郭雷, 姚西文, 韓軍偉, 程塨, 錢曉亮

(西北工業(yè)大學(xué) 自動(dòng)化學(xué)院, 陜西 西安 710072)

從遙感圖像中自動(dòng)檢測機(jī)場目標(biāo),在飛機(jī)導(dǎo)航、軍事偵察和精確打擊等領(lǐng)域有著重要的實(shí)用價(jià)值,受到人們越來越多的關(guān)注。近些年來,多數(shù)檢測算法[1-4]通過提取機(jī)場跑道的線性特征或機(jī)場目標(biāo)候選區(qū)域的形狀、SIFT等特征進(jìn)行辨識檢測,但巨幅遙感圖像背景復(fù)雜,通常存在與機(jī)場目標(biāo)特征屬性相似的物體干擾,僅依靠上述特征,無法有效區(qū)分,影響機(jī)場檢測的準(zhǔn)確率?；诔陚渥值涞膱D像稀疏編碼是一種新的圖像表示理論,利用超完備字典的冗余性可以有效地捕捉圖像的各種結(jié)構(gòu)特征,形成對機(jī)場目標(biāo)的魯棒表征。

本文提出了一種新穎的遙感圖像機(jī)場檢測算法,通過構(gòu)建滑動(dòng)窗口檢測器,將目標(biāo)檢測問題轉(zhuǎn)化為模式分類問題,為了提高檢測的效率,引入基于改進(jìn)LSD算法[5]的窗口目標(biāo)初判方法,如果窗口沒有存在目標(biāo)的可能性則不進(jìn)行后續(xù)處理,如果窗口可能存在目標(biāo),則對窗口圖像按照空間金字塔表示方法進(jìn)行稀疏編碼,為了更魯棒地表征窗口圖像,采用基于視覺顯著性的特征抽取策略,形成描述窗口的全局特征向量,對該特征向量進(jìn)行分類判別,判定該窗口中是否含有目標(biāo),最后采用局部鄰域抑制算法完成機(jī)場檢測任務(wù)。

1 視覺顯著性引導(dǎo)抽取的空間金字塔特征表示

1.1 基于過完備字典的圖像稀疏表示

圖像在過完備字典下的稀疏表示是指圖像可以完全或近似地由字典中少量的原子的線性組合表示。給定過完備字典D=[d1,d2,…,dk],x為圖像的向量展開形式,通過(1)式求解圖像x在過完備字典D中的最稀疏表示

(1)

λ為正則化參數(shù)。

為了獲得圖像更稀疏、更精確的表示,過完備字典的學(xué)習(xí)也是一個(gè)重要的方面。字典學(xué)習(xí)就是一種尋找稀疏表示下最優(yōu)基的構(gòu)造,并能滿足稀疏表示唯一的條件約束。對于所有的訓(xùn)練集,需要求解

(2)

式中：xi表示每一個(gè)訓(xùn)練樣本,si表示訓(xùn)練樣本xi在字典D下的稀疏表示。雖然(2)式對于D和S=

1.2 空間金字塔特征表示

本文按照文獻(xiàn)[7]提出的金字塔模型,將窗口圖像在空間上進(jìn)行3層金字塔劃分,其第0層仍是原圖像,第1層對圖像進(jìn)行2×2分塊,第2層對圖像進(jìn)行4×4分塊,一共可以得到21個(gè)不同大小和不同空間位置的圖像區(qū)域。由于圖像區(qū)域中的單個(gè)稀疏編碼特征對于圖像的旋轉(zhuǎn)、噪聲等比較敏感,不能形成對圖像區(qū)域的魯棒表達(dá)。為了克服稀疏編碼的這個(gè)缺點(diǎn),在圖像局部區(qū)域,對稀疏編碼特征進(jìn)行最大抽取,依靠稀疏編碼的統(tǒng)計(jì)特性來獲得魯棒的特征表達(dá)。

max:zj=max{|si|},i=1,2,…M

(3)

式中：M表示第j個(gè)圖像區(qū)域中稀疏編碼特征的數(shù)目,si表示每個(gè)圖像子塊(Patch)的稀疏編碼。在每個(gè)圖像區(qū)域中的稀疏編碼特征進(jìn)行抽取得到特征向量zj。但是在遙感圖像中,背景復(fù)雜、雜物較多,容易抽取圖像中的一些雜物的特征。

面對復(fù)雜場景,人類能迅速地將自己的注意力聚集在一些顯著的目標(biāo)上,從而對這些目標(biāo)進(jìn)行優(yōu)先處理, 這是人類視覺注意機(jī)制在發(fā)揮重要作用,視覺注意機(jī)制保證了人類對視覺圖像中相關(guān)信息進(jìn)行選擇和處理的能力。我們在特征抽取過程中,加入視覺注意選擇機(jī)制,即:

zj=max{|si|·smj},i=1,2,…M

(4)

式中：smj為圖像第j個(gè)局部區(qū)域的視覺顯著圖。利用視覺顯著來對稀疏編碼特征進(jìn)行選擇抽取,使得抽取后的特征能夠更傾向于對前景目標(biāo)進(jìn)行表征,而對背景雜物等無關(guān)信息進(jìn)行抑制。經(jīng)過實(shí)驗(yàn)對比,我們采用基于圖像空間頻域分析的FT算法[8]計(jì)算遙感圖像顯著圖,這個(gè)算法利用顏色、亮度特征的中央-周邊算子來得到顯著圖,有確切邊界的突出顯著區(qū)域、計(jì)算效率高。

對窗口圖像每一區(qū)域進(jìn)行顯著引導(dǎo)抽取后,將抽取后的向量進(jìn)行歸一化后,采用(5)式將其連接起來形成窗口圖像的空間金字塔特征的最終表示形式。

(5)

本文對窗口的特征表示方法,既考慮了稀疏編碼對圖像主要特征和內(nèi)在結(jié)構(gòu)的有效表達(dá),采用空間金字塔表示方法又融合了局部特征的空間位置信息,同時(shí)引入具有選擇作用的視覺顯著性模型,增強(qiáng)了對目標(biāo)與背景雜物等的區(qū)分能力,使最終的特征表示更魯棒。

2 基于滑動(dòng)窗口的機(jī)場檢測

基于滑動(dòng)窗口的目標(biāo)檢測,核心思想是將目標(biāo)檢測問題轉(zhuǎn)化為對滑動(dòng)窗口的二值分類問題,即判定滑動(dòng)窗口屬于目標(biāo)類還是背景類。

本文檢測框架如圖1所示。為了克服滑動(dòng)窗口檢測效率低、計(jì)算量大的缺點(diǎn),本文設(shè)計(jì)了基于改進(jìn)LSD算法的目標(biāo)存在性初判步驟, 在初判后只對可能含有目標(biāo)的滑動(dòng)窗口進(jìn)行特征提取及分類判別,大大減少了需要進(jìn)一步處理的滑動(dòng)窗口的數(shù)量,提高了檢測效率。LSD算法采用基于假設(shè)檢驗(yàn)的Helmholtz Principle準(zhǔn)則對直線段進(jìn)行判定,需要很大計(jì)算量,由于本文提取直線段僅是為了對目標(biāo)的存在性進(jìn)行初步判斷,并不需要對直線段進(jìn)行精確判定,我們可以簡化判定規(guī)則,使用外接矩形長短軸之比對直線結(jié)構(gòu)進(jìn)行判定,既保證了檢測效果,又提高了處理速度。

訓(xùn)練時(shí),截取包含完整機(jī)場目標(biāo)的最小圖像作為正樣本,120×120像素左右大小的背景圖像作為負(fù)樣本,按照上述金字塔特征的抽取方式提取正負(fù)樣本的特征,并將此特征作為輸入來訓(xùn)練線性SVM分類器。測試時(shí),利用訓(xùn)練好的SVM分類器對測試圖像中不同位置、不同尺寸的滑動(dòng)窗口進(jìn)行判定分類,檢測過程中容易出現(xiàn)多個(gè)相互重合的目標(biāo)類窗口,需要進(jìn)一步處理來合并壓縮窗口區(qū)域得到目標(biāo)的精確范圍,本文對傳統(tǒng)的非極大值抑制方法進(jìn)行了改進(jìn),同時(shí)考慮窗口的目標(biāo)置信值和空間重合情況,先挑選最置信的窗口然后再對窗口進(jìn)行壓縮,使其精確、可靠、高效地定位目標(biāo)區(qū)域,過程如下:

1) 對于判定為目標(biāo)類的所有窗口,根據(jù)其目標(biāo)置信值進(jìn)行排序,首先選出置信值最大的滑動(dòng)窗口;

2) 接著挑選剩余窗口中置信值最大的滑動(dòng)窗口,并按照公式(6)計(jì)算和已經(jīng)挑選出來的窗口的重疊率,如果重疊率a0大于0.8,則放棄該窗口,否則將其選出。

(6)

式中：wn為目前需要判斷的窗口,wp為已經(jīng)挑選出來的窗口。

3) 重復(fù)步驟2),直到所有符合要求的窗口都被選出。

4) 創(chuàng)建同測試圖像一樣大小的目標(biāo)概率圖像,根據(jù)步驟3)選出的滑動(dòng)窗口在目標(biāo)概率圖像相應(yīng)位置賦該窗口的目標(biāo)置信值,在目標(biāo)概率圖像上應(yīng)用非極大值抑制方法,得到目標(biāo)的最置信區(qū)域。

圖1 本文檢測框架圖

3 實(shí)驗(yàn)及結(jié)果分析

本文在Intel Xeon E5504處理器,6G內(nèi)存的硬件環(huán)境和Matlab R2011a,Windows7 64位操作系統(tǒng)的軟件環(huán)境下進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)采用從中科院國際數(shù)據(jù)服務(wù)中心下載的紅外遙感圖像,波段為Band7-中紅外,空間分辨率為30 m。從中截取了30幅包含機(jī)場目標(biāo)的最小目標(biāo)圖像和270幅120×120像素大小的背景圖像用來訓(xùn)練SVM分類器,以及140幅400×400像素大小的圖像作為測試圖像。

本文的機(jī)場檢測算法中采用改進(jìn)的LSD算法進(jìn)行目標(biāo)存在初判來提高基于滑動(dòng)窗口的目標(biāo)檢測速度,采用基于視覺顯著引導(dǎo)抽取的金字塔特征表示方式來魯棒表征滑動(dòng)窗口,為了充分說明這2個(gè)關(guān)鍵性步驟對算法性能的影響,設(shè)計(jì)了2個(gè)基準(zhǔn)方法:基準(zhǔn)方法1采用普通的max抽取方式來獲得滑動(dòng)窗口的金字塔特征表示;基準(zhǔn)方法2直接在測試圖像上進(jìn)行檢測，沒有對窗口中是否存在機(jī)場目標(biāo)進(jìn)行預(yù)判斷。并同文獻(xiàn)[3]中的方法進(jìn)行了比較,比較結(jié)果如表1所示。

表1 各種檢測方法結(jié)果對比表

從表1中可以看出,對滑動(dòng)窗口進(jìn)行目標(biāo)存在預(yù)判斷,可以顯著提高檢測速度,而且僅僅損失了3%的識別率和增加了2%的虛警率,在實(shí)際應(yīng)用中完全可以接受這樣的代價(jià)。在紅外遙感中檢測機(jī)場時(shí),普通的max特征抽取方式?jīng)]有本文的特征抽取方式表現(xiàn)好,但仍強(qiáng)于文獻(xiàn)[3]的方法,主要是因?yàn)槲墨I(xiàn)[3]僅采用SIFT特征對機(jī)場目標(biāo)進(jìn)行表征并且采用像素級的分割方式來獲得目標(biāo)潛在區(qū)域,不能有效區(qū)分機(jī)場和其他背景雜物,虛警率比較高,而且檢測速度比較慢。

4 結(jié) 論

本文提出一種結(jié)合視覺顯著性和空間金字塔的遙感圖像機(jī)場檢測算法,對傳統(tǒng)的金字塔特征提取進(jìn)行了改進(jìn),通過引入視覺顯著來對特征進(jìn)行引導(dǎo)抽取形成對滑動(dòng)窗口的魯棒表征?；诨瑒?dòng)窗口的目標(biāo)檢測一般效率比較低,通過改進(jìn)的LSD算法對滑動(dòng)窗口中是否存在機(jī)場目標(biāo)進(jìn)行初步判斷,來減少需要分類判定的窗口的數(shù)目,大大提高了檢測的速度。實(shí)驗(yàn)結(jié)果表明,本文提出的特征抽取方式能夠魯棒表征窗口,提高了機(jī)場檢測的識別率和降低了虛警率,有一定的實(shí)際應(yīng)用價(jià)值,但處理速度距實(shí)時(shí)處理還有一定的差距,需進(jìn)一步深化研究。

參考文獻(xiàn)：

[1] 曲延云, 鄭南寧,李翠華. 基于支持向量機(jī)的機(jī)場檢測算法[J]. 西安交通大學(xué)學(xué)報(bào), 2006,40(6):709-713

Qu Yanyun, Zheng Nanning, Li Cuihua. Airport Detection Algorithm Based on Support Vector Machine[J]. Journal of Xi′an Jiaotong University, 2006,40(6):709-713 (in Chinese)

[2] 張立平, 張紅,王超,等. 大場景高分辨SAR圖像中機(jī)場快速檢測方法[J]. 中國圖象圖形學(xué)報(bào), 2010, 15(7):1112-1120

Zhang Liping, Zhang Hong, Wang Chao, et al. A Fast Method of Airport Detection in Large-Scale SAR Image with High Resolution[J]. Journal of Image and Graphics, 2010, 15(7):1112-1120 (in Chinese)

[3] Tao C, Tan Y, Cai H, et al. Airport Detection from Large IKONOS Images Using Clustered SIFT Keypoints and Region Information[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(1): 128-132

[4] Wang X, Wang B, Zhang L. Airport Detection in Remote Sensing Images Based on Visual Attention[C]∥Proceedings of Neural Information Processing, 2011: 475-484

[5] Von Gioi R G, Jakubowicz J, Morel J M, et al. LSD: A Fast Line Segment Detector with a False Detection Control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(4): 722-732

[6] Lee H, Battle A, Raina R, et al. Efficient Sparse Coding Algorithms[C]∥Proceedings of Advances in Neural Information Processing Systems, 2006: 801-808

[7] Lazebnik S, Schmid C, Ponce J. Beyond Bags of Feature: Spatial Pyramid Matching for Recognizing Natural Scene Categories[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2006: 2169-2178

[8] Achanta R, Hemami S, Estrada F, et al. Frequency-Tuned Salient Region Detection[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2009: 1597-1604