楊光+蔚鵬志+鄧翔

摘 要 全色圖像中港口內(nèi)艦船的快速、準(zhǔn)確檢測(cè)，受地物、云等影響，是一個(gè)難點(diǎn)問(wèn)題。針對(duì)這個(gè)問(wèn)題，本文提出了一種基于SIFT特征的港口內(nèi)艦船檢測(cè)方法。本文方法與傳統(tǒng)方法不同，通過(guò)建立港口區(qū)域模板，簡(jiǎn)化SIFT特征點(diǎn)提取方法，通過(guò)圖像配準(zhǔn)快速、準(zhǔn)確地定位海水區(qū)域。然后，對(duì)港口內(nèi)靠岸艦船使用2D-Otsu和Harris角點(diǎn)結(jié)合方法、對(duì)水面艦船使用基于異常檢測(cè)的方法，準(zhǔn)確提取感興趣區(qū)域。最后，結(jié)合艦船和典型虛警（云、波浪等）的特點(diǎn)，建立CART分類(lèi)器，有效剔除虛警。實(shí)驗(yàn)結(jié)果表明，本文提出的港口內(nèi)艦船檢測(cè)方法具有較高的艦船檢測(cè)準(zhǔn)確性和效率，并且對(duì)于不同尺寸的艦船目標(biāo)和不同分辨率的圖像均具有較好的適應(yīng)性。

【關(guān)鍵詞】艦船檢測(cè) 模板匹配 SIFT特征 特征提取 特征融合

1 引言

港口內(nèi)艦船檢測(cè)是監(jiān)視特定港口海運(yùn)交通、獲取艦船部署與動(dòng)態(tài)的主要手段，具有重要的研究?jī)r(jià)值[1-4]。隨著遙感成像技術(shù)的發(fā)展，能夠提供豐富細(xì)節(jié)信息且與人類(lèi)解譯方式相同的全色遙感圖像近年來(lái)被逐步引入到艦船檢測(cè)領(lǐng)域[2][5]，使得利用全色遙感圖像進(jìn)行港口內(nèi)艦船檢測(cè)成為可能。

港口內(nèi)艦船包括靠岸艦船和水面艦船兩類(lèi)。檢測(cè)港口內(nèi)艦船通常包括海陸分割、艦船感興趣區(qū)域提取和虛警排除三個(gè)主要階段。

海陸分割是確定海陸邊界，排除地物干擾，保證艦船檢測(cè)準(zhǔn)確性的前提。文獻(xiàn)[6]提出了一種基于邊界跟蹤的海陸分割方法，具有較高的效率，但是分割精度較低，嚴(yán)重影響港口內(nèi)靠岸艦船檢測(cè)的準(zhǔn)確性。文獻(xiàn)[7]依據(jù)港口的共性特點(diǎn)，在檢測(cè)港口的過(guò)程中實(shí)現(xiàn)海陸分割，具有較好的準(zhǔn)確性，但需要準(zhǔn)確檢測(cè)港口。

艦船感興趣區(qū)域提取是艦船檢測(cè)方法避免漏檢的重要階段。目前，對(duì)于港口內(nèi)艦船感興趣區(qū)域提取方法的研究?jī)H有較少的報(bào)道。由于港口內(nèi)艦船包括背景不同的靠岸艦船和水面艦船兩類(lèi)，因此，文獻(xiàn)[8]對(duì)上述兩類(lèi)艦船使用不同的方法分別進(jìn)行感興趣區(qū)域提取，但是該文章研究的主要是大型艦船，對(duì)于艦船的普適性不強(qiáng)。文獻(xiàn)[9]則提出使用一種基于G0分布的港口內(nèi)艦船 CFAR 檢測(cè)方法，能夠有效檢測(cè)靠岸艦船和水面艦船，但是該方法針對(duì)的是SAR圖像，對(duì)于光學(xué)圖像難以確定有效的閾值。

虛警排除是艦船檢測(cè)過(guò)程中剔除誤檢的重要步驟?，F(xiàn)有艦船檢測(cè)方法中，大都利用艦船的特點(diǎn)，提取艦船的形狀、紋理等特征進(jìn)行虛警排除[2]。然而，在全色圖像中，云、波浪等典型虛警也具有排他性特征。

綜上所述，對(duì)于港口內(nèi)艦船檢測(cè)，目前缺少有效的海陸分割方法，同時(shí)對(duì)于艦船感興趣區(qū)域提取的普適性方法研究較少，并且忽略了典型虛警（如云、波浪）的特點(diǎn)。因此，本文提出了一種基于模板匹配的港口內(nèi)艦船檢測(cè)方法。該方法主要包括以下三個(gè)步驟：首先，建立港口區(qū)域模板，通過(guò)圖像配準(zhǔn)獲取準(zhǔn)確的海陸邊界；然后，采用2D-Otsu和角點(diǎn)檢測(cè)結(jié)合的方法提取靠岸艦船感興趣區(qū)域，使用基于異常檢測(cè)的方法提取水面艦船的感興趣區(qū)域；最后，結(jié)合艦船的特點(diǎn)和典型虛警（云、波浪等）的特點(diǎn)，建立CART分類(lèi)器，從而準(zhǔn)確檢測(cè)艦船目標(biāo)。

2 快速、準(zhǔn)確的海陸分割方法

由于現(xiàn)有的海陸分割方法不能滿(mǎn)足準(zhǔn)確檢測(cè)靠岸艦船的目的，而通過(guò)港口檢測(cè)提取海水區(qū)域的方法難度較大且普適性不高。因此，本文通過(guò)與港口區(qū)域模板進(jìn)行配準(zhǔn)，準(zhǔn)確地檢測(cè)海陸邊界。

本文對(duì)每個(gè)港口利用Google Earth的圖像分別建立模板，并且人工確定海岸線(xiàn)。圖1顯示了舊金山港口部分區(qū)域的模板圖像。

圖像配準(zhǔn)方法有基于區(qū)域的配準(zhǔn)、基于特征的配準(zhǔn)、基于混合模型的配準(zhǔn)和基于物理模型的配準(zhǔn)四類(lèi)[11]。由于待檢測(cè)圖像的分辨率具有多樣性，并且模板圖像不具有準(zhǔn)確的分辨率，同時(shí)光學(xué)圖像受光照的影響較大。因此，本文選擇具有縮放、旋轉(zhuǎn)、亮度不變性的SIFT特征[10]對(duì)圖像進(jìn)行配準(zhǔn)。

2.1 傳統(tǒng)SIFT特征點(diǎn)描述方法

文獻(xiàn)[10]中提出的SIFT特征向量提取方法首先構(gòu)建圖像高斯金字塔。第一步對(duì)圖像進(jìn)行多次下采樣，得到N幅下采樣圖像Ii（i=1，...，N）；第二步，利用與尺度因子（σ）相差成固定倍數(shù)（σ，21/Mσ，...）的高斯函數(shù)組與Ii進(jìn)行卷積，每個(gè)Ii得到M（一般取值3-5）層圖像Gt（t=1，...，M）；第三步，對(duì)于相鄰的Gt和Gt+1作差，得到M-1個(gè)差值圖像Dk（k=1，...，M-1）。

然后，檢測(cè)SIFT特征點(diǎn)。第一步求取圖像Dk中的極值點(diǎn)，并去除低對(duì)比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，得到SIFT特征點(diǎn)；第二步，以特征點(diǎn)為中心，確定其周?chē)?6×16的像素窗口作為SIFT特征區(qū)域；第三步，對(duì)SIFT特征區(qū)域的每一個(gè)像素點(diǎn)求取梯度幅值與梯度方向。

最后，提取SIFT特征向量。將SIFT特征區(qū)域劃分為16個(gè)4×4大小的子窗口，對(duì)每個(gè)子窗口計(jì)算8個(gè)方向（以45度為間隔）的梯度直方圖，并得到每個(gè)方向的梯度加權(quán)值，則一個(gè)極值點(diǎn)對(duì)應(yīng)16×8維的特征向量。

2.2 本文中SIFT特征點(diǎn)描述方法

通過(guò)對(duì)SIFT特征點(diǎn)提取過(guò)程的描述可以看出，傳統(tǒng)的方法需要對(duì)N×（M-1）個(gè)圖像進(jìn)行特征點(diǎn)提取，并且要對(duì)所有的特征點(diǎn)進(jìn)行匹配計(jì)算，會(huì)嚴(yán)重影響數(shù)據(jù)量較大的全色圖像的實(shí)時(shí)處理。同時(shí)，港口區(qū)域的高分辨率圖像受地物、艦船、云等的影響要高于低分辨率圖像，所以提取的SIFT特征點(diǎn)可用性相對(duì)不高。此外，全色5m分辨率圖像中港口區(qū)域的輪廓比較明顯（如圖1所示）。因此，本文依據(jù)港口區(qū)域圖像的特點(diǎn)，將現(xiàn)有的SIFT特征點(diǎn)提取方法做如下改進(jìn)。

（1）在對(duì)圖像進(jìn)行下采樣時(shí)，僅取分辨率最接近5m和3m的兩個(gè)下采樣圖像I1和I2；

（2）分別對(duì)I1和I2進(jìn)行高斯卷積，建立三層高斯金字塔Gt，依據(jù)實(shí)驗(yàn)結(jié)果，尺度空間取值為σ，21/4，21/2σ；

（3）降低SIFT特征點(diǎn)向量維數(shù)，對(duì)SIFT特征區(qū)域的子窗口計(jì)算6個(gè)方向（以60度為間隔）的梯度直方圖，得到96維特征向量。

2.3 特征點(diǎn)匹配與仿射變換

現(xiàn)有的特征點(diǎn)匹配方法為了實(shí)現(xiàn)尺度適應(yīng)性，對(duì)兩幅待配準(zhǔn)圖像的所有特征點(diǎn)均進(jìn)行兩兩匹配，最終選取距離最近的點(diǎn)。對(duì)于每一個(gè)港口，其位置是固定的。因此在特征點(diǎn)匹配過(guò)程中，首先利用圖像分辨率進(jìn)行初匹配，對(duì)于兩幅待配準(zhǔn)圖像的I1中分辨率相差較大的高斯金字塔不進(jìn)行處理；然后，對(duì)于金字塔的每一層先使用位置信息進(jìn)行粗匹配，再利用歐式距離對(duì)特征點(diǎn)間的相似性進(jìn)行度量，并使用RANSAC方法去除匹配錯(cuò)誤的特征點(diǎn)對(duì)，從而獲取準(zhǔn)確的匹配對(duì)。最后，使用文獻(xiàn)[10]中介紹的方法進(jìn)行仿射變換，實(shí)現(xiàn)圖像配準(zhǔn)。

圖2顯示了舊金山港口區(qū)域WorldView-2全色圖像與圖1中模板進(jìn)行配準(zhǔn)的結(jié)果。從圖2（b）中可以看出，本文基于配準(zhǔn)的方法能夠準(zhǔn)確獲取港口內(nèi)的海水區(qū)域，為后續(xù)準(zhǔn)確檢測(cè)艦船提供了保證。

3 艦船感興趣區(qū)域的有效提取方法

艦船感興趣區(qū)域提取的目的是確定艦船的位置和數(shù)量。港口內(nèi)靠岸艦船分布在海岸線(xiàn)的海水一側(cè)，但是有時(shí)會(huì)出現(xiàn)并排?？慷鄠€(gè)艦船的情形，如圖3所示。港口內(nèi)的水面艦船相互之間有一定的距離，但是出現(xiàn)的位置比較隨機(jī)。根據(jù)第一節(jié)提出的方法可以準(zhǔn)確定位海岸線(xiàn)，所以靠岸艦船感興趣區(qū)域提取的重點(diǎn)是數(shù)量，而水面艦船感興趣區(qū)域提取的重點(diǎn)是位置。因此，本文采用不同的方法提取艦船感興趣區(qū)域。

3.1 2D-Otsu和Harris角點(diǎn)結(jié)合的方法

靠岸艦船的海面背景一般比較簡(jiǎn)單，不會(huì)出現(xiàn)大浪等情況。同時(shí)，艦船的灰度與周?chē)Ｋ幸欢ǖ牟町悺?D-Otsu方法能夠依據(jù)灰度，對(duì)背景簡(jiǎn)單的圖像進(jìn)行快速、準(zhǔn)確的分割[9]。因此，選用該方法對(duì)海岸線(xiàn)的海水一測(cè)進(jìn)行分割，確定艦船的位置，如圖4所示。同時(shí)，對(duì)上述分割得到的感興趣區(qū)域進(jìn)行簡(jiǎn)單的長(zhǎng)寬比檢測(cè)，初步確定艦船數(shù)量。

受云、陰影等的干擾，在高分辨率圖像中使用2D-Otsu方法進(jìn)行分割，可能使得感興趣區(qū)域的尺寸與實(shí)際差異過(guò)大，導(dǎo)致確定的艦船數(shù)量不準(zhǔn)確。所以，引入對(duì)光照具有一定穩(wěn)定性的Harris角點(diǎn)對(duì)邊緣區(qū)域進(jìn)行檢測(cè)（檢測(cè)結(jié)果如圖5所示）。通過(guò)對(duì)檢測(cè)的角點(diǎn)進(jìn)行凸包計(jì)算和線(xiàn)性劃分最終獲得準(zhǔn)確的艦船數(shù)量和艦船感興趣區(qū)域。

3.2 基于異常檢測(cè)的方法

港口內(nèi)水面艦船的背景有時(shí)比較平靜（如圖6（a）所示），有時(shí)受行駛痕跡、云等的干擾比較復(fù)雜（如圖6（b）、（c）所示）。文獻(xiàn)[2]提出了基于背景分析的艦船檢測(cè)方法，對(duì)多種海面背景的圖像均能較準(zhǔn)確地提取艦船感興趣區(qū)域。因此，本文參考文獻(xiàn)[2]的方法提取港口內(nèi)水面艦船的感興趣區(qū)域。圖7顯示了圖6中的艦船感興趣區(qū)域提取結(jié)果。

4 基于CART分類(lèi)器的虛警排除方法

在全色圖像中，港口內(nèi)艦船檢測(cè)結(jié)果中的虛警主要有云、行駛痕跡、陰影、波浪等。表1分析了艦船和典型虛警在全色圖像中的主要特點(diǎn)。

從表1可以看出，在虛警排除過(guò)程中，可以使用紋理特征排除云虛警，使用灰度特征排除陰影虛警，等等。然而，現(xiàn)有虛警排除方法大都使用艦船的特點(diǎn)構(gòu)建分類(lèi)器，忽略了典型虛警的特點(diǎn)。因此，本文綜合考慮艦船和典型虛警的特點(diǎn)，使用描述亮度的平均灰度特征，描述紋理的方差、紋理粗糙度、紋理均勻性、對(duì)比度和LBP算子，描述形狀的長(zhǎng)寬比、緊湊性、對(duì)稱(chēng)性、偏心率，以及面積特征刻畫(huà)感興趣區(qū)域。選擇易于理解和實(shí)現(xiàn)、挖掘出的分類(lèi)規(guī)則準(zhǔn)確性高，并且在兩分類(lèi)問(wèn)題中有較好效果的CART算法構(gòu)建分類(lèi)器。圖8顯示了圖6中艦船目標(biāo)的最終檢測(cè)結(jié)果。

5 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文方法的有效性，在3.4 GHz CPU的計(jì)算機(jī)上對(duì)共包含11個(gè)港口的34幅圖像進(jìn)行了測(cè)試，檢測(cè)長(zhǎng)度大于50像素的艦船目標(biāo)。圖像數(shù)據(jù)包括4幅WorldView-2、12幅QuickBird和18幅5m分辨率的SPOT-5全色圖像，平均大小為11000×11000像素。針對(duì)三個(gè)檢測(cè)步驟，分別進(jìn)行了如下實(shí)驗(yàn)。

5.1 海陸分割有效性實(shí)驗(yàn)

本文海陸分割的核心是圖像配準(zhǔn)，通過(guò)對(duì)比簡(jiǎn)化的SIFT特征點(diǎn)描述方法和傳統(tǒng)方法，驗(yàn)證該步驟的準(zhǔn)確性和實(shí)時(shí)性。使用均方根誤差和計(jì)算時(shí)間作為配準(zhǔn)的評(píng)價(jià)準(zhǔn)則，兩者的值越小說(shuō)明方法的準(zhǔn)確性和效率越高。表2顯示了對(duì)比結(jié)果。從對(duì)比結(jié)果可以看出，本文使用的配準(zhǔn)方法在保證配準(zhǔn)精度基本相同的情況下，能夠?qū)⑴錅?zhǔn)速度提高近3倍。

5.2 感興趣區(qū)域提取準(zhǔn)確性實(shí)驗(yàn)

該實(shí)驗(yàn)的主要目的是驗(yàn)證靠岸艦船和水面艦船感興趣區(qū)域提取的準(zhǔn)確性。評(píng)價(jià)標(biāo)準(zhǔn)為檢測(cè)率和虛警率，檢測(cè)率越高、虛警率越低說(shuō)面檢測(cè)準(zhǔn)確性越高，兩者的定義如下：

檢測(cè)率=檢測(cè)出的正確數(shù)目/實(shí)際數(shù)目，

虛警率=檢測(cè)出的虛警數(shù)目/檢測(cè)出的總數(shù)目。

實(shí)驗(yàn)結(jié)果如表3所示。從表3可以看出，本文提出的感興趣區(qū)域提取方法的檢測(cè)率達(dá)到了94.91%，僅有19個(gè)漏警，說(shuō)明本文方法具有很高的準(zhǔn)確性。

5.3 虛警排除準(zhǔn)確性實(shí)驗(yàn)

該實(shí)驗(yàn)主要是為了驗(yàn)證虛警排除的準(zhǔn)確性，即在去除最少目標(biāo)的情況下刪除的虛警越多越好。表4顯示本文方法的最終檢測(cè)結(jié)果，盡管誤刪了7個(gè)艦船，但是本文方法去除了88個(gè)虛警，虛警率降低了14%。

通過(guò)對(duì)所有圖像數(shù)據(jù)進(jìn)行測(cè)試，得出本文方法對(duì)11000×11000像素圖像的平均處理時(shí)間僅需1.93分鐘

6 結(jié)論

本文提出了一種基于SIFT特征的港口內(nèi)艦船檢測(cè)方法。該方法使用簡(jiǎn)化的SIFT特征點(diǎn)向量進(jìn)行圖像配準(zhǔn)，快速準(zhǔn)確提取海陸邊界；依據(jù)港口內(nèi)靠岸艦船和水面艦船的各自特點(diǎn)，分別使用2D-Otsu和Harris角點(diǎn)結(jié)合的方法、基于異常檢測(cè)的方法提取艦船感興趣區(qū)域；結(jié)合艦船和典型虛警的特點(diǎn)，使用平均灰度等11個(gè)特征建立CART分類(lèi)器，準(zhǔn)確剔除虛警。實(shí)驗(yàn)結(jié)果表明，該方法的檢測(cè)準(zhǔn)確率達(dá)到了93.03%，平均處理時(shí)間僅有1.93分鐘。同時(shí)，該方法能夠?qū)Χ喾N尺寸的艦船目標(biāo)進(jìn)行準(zhǔn)確檢測(cè)，并且適用于多種分辨率圖像。因此，本文方法具有很好的準(zhǔn)確性、實(shí)時(shí)性和普適性，相信在港口內(nèi)艦船實(shí)時(shí)檢測(cè)領(lǐng)域，該方法具有廣闊的應(yīng)用前景。

參考文獻(xiàn)

[1]陳琪，王娜，陸軍等.SAR圖像港口區(qū)域艦船檢測(cè)新方法[J].電子與信息學(xué)報(bào)，2011，33（09）：2132-2137.Chen Qi， Wang Na，Lu Jun，et al.A New Method for Ship Detection in Harbor Region of SAR Images[J].Jounal of Electronics & Information Technology，2011，33（09）：2132-2137.

[2]Yang Guang，Li Bo，Ji Shufan，Gao Feng， Xu Qizhi.Ship Detection From Optical Satellite Images Based on Sea Surface Analysis[J].IEEE Geoscience and Remote Sensing Letters，2014，11（03）：641-645.

[3]李曉博，孫文方，李立.靜止軌道遙感衛(wèi)星海面運(yùn)動(dòng)艦船快速檢測(cè)方法[J].電子與信息學(xué)報(bào)，2015，37（08）：1862-1867.Li Boxiao，Sun Wenfang，Li Li. Ocean Moving Ship Detection Method for Remote Sensing Satellite in Geostationary Orbit[J].Jounal of Electronics & Information Technology，2015，37（08）：1862-1867.

[4]Weiya Guo，Xuezhi Xia，Xiaofei Wang. A remote sensing ship recognition method of entropy-based hierarchical discriminant regression[J].Optik - International Journal for Light and Electron Optics，2015，126（20）：2300-2307.

[5]Zhu C.，Zhou H.，Wang R.，Guo J..A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48（09）：3446–3456.

[6]李超鵬，楊光.一種基于海陸邊界跟蹤的快速海陸分割方法[J].計(jì)算機(jī)科學(xué)，2014，41（10）：84-86.Li Chaopeng， Yang Guang.Fast Sea-Land Segmentation Method Based on Maritime Boundary Tracking[J]. Computer Science，2014，41（10）：84-86.

[7]Francesca Pieralice，Raffaele Proietti，Paola La Valle，et al.An innovative methodological approach in the frame of Marine Strategy Framework Directive：A statistical model based on ship detection SAR data for monitoring programmes[J]. Marine Environmental Research，2014，102：18-35.

[8]Marino Armando，Hajnsek Irena. Ship Detection With TanDEM-X Data Extending the Polarimetric Notch Filter[J].IEEE Geoscience and Remote Sensing Letters，2015，12（10）：2160-2164.

[9]Lowe D.G.Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision，2004，60（02）：91-100.

[10]侯鵬洋，季艷，高峰，等.一種基于SIFT特征的快速逐層遙感圖像配準(zhǔn)方法[J].遙感技術(shù)與應(yīng)用，2014，29（05）：873-877.Hou Pengyang，Ji Yan，Gao Feng，et al.Fast Hierarchical Registration Method for Remote Sensing Image based on SIFT[J].Remote Sensing Technology and Application，2014，29（05）：873-877.