基于边缘线分析与聚合通道特征的港口舰船检测 下载: 1067次
ing at the problems of low accuracy and high false alarm rate caused by artificial targets in the process of optical remote sensing image docked ship detection. This paper proposes a new method based on edge line gradient features and aggregation channel features for docked ship detection. The multi-structural and multiscale element morphological filters are used to realize the division of sea and land. According to the rectangular shape characteristics of the port in remote sensing images, the edge gradient tangent angle and the port concave and convex features are defined to locate the port,obtaining collection of port region of interest. The aggregation channel features of ships will be extracted and used to train the classifier for the docked ships by AdaBoost algorithm. The trained classifier is used to confirm the real ships in the port. Compared with traditional HOG feature and Haar feature, the proposed algorithm has better detection effect, and its precision and recall rate are greatly improved.
1 引言
舰船作为海上运输的重要载体,对其进行有效检测更有利于监测航运信息。目前舰船目标检测识别技术主要基于3种图像:可见光学遥感图像、红外遥感图像[1-2]和合成孔径雷达(SAR)图像[3]。不同于能获得光学及其他目标特征信息的红外遥感图像和SAR图像,可见光学遥感图像只能获取目标RGB三通道特征。本文所提算法研究对象为可见光学遥感图像。
在舰船检测场景中,不同于纯海洋背景,近岸港口区域背景复杂多样,不仅包含海面,还包含港口码头等大量人造目标,所以靠岸舰船目标检测一直是可见光遥感图像舰船检测中的难点,在大尺度的遥感图像中尤为明显[4]。对于港口舰船目标检测,一般先对遥感图像中的港口进行定位,并依据定位出的港口区域进行舰船目标检测。目前而言,可见光学遥感图像港口背景下的舰船目标检测研究主要以国内为主。港口区域定位的方法主要分为基于港口先验信息配准[5-10]和基于港口几何特征[11-14]。先验信息配准方法需要事先获取港口模板,并与待配准的港口图像进行特征匹配计算,对先验模板图像依赖性大;几何特征定位方法一般利用港口的线特征[11-12]、差分链码[13]、角点特征[14]等,这些特征计算量较大且对噪声较为敏感。对于港口区域舰船目标检测算法,文献[ 15-17]依据船首V型形状,在角点检测的基础上定义船首的局部特征进行舰船检测,但检测时是基于港口存在的区域图像,没有对港口区域进行定位提取。文献[ 5-6,8-10]在图像配准定位港口区域的基础上,对舰船目标进行形状特性分析,依据分析进行检测,该算法较为依赖图像海陆分割效果。
本文基于大尺度的可见光学遥感图像,在海陆分割提取海岸线大致轮廓的基础上,提出一种基于港口边缘线特征点几何特性的港口区域定位方法,同时考虑到在舰船目标检测时较为依赖图像海陆分割效果,本文从舰船目标整体的灰度纹理特征入手,基于聚合通道特征和AdaBoost算法构建舰船目标的分类器,对近岸港口背景下的舰船目标进行检测。
2 港口舰船检测算法描述
本文中的港口舰船目标检测方法可以分为海陆分割、港口区域定位、舰船目标检测这3个部分。
2.1 海陆分割
海陆分割的重点在于区分灰度值较低的海洋区域和灰度值较高的陆地和舰船目标区域。为去除陆地地貌突兀边缘的灰度干扰,结合其边缘轮廓通常是直线或直线相交角组合的特点,选择0°、45°、90°和135° 4种线形态学结构特征,利用多尺度多结构元素形态学滤波[18]对遥感图像进行滤波处理。然后利用最大类间差法[19]进行海陆分割。
图 1. 海陆分割处理。(a)遥感图像;(b)滤波前海陆灰度分布;(c)滤波后海陆灰度分布;(d)海陆分割二值图
Fig. 1. Sea-land segmentation processing. (a)Remote sensing image; (b) gray distribution of sea and land before filtering; (c) gray distribution of sea and land after filtering; (d) binary image of sea-land segmentation
2.2 港口区域定位
港口区域的有效定位:一方面,可以依据边缘线快速定位出舰船停靠的港口区域,不需要遍历全图像;另一方面,依据港口区域进行舰船目标检测,可以有效避免海洋区域和陆地区域的其他干扰。近岸背景下,舰船目标一般停靠在港口区域。
图 2. 典型港口及其简化图。(a) 典型港口;(b) 港口形状简化图
Fig. 2. Typical ports and simplified port shape. (a) Typical ports; (b) simplified port shape
从
定义提取得到的边缘线点二维坐标数组
相邻边缘线各点梯度正切角的差为
拐点处相邻边缘点间的梯度正切角的差理论上接近90°,故可依据(2)式初步选择出90°拐点。在初步提取出边缘线拐点集合
式中:
对海陆分割得到的二值化图像[
由
图 3. 港口拐点分布图。(a)凹凸度特征筛选前;(b)凹凸度特征筛选后
Fig. 3. Port inflection point distributions. (a) Before convex-concave feature selection; (b) after convex-concave feature selection
2.3 舰船目标检测
2.3.1 特征提取
在港口中停靠的舰船目标与码头相邻排列,图像二值化会导致舰船区域与码头区域相连,且码头与舰船均为刚性对称目标,码头为矩形形状,舰船为长条形且船首有尖角。为了合理区分舰船目标和码头目标,利用聚合通道特征[20]来表征舰船目标更多的细节信息。聚合通道特征包括:
1) 图像的HSV(Hue, Saturation, Value)颜色空间通道特征。
式中:
2) 梯度幅值特征。令
3) 梯度方向直方图特征。图像的梯度方向角
在提取梯度方向直方图特征前,先对舰船目标区域进行canny边缘检测,依照边缘图提供的边缘信息,通过统计边缘点的方向梯度来构建舰船目标的梯度方向直方图特征。
聚合通道特征能从不同的角度对图像信息进行描述。
2.3.2 舰船检测判别器
提取舰船目标的聚合通道特征后,利用AdaBoost算法[21]和CART决策树[21]构建分类器。
AdaBoost算法构建分类器的流程如下:
给定提取聚合通道特征的训练数据{(
1) 初始化训练数据的权重分布。每一个训练样本在开始时被赋予相同的权重
2) 迭代。
a)利用当前权重分布的训练样本训练一个CART(Classification and Regression Tree)决策树[21]分类器,选取该分类器h作为第
式中:
b)计算该分类器在全部分类器中所占的权重:
c)更新训练样本的权重分布,即
式中:
3) 按
式中:
2.4 总体算法描述
输入:待检测可见光学遥感图像。
输出:港口区域舰船检测结果。
Step 1:利用多尺度多结构算子对图像进行形态学滤波,并利用最大类间差法完成海陆分割。进行海陆分割图像的边缘线提取,记录边缘线各点的横、纵坐标。
Step 2:利用(1)、(2)式提取出边缘线中90°角点,得到边缘线角点数组。
Step 3:利用所求边缘线角点数组,基于(3)式计算全部角点的凹凸度特征,去除凹凸度特征较小的角点,得到港口拐点数组。
Step 4:构建训练样本,基于(4)~(8)式提取正负样本的聚合通道特征,在基学习器为CART分类器的前提下,基于(9)~(13)式完成舰船目标分类器的训练。
Step 5:依据港口拐点数组得到港口区域,在港口区域图像中利用舰船目标分类器进行舰船检测。
Step 6:基于可视化检测结果得到港口区域舰船检测结果。
3 实验结果及分析
3.1 实验数据
以美国诺克福港口和费城海军造船厂的典型港口遥感图像作为待检测图像,图像为长光一号卫星拍摄的RGB可见光遥感图像,像素分辨率为0.72 m,尺寸大小分别为9000 pixel×7700 pixel和1700 pixel×1200 pixel。在同等分辨率下,依据Google Earth遥感图像数据库构建238个正样本和976个负样本用于分类器的训练。如
图 7. 部分训练样本。(a)正样本;(b)负样本
Fig. 7. Partial training samples. (a) Positive samples;(b) negative samples
3.2 评价指标
为了衡量算法的精度,利用检测召回率
式中:
3.3 分类器训练
将CART分类器[21]作为基学习器,利用AdaBoost算法构建级联分类器,用于舰船目标检测。算法中各个学习器的权重自适应确定,对算法性能影响较大的参数为迭代次数
3.4 特征对比
在分类器为CART分类器和算法为AdaBoost的情况下,将选取的聚合通道特征和舰船检测常用的Haar特征[22]及HOG特征[23]进行对比。分别利用AdaBoost算法训练这3种特征分类器。实验在训练3种特征的舰船分类器时,通过调整算法参数
图 9. 3种特征部分的检测效果图(美国诺克福港口)。(a) Haar特征检测效果;(b) HOG特征检测效果;(c)聚合通道特征检测效果
Fig. 9. Partial detection results by three kinds of features (US port of Norfolk). (a) Detection results of Haar; (b) detection results of HOG; (c) detection results of aggregation channel features
图 10. 检测效果图(费城海军造船厂港口)。(a)原图像;(b)港口拐点分布图;(c) Haar特征检测效果;(d) HOG特征检测效果;(e)聚合通道特征检测效果
Fig. 10. Detection results by three kinds of features (Philadelphia navy yard harbor). (a) Original image; (b) port inflection point distribution; (c) detection results of Haar; (d) detection results of HOG; (e) detection results of aggregation channel features
经过实验统计得到的结果如
表 1. 3种特征的检测效果
Table 1. Detection results of three kinds of features
|
4 结论
提出了一种可见光学遥感图像近岸港口舰船检测的方法,该方法是通过结合边缘线梯度特征定位并基于聚合通道特征及AdaBoost算法的训练分类器实现的。所提方法的优点在于:1)在定位港口区域时不需要港口模板先验信息库和繁杂的特征配准计算;2)在检测港口中的舰船目标时,不需要依赖精准的海陆分割,而是充分利用原图中舰船目标的灰度纹理特征构造其聚合通道特征。实验表明,相较于传统的HOG特征和Haar特征,聚合通道特征能更好地判别港口区域下的舰船目标。下一步考虑同物异谱现象的存在,着重研究同物异谱现象对聚合通道特征的影响,进一步改进特征表达,增强算法的稳健性。
[1] 王文秀, 傅雨田, 董峰, 等. 基于深度卷积神经网络的红外船只目标检测方法[J]. 光学学报, 2018, 38(7): 0712006.
[2] 鲍松泽, 钟兴, 朱瑞飞, 等. 基于短波红外遥感影像的船只自动检测方法[J]. 光学学报, 2018, 38(5): 0528001.
[3] 熊伟, 徐永力, 崔亚奇, 等. 高分辨率合成孔径雷达图像舰船目标几何特征提取方法[J]. 光子学报, 2018, 47(1): 0110001.
[4] 王彦情, 马雷, 田原. 光学遥感图像舰船目标检测与识别综述[J]. 自动化学报, 2011, 37(9): 1029-1039.
[5] 杨淼, 沈沉, 高志升. 基于F-B模板的遥感图像港口高精度分割提取[J]. 光学精密工程, 2017, 25(10): 205-214.
[6] 杨光, 蔚鹏志, 邓翔. 基于SIFT特征的港口内舰船检测方法[J]. 电子技术与软件工程, 2017( 5): 91- 93.
YangG, Wei PZ, DengX. A method of ship detection in port based on SIFT feature[J]. Electronic Technology & Software Engineering, 2017( 5): 91- 93.
[7] 王军, 胡永刚, 韩崇昭. 基于结构一致性深度的港口遥感图像自动配准技术[ C]∥2011 International Conference on Aerospace Engineering and Information Technology, 2011-05-05, 北京, 中国. [S.l.: s.n.], 2011: 275- 282.
WangJ, Hu YG, Han CZ. An automatic registration method for remote sensing image based on structure coherence depth[ C]∥2011 International Conference on Aerospace Engineering and Information Technology, May 5, 2011, Beijing, China. [S.l.: s.n.], 2011: 275- 282.
[8] 高波, 陈忠, 刘思思. 基于位置先验信息配准和视觉显著性的港口舰船目标检测研究[J]. 计算机与数字工程, 2018, 46(4): 818-821, 850.
[9] 丛瑜, 周伟, 于仕财, 等. 一种对港口影像进行舰船目标提取方法[J]. 计算机仿真, 2014, 31(1): 22-25, 40.
[10] 王岳环, 秦小娟, 韦海萍, 等. 基于港口匹配和海域分割的靠岸舰船检测方法[J]. 华中科技大学学报(自然科学版), 2017, 45(10): 95-99.
[11] 樊利恒, 吕俊伟, 于振涛. 基于线不变矩和封闭性的遥感图像港口识别[J]. 光电工程, 2013, 40(4): 92-100.
[12] 赵波. 遥感图像目标识别算法研究[D]. 长沙: 国防科学技术大学, 2004: 45- 50.
ZhaoB. A research on target recognition algorithms for remote sensing image[D]. Changsha: National University of Defense Technology, 2004: 45- 50.
[13] 周拥军, 朱兆达, 丁全心. 遥感图像中港口目标识别技术[J]. 南京航空航天大学学报, 2008, 40(3): 350-353.
[14] 李艳, 彭嘉雄. 港口目标特征提取与识别[J]. 华中科技大学学报, 2001, 29(6): 10-12.
[15] 胡俊华, 徐守时, 陈海林, 等. 基于局部自相似性的遥感图像港口舰船检测[J]. 中国图象图形学报, 2009, 14(4): 591-597.
[16] JinB, CongY, ZhouW, et al. A new method for detection of ship docked in harbor in high resolution remote sensing image[C]∥2014 IEEE International Conference on Progress in Informatics and Computing, May 16-18, 2014, Shanghai, China. New York: IEEE, 2014: 341- 344.
[17] 吴飞, 汪渤, 周志强, 等. 基于船头特征提取和轮廓定位的港口舰船检测[J]. 北京理工大学学报, 2018, 38(4): 387-392.
[18] 李晓博, 孙文方, 李立. 静止轨道遥感卫星海面运动舰船快速检测方法[J]. 电子与信息学报, 2015, 37(8): 1862-1867.
[19] 齐丽娜, 张博, 王战凯. 最大类间方差法在图像处理中的应用[J]. 无线电工程, 2006, 36(7): 25-26, 44.
[20] YangB, Yan JJ, LeiZ, et al. Aggregate channel features for multi-view face detection[C]∥IEEE International Joint Conference on Biometrics, September 29-October 2, 2014, Clearwater, FL, USA. New York: IEEE, 2014: 14838106.
[21] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 73-95, 171- 196.
Zhou ZH. Machine learning[M]. Beijing: Tsinghua University Press, 2016: 73-95, 171- 196.
[22] MutalikdesaiA, BaskaranG, JadhavB, et al. Machine learning approach for ship detection using remotely sensed images[C]∥2017 2nd International Conference for Convergence in Technology (I2CT), April 7-9, 2017, Mumbai. New York: IEEE, 2017: 1064- 1068.
[23] 孙皓, 孙显, 王宏琦. 一种高分辨率遥感图像舰船检测方法研究[J]. 测绘科学, 2013, 38(5): 112-115, 140.
Article Outline
黎经元, 厉小润, 赵辽英. 基于边缘线分析与聚合通道特征的港口舰船检测[J]. 光学学报, 2019, 39(8): 0815004. Jingyuan Li, Xiaorun Li, Liaoying Zhao. Docked Ship Detection Based on Edge Line Analysis and Aggregation Channel Features[J]. Acta Optica Sinica, 2019, 39(8): 0815004.