié)構(gòu)[9]

另外在鷹腦視覺系統(tǒng)中存在離頂蓋通路，是最為重要的一條視覺通路，如圖2所示，由視網(wǎng)膜、視頂蓋、圓核、外紋體構(gòu)成，在離頂蓋通路中又以中腦區(qū)域中的視頂蓋最為重要[13]，其神經(jīng)元感知機(jī)制與視覺顯著性間的關(guān)系已有諸多研究，Zahar等通過設(shè)計電生理學(xué)實(shí)驗(yàn)研究了倉鸮視頂蓋區(qū)域的神經(jīng)元響應(yīng)與目標(biāo)凸顯感知機(jī)制之間的關(guān)系[14]。學(xué)者從中研究建立仿鷹眼機(jī)制的算法，以應(yīng)對不同場景下的任務(wù)需求。

圖2 離頂蓋通路[9]

2 檢測算法

2.1 算法總體框圖

算法總體框架如圖3所示。首先，針對海上目標(biāo)采圖時的噪聲干擾，通過仿鷹眼對比度感應(yīng)機(jī)制對各顏色空間進(jìn)行預(yù)處理，遍歷各像素位置，記錄中央?yún)^(qū)域最大值和中值，以及周邊區(qū)域的均值，計算得到各像素位置的對比度感應(yīng)值，調(diào)整圖像各顏色通道抑制干擾；其次, 進(jìn)行仿鷹視頂蓋響應(yīng)顯著度提取，由事先訓(xùn)練集訓(xùn)練得到的視頂蓋神經(jīng)元模型，得到神經(jīng)元響應(yīng)，進(jìn)一步計算得到顯著度值，通過計算各通道的信息熵對顯著圖進(jìn)行線性加權(quán)，得到最終的顯著圖及顯著度檢測的結(jié)果。

圖3 顯著度檢測算法框圖

2.2 仿鷹眼對比度感應(yīng)機(jī)制預(yù)處理

圖4 對比度感應(yīng)示意圖

(1)

根據(jù)中間區(qū)域的最大值和周邊區(qū)域的信息，局部對比度函數(shù)定義為[9]

(2)

當(dāng)周邊區(qū)域中出現(xiàn)尖峰脈沖以及單像素噪聲等離散雜點(diǎn)時，其亮度值不利于目標(biāo)的檢測。局部對比度函數(shù)中使用了中值進(jìn)行計算，可以有效避免離散雜點(diǎn)的干擾作用。分析可知，有效減少目標(biāo)周邊區(qū)域中離散雜點(diǎn)的影響，降低虛警率，更有利于后續(xù)的顯著圖提取。

2.3 仿鷹視頂蓋響應(yīng)顯著度提取

得到圖像的初步處理結(jié)果后，通過對鷹腦視頂蓋的淺層神經(jīng)元感受野進(jìn)行模擬，根據(jù)神經(jīng)元感受野的響應(yīng)大小進(jìn)行統(tǒng)計，進(jìn)一步生成得到顯著度圖。

將圖像進(jìn)行對比度感應(yīng)處理后，輸入到訓(xùn)練完成后的神經(jīng)元感受野集合中，得到一個對應(yīng)神經(jīng)元響應(yīng)的集合。由于訓(xùn)練完成后的神經(jīng)元具有各向不一致性，對于相同的圖像刺激，不同感受野會產(chǎn)生相同的神經(jīng)元響應(yīng)，反之則會產(chǎn)生不同的神經(jīng)元響應(yīng)，故對于背景的神經(jīng)元響應(yīng)會較平穩(wěn)，而在目標(biāo)區(qū)域則會出現(xiàn)較大差異。根據(jù)不同響應(yīng)的最終統(tǒng)計結(jié)果，就可以得到圖像中不同位置的顯著值。下面對鷹視頂蓋神經(jīng)元進(jìn)行模擬建立。

本文使用基于線性生成模型對鷹視頂蓋神經(jīng)元的響應(yīng)特性進(jìn)行模擬，將自然圖像數(shù)據(jù)看作由基函數(shù)線性組合而成：

(3)

式中：x為觀測數(shù)據(jù)向量，對應(yīng)輸入圖像；A為混合矩陣，每列稱為基函數(shù)；s為基函數(shù)稀疏向量。使用Sparsenet模型[15]對鷹腦視頂蓋淺層神經(jīng)元的響應(yīng)計算進(jìn)行模擬，從10幅灰度化訓(xùn)練集圖像提取圖像塊進(jìn)行訓(xùn)練，通過學(xué)習(xí)得到感受野描述子，即基函數(shù)A。本文使用64個感受野對圖像輸入產(chǎn)生的響應(yīng)進(jìn)行描述，感受野如圖5所示。

圖5 鷹視頂蓋神經(jīng)元感受野模擬[15]

然后對輸入圖像的神經(jīng)元響應(yīng)進(jìn)行求取，對圖像按照感受野大小進(jìn)行無重疊采樣。根據(jù)無重疊采樣得到的圖像塊計算得到對應(yīng)的神經(jīng)元響應(yīng)，即已知采樣結(jié)果x和訓(xùn)練得到的A陣得到采樣結(jié)果對應(yīng)的式(3)中的s陣，輸入圖像所對應(yīng)的各組神經(jīng)元響應(yīng)，大致符合廣義高斯分布[16]，其方程如下：

(4)

如上所述，輸入圖像的神經(jīng)元響應(yīng)符合廣義高斯分布，神經(jīng)元響應(yīng)大多集中在零附近。目標(biāo)區(qū)域的響應(yīng)較為特殊，而背景區(qū)域的響應(yīng)較為一致。由此可得，目標(biāo)區(qū)域?qū)?yīng)響應(yīng)出現(xiàn)概率較小，背景區(qū)域?qū)?yīng)響應(yīng)出現(xiàn)概率較大，與其相對應(yīng)，出現(xiàn)概率較大響應(yīng)的對應(yīng)區(qū)域顯著值較小，即背景區(qū)域的顯著值較小，出現(xiàn)概率較小響應(yīng)的對應(yīng)區(qū)域顯著值較大，即目標(biāo)區(qū)域的顯著值較大。

由上述結(jié)論可以建立由神經(jīng)元響應(yīng)求得圖像顯著值的計算方法，對四個顏色空間的各通道進(jìn)行顯著值計算，分別為RGB，LMS，HSI和YIQ顏色空間。第一步, 針對四個顏色空間的部分通道進(jìn)行對比度感應(yīng)機(jī)制計算，對LMS和YIQ中的各通道、HSI中的I通道，以及灰度圖進(jìn)行對比度感應(yīng)機(jī)制計算；第二步，求得圖像對應(yīng)的各組神經(jīng)元響應(yīng)，計算四個顏色空間的各通道及灰度圖的顯著值：

(5)

式中：S(x,y)為單個通道中(x,y)處的顯著值；Rk為(x,y)處的神經(jīng)元響應(yīng)；rk(x,y)為單個顏色通道或灰度圖中(x,y)像素處對應(yīng)第k維神經(jīng)元響應(yīng)。

求得單通道的顯著圖后，根據(jù)各通道信息熵的計算結(jié)果對各通道顯著圖結(jié)果進(jìn)行線性加權(quán)，根據(jù)信息論中熵的定義，計算每個通道的顯著圖的信息熵[6]：

(6)

式中：對應(yīng)顯著圖中所有的顯著值,i∈{1, 2, …,m};m為對應(yīng)通道顯著圖中的最大值;pi為在該通道顯著圖對應(yīng)顯著值i的出現(xiàn)概率。這樣的定義與上面推論相對應(yīng)，即當(dāng)顯著值均勻分布時圖像熵最大，而當(dāng)顯著值集中在某幾個數(shù)值附近時，熵會大大減少，直到全局顯著值均相等的最極端情況，此時熵為0。因此，計算不同顏色通道時可以按照信息熵的大小對顏色通道進(jìn)行選擇，得到最合適的顯著圖。

計算空間的各顏色通道顯著圖對應(yīng)的信息熵，然后按照信息熵數(shù)值大小選擇最小的顏色通道作為該顏色通道的顯著圖[16]。確認(rèn)各顏色通道的顯著圖后，對各顏色空間顯著圖進(jìn)行合并，將對應(yīng)顯著圖的信息熵進(jìn)行歸一化，并將其作為對應(yīng)顯著圖的合并系數(shù)，進(jìn)行線性加權(quán)進(jìn)而得到最終的顯著圖，計算合并系數(shù)：

(7)

式中：i=1, 2，…, 5分別為灰度及四個顏色空間被選中的顏色通道；Ei為第i個顯著圖對應(yīng)信息熵；Oj為歸一化系數(shù)。

使用該系數(shù)對各顯著圖進(jìn)行線性加權(quán)，融合四個顏色空間及灰度圖的顯著圖結(jié)果，這樣可以兼顧顏色主導(dǎo)目標(biāo)顯著的情況、亮度主導(dǎo)目標(biāo)顯著的情況及其他情況，能夠獲得更多的顯著目標(biāo)細(xì)節(jié)，從而在顯著圖中獲取更加準(zhǔn)確的目標(biāo)顯著值，得到最終的顯著圖，獲取顯著海上目標(biāo)的檢測結(jié)果。

3 仿真結(jié)果

選取3組數(shù)據(jù)集進(jìn)行測試，分別使用航拍海上目標(biāo)圖像、ECSSD公開數(shù)據(jù)集、unity虛擬環(huán)境中的海上目標(biāo)圖像3個數(shù)據(jù)集，對所提出的MDERC算法與其他視覺注意方法進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為Matlab R2016b，計算機(jī)配置為Win10系統(tǒng)、英特爾i7處理器。選取對比的方法有頻域殘差法(Spectral Residual，SR)[17]，誘導(dǎo)機(jī)制顯著性檢測法(Saliency by Induction Mechanisms, SIM)[18]，基于自相似性(Self-Resemblance，SER)的空時顯著性計算法[19]。在公開圖庫中對MDERC算法和對比方法進(jìn)行測試，進(jìn)行量化分析，再對海面背景的航拍目標(biāo)圖像、unity虛擬環(huán)境中的海面無人艇目標(biāo)圖像分別進(jìn)行測試。

(1)ECSSD公開圖庫測試

在公開圖庫上測試算法，對常規(guī)圖像提取顯著圖，測試MDERC算法的顯著圖提取效果，使用量化指標(biāo)與對比算法進(jìn)行對比。ECSSD[20]包括1 000張常規(guī)圖像，以及對應(yīng)人工標(biāo)注的二值基準(zhǔn)圖(Ground-Truth，GT)。使用不同方法計算圖庫中的圖像顯著圖，并進(jìn)行量化分析。繪制F值隨設(shè)定閾值的變化曲線和精度-召回(Precision-Recall, P-R)曲線以比較各個方法的提取效果。各顯著圖提取方法得到的顯著圖像素值為1～255間的整數(shù)值，設(shè)置閾值進(jìn)行二值化，與公開圖庫中的二值基準(zhǔn)圖做對比，記錄在某個閾值下的顯著圖提取精度和召回率，F(xiàn)值計算如下[21]：

(8)

式中：β為權(quán)重系數(shù),β2=0.3。

圖6為ECSSD圖庫中若干圖像的顯著圖提取結(jié)果。圖7為量化的對比結(jié)果。

圖6 ECSSD圖庫對比結(jié)果

圖7 ECSSD圖庫量化對比結(jié)果

從圖中可以看出，雖然在閾值較低時MDERC算法的F值較低，但在該數(shù)據(jù)集上MDERC算法獲得了最大F值，且獲得的P-R曲線高于其他算法。在表1中將4種算法的最大F值列出，可以看出本文算法在常規(guī)圖像中相比其他方法具有較為明顯的優(yōu)勢。

表1 ECSSD上顯著圖提取最大F值

(2)航拍海上目標(biāo)數(shù)據(jù)集測試

對海上航拍目標(biāo)圖像進(jìn)行顯著圖提取實(shí)驗(yàn)，圖8所示為在海面背景下對目標(biāo)圖像的測試。該圖庫是在海面上使用無人機(jī)拍攝海面船只的航拍場景，圖中展示了部分圖像的測試結(jié)果。

圖8 海面目標(biāo)圖像測試結(jié)果

可以看出, 在航拍海面船舶目標(biāo)的圖像中，MDERC算法可以有效提取海面船舶目標(biāo)，且與3種對比算法相比，MDERC算法的顯著圖提取結(jié)果并未超出實(shí)際目標(biāo)區(qū)域大小，顯著圖定位區(qū)域較為精確。

(3)unity3D海上目標(biāo)數(shù)據(jù)集測試

使用unity3D搭建海上航拍虛擬環(huán)境，包括海上船舶目標(biāo)、海浪環(huán)境等。在不同條件下進(jìn)行采圖后，使用MDERC算法及對比方法進(jìn)行顯著圖提取，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 unity3D環(huán)境目標(biāo)圖像測試結(jié)果

對海上航拍場景進(jìn)行測試，第一列為虛擬環(huán)境下的原圖，包括不同距離下的帶靶標(biāo)目標(biāo)，以及海浪干擾。由于對比度感應(yīng)機(jī)制對單像素離散雜點(diǎn)進(jìn)行了抑制，而且提取顯著圖時是在多顏色通道下進(jìn)行線性加權(quán)后合并的結(jié)果，這兩者作用疊加對海上目標(biāo)顯著度檢測時的海雜波和海浪干擾有一定的抑制作用，從此數(shù)據(jù)集仿真結(jié)果可以看到，MDERC算法可以在遠(yuǎn)距離對船舶整體進(jìn)行提取，在近距離對靶標(biāo)目標(biāo)進(jìn)行有效提取，同時對于海浪干擾有一定的抑制作用，對提取結(jié)果未造成過大影響；而其他算法則由于沒有相關(guān)機(jī)制在多顏色通道下對海浪雜波進(jìn)行抑制，對結(jié)果造成了較大的影響。

在常規(guī)圖像中，所提MDERC算法相比其他方法具有較為明顯的優(yōu)勢，后兩個實(shí)驗(yàn)測試說明了MDERC算法在海上航拍目標(biāo)圖像顯著圖中的有效性。以上結(jié)果證明了MDERC算法的確可以有效對海上目標(biāo)進(jìn)行顯著圖提取，達(dá)到顯著度檢測的目的。

4 結(jié) 束 語

本文針對海上目標(biāo)檢測問題，對海上目標(biāo)采用顯著度檢測方法進(jìn)行檢測定位，通過模擬鷹眼的雙中央凹生理結(jié)構(gòu)，提出了一種鷹視頂蓋響應(yīng)和對比度感應(yīng)機(jī)制的海上目標(biāo)檢測算法。使用對比度感應(yīng)機(jī)制對圖像不同顏色空間通道處理后，利用仿鷹視頂蓋淺層神經(jīng)感受野模型對圖像提取顯著圖。通過實(shí)驗(yàn)證明，本文所提算法有效提高了對于海上目標(biāo)顯著度檢測的能力。