針對新學習策略的弱小目標檢測方法

薛 錦，田增嫻，師慶科，文占婷

（1.四川大學 華西醫院信息中心，成都 610041；2.成都信息工程大學 應用數學學院，成都 610225；3.中電科網絡安全科技股份有限公司，成都 610041）

0 引言

弱小目標檢測在導航、偵察、精確打擊、打擊效果評估中起著重要的作用［1-2］，一直是計算機視覺領域的研究熱點，廣泛應用于許多領域［3］，如行人檢測、智能監控、自動駕駛以及壓縮測量領域的目標檢測和分類等［4］。在圖像處理中，目標檢測非常具有挑戰性，需要對目標分類并定位［5-6］。出于安全性考慮，戰斗機必須從遠距離處攻擊地面目標，目標在圖像中占的像素比很低，目標檢測的難度很大［7］。

鑒于目標和背景雜波的極端復雜性及紅外圖像的低分辨性，使得紅外視頻中小型目標艦船自動檢測成為現代軍事應用中的一項瓶頸技術。海天區域即海天線附近的圖像區域，海天線為海與天之間的邊界線。在基于圖像的目標檢測時，小型艦船經常出現在海天線附近。受海天線干擾，使目標檢測非常困難。本文重點關注海天場景下目標檢測問題，尤其是海天線附近的弱小目標檢測。

艦船目標在一般情況下，在紅外圖像中呈現的圖像特征為強度弱、信噪比低、形狀特征不明顯，目標檢測和識別非常困難。兼之紅外背景復雜、混亂，對比度不夠。雜波背景的復雜性是由于傳感器噪聲、背景紋理、成像環境。且雜波背景均勻性較差，產生高對比度物體的可能性增加，從而會導致虛警增加。隨著外部大氣和熱力學因素的變化，紅外圖像中目標及背景雜波外觀會發生較大變化。另外，在視頻中的目標成像會在時空域上發生變化，會導致目標輪廓檢測及準確提取困難。在很多場景下，目標與噪聲、雜波非常類似，無法將真實目標與背景、噪聲分開，檢測性能并不理想。

一般將檢測小目標的模式分為兩種，跟蹤前檢測及檢測前跟蹤。對于前者，很多學者提出了檢測方法。比如形態學方法，基于小波變換方法，基于模板匹配的方法等。這些方法的好處為計算檢測，實時性好。在海天紅外輻射背景下，小目標在海天線附近成像形式為明暗光斑，天氣條件對目標的紅外輻射特征會產生重要影響，在晴朗天氣，背景變暗，運動目標在圖像上顯示為點源輻射。但在惡劣天氣下，成像受海浪及云層污染，目標湮滅在雜波中，跟蹤前檢測算法精度較低甚至會失效。但在海天線指引下，可提出一些有效的算法，抑制雜波，增強目標。海天線檢測直接影響目標檢測性能。但在某些情況下，海天線并不明顯，會受到海浪及云層干擾，將嚴重干擾目標穩定檢測。一些學者提出了許多新穎、巧妙的方法對海天線進行自動檢測，但未能適配各種條件下的自動海天線檢測定位。

在傳統方法中，使用尺度不變特征的變換、局部二值模式等方法。然而，這些特征很難適應某些特定的任務，效果很難令人滿意［7-8］。隨著GPU 的發展，一些學者在目標檢測模型中嵌入卷積神經網絡的深度學習模型（簡稱CNN）處理圖像，目標檢測精度逐漸提高［9］。區域CNN 算法使用區域分塊方法在輸入圖像中產生大量區域塊，并將區域調整為相同大小［10］。然后，在這些區域上進行CNN 處理以提取特征。利用支持向量機對輸入的特征進行分類，線性回歸用于調整邊界的位置和尺度。由于支持向量機和線性回歸必須分別訓練，并且大量區域塊之間存在重疊［10］，因此區域CNN 算法效率很低。快速區域CNN 算法通過多線程方法將分類和識別結合，使用末端卷積層的九個不同框以替代大量候選區域［11-12］，該算法在處理效率上雖有提高，但依然未能讓人滿意，針對特征多的對象容易形成數據災難，同時當數據量不足時極有可能訓練不足，導致預測精度下降。YOLO 算法將該問題簡化，成為端到端的網絡，同時支持預測和分類，檢測速度有了很大提高，但檢測精度低于快速區域CNN 算法。

在快速區域CNN 中的機制下［13-14］，使用SSD算法也可快速提高檢測精度。這種算分創造出一系列默認的區域塊［15-17］，并對多層框中對象實例進行計算。通過對SSD（single shot multibox detector）算法的不同預測，及默認策略覆蓋輸入對象的尺寸和形狀。默認的框制約因素有：比例及縱橫比，為不同的圖層的框提供基本比例及默認框的大小及數量［18］。由于弱小目標本身在最頂層可能沒有任何信息，于是SSD算法對于小目標檢測性能會很差［19］。更深刻的原因是，原始默認參數僅用于檢測合適尺度的目標，而非針對小目標檢測［20］。若增加默認框的數量，可能會降低SSD算法的收斂性。

此篇文章提出一種基于新學習策略的弱小目標檢測方法，自適應尺度信息，按照多層定義策略，可更快、更準確檢測小目標。

1 新學習策略方法

基于DCNN 的目標檢測器可以分為兩類。一種是兩級目標檢測器，如R-CNN、Fast R-CNN、Faster R-CNN 和Mask R-CNN 等。R-CNN 首先通過選擇性搜索生成大量候選方案。然后，利用檢測網絡進一步預測目標的類別和位置。Fast R-CNN 引入了興趣區域池（ROI池）來融合來自特征地圖每個區域的特征。為了提高檢測器的效率，更快的R-CNN 通過引入區域建議網絡（RPN）來減少低級建議。Mask R-CNN 將任務從檢測擴展到分割。另一種是單級目標檢測器，如SSD、YLO、YLO 9000、YLO V3、CenterNet和CornerNet等。它們是端到端目標檢測算法，因為它們可以直接預測目標的位置和類別。SSD 使用特征金字塔結構來檢測不同大小的目標，并提出一種生成錨盒的策略。YOLO、YOLO 9000和YOLO V3將圖像劃分為多個網格，并預測每個網格中的目標。YOLO V3采用特征金字塔網絡的思想，對目標進行多尺度檢測。CenterNet和CornerNet提出了無錨策略來檢測目標的關鍵點。

傳統的SSD 方法不適合針對小目標的檢測，制定新策略用于特定場景的檢測，包括自適應的尺度及縱橫比。新尺度中，核與卷積層的尺度比用于替代固定的增量。在新縱橫比中，每層縱橫比數量將減少。與較低層的縱橫比數對比，增加了高層的縱橫比數量。于是，可從頂層獲取更多有用信息。

原始的范圍用于覆蓋目標的所有尺度。在較低層次，算法中使用小比例增量以確保較小的縱橫比，也可很好捕獲小目標的細節信息。在更高的層次上，使用大尺度增量來捕獲輪廓信息。對于小型目標，其比例一定不會像頂層中正常目標尺度一樣。于是，頂層的設置比例要小于原始比例。新比例增量的值在較低層較小，在較高層較大。

尺度公式如下：

其中：τc-1表示c-1層的長度，κc-1表示c-1卷積層內核的長度。

設計的網絡能夠通過多尺度訓練，在多樣化尺度的圖像上運行，有效提高檢測性能。在弱小目標檢測中，輸入圖像中大部分區域都是背景，為在大范圍內檢測目標，需對圖像進行感興趣區域劃分，對冗余的區域進行識別。首先，根據真實場景搜索包含小目標的最小區域。去除圖像中多余的背景后，大部分背景不參與訓練，虛警率會增加。為緩解問題，將感興趣區域與原始圖像一同作為訓練數據集。在訓練階段，所有的圖像均調整為相同大小。與原始訓練集相比，給出的訓練集中的小目標可在更大范圍內訓練而不會增加記憶。

另外，根據不同分層在圖像上應該具有相同密度的原則，以確保不同比例的目標可獲得大致匹配的指標。不同層應該以2的冪進行降階匹配。因此，在每個尺度上密度的變化都非常小，為選擇合適的密度范圍，對視頻數據集進行了大量的分析。結論為低分辨率的特征包含了顆粒度信息，有助于目標定位。高分辨率特征包含了更多有意義的理解信息，有助于對目標進行分類。若密度低，小目標會淹沒在大目標中，若密度高，大目標將會被分割成很多小份，分割非常不合理。小目標周邊上下文信息對小目標檢測非常有用。延拓卷積可在不丟失分辨率或覆蓋率的條件下擴展接受域，將有助于獲取更多的上下文信息。于是，以擴展卷積為基本單元，構建自適應融合模塊。

2 海天線檢測

由于紅外海天背景圖像中小目標經常出現在海天線附近，因此識別海天線是目標檢測的重要線索。海天線的檢測是海天背景下小目標檢測的首要步驟，可以很大程度消除虛警，提高目標檢測概率。

為有效區分海天不同區域的差異，設計一種新的特征描述子，對該描述子的需求為：在海天區域中心處達到峰值，在其他區域響應值較小。采用橫向搜索方式，檢測海天線段：

其中：SSSD為檢測描述子，h為待檢測圖像的列寬，σ為檢測寬度，W為待檢測圖像的行寬，通過積分手段將不同區域的差異進行積分，I為圖像函數，x，y分別為圖像像素坐標。由于SSSD代表圖像的復雜性，其反映了圖像中海天候選區域的數量。在低雜波場景下，海區和天空區有輕微的海雜波和明亮的云，海天線非常清晰。因此，很容易分離天空區域和海洋區域。在此情況下，應用高斯低通濾波器去除異常高斯白噪聲并增強獲得的紅外圖像質量。分割后，紅外圖像的天空區域和海洋區域分別被分割成具有垂直空間分布特征的塊區域，并通過提取的特征對其進行驗證。然后將概率最大的區域作為海天區域。最后，提取特征并驗證潛在的海天線是否準確。

在低雜波場景下，海區和天空區有輕微的海雜波和明亮的云，海天線非常清晰。因此，在天空區域和海洋區域相互分離后，可以很容易地從背景中提取海洋天空線。在這種情況下，使用高斯低通濾波器去除異常高斯白噪聲并增強獲得的紅外圖像的圖像質量，然后，使用經典的Otsu方法進行區域分割。分割后，紅外圖像的天空區域和海洋區域分別被分割成具有垂直空間分布特征的水平塊。因此，重要的一步是從這些塊中提取潛在的海天區域，并通過提取的特征對其進行驗證。然后將概率最大的區域作為海天區域。可以提取并驗證潛在的海天線是否真實。首先，特征提取和獲取區域屬性。經過圖像預處理和分割后，各塊在分割后的結果圖像中呈現垂直空間分布，每個潛在海天區域假設位于高度為h的鄰域塊的中間。然后，從所有潛在海天區域提取特征。同時，獲取由寬度、高度、質心和面積組成的區域屬性。然后，海天區域驗證。在獲得特征和屬性后，利用特征對每個潛在海天區域進行驗證，然后將概率最大的區域作為海天區域。之后，完成潛在海天線提取和驗證。接著，進行海天線定位。驗證海天區域的質心和飛機的橫滾分別被視為海天線的頂點和角度。最后，在紅外圖像中檢測并定位了海天線。

在高雜波場景中，海天背景也受到云雜波和波雜波的強烈污染。在這種情況下，海天區域的直線成為重要信息，有助于找到潛在的海天線。在圖像預處理后，采用基于Canny算子的經典直線提取方法，提取增強圖像的模糊和清晰邊緣，長度大于閾值的直線均被視為潛在海天線。然后，使用提取的特征在附近區域驗證這些潛在的海天線。最后，將概率最大的潛在海天線視為真實海天線。

3 基于二值決策的目標分割算法及檢測

目標增強和背景抑制算法直接影響檢測性能。在小目標增強領域已提出很多方法，如Top-Hat方法、Max-Median、Max-Mean。以目標比背景亮的假設作為基礎的多級濾波器，效果明顯。上述方法認為在低頻中背景占主導地位，目標由中頻構成，高頻中以噪聲為主。利用頻率差抑制雜波背景，增強目標。此篇文章提出一種基于二值決策的目標分割算法。定義決策準則：

其中：T為紅外目標空間函數分布，B為背景空間函數分布，N為噪聲空間分布函數，P0為無目標圖像函數分布，P1為有目標時圖像函數分布。

由上述決策公式可獲得原始圖像的預處理方法：在采集的圖像上減去預測的背景圖像完成背景抑制，處理完成后，重寫決策準則公式為：

其中：C為背景抑制殘差，該函數與設計的濾波器緊密相關，按照高斯低通濾波器設計，表示為C＝Filter（Ω），Ω為截止頻率，值與濾波效果呈負相關。

定義閾值為λ，通過該值進行圖像分割，在概率空間表示為：

當存在目標時，設定終極函數G（Filter（Ω）＋N＋T＞λ，當函數值達到最大時，濾波效果最好，可獲得最佳濾波值λmax、Ωmax。

在實測中，用于估計參數值時，需目標的預估信噪比，背景的分布函數以及預期的檢測概率，通過優化算法，獲得最佳參數。

在抑制背景后，目標局部對比度得到明顯增強。之后進行全局Otsu二值分割，得到疑似目標的寬度、高度、質心和面積等屬性。然后在疑似目標區域范圍內再運行局部Otsu二值分割算法，并對目標進行分類。直至無新的目標產生，算法結束。通過運算，虛警成為干擾目標提取的重要因素。利用海天線檢測的結果對虛警進行抑制。

4 算法流程

提出算法的流程如圖1～2所示。

圖1 算法預處理流程圖

圖2 算法流程圖

1）預處理流程：首先對輸入的紅外序列圖像進行預處理，判別雜波性能，分兩種情況對圖像進行處理。在低雜波條件下，對圖像進行分割，歸類并獲取區域信息，得到海天線；在高雜波條件下，對圖像直線進行檢測，獲取疑似海天線信息，并進行校驗。在不同的情況下，利用特征及平臺輸出的先驗信息對海天線進行校驗。然后，輸出海天線位置，對其進行多級濾波器濾波，進行迭代二值分割，并統計目標特征，最后輸出目標的位置信息。

2）算法流程：對輸入的圖像根據目標尺度生成覆蓋目標的全部尺度卷積層，保證設計的網絡可覆蓋多樣化尺度圖像，可有效提高目標檢測性能。使用自適應特征交叉融合模型，輸出目標的分類、定位、置信度量。

5 實驗結果及分析

為有效評估算法的性能，在采集的數據集及存在小目標的數據集上進行對比實驗。用于對航拍圖像進行小目標檢測。目標在圖像上占有的面積在5×5～10×10（像素）之間。

訓練在高端顯卡配置下的服務器上進行訓練，實驗編程語言為Python。在訓練和測試階段，輸入圖像的大小均調整為1 024×1 024。

利用露點控制和氣候補償技術，該系統還實現了利用地板輻射制冷的功能。通過溫濕度傳感器采集當前室內的溫度和濕度，中央控制器計算出當前的露點溫度，通過調節混水閥控制地暖的供水溫度使水溫一直在露點溫度以上，保證室內不會結露，通過風盤除濕來保證室內濕度恒定。

通過融合，背景訓練使用率有了明顯提高，增強了目標識別的能力。在保持高檢測速度的同時，檢測指標的提高也很顯著。通過權重共享，使得模型健壯性更強。通過感興趣區域的提取，在不影響檢測速度的同時，背景利用率提高了8.2%。可保證在更大范圍內對目標進行訓練，有助于提高小目標的檢測性能。

為定性評估算法性能，在4組圖像中進行試驗，測試結果如圖3所示，由圖中處理的結果可見，經過海天線檢測，分段處理不同區域的圖像，再經過基于新學習策略的算法處理后，艦船目標被清晰分割了出來。試驗結果表明，提出的算法對海天背景下小目標的檢測十分有效。

圖3 提出算法檢測結果

為進一步驗證提出算法的性能，進行對比實驗，采用的對比算法有CNN、RCNN、Faster RCNN、YOLO 以及提出的算法，選取mAP 指標（mean average precision，即所有類別AP的平均值），指標mAP 的測試對比表如表1。由mAP指標的性質可知，作為一個相對較好的度量指標mAP可有效衡量比較出不同目標檢測算法的優劣。由表中可知，提出算法的mAP值較高，代表其可在這類場景中效果超過其它算法。本文提出的算法mAP值計算結果針對圖1～6 分別為39.412、19.572、29.190、28.491、22.651、9.117 3，其它算法中效果最好的YOLO 算法為：39.298、18.003、28.315、29.340、21.387、8.474 1，可見，YOLO 效果雖然較好，但依然不如本文提出的算法。

表1 小目標數據集的檢測結果

表2為算法檢測時間對比表，根據測量單幀處理時間信息，按照CNN、RCNN、Faster RCNN、YOLO 以及提出的算法的順序，處理的平均時間分別為0.416 1、0.788 0、0.634 6、1.281 9、0.579 8，可見，提出的算法計算效率為中等，但綜合檢測效能和計算消耗，性價比最高。結論：本文提出的算法計算耗時與Faster RCNN 相當，可滿足絕大多數應用需求。

表2 小目標數據集的檢測時間表

定義局部信雜比增益SCRG 用于提出算法的性能測試：

SCRout為算法輸出圖像的目標信雜比，SCRin為算法輸入圖像的目標信雜比。

表3 多種算法處理后序列圖像首幀SCRG 指標

定義背景抑制因子BSF用于提出算法的性能測試：

σout為算法輸出圖像的局部噪聲標準差。σin為算法輸入圖像的局部噪聲標準差。

測試完畢后，如表4所示。CNN、RCNN、Faster RCNN、YOLO 以及提出的算法的平均BSF 值分別為1.91、3.24、144.56、215.70、2 217.73。可見，提出算法在處理完畢圖像后，背景抑制因子最高，即對背景的抑制效果最好。

表4 多種算法處理后序列圖像各幀BSF指標

綜上所述，通過海天線檢測、尺度匹配策略、融合算法及圖像感興趣區域選定方法，提出的算法在小目標檢測的精度和效率方面都優于其他檢測器。

另外，為進一步評估提出方法的目標檢測性能，采用受試者工作特性曲線（ROC），實驗結果如圖4 所示，可見，在相同的虛警率下，本文提出算法的檢測率最高，證明了在ROC曲線下的提出算法性能優勢。

圖4 ROC曲線對比圖

6 結束語

針對傳統策略無法準確檢測小目標的問題，設計一種新的策略，通過多層尺度與縱橫比，更好反映特征層之間準確的關系，并捕獲小目標。基于新設計的尺度，新縱橫比極大減少了框數，提高了算法檢測速度。另外，還引入了自適應融合模塊，通過融合特征以及不同的接收域來增加小目標周圍的上下文信息。通過海天線處理，按照感興趣區域的方法，在圖像中去除了冗余背景，在更大范圍內對算法進行訓練。實驗結果表明，與其他檢測方法相比，提出的方法在檢測速度和檢測精度方面表現良好。