白 玉，迟文恺，谢宝蓉，张 雷，郑莲玉，穆文涛
(1.沈阳航空航天大学 电子信息工程学院，沈阳110136；
2.上海航天电子研究所，上海 201109；
3.上海卫星工程研究所，上海 201109)
海域作战技术水平是国防能力的一个重要方面，星上红外监测系统具有能昼夜侦测、监控面积广、隐蔽性强等优点，已经成为了海域安全监测研究的重点。在军事领域，红外监测系统的应用主要包括目标捕捉、跟踪、全天候监控等；
在非军事领域，主要应用为公共安全监控、应急救援、环境监控等。红外成像方式是通过捕获目标的红外辐射波来形成图像，可以不受光线、天气以及大型烟雾等影响因素，因为红外成像的高度稳定性和良好隐蔽性等因素，对其成像的处理与研究就显得尤为重要。
美国国防高级研究计划局在2010年进行了MOIRE实验项目，实验结果表明目标在静止轨道分辨率能够达到l m，并且更进一步地研究出了可以连续监视敌方目标的系统，大大提高了对动态舰船目标的监控能力。美国研发的低轨电子侦察卫星“宇宙神-5”在2015年搭载着“海军海洋监视系统”进入太空，可以为海军部队提供海上船队的航行方向、速度和周围环境等重要信息。我国在2016年和2018年分别发射了雷达卫星“高分三号”、静止轨道卫星“高分四号”等，标志着我国在高分辨率遥感技术领域已经达到世界领先水平。
2014年提出的R-CNN(Region Proposals with Convolution Neural Network)检测方法，使卷积神经网络在图像识别和处理领域实现了重大突破，开启了深度学习方法应用于目标检测领域的研究热潮。向涛[1]提出了一种传统的显著区域提取和目标精确分割相结合的红外舰船目标检测方法，平均准确率达到了75.6%。顾佼佼等[2]提出了一种基于改进 Faster R-CNN 的红外舰船目标检测算法，准确率达到了83.98%。基于此，本文提出一种新型红外船舰检测方法，结合了传统方法与深度学习方法的优势，使得改进后的算法更加适用于红外舰船目标检测。
基于学习的目标识别方法的处理过程分为两个模块。第一个模块是学习模块，在此模块中，第一步为正样本和负样本通过特征提取算子得到特征图[3]；
第二步是将特征图进入分类器[4]进行训练，当达到约束条件后训练完成。第二个模块是目标检测识别模块，将准备检测的图像进行特征提取，获得特征图后，再将特征图输入到分类器得到检测的结果。算法流程如图1所示。
图1 深度学习目标检测算法结构图
Faster-R-CNN算法[5]在检测精度和运算速度上都达到了很高水平，是目标检测和分类的代表性算法。Faster-R-CNN算法[6]总结了R-CNN[7]和Fast-R-CNN 的不足和缺点，通过区域提取网络(Region Proposal Network，RPN)来代替选择性搜索(Selective Search，SS)算法[8]，并且引入了Andchor box概念[9]，成功解决了R-CNN和Fast-R-CNN的不足，更使得训练集能够优化整个过程，训练效率和算法效果得到了提升。算法网络结构如图2所示。
图2 Faster R-CNN 算法流程图
算法核心主要由三个步骤构成，即CNN 目标特征提取、区域候选网络的搭建、分类和回归：第一步，使用深度卷积网络对输入的图像进行目标特征提取；
第二步，特征图像经过 RPN 网络，得到候选框所在位置，再使用 ROI pooling[10]将目标对应到特征图像上；
第三步，将结果输入到全连接层进行最终的分类和检测框回归[11]。
特征层依然选用卷积、激活和池化组成的结构，在网络深度上对比CNN算法有所增加。区域候选网络和全连接层会应用到提取的特征图。特征图像在 RPN 网络结构中第一步先通过卷积层，之后会马上经过两个卷积层，卷积层大小为1×1。得到结果后，Softmax 分类器需要其中一个结果进行分类，候选区域的定位则使用另一个结果。候选框的定位，以特征图像的像元为此框的中心点生成一个框，然后再经过对比特征图像和原始图像就能够得到候选框的具体位置。分类器的作用是将所有的候选框分为前景和背景，然后每个候选框将得到两类分数，再进行回归分析计算，计算后能够得到[x,y,w,h] 4 个偏移量。由每个候选框得到的参数作为 RPN 的输出，再将候选框的特征图像和参数输入到候选框池化层。
交并比(Intersection over Union,IoU)代表了两个数据的重叠程度，在进行RPN 训练时，使用 IoU 指标对样本进行分类。公式如下：
(1)
式中：I(X)代表数据交集；
U(X)代表数据并集。将IoU小于0.3的作为负样本，将标注框与候选框的指标大于0.7作为正样本。
RPN的损失函数定义如下：
(2)
Faster-R-CNN最大的改进就是弃用了SS网络[12]，改用 RPN 网络[13]来代替，使得候选框的个数大大降低，并且质量也进一步提高。
3.1 本文算法流程
本算法分为两个部分：第一部分是传统算法部分，对红外图像进行处理，主要目的提取出候选区域，因为传统算法相较于深度学习算法速度快，所以第一部分会大量节省检测的时间；
第二部分是利用深度学习网络对候选区域进行目标的分类提取，通过两次精准的深度学习网络的检测，得出对目标的判断。本文算法流程如图3所示。
图3 算法流程图
3.2 算法部分
3.2.1 高低帽变换
图像进行预处理，首先对图像进行切割，输出512×512的图像，使图像缩小为以前的1/4。进行中值滤波降低条纹噪声的影响，同时可以滤掉一些点状海杂波。
分别利用高帽变换(TOP-HAT)和低帽变换(Bottom-HAT)[14]提取暗背景下亮目标和亮背景下暗目标：
TH(x,y)=f(x,y)-(f∘B)(x,y) ，
(3)
BH(x,y)=(f·B)(x,y)-f(x,y) 。
(4)
图4为经过低帽变换后的结果，图5为经过高帽变换后的结果。
图4 低帽变换
图5 高帽变换
3.2.2 阈值分割
因为红外图像为灰度图像，设置灰度阈值将疑似舰船目标分割出来，阈值的选取分别利用了图像中的max/2、(均值+max)/2和预先设置的经验值三个参数进行目标分割。因为红外图像背景与舰船目标的灰度值相差较大，为了将疑似目标全部提取出来防止漏检，所以选取三个值中的最小值作为阈值。目标经过分割后，对连通区进行标注。将这些连通区的重心坐标标记到数组中，并保存目标，图6为经过阈值分割后得出来的暗极性目标，图7为经过阈值分割后得出的亮极性目标结果图。
图6 通过阈值分割后的暗极性目标
图7 通过阈值分割后的亮极性目标
3.2.3 候选区域合并算法
针对传统的 ROI 提取算法容易受到噪声的影响，难以准确地提取出前景目标感性区域的问题，本文算法对候选目标进行合并，并且裁选出候选区域。将通过阈值分割后的得到的目标进行归并处理。归并算法的核心是遍历候选每个重心点，在一个64×64的范围以重心点为中心，比较在这个范围内重心坐标。选择重心最多的那个点，这些重心点就合并为一个候选框，依次将全部重心点遍历。合并之后的候选区会大大减少。如果候选区域超过64，就将图像分为64个均匀块。经过此步骤，不仅预防了噪声对检测到影响，更降低了虚警率。图8为经过归并算法后的目标检测，图9为检测陆地后的结果，图10为候选区域超过64的检测结果。
图8 经过归并算法后的目标检测结果
图9 检测陆地后的结果
图10 候选区域超过64对图片进行平均切块
3.2.4 快速深度学习网络排序
经过归并后，会有提取出很多候选区域，利用较为简单的快速网络先进行第一次粗检，为第二次精细的检测做准备，不仅减小了计算量，同时该网络也更适用于硬件平台实现，更适用于载荷目标检测系统。快速网络由4个卷积层+1个 FC层搭建，如图11所示，输入是将64×64缩小1/4，为32×32，神经元分别是16、16、32、32。
图11 快速深度学习网络参数表
3.2.5 精细深度学习最后的判断
精细网络共由7个卷积层+FC 构成，如图12所示，输入的大小为64×64，神经元的个数分别为32、32、64、64、96、96、16，经过精细深度学习网络判断，对候选区域做最终判定，如图13所示。
图12 精细深度学习网络参数表
图13 各个候选区进行判别
4.1 仿真平台介绍
此仿真平台操作系统为64位Windows 7，采用Matlab深度学习框架搭建，在硬件方面 CPU 使用了 Intel Pentium G2030，GPU采用了GeForce 30RTX 3090。
4.2 测试结果
测试使用了7 000张训练集，其中选用的红外图像大部份来自于网络，其他还包括从工厂搜集的包含舰船目标的红外图像等。选用了696 张包含各种不同的红外舰船目标的图片为测试集，舰船大多散布在海洋、港口等各种各样的背景下。对检测算法的精准度进行评估的度量指标为 mAP(Mean Average Precision)，对检测算法的速度评估指标为检测一张图片所用的时间，单位为s。图14为红外舰船图像检测前后的结果。
图14 红外舰船图像检测结果
4.3 结果分析
统计和对比了传统的红外舰船检测算法、基于深度学习的红外舰船检测算法和改进后传统与深度学习相结合的算法的性能，结果如表1所示。
表1 各种算法性能对比分析
通过对图表的对比分析可知，传统算法检测到舰船的平均准确率为75.60%，目标提取与深度学习结合算法平均准确率为83.69%,提高了8.09%。深度学习算法检测一张图片的时间为0.316 s，传统与深度学习结合的算法检测一张图片的时间为0.296 s，提升了0.02 s。统计结果表明，与传统的显著区域提取和目标精确分割相结合算法相比目标提取与深度学习结合算法的准确率得到了大幅度的提升，同时也没有耗费过多的时间；
与改进的Faster-R-CNN算法相比，在准确率仅仅降低0.29%的情况下，检测速度得到了大幅度的提高。
本文提出一种结合传统的目标区域提取方法与深度学习中分类的思想的红外舰船目标检测算法，既提高了检测的准确率，也提升了检测的速度。仿真和统计结果验证了本文算法的可行性。本文算法可用于海上监测、海上救援、码头船舶检测， 还可用于武装系统提升海军战斗力。
猜你喜欢候选框舰船红外舰船通信中的噪声消除研究舰船科学技术(2022年21期)2022-12-12重定位非极大值抑制算法光学精密工程(2022年13期)2022-08-02网红外卖环球时报(2022-05-23)2022-05-23面向自然场景文本检测的改进NMS算法计算机工程与应用(2022年1期)2022-01-22闪亮的中国红外『芯』金桥(2021年4期)2021-05-21舰船测风传感器安装位置数值仿真舰船科学技术(2021年12期)2021-03-29基于深度学习的重叠人脸检测计算机技术与发展(2020年2期)2020-04-15TS系列红外传感器在嵌入式控制系统中的应用电子制作(2019年7期)2019-04-25一种针对特定目标的提议算法火力与指挥控制(2018年3期)2018-04-19基于快速递推模糊2-划分熵图割的红外图像分割光学精密工程(2016年3期)2016-11-07