李湘眷，王彩玲，李　宇，孫　皓

(1.西安石油大學(xué)，陜西 西安 710065；2.中國科學(xué)院 遙感與數(shù)字地球研究所，北京 100942；3.中國科學(xué)院 空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100190；4.中國科學(xué)院 電子學(xué)研究所，北京 100190)

?

窗口融合特征對(duì)比度的光學(xué)遙感目標(biāo)檢測(cè)

李湘眷1*，王彩玲1，李宇2，孫皓3,4

(1.西安石油大學(xué)，陜西 西安 710065；2.中國科學(xué)院 遙感與數(shù)字地球研究所，北京 100942；3.中國科學(xué)院 空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100190；4.中國科學(xué)院 電子學(xué)研究所，北京 100190)

提出了一種基于窗口融合特征對(duì)比度的光學(xué)遙感目標(biāo)檢測(cè)方法。首先,在訓(xùn)練圖像上生成大量不同尺寸的滑動(dòng)窗，計(jì)算了各窗口的多尺度顯著度、仿射協(xié)變區(qū)域?qū)Ρ榷?、邊緣密度?duì)比度以及超像素完整度4項(xiàng)特征分值，在確認(rèn)集上基于窗口重合度和后驗(yàn)概率最大化學(xué)習(xí)各個(gè)特征的閾值參數(shù)。然后，采用Naive Bayes框架進(jìn)行特征融合，并訓(xùn)練分類器。 在目標(biāo)檢測(cè)階段首先計(jì)算測(cè)試圖像中各窗口的多尺度顯著度分值，初步篩選出顯著度高且符合待檢測(cè)目標(biāo)尺寸比例的部分窗口。然后計(jì)算初選窗口集的其余3項(xiàng)特征，再根據(jù)訓(xùn)練好的分類模型計(jì)算各個(gè)窗口的后驗(yàn)概率。最后，挑選出局部高分值的候選區(qū)域并進(jìn)行判斷合并，得到最終目標(biāo)檢測(cè)結(jié)果。針對(duì)飛機(jī)、油罐、艦船等3類遙感目標(biāo)的檢測(cè)結(jié)果顯示：4類特征在單獨(dú)描述3類目標(biāo)時(shí)表現(xiàn)出的性能各有差異，最高檢測(cè)準(zhǔn)確率為74.21%～80.32%，而融合方案能夠綜合考慮目標(biāo)自身特點(diǎn)，準(zhǔn)確率提高至80.78～87.30%。與固定數(shù)量滑動(dòng)窗方法相比，準(zhǔn)確率從約80%提高到約85%，虛警率從20%左右降低為3%左右。最終高分值區(qū)域數(shù)降低約90%，測(cè)試時(shí)間減少約25%。得到的結(jié)果顯示該方法大大提高了目標(biāo)檢測(cè)精度和算法效率。

光學(xué)遙感；目標(biāo)檢測(cè)；融合特征對(duì)比度；窗口；顯著度；仿射協(xié)變；邊緣密度

*Correspondingauthor,E-mail:xiangjuan_li@126.com

1　引　言

近年來，遙感圖像的數(shù)據(jù)來源不斷擴(kuò)展，數(shù)據(jù)量不斷增加，波譜、空間和時(shí)間分辨率不斷提高，使得遙感傳感器采集并傳輸?shù)降孛娴膱D像數(shù)據(jù)量急劇增加。大量遙感圖像數(shù)據(jù)為數(shù)據(jù)的解譯分析提供了良好的條件，但也對(duì)高分辨率圖像信息的有效利用提出了挑戰(zhàn)。在傳統(tǒng)中低分辨率圖像上，看到的大多是大尺度下的自然景觀，小尺度人造目標(biāo)則不能清楚地觀測(cè)到。而在近年來軍事與民用的一些領(lǐng)域中所使用的高分辨率圖像中，地物景觀的結(jié)構(gòu)、紋理和細(xì)節(jié)等信息表現(xiàn)的更加清楚，在獲得豐富的地物光譜信息的同時(shí)還可以獲取更多的地物結(jié)構(gòu)、形狀和紋理信息,使得人造目標(biāo)達(dá)到了可以利用的程度。人造目標(biāo)一般具有較規(guī)則的幾何外形、清晰的閉合輪廓線以及與周圍環(huán)境差別較大的表觀特征，通常在圖像中具有明顯的顯著性。這些特點(diǎn)使得它們更容易用規(guī)則性的特征進(jìn)行描述。

近年來目標(biāo)檢測(cè)新方法層出不窮，很多性能卓越的目標(biāo)檢測(cè)算法仍然是基于滑動(dòng)窗理論的[1-5]。基本步驟為：首先訓(xùn)練一個(gè)能夠從訓(xùn)練圖像所有窗口中識(shí)別出目標(biāo)窗口的分類器，然后使用該分類器在測(cè)試圖像中給每個(gè)子窗口評(píng)分，取得局部最大分值的窗口被認(rèn)為可能包含目標(biāo)的窗口。一個(gè)“理想”的滑動(dòng)窗分類器應(yīng)該使得恰好包含目標(biāo)的窗口得分最高，覆蓋部分目標(biāo)的窗口得分相對(duì)較低，而覆蓋背景的窗口得分最低。然而遙感圖像數(shù)據(jù)量龐大，采用傳統(tǒng)滑動(dòng)窗檢測(cè)方法會(huì)產(chǎn)生大量子窗口，從而降低目標(biāo)檢測(cè)效率。另外，特征提取環(huán)節(jié)的差異也會(huì)對(duì)目標(biāo)檢測(cè)性能產(chǎn)生影響。一個(gè)好的特征描述方案可以增大相似類別的匹配分值，同時(shí)拉大不同類別之間的距離。特征描述的一類方法是主要利用目標(biāo)的顏色、紋理或幾何特征進(jìn)行描述[6-11]，該類方法簡(jiǎn)單直觀，但是不同目標(biāo)通常會(huì)表現(xiàn)出不同特征，例如飛機(jī)具有較明顯的角點(diǎn)，而油罐表面灰度分布均勻，因此在復(fù)雜遙感環(huán)境中使用單一特征描述目標(biāo)往往不可靠。另一類方法則是綜合利用目標(biāo)的顏色、紋理、形狀、位置等多類特征，通過自適應(yīng)的概率學(xué)習(xí)融合處理[12-19]，然而遙感目標(biāo)通常具有不同尺寸，在不同尺度上表現(xiàn)出的顯著程度也不同。另外，由于受到傳感器高度、搭載平臺(tái)姿態(tài)變化、地球自轉(zhuǎn)、地形地貌、光照變化等客觀因素的影響，遙感圖像在實(shí)際成像過程中會(huì)發(fā)生變形，表現(xiàn)在圖像發(fā)生尺度與視角變化、旋轉(zhuǎn)、模糊、亮度變化等。即使考慮同一幅遙感圖像，其中的多個(gè)目標(biāo)也可能處于不同的角度，這些因素都給人造目標(biāo)的檢測(cè)增加了難度。

本文提出了一種基于窗口融合特征對(duì)比度的光學(xué)遙感目標(biāo)檢測(cè)方法。該方法可分為特征提取、模型訓(xùn)練和模型測(cè)試，在特征提取階段：提出了一種基于仿射協(xié)變興趣點(diǎn)檢測(cè)子的特征，即仿射協(xié)變區(qū)域?qū)Ρ榷?Affine Contrast，AC)，用于衡量某窗口內(nèi)部特征區(qū)域與周圍區(qū)域的平均特征差異；改進(jìn)了邊緣密度(Edge Density，ED)特征，提出了基于四通道梯度圖像最大值(Maximum of OE channels，MOE)的MOE-ED特征，用于衡量某窗口邊界區(qū)域包含閉合輪廓的可能性。在模型訓(xùn)練階段：首先在訓(xùn)練圖像上生成大量不同尺寸的滑動(dòng)窗，計(jì)算各窗口的多尺度顯著度(Multi-scale Saliency，MS)分值、AC分值和MOE-ED分值；為了考慮窗口包含目標(biāo)的完整度，同時(shí)采用基于窗口與超像素之間的跨越關(guān)系(Superpixels Straddling，SS)計(jì)算窗口的SS分值，其中特征閾值參數(shù)是基于窗口重合度以及后驗(yàn)概率最大化過程學(xué)習(xí)得出的；然后，采用Naive Bayes模型進(jìn)行特征融合，從訓(xùn)練窗口中確定正負(fù)樣本、估計(jì)先驗(yàn)概率以及各特征的獨(dú)立似然概率。在模型測(cè)試階段：首先按照與訓(xùn)練過程一致的流程計(jì)算各窗口的MS分值，初步篩選出顯著度高且符合待檢測(cè)目標(biāo)尺寸比例的部分窗口；然后計(jì)算初選窗口的AC、MOE-ED和SS分值，根據(jù)訓(xùn)練好的分類模型計(jì)算各個(gè)窗口的后驗(yàn)概率，即屬于目標(biāo)的可能性；最后挑選出局部高分值的候選區(qū)域并進(jìn)行合并，得到最終的檢測(cè)結(jié)果。最后，針對(duì)典型遙感目標(biāo)進(jìn)行檢測(cè)實(shí)驗(yàn)。

2　特征描述

2.1基于譜殘差的多尺度顯著特征

(1)

由于不同圖像數(shù)據(jù)部分log譜的分布特點(diǎn)相似。因此，不同的log譜中的差異部分對(duì)應(yīng)原始圖像中變化劇烈的區(qū)域，即顯著區(qū)域。

(2)

(3)

(4)

(5)

其中θs表示特定尺度的閾值，|·|表示求面積。

圖1　多尺度顯著性示意圖Fig.1　Multi-scale saliency

圖1所示為包含油罐和兩架飛機(jī)的光學(xué)遙感圖像，可見油罐在粗尺度顯著度圖上表現(xiàn)出高亮度，而兩架飛機(jī)目標(biāo)則在細(xì)尺度體現(xiàn)為顯著區(qū)域。由此可見，在多尺度上檢測(cè)顯著性對(duì)于多目標(biāo)檢測(cè)具有重要意義。

2.2仿射協(xié)變區(qū)域?qū)Ρ榷?/p>

Hessian-Affine 檢測(cè)子[21]常用于計(jì)算仿射協(xié)變區(qū)域?qū)Ρ榷?，其首先在高斯尺度空間使用Hessian矩陣及其行列式DoH檢測(cè)出初始的特征點(diǎn)，然后搜索DoH局部極值來選擇特征點(diǎn)的位置和特征尺度，最后使用迭代算法不斷調(diào)整特征點(diǎn)的空間位置、尺度以及鄰域的形狀，找到收斂后的仿射協(xié)變區(qū)域。Hessian-Affine檢測(cè)子對(duì)于明顯的尺度變化和視角變化等具有較強(qiáng)適應(yīng)性，可以降低特征的誤配率，從而更準(zhǔn)確地識(shí)別出不同仿射變換和不同光照變化圖像中對(duì)應(yīng)的相似特征區(qū)域。

本文首先提取圖像的Hessian-Affine橢圓仿射協(xié)變區(qū)域，然后用SIFT(Scale Invariant Feature Transform)描述子進(jìn)行描述，形成特征點(diǎn)對(duì)應(yīng)的特征向量X。為了描述某特征區(qū)域R的獨(dú)特性，將當(dāng)前區(qū)域按照參數(shù)θAC向外擴(kuò)大得到區(qū)域R(θAC)，二者之間的關(guān)系如式(6)所示。

(6)

接下來，重新計(jì)算擴(kuò)大區(qū)域的SIFT特征向量，并將二者的χ2距離作為該區(qū)域形狀對(duì)比度的度量。

(a) AC分值　　　　(b)特征點(diǎn)　　　　(c)特征區(qū)域 (a) AC scores　 (b) Feature points 　(c) Feature regions圖2　仿射協(xié)變區(qū)域?qū)Ρ榷仁疽鈭DFig.2　Affine invariant region contrast

圖2(a)所示為光學(xué)遙感圖像的典型目標(biāo)，圖(b)所示為圖像的部分Hessian-Affine特征點(diǎn)，圖(c)所示為擴(kuò)大前后的某橢圓仿射協(xié)變區(qū)域示意圖(實(shí)線為原始區(qū)域，虛線為擴(kuò)大區(qū)域)。由于檢測(cè)窗口可能覆蓋多個(gè)特征點(diǎn)，為了描述當(dāng)前檢測(cè)窗口w的形狀獨(dú)特性，本文將窗口覆蓋的所有特征點(diǎn)對(duì)應(yīng)的特征區(qū)域AC之和作為度量指標(biāo)，如公式(7)所示：

(7)

2.3邊緣密度對(duì)比度

由于遙感圖像中的典型目標(biāo)均具有明顯的規(guī)律性閉合輪廓，與諸如海面、跑道等背景地物具有較明顯的區(qū)別，因此本文采用邊緣密度對(duì)比度(Edge Density, ED)來描述目標(biāo)的輪廓特征。ED特征描述的是窗口邊界邊緣處的密度特征。首先對(duì)圖像進(jìn)行邊緣檢測(cè)，提取圖像的輪廓信息。與文獻(xiàn)[22]中采用Canny算子不同，本文采用四通道梯度算子(Oriented Edge，OE)來提取原圖像4個(gè)方向上的邊緣，然后通過非極大值抑制方法[23]去掉次要的細(xì)小輪廓，保留最大輪廓。最終的輪廓圖像由四通道梯度圖像中的最大值(Maximum of OE channels，MOE)組合而成。提取出輪廓之后，對(duì)當(dāng)前窗口w按照參數(shù)θED進(jìn)行縮小，得到一個(gè)內(nèi)部環(huán)形區(qū)域Inn，在此環(huán)形區(qū)域內(nèi)計(jì)算ED特征。如式(8)所示：

(a) ED分值　　(b)Canny邊緣圖　　(c) MOE邊緣圖(a) ED score　(b) Canny edge map　(c) MOE edge map圖3　Canny-ED與MOE-ED比較Fig.3　Comparison of Canny-ED and MOE-ED

MOE-ED特征描述的是窗口邊緣附近目標(biāo)的閉合邊界特性。圖3所示為特征提取結(jié)果。圖3(b)和圖3(c)分別表示Canny算子和MOE算子的輪廓提取結(jié)果，可見MOE邊緣檢測(cè)子能夠更好地保留主要輪廓，去除細(xì)小、次要的其他輪廓。針對(duì)包含目標(biāo)和不包含目標(biāo)的兩個(gè)窗口計(jì)算出的特征分值圖為圖3(a)，可以看出，MOE-ED更能拉大不同目標(biāo)之間的距離，具有更好的區(qū)分性。

2.4超像素完整度

由于AC和MOE-ED特征描述的是目標(biāo)的邊界信息，而遙感圖像中諸如油罐等目標(biāo)表面沒有明顯的拐點(diǎn)，表面灰度分布均勻，邊緣信息不豐富。因此還需要對(duì)目標(biāo)的成塊區(qū)域進(jìn)行描述。超像素[24]分割就是把一幅圖像分割成具有均勻顏色或紋理的子區(qū)域。超像素的重要特性是可以保留目標(biāo)的邊界，即一個(gè)超像素內(nèi)的像素均屬于同一個(gè)目標(biāo)。因此，一個(gè)目標(biāo)有可能被過分割成多個(gè)超像素，但是一個(gè)超像素不會(huì)跨越目標(biāo)之間的邊界。因此，本文采用窗口與超像素之間的SS來計(jì)算窗口分值。

(9)

(a) 原始圖像　　　　　　 (b)分割圖(a) Original Image　(b) Segmentation image圖4　SS特征示意圖Fig.4　Schematic of SS feature

3　基于貝葉斯理論的分類模型

3.1特征參數(shù)的訓(xùn)練

(10)

(11)

3.2分類模型的訓(xùn)練與測(cè)試

MS可以根據(jù)顯著度圖粗略給出目標(biāo)的大致位置，AC側(cè)重的是判斷目標(biāo)是否具有明顯拐點(diǎn)，對(duì)于沒有明顯拐點(diǎn)的目標(biāo)可能會(huì)失效，而MOE-ED統(tǒng)計(jì)的是目標(biāo)的閉合輪廓特性，但有時(shí)候也會(huì)出現(xiàn)大量紋理區(qū)域的虛警。SS特征能夠考察窗口內(nèi)超像素的完整度，但不同的超像素有可能屬于不同目標(biāo)。因此，有必要將各種特征結(jié)合起來使用，以更全面地描述目標(biāo)，使目標(biāo)和背景區(qū)分的更好。

(12)

本文基于以下原則進(jìn)行候選窗口合并：

(1)分值高于一定閾值的區(qū)域選做候選區(qū)域。分值越高，該子區(qū)域包含目標(biāo)的可能性越大；

(2)屬于同一類別的區(qū)域彼此重疊超過70%的采用K均值聚類的方法進(jìn)行合并；

(3)相鄰的重疊區(qū)域應(yīng)該被合并，但是發(fā)生在不同尺度上的重疊或?qū)儆诓煌悇e的區(qū)域不應(yīng)被合并。

圖5　目標(biāo)檢測(cè)流程Fig.5　Object detection process

4　實(shí)驗(yàn)結(jié)果與分析

4.1使用的數(shù)據(jù)集

為了驗(yàn)證本文提出的方法在復(fù)雜場(chǎng)景下目標(biāo)檢測(cè)的有效性，選用從QuickBird-2遙感圖像上截取的圖像作為數(shù)據(jù)集，主要場(chǎng)景為機(jī)場(chǎng)、港口和海面，如圖6所示。需要檢測(cè)的目標(biāo)為飛機(jī)、油罐、艦船3類。數(shù)據(jù)集由人工截取的圖像片組成，這些圖像都是分辨率約為0.6 m的高分辨率遙感圖像，每幅圖像大小約從300 pixel×300 pixel到1 000 pixel×1 000 pixel，每幅圖像包含一個(gè)或多個(gè)目標(biāo)。實(shí)驗(yàn)中使用了300幅/類圖像，其中150幅/類用于作為訓(xùn)練樣本，150幅/類用于作為測(cè)試樣本。訓(xùn)練特征閾值參數(shù)θ時(shí)隨機(jī)從訓(xùn)練集中分出來的一小部分確認(rèn)集，數(shù)量為50幅/類。數(shù)據(jù)集上事先人工標(biāo)注出真實(shí)目標(biāo)所在范圍，并記錄外接矩形框的位置，用于特征參數(shù)和貝葉斯分類模型的計(jì)算。

圖6　訓(xùn)練數(shù)據(jù)集Fig.6　Training datasets

4.2參數(shù)設(shè)置

4.3目標(biāo)檢測(cè)結(jié)果分析

圖7(彩圖見期刊電子版)給出了一些測(cè)試圖像的窗口分值分布結(jié)果，圖7(a)表示一些包含目標(biāo)的測(cè)試圖像，7(b)表示得分最高的5個(gè)窗口，紅色越明亮，表示分值越高，顏色越暗，表示分值越低。圖7(c)表示統(tǒng)計(jì)分值靠前的150個(gè)窗口之后得到的能量分布圖，可以看到，能量在目標(biāo)范圍內(nèi)較為集中，越靠近目標(biāo)中心點(diǎn)，分值越高，而背景區(qū)域得分較低，證明了本文所提出方法的有效性。

(a) 測(cè)試圖像　(b)前五個(gè)檢測(cè)窗口　(c) 總體分值分布(a)Test images　(b)　　　The first five det-　(c)　　　Total scores　　　ection windows distribution圖7　窗口分值分布Fig.7　Distribution of window scores

圖8為包含更多目標(biāo)的測(cè)試圖像的最終檢測(cè)結(jié)果。可以看出，本文提出的算法能夠在復(fù)雜的場(chǎng)景下，有效地將不同角度、不同尺度的目標(biāo)同時(shí)檢測(cè)出來。觀察圖8可以發(fā)現(xiàn)，存在檢測(cè)框與目標(biāo)略有套合不夠準(zhǔn)確的現(xiàn)象，分析原因主要有3點(diǎn)：(1)受目標(biāo)陰影影響。例如油罐的檢測(cè)框會(huì)略偏向陰影區(qū)域的方向，原因是由于陰影區(qū)域與背景對(duì)比更強(qiáng)，且輪廓更為清晰，可能會(huì)取得更高的窗口分值。(2)滑動(dòng)窗是按照一定步長(zhǎng)移動(dòng)的；(3)最后的檢測(cè)框是由多個(gè)候選區(qū)域合并的結(jié)果。從圖中還可以看出，對(duì)于特別微小的目標(biāo)也存在漏檢的可能性。例如第2行第4列中包含的小艦船目標(biāo))，這是因?yàn)槟繕?biāo)過小有可能導(dǎo)致其顯著度不明顯且閉合長(zhǎng)輪廓較少，從而窗口得分較低。

圖8　目標(biāo)檢測(cè)結(jié)果Fig.8　Detection results

表1所示為針對(duì)飛機(jī)、油罐、艦船3類典型遙感目標(biāo)，利用本文提出的算法、其他單獨(dú)特征窗口方法以及其他融合方法進(jìn)行檢測(cè)，統(tǒng)計(jì)出的平均準(zhǔn)確率?？梢钥闯?，對(duì)于油罐目標(biāo)，4種單特征方案中MOE-ED特征的準(zhǔn)確率最低，這是因?yàn)橛凸揄敳炕叶确植驾^為平坦，除了外部輪廓以外，內(nèi)部邊緣較少，因此MOE-ED分值會(huì)較低。MS特征檢測(cè)的準(zhǔn)確率在單特征方案中最高，這是由于油罐區(qū)域像素值較高，通常和背景形成強(qiáng)烈對(duì)比，顯著性較為明顯，因此MS分值得分較高。對(duì)于飛機(jī)目標(biāo)而言，MOE-ED特征性能較油罐而言明顯上升，而MS準(zhǔn)確率有所下降，這是由于飛機(jī)顏色和機(jī)場(chǎng)背景區(qū)分性遠(yuǎn)不如油罐，導(dǎo)致顯著性明顯下降。得分最高的單特征方案是AC特征，這是因?yàn)轱w機(jī)目標(biāo)具有較多明顯的角點(diǎn)，目標(biāo)附近的仿射協(xié)變區(qū)域數(shù)量大大增加。對(duì)于艦船目標(biāo)而言，大部分單獨(dú)特征方案準(zhǔn)確率均有所提高，這是由于作為背景的海面灰度分布較為均勻，因此艦船檢測(cè)率較高。取得最佳結(jié)果的單獨(dú)特征方案是SS特征，這是由于在圖像分割階段，由于背景和目標(biāo)對(duì)比明顯，出現(xiàn)過分割的可能性降低，能夠獲得較為完整的目標(biāo)區(qū)域，因此SS分值區(qū)分度更強(qiáng)。綜上所述，不同特征在描述不同目標(biāo)時(shí)，描述能力也會(huì)發(fā)生變化，因此在檢測(cè)多種目標(biāo)時(shí)，需要結(jié)合多種特征。表1中所示的3種特征融合方案中，MS+MOE-ED+AC+SS方案由于綜合考慮了目標(biāo)在顯著性、閉合輪廓、紋理、角點(diǎn)等方面的特點(diǎn)，均能取得最佳的檢測(cè)結(jié)果。

表1　不同特征描述方案目標(biāo)檢測(cè)性能比較(%)

從數(shù)據(jù)集中挑選出3幅不同尺寸的圖像，計(jì)算在各種特征描述方案下每幅圖像的平均檢測(cè)時(shí)間。實(shí)驗(yàn)的硬件環(huán)境為：Intel(R) Core(TM) i7-5500U(2.4GHz)處理器和8.0G內(nèi)存，操作系統(tǒng)為基于Linux系統(tǒng)的Fedora 22。表2為檢測(cè)不同尺寸圖像所需的時(shí)間。可以看出，影響測(cè)試時(shí)間的主要因素有2個(gè)：(1)圖像大小；(2)圖像紋理的豐富程度。一般情況下，隨著圖像尺寸的加大，耗時(shí)也會(huì)相應(yīng)增加。但是如果圖像內(nèi)容比較單一，那么檢測(cè)出的角點(diǎn)、邊緣等特征數(shù)則會(huì)相應(yīng)降低，所需時(shí)間也會(huì)減少。在各種單獨(dú)特征方案中，AC特征所需的時(shí)間最長(zhǎng)，這是因?yàn)镠essian-Affine復(fù)雜度較高，其中涉及到初始點(diǎn)檢測(cè)、自動(dòng)尺度選擇和形狀適應(yīng)迭代。在特征融合方案中，由于本文算法需要提取的特征類別最多，因此耗時(shí)較長(zhǎng)。

表2　不同特征描述方案檢測(cè)時(shí)間比較

為了進(jìn)一步評(píng)價(jià)算法的綜合性能，采用固定窗口數(shù)量的傳統(tǒng)滑動(dòng)窗方法[25]和本文方法進(jìn)行比較(為了便于比較，窗口分值采用相同方式進(jìn)行計(jì)算)，并在測(cè)試集上進(jìn)行目標(biāo)檢測(cè)，其中固定滑動(dòng)窗方法采用在圖像上生成100 000個(gè)均勻分布的大小不同的子窗口進(jìn)行檢測(cè)。3類目標(biāo)的檢測(cè)準(zhǔn)確率和虛警率如表3所示。本文方法由于在檢測(cè)中間階段利用顯著度提取出顯著區(qū)域，并且及時(shí)篩選出符合目標(biāo)特性的候選窗口，使得最終的平均準(zhǔn)確率從約80%提高到約85%，平均虛警率從約20%降低為約3%。虛警的產(chǎn)生主要有幾種情況：(1)塊狀目標(biāo)或背景上的格狀區(qū)域容易被誤檢為油罐；(2)條狀碼頭等地物容易被誤檢為艦船；(3)機(jī)場(chǎng)背景中的房屋較多處可能檢測(cè)為飛機(jī)。整體來說，海面艦船虛警最低，這是由于海面背景和艦船具有較大差異。另外，本文還對(duì)3類目標(biāo)的平均候選區(qū)域數(shù)和平均檢測(cè)時(shí)間進(jìn)行了統(tǒng)計(jì)，結(jié)果如表4所示?？梢姳疚姆椒ㄆ骄蜻x區(qū)域數(shù)減少約90%以上，平均測(cè)試時(shí)間降低大約25%左右。

表3　準(zhǔn)確率與虛警率比較

表4　區(qū)域數(shù)與檢測(cè)時(shí)間比較

5　結(jié)　論

本文提出一種基于窗口融合特征對(duì)比度的目標(biāo)檢測(cè)方法。首先在訓(xùn)練圖像上生成滑動(dòng)窗，計(jì)算各窗口的MS、AC、MOE-ED以及SS 4項(xiàng)特征分值，在確認(rèn)集上基于窗口重合度和后驗(yàn)概率最大化學(xué)習(xí)各個(gè)特征的閾值參數(shù)，然后采用Naive Bayes框架進(jìn)行特征融合，并訓(xùn)練分類器。目標(biāo)檢測(cè)階段首先計(jì)算各個(gè)窗口的MS分值，初步篩選出顯著度高且符合待檢測(cè)目標(biāo)尺寸比例的部分窗口，然后計(jì)算其余3項(xiàng)特征分值，再根據(jù)分類器計(jì)算各窗口的后驗(yàn)概率，通過挑選出局部高分值的候選區(qū)域并進(jìn)行合并，得到最終目標(biāo)檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明：?jiǎn)我惶卣鞯臋z測(cè)準(zhǔn)確率最高為74.21%～80.32%，而融合方案由于能夠綜合考慮目標(biāo)在顯著度、角點(diǎn)、閉合輪廓以及分割完整度等方面，準(zhǔn)確率提高至80.78%～87.30%。與固定數(shù)量滑動(dòng)窗方法相比，由于本文方法及時(shí)篩選出候選窗口，準(zhǔn)確率從約80%提高到約85%，虛警率從約20%降低為約3%。最終高分值區(qū)域數(shù)降低約90%，測(cè)試時(shí)間減少約25%。

本文方法提高了算法效率，更適用于遙感相關(guān)的實(shí)際應(yīng)用中。然而，滑動(dòng)窗由于形狀較為固定，從而具有一定程度的不靈活性，無法完全避免小目標(biāo)漏檢和大目標(biāo)殘缺的情況，結(jié)合圖像分割的方法自適應(yīng)地分割出完整目標(biāo)，是本文進(jìn)一步的研究方向。

[1]DESAI C, RAMANNAN D, FOLKESS C. Discriminative models for multi-class object layout [J].InternationalJournalofComputerVision, 2011, 95(1):1-12.

[2]FELZENSZWALB P F, GIRSHICK R B, DAVID M A,etal.. Object detection with discriminatively trained part-based models [J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2010,32(9):1627-1645.

[3]LONG C, WANG X, HUA G,etal.. Accurate object detection with location relaxation and regionlets relocalization [C].AsianConferenceonComputerVision,Singapore, Nov 1-5, 2014: 260-275.

[4]LAMPERT C H, BLASCHKO M B, HOFMANN T. Beyond sliding windows: Object localization by efficient subwindow search [C]. 2008IEEEConferenceonComputerVision&PatternRecognition，USA,June24-26, 2008: 1-8.

[5]ZHANG S，XIE M. Beyond sliding windows: Object detection based on hierarchical segmentation model [C].IEEEInternationalConferenceonCommunications,Hungary, Jun 9-13, 2013:263-266.

[6]張志龍, 楊衛(wèi)平, 張淼, 等. 基于頻譜殘留變換的紅外遙感圖像艦船目標(biāo)檢測(cè)方法[J]. 電子與信息學(xué)報(bào), 2015,37(9): 2144-2150.

ZHANG ZH L, YANG W P, ZHANG M,etal.. Ship detection in infrared remote sensing images based on spectral residual transform [J].JournalofElectronics&InformationTechnology, 2015, 37(9): 2144-2150. (in Chinese)

[7]高立寧, 畢福昆, 龍騰, 等. 一種光學(xué)遙感圖像海面艦船檢測(cè)算法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 51(1):105-110.

GAO L N, BI F K, LONG T,etal.. Ship detection algorithm for optical remote sensing images [J].JTsinghuaUniv(Sci&Tech), 2011, 51(1):105-110. (in Chinese)

[8]MOHAMMAD A, HOSSEIN E. Accurate object detection using local shape descriptors [J].PatternAnalysisandApplication， 2015,18(2): 277-295.

[9]WANG X, LV Q, WANG B,etal.. Airport detection in remote sensing images: a method based on saliency map [J].CognitiveNeurodynamics, 2013, 7(2):143-154.

[10]聶海濤,龍科慧,馬軍,等.采用改進(jìn)尺度不變特征變換在多變背景下實(shí)現(xiàn)快速目標(biāo)識(shí)別[J].光學(xué) 精密工程, 2015, 23(8): 2349-2355.

NIE H T, LONG K H, MA J,etal.. Fast object recognition under multiple varying background using improved SIFT method [J].Opt.PrecisionEng., 2015, 23(8): 2349-2355. (in Chinese)

[11]周姣, 辛云宏. 基于顯著性與尺度空間的紅外弱小目標(biāo)檢測(cè)[J]. 激光與紅外, 2015, 45(4): 452-456.

ZHOU J, XIN Y H. Infrared dim small target detection based on saliency and scale-space [J].Laser&Infrared, 2015, 45(4): 452-456. (in Chinese)

[12]張宇, 何楚, 石博, 等. 逐層特征選擇的多層部件模型用于遙感圖像飛機(jī)目標(biāo)檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(12): 1406-1411.

ZHANG Y, HE CH, SHI B,etal.. Multi-layer feature selection based hierarchal component model for aero-plane detection on remote sensing image [J].GeomaticsandInformationScienceofWuhanUniversity, 2014, 39(12): 1406-1411. (in Chinese)

[13]安彧, 王小非, 夏學(xué)知, 等. 海戰(zhàn)場(chǎng)光學(xué)遙感圖像艦船目標(biāo)檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)(工學(xué)版), 2015, 48(4): 568-573.

AN H, WANG X F, XIA X ZH,etal.. Detection of sea battlefield’s ship targets in optical remote sensing images [J].EngineeringJournalofWuhanUniversity, 2015, 48(4): 568-573. (in Chinese)

[14]LI Y, WANG S, TIAN Q,etal.. Learning cascaded shared-boost classifiers for part-based object detection [J].IEEETransactionsonImageProcessing, 2014, 23(4): 1858-1871.

[15]LEIBE B, LEONARDIS A, SCHIELE B. Robust object detection with interleaved categorization and segmentation [J].InternationalJournalofComputerVision,2015,77(1-3):259-289.

[16]李平,魏仲慧,何昕,等. 采用多形狀特征融合的多視點(diǎn)目標(biāo)識(shí)別[J]. 光學(xué) 精密工程,2014, 22(12): 3368-3376.

LI P, WEI ZH H,HE X,etal.. Object recognition based on shape fearure fusion under multi-views [J].Opt.PrecisionEng., 2014, 22(12): 3368-3376. (in Chinese)

[17]譚熊,余旭初,張鵬強(qiáng),等.基于多核支持向量機(jī)的高光譜影像非線性混合像元分解[J].光學(xué) 精密工程, 2014, 22(7): 1912-1920.

TAN X, YU X CH, ZHANG P Q,etal.. NonLinear mixed pixel decomposition of hyperspectral imagery based on multiple kernel SVM [J].Opt.PrecisionEng., 2014, 22(7): 1912-1920. (in Chinese)

[18]杜杰, 吳謹(jǐn), 朱磊. 基于區(qū)域特征融合的RGBD顯著目標(biāo)檢測(cè)[J].液晶與顯示, 2016, 31(1):117-123.

DU J, WU J, ZHU L, RGBD salient object detection based on regional feature integration[J].ChineseJournalofLiquidCrystalsandDisplays, 2016, 31(1):117-123. (in Chinese)

[19]鄧丹, 吳謹(jǐn), 朱磊, 等. 基于紋理抑制和連續(xù)分布估計(jì)的顯著性目標(biāo)檢測(cè)方法[J].液晶與顯示, 2015, 30(1): 120-125.

DENG D, WU J, ZHU L,etal.. Significant target detection method based on texture inhibition and continuous distribution estimation [J].ChineseJournalofLiquidCrystalsandDisplays, 2015, 30(1): 120-125. (in Chinese)

[20]HOU X, ZHANG L. Saliency detection: A spectral residual approach[C].IEEEConferenceonComputerVisionandPatternRecognition, 2007: 1-8.

[21]MIKOLAJCZYK K, SEHMID C. Scale & affine invariant interest point detectors [J].InternationalJournalonComputerVision, 2004, 60(1):63-86.

[22]ALEXE B, DESELAERS T, FERRARI V. Measuring the objectness of image windows [J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2012, 34(11): 2189-2202.

[23]MARTIN D, FOWLKES C, MALIK J. Learning to detect natual image boundaries using local brightness, color, and textures cues[J].PAMI, 2004, 26(5): 530-549.

[24]FELZENSZWALB P F, HUTTENLOCHER D P. Efficient graph-based image segmentation[J].InternationalJournalonComputerVision, 2004, 59(2):167-181.

[25]孫顯，王宏琦，楊志峰. 基于形狀統(tǒng)計(jì)模型的多類目標(biāo)自動(dòng)識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2009, 31(11): 2626-2631.

SUN X, WANG H Q, YANG ZH F. Automatic multi-categorical objects recognition using shape statistical models[J].JournalofElectronics&InformationTechnology, 2009, 31(11): 2626-2631. (in Chinese)

李湘眷(1984-)，女，陜西西安人，博士，講師，2006年于西安電子科技大學(xué)獲得學(xué)士學(xué)位，2012年于北京中國科學(xué)院電子學(xué)研究所獲得博士學(xué)位，主要從事遙感圖像處理與模式識(shí)別方面的科研和教學(xué)工作。E-mail: xiangjuan_li@126.com

王彩玲(1984-)，女，寧夏吳忠人，博士，講師，2006年于天津大學(xué)獲得學(xué)士學(xué)位，2011年于中國科學(xué)院西安光學(xué)精密機(jī)械研究所獲得博士學(xué)位，主要從事遙感影像數(shù)據(jù)處理技術(shù)方面的科研和教學(xué)工作。E-mail：azering@163.com

(版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載)

Optical remote sensing object detection based on fused feature contrast of subwindows

LI Xiang-juan1*, WANG Cai-ling1, LI Yu2, SUN Hao3,4

(1.Xi′anShiyouUniversity,Xi′an710065,China；2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100942,China; 3.KeyLaboratoryofTechnologyinGeospatialInformationProcessingandApplicationSystem,InstituteofElectronics,ChineseAcademyofSciences,Beijing100190,China； 4.InstituteofElectronics,ChineseAcademyofSciences,Beijing100190,China)

A detection algorithm for optical remote sensing targets was proposed based on the fused features contrast of subwindows. Firstly, a large number of varisized sliding windows were generated in a training image, and four types of scores related to multi-scale saliency, affine invariant region contrast, edge density and superpixel straddling were computed within each window. The feature parameters were learned on validation sets by maximizing localization accuracy and posterior probability. Then, all the features were combined in a Naive Bayesian framework and a classifier was trained. In the target detection step, the multi-scale saliency score was firstly computed within all the windows of test images, and partial windows with higher saliency and proper sizes matching to the objects to be detected were selected preliminarily. Furthermore, other scores were computed within the selected windows, and the posterior probability of each window was computed by using the trained classifier. Finally, windows with high local scores were selected and merged and the final detection results were obtained. The detection experiments were performed on three types of remote targets including planes, oilcans and ships, and the results show that each type of feature appears different properties for targets described, the highest accuracy is 74.21% to 80.32%. The proposed method outperforms all the single feature methods and the accuracy is improved to 80.87% to 87.30%. By compared with the fixed number sliding window algorithm, the accuracy rate is improved from about 80% to 85% and the false alarm rate is reduced from about 20% to 3%. Furthermore, the proposed method shows a 90% reduction in the number of windows and 25% reduction in the detection time due to the selection in the intermediary stage. It concludes that the method improves detection accuracy and algorithm efficiency greatly.

optical remote sensing; object detection; fused feature contrast； subwindow； saliency; affine invariant; edge density

2016-03-21；

2016-07-03.

國家自然科學(xué)基金資助項(xiàng)目(No. 41301480，No. 41301382);陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃資助項(xiàng)目(No. 2014JQ5181);陜西省教育廳專項(xiàng)科研計(jì)劃資助項(xiàng)目(No.14JK1573)

1004-924X(2016)08-2067-11

TP751

A

10.3788/OPE.20162408.2067