基于似物性判断的SAR图像舰船目标检测∗

曲岳晗 黄杰军

（1.华北电力大学电力工程系 保定 071000）

（2.华中科技大学自动化学院多谱信息处理技术国家级重点实验室 武汉 430074）

1 引言

随着科学技术的发展，合成孔径雷达（SAR）技术得到大幅度提高。SAR图像的分辨率以及信噪比都越来越高。随着SAR图像数据信息的快速增长，SAR图像在海洋监测中的优势更为突出。与红外、可见光等光学传感器不同，合成孔径雷达在保证一定精度的同时，可以一次性监测几十甚至上百平方公里的广阔区域，表现出了巨大的优势。但是，SAR无法获得目标精细的纹理和结构信息，船舶目标在SAR图像中通常展现出小而弱的视觉特性，且大小随着船舶的实际大小而改变，这就对自动目标检测算法提出了较高的要求。目前国际上最流行的SAR图像船舶检测算法是Lincoln实验室ATR系统采用的双参数CFAR检测方法［1～2］或者其改进版本。但是CFAR检测方法不具备多尺度检测能力，而且计算量较大，通常要提前指定所需检测的船舶尺寸，这就对海洋监管、侦查工作带来了极大的不便。

针对以上所发现的问题，根据人类眼睛的视觉注意机制，提出了基于似物性判断的改进CFAR检测算法。人类的视觉系统能够让人们在识别物体前快速察觉、定位环境中的物体，并大概估计其尺寸。基于观测到的人类反应时间和估计的信号传输时间，人类注意理论认为人类视觉系统只处理了部分所看到的图像，而其旁边的不处理。本文使用似物性判断方法［3～5］先提取SAR图像中的候选目标，获得目标的大小和位置，避免了全图扫描搜索目标的方式。通过所估计的目标大小来计算CFAR背景窗口的尺寸，使得CFAR具备了多尺度检测能力。同时，使用积分图［6］优化CFAR分割算法，使得SAR图像舰船目标检测的效率大幅提升。

2 基于似物性判断的目标检测

2.1 传统CFAR的舰船目标检测方法性能分析

针对目标的检测，主要依据目标金属材质和多反射体结构易在SAR图像上形成强散射亮像素的本质，而设计相应检测器算法进行目标提取。目前，SAR图像的分割算法主要有基于恒虚警（Constant False Alarm Rate，CFAR）的分割算法、基于马尔可夫随机场（Markov Random Fields，MRF）的分割算法，以及基于模糊C均值（Fuzzy C-Means，FCM）的分割算法等。基于CFAR的分割算法需要对背景杂波的分布进行估计，在不同的背景杂波和不同噪声干扰下分割效果相差较大；基于MRF的分割算法充分利用像素的邻域信息，其优点是能在一定程度上抑制相干斑噪声对分割结果的影响，但算法迭代过程易陷入局部最优，且依赖于初始分割结果，运算复杂度高；基于FCM的分割算法需要预先设置类别和设定初始值，且对噪声较为敏感。CFAR方法是SAR图像目标检测领域研究最为广泛、最为深入，也是目前较为实用的一种方法，究其原因有如下几点：

1）计算简单，实现容易；

2）速度快，比较容易实现实时性；

3）SAR图像中目标和背景杂波的对比度差别是最明显的特点，CFAR算法就是基于对比度进行的。

2.2 似物性判断和CFAR级联的目标检测

传统的CFAR算法在检测前需要预先输入目标或者背景窗的尺寸。对未知海域以及未知目标探测时，难以事先知道目标的类型和尺寸信息。为此，我们提出了似物性判断和CFAR级联的目标检测算法。似物性判断方法使用了二值化赋范梯度特征来提取目标候选区域，使用I7处理器时，能够以300FPS的帧率给出2000个以内的目标候选区域。利用该目标提取算法得到的目标位置和尺寸作为CFAR的输入，使得CFAR自动适应不同尺寸的目标，具备了多尺度检测能力，并且避免了全图像素级扫描搜索，加快了目标检测的速度。

近年来，目标提取算法快速发展，在计算机视觉领域得到了广泛的应用。其中，程明明等提出的二值化赋范梯度特征［7～9］不仅简单而且高效。该方法认为，拥有完整闭合外轮廓的一般物体，当把它们的赋范梯度（Normed Gradient，NG）适当地缩小到一个固定的小尺寸时，这些物体图像就变得非常相似。考虑到计算方便性，该方法将图像缩小到8×8并使用赋范梯度构成一个简单的64维特征向量，输入到两阶段级联的SVM中来学习判断是否物体并给出后验概率，因此该方法可以称为似物性判断方法。

针对SAR船舶目标检测问题，把船舶目标图像窗口缩小到不同的小尺寸，比如16×16,8×8,4×4等，发现使用8×8窗口时，不同的船舶的梯度强度特征具有很好的区分性。图1展示了物体和非物体在8×8窗口中的梯度强度特征，其中图1（a）是梯度强度图，浅色框表示有物体，深色框表示没有物体。图1（b）是梯度图中物体和非物体对应的赋范梯度特征图（这里使用梯度强度特征图）。虽然不同的船舶有不同的尺寸和长宽比，但他们的梯度在强度上有很大的相关性。因此，上述的8×8梯度特征可以用来区分物体和非物体。

图1 赋范梯度特征

赋范梯度特征g定义如下：

其中水平梯度gx和垂直梯度gy可以通过将灰度图像分别和一个一维向量A=[-1 0 1]以及AT卷积得到。

为了找到图像中的物体，我们使用一些预先定义好的不同尺度和比例的窗口来扫描整个图像。每个窗口都使用一个线性模型ω∈R64来评分，这个模型在阶段I通过一个线性SVM学习［10～13］得到，如下式所示。

其中，sl，gl，l，i和 (x,y)分别代表滤波得分，NG特征，坐标，尺度和窗口位置。＜·＞表示ω和gl的内积。

运用非极大值抑制（NMS），我们为每一个事先规定好的尺度（从训练样本中统计得到）提取少量的候选窗口。但是对于不同的尺度，它们包含物体的可能性是不一样的。在船舶检测过程中，有的尺度（比如100×300）含有目标的可能性要比其他的尺度（比如100×700）高的多。因此定义包含物体的评分准则为

其中vi，ti∈R是在训练阶段II分别为每一个尺度单独学习的系数和偏置。

为了评判预测图像区域与真实目标区域的吻合程度，下面简单介绍IOU的定义。如图2所示，黑色框Ψ面积为A，灰色框φ面积为B，重叠部分面积为C。假设黑色框为真实目标区域，而灰色框为检测到的目标区域，定义IOU为检测框与真实框的交集比上检测框与真实框的并集。

图2 交集与并集

如图3所示，在训练阶段，首先输入标定好的样本集合，读取真实目标区域，为了提高模型的适应能力，在所输入真实目标区域附近采集多尺度包围框加入到训练样本中，这些包围框与真实目标框的IOU大于0.5。负样本在训练图像集中按照预定义的尺度随机选取，但要求它们与真实目标区域的IOU小于0.2。

图3 目标提取训练流程

在测试阶段，如图4所示，对于给定输入图像，按照训练时统计得到的若干尺度对图像做不同的压缩并求赋范梯度特征图（梯度强度特征图）。然后在阶段I用一个包含64维线性模型ω的8×8的窗口扫描整个图像以获得评分图sl。通过使用非极大值抑制，为每个尺度筛选部分窗口。最后进入阶段II，由于部分尺度含有物体的可能性比较高，而其他的尺度含有物体的可能性相对较低。因此为每个尺度的区域评分使用一个独立的线性函数获取最终的得分，也就是似物性概率。

图4 多尺度赋范梯度特征

3 SAR船舶目标检测算法流程

如图5所示，改进型的SAR船舶目标检测算法先使用似物性判断，找出SAR图像中的疑似目标，通过对疑似目标筛选，去除部分无效的候选区域（比如面积过小、面积过大、长宽比过大等）。将疑似目标的包围框尺寸作为CFAR的保护窗尺寸，采用改进的基于积分图的快速CFAR算法检测潜在目标。最后使用非极大值抑制［14～16］，去除重复的候选框得到目标二值图，对所得二值图进行形态学滤波，提取最小外接矩形框得到最终的目标信息。

图5 基于似物性判断的CFAR舰船检测流程

如图6所示，似物性判断提取得到的目标候选区域能够准确地估计出目标的像素尺寸，将所提取到的目标尺寸输出到CFAR检测器中，经过大量的实验发现，当背景杂波窗口保护窗的尺寸和取目标尺寸的0.5倍时，检测器能够得到最优效果。其中背景杂波窗口的尺寸为目标尺寸的0.3倍，保护窗的尺寸为目标尺寸的0.2倍。

实验中使用了高斯背景杂波模型，在计算均值和方差的过程中使用了积分图来极大地加快了算法的速度，只需要使用少量寻址和计算即可求出指定窗口的均值和方差。实验中设置的恒虚警概率为pfa=0.0001。

图6 基于似物性判断的CFAR检测算法

基于似物性判断的目标提取算法可以得到大约接近2000个目标候选区域，筛选后剩下1500个左右，对这些目标候选区域分别使用CFAR分割后可以得到大约1500个可能包含目标的二值图像。考虑到内存原因，实验中没有直接保存二值图像，只保存了原图像的均值、方差和二值图的分割阈值、目标包围框、分割效果得分等参数，统称为包围框信息。如图5（c）所示，去除目标面积过小和目标面积比例过小或过大的候选区后，再运用非极大值抑制，可以将不含有目标的区域基本去除。为了评价CFAR对图像分割的效果，并兼顾了候选区中包含目标的概率，我们提出了一个评分机制。

其中μ是背景杂波均值，percent为目标面积占窗口比例接近某个值τ得程度，Ol为式（4）的似物性概率。percent的计算公式如下：

其中 p是目标面积占窗口面积的比例，τ是一个统计量，是包含有目标的窗口中目标所占比例的估计值。如图7所示，通过对大量的SAR舰船目标窗口进行统计发现，目标占窗口比例大概在1.2到1.8之间，实验中取τ=1.5。

图7 目标占窗口比例统计图

得分s评价了CFAR分割的效果，直接把它用作非极大值抑制的分数，通过局部搜索，保留最大得分的包围框并去除与之相交的IOU大于某个值的所有包围框，可以最终将目标保留下来而去除极大部分不含有目标的无效包围框，如图8所示，其中t是一个可调阈值，实验中t取0.1。由于在CFAR分割后，部分包含目标面积（像素点数）过小的包围框一般没有目标，分割得到的是噪声信号，因此对此类包围框提前删除。因此经过非极大值抑制后，剩下的包围框已经很少，将它们的二值图合并到一个大的二值图上，可以得到完整的目标二值图。

图8 非极大值抑制算法流程图

经过非极大值抑制后，虽然极大部分的目标候选区被去除了，但合并得到的完整目标二值图依然包含很多噪声。由于SAR图像本身噪声较多，为了去除二值图中的点状噪声，需对图像进行腐蚀、膨胀等形态学滤波处理。

4 实验分析与结论

为了验证基于似物性的改进CFAR目标检测算法对未知尺度目标检测的能力以及算法效率，选用了三组含有大目标和较小目标的SAR图像进行试验。同时，还展示了传统CFAR算法处理的效果。实验中，传统CFAR的背景窗半径分别采用了20，40，60三个不同的等级，保护窗口宽度都是5个像素。实验1采用的SAR图像大小为1000×650，实验2采用的SAR图像大小为800×600，实验3采用的SAR图像大小为1400×1200。三组实验中，传统CFAR在采用60个像素作为背景窗半径时都能得到相对较好的效果，但是处理时间随着图像的尺寸和背景窗口的增加而快速增加。本文方法在三组实验中都能完整地将图像中的目标提取出来，而且时间不会随着图像尺寸的增加显著提升。

图9 改进CFAR与传统CFAR分割对比1

表1 改进CFAR与传统CFAR运行时间对比1

图10 改进CFAR与传统CFAR分割对比2

表2 改进CFAR与传统CFAR运行时间对比2

从实验2和实验3可以看出来，传统CFAR去背景窗半径为40个像素时，虽然能够将大部分目标提取出来，但是大尺寸的目标检测效果较差甚至完全漏检。因此，虽然传统CFAR在采用60个像素作为背景窗口半径时能取得较好效果，但如果目标尺寸接近背景窗口尺寸时，传统CFAR将难以取得较好的检测效果。实验结果表明，本文提出的改进CFAR算法对目标尺度并不敏感，获得了多尺度检测能力。同时改进CFAR算法对每一幅图像都只需处理大约1500个目标区域，因此对不同大小的SAR图像，都只需要常数级的处理时间。

表3 改进CFAR与传统CFAR运行时间对比3

本文提出了基于似物性判断的改进CFAR舰船目标检测方法。该方法从多尺度SAR图像舰船目标检测问题出发，并结合人类视觉注意机制，改进了传统的CFAR方法，使得系统检测效率大幅提升并具备了多尺度检测能力。

5 结语

综上所述，似物性判断方法克服了SAR无法获得目标精细的纹理和结构信息、船舶目标在SAR图像中通常展现出小而弱的视觉特性且大小随着船舶的实际大小而改变的缺点，也避免了CFAR检测方法不具备多尺度检测能力、计算量较大、通常要提前指定所需检测的船舶尺寸的弱点，结合人类视觉注意机制，改进了传统的CFAR方法，使得系统检测效率大幅提升并具备了多尺度检测能力。