CN104182992A - 一种基于全景视觉的海上弱小目标检测方法 - Google Patents

Abstract

本发明涉及的是一种全景可见光图像中的弱小目标检测方法，特别是涉及一种复杂海天背景下全景可见光图像中的海上弱小目标检测方法。本发明包括：(1)边缘检测；(2)剔除无关边缘信息；(3)确定候选圆心；(4)筛选最优圆参数；(5)计算海天线附近局部区域的复杂度；(6)确定海上弱小目标的位置。本发明可有效避免阳光直射的干扰，保证海上弱小目标检测的准确性。

Description

一种基于全景视觉的海上弱小目标检测方法

技术领域

本发明涉及的是一种全景可见光图像中的弱小目标检测方法，特别是涉及一种复杂海天背景下全景可见光图像中的海上弱小目标检测方法。

背景技术

图像视觉信息是人类从客观世界获得信息的主要来源之一。与传统视觉系统视场较小不同，折反射全景视觉系统具有“成像一体化、360度大视场、旋转不变性”等优点，无需配备随动系统就可将周围环境信息尽收眼底，能够很好地满足海洋环境下大范围、远距离监控的需求。在海域监控领域，为了尽可能早地发现目标以保证有足够的反应时间，一般要求在很远的距离上就能检测到目标，此时自身尺寸很大的目标在成像平面上一般也只占几十个甚至几个像素，此时对目标进行检测和识别的过程就称为弱小目标检测。由于弱小目标与常规目标相比缺少形状、颜色、纹理等信息，同时波浪的起伏、日光的反射折射、雨雾天的干扰都会对检测产生不利影响，故海上弱小目标检测一直是目标检测与跟踪领域的难点问题。

目前绝大多数的海上弱小目标检测工作都是针对红外图像开展的，而基于可见光图像的海上弱小目标检测的研究相对较少，基于全景可见光图像的海上弱小目标检测工作更是罕见相关文献报道。海洋环境下的可见光图像中，背景动态范围大，目标没有突出的亮度特征，使得基于可见光图像的弱小目标检测比红外图像复杂。同时，虽然全景图像属于可见光图像范畴，但其基于双曲面折反射逆投影光学原理成像，其成像的特殊性导致全景可见光图像中的海上弱小目标检测有其自身的特点和难点，是目标检测领域中极具挑战性的课题。

针对海天背景下全景可见光图像中弱小目标检测的复杂性和特殊性，本申请的发明人提出了一种基于全景视觉的海上弱小目标检测新方法，利用海上远景目标必定首先出现在海天线上以及全景图像中的海天线近似呈圆形的特点，设计了一种基于改进霍夫圆变换的海天线提取方法，该方法通过自适应阈值边缘检测、单窗口阈值法剔除无关边缘、基于梯度信息确定候选圆心和筛选最优圆参数等处理手段实现近似圆形海天线的提取，然后根据海天线的提取结果，设计了一种基于全景图像局部区域复杂度的弱小目标检测算法。该方法实现了复杂海天背景下全景可见光图像中海天线附近的弱小目标的有效检测，检测效果可靠。

发明内容

本发明的目的在于提供一种检测全景可见光图像中的海上弱小目标的方法。

本发明的目的是这样实现的：

基于全景视觉的海上弱小目标检测方法，包括如下步骤：

(1)边缘检测

对采集到的全景海域图像(如图1所示)进行边缘检测得到边缘二值图像，其中边缘检测阈值自适应确定。自适应阈值的获取方式为：

1)遍历图像像素点，求得各点处的x方向与y方向的导数：

$G_x=\∂f/\∂x,G_y=\∂f/\∂y$

其中G_x为水平方向导数，G_y为垂直方向的导数。

计算点(x,y)处两个导数的绝对值之和：

G_abs＝|G_x|+|G_y|

其中G_abs为边缘强度的值。

2)假定图像像素点的总数目为M，设定一比例系数α，统计不同G_abs值对应的像素点的个数，按照G_abs的值从大到小的顺序将对应的像素点的个数进行累加，当像素点数目累加值等于αM时，此时对应的G_abs值即为所求的自适应阈值。

(2)剔除无关边缘信息

对步骤(1)得到的边缘二值图像进行基于单窗口阈值的无关边缘剔除，得到剔除干扰后的边缘图像，具体步骤为：

1)设计一大小为k×k的窗口，遍历边缘二值图像，计算窗口内边缘点的数目；

2)设定阈值M，一般设为2×k，如果窗口内非零点的数目大于阈值M，则认为窗口内非零点为无关信息而被从边缘图中删除。

(3)确定候选圆心

针对步骤(2)得到的边缘检测图，遍历边缘图像的非0点，计算其局部梯度以及梯度的方向θ(x,y)，在过点(x,y)，斜率为tanθ(x,y)的直线上，将距离点(x,y)在r～R之间的像素点对应的累加器值加1，其中r＝R₀-Δr，R＝R₀+Δr，R₀为由先验知识预估的海天线的半径。累加器的值大于给定阈值且是局部极大值的像素点作为候选中心，将这些候选中心按照对应的累加值大小降序排列。

(4)筛选最优圆参数

对步骤(3)确定的每个候选圆心，以Δr为半径步长，在r～R之间搜寻可能的边缘点，当某半径的边缘点数目高于阈值时，将其对应的圆视为候选圆。经过上述处理，得到多个候选圆，设定一个择优标准：

取Q值最大的圆作为海天线提取结果。

(5)计算海天线附近局部区域的复杂度

沿着步骤(4)确定的海天线建立一个二层嵌套窗口(如图2所示)，此窗口分为内窗口和外窗口，内窗口用于检测目标，内窗口所在区域称为目标区域；外窗口用于区分目标和背景，外窗口所在区域称为局部区域；外窗口去除内窗口后的区域称为背景区域。在进行目标检测时，此嵌套窗口沿海天线移动，以弧扇型在海天线外围平行分布，基于嵌套窗口计算图像中各个局部区域的复杂度值：

RSS＝[(μ_T-μ_B)²+σ_L ²]^1/2

式中：RSS为局部区域复杂度值，μ_T、μ_B分别是目标区域和背景区域的灰度均值，代表局部区域方差，其中n为局部区域像素个数，u_i为第i个像素的灰度值，u为局部区域灰度均值。

(6)确定海上弱小目标的位置

有弱小目标存在的局部区域的复杂度值会明显高于无目标存在的局部区域，设定一图像局部区域复杂度阈值，当步骤(5)中得到的某局部区域的复杂度值大于此阈值时，确认此区域存在弱小目标。

本发明的有益效果在于：

全景视觉系统的采用可以满足海洋环境下大视场、大范围、远距离监控的需求，有效减少监控设备数量、降低花费成本。针对全景视觉系统采集到的近似圆形的海天线设计了一种基于改进霍夫圆变换的海天线提取方法，其中自适应阈值边缘检测以及单窗口阈值法剔除无关干扰信息等处理手段在保证边缘检测精度的同时有效减少了复杂背景信息的干扰，基于梯度确定候选圆心和筛选最优圆参数等处理手段保证了海天线提取结果的最优性和唯一性。在海天线提取的基础上设计了一种基于图像局部区域复杂度的弱小目标检测方法，该方法可有效避免阳光直射的干扰，保证海上弱小目标检测的准确性。

附图说明

图1是全景可见光海域图像示意图。

图2是嵌套窗口示意图。其中7为外窗口，8为内窗口。

图3是基于全景视觉的海上弱小目标检测流程图。

具体实施方式

下面结合附图对本发明做进一步描述：

如图1所示，其中1为全景视觉采集设备反射镜边缘，2为天空区域，3为目标区域，4为海天线，5为海面区域，6为船体及设备的成像。

我国具有绵长的海岸线和广阔的海洋国土，海上维权执法工作艰巨而繁重。为了更好的满足我国海监相关部门对我国管辖海域实施巡航监视以及对海上重大事件的应急监视、调查取证等方面的重大需求，大力开发先进的海域目标监控设备，继而研究相应的海域目标检测算法具有理论意义和现实意义。将折反射全景视觉系统应用于海域监控领域，可以充分利用其“水平视场无死角，成像一体化、360度大视场、旋转不变性”等优点，实现海洋环境下的大视场、远距离视频监控，对提高监控效果、减少设备数量、缩减花费成本、降低劳动强度有着重要的实际应用价值；而研究基于全景视觉的海上弱小目标检测方法从而为全景视觉系统在海域监控领域的应用提供技术支持，对提高区域监控和防御能力具有重要的价值。本发明针对全景可见光海域图像，在进行全景圆形海天线提取的基础上实现海天线附近出现的海上弱小目标的有效检测。现有海天线提取方法基本都是针对常规视觉系统采集的直线型海天线提出的，其中又以检测红外图像中的直线型海天线居多，而本发明针对全景视觉系统采集的全景可见光图像中的近似圆形的海天线设计了一种基于改进霍夫圆变换的海天线提取方法。目前，海上弱小目标的检测工作基本都是针对红外弱小目标开展的，而本发明进行基于全景可见光图像的海上弱小目标检测。全景可见光图像中的海上弱小目标不仅缺少颜色、形状、纹理等信息，而且缺少红外弱小目标的高亮度特性，且易受光照、海浪、雨雾雪天气干扰，同时全景系统成像原理的特殊性又进一步增加了检测的复杂性，因而检测全景可见光弱小目标比检测红外弱小目标具有更高的难度，而本发明设计了一种基于图像局部区域复杂度的检测方法检测出现在海天线区域的全景可见光弱小目标。

本发明的步骤如下：

步骤1、边缘检测。对采集到的全景图像进行自适应阈值边缘检测，得到边缘二值图像，阈值自适应确定的目的是保证准确地检测到海天线的边缘的同时消除边缘强度较小的边缘点。

步骤2、剔除无关边缘信息。步骤1中得到的边缘二值图像粗略地提取出了图像的边缘信息，但其中除了海天线的边缘外，还包含了由于船体及采集设备的成像而造成的大量干扰边缘信息，为减少无关边缘点的干扰，设计了单窗口阈值法剔除无关边缘信息，得到剔除干扰后的边缘图像。

步骤3、确定候选圆心。过圆形海天线上一点，且沿着此点的梯度方向的直线会经过圆心，利用这一原理，针对步骤3中得到的剔除干扰后的边缘图像，基于梯度信息确定候选圆心点。

步骤4、筛选最优圆参数。针对步骤4得到的每个候选圆心，当以一定的步长搜寻对应半径的圆环上的点时，可能找到多个满足条件的圆，分别计算每个圆的边缘点数目与半径的比值，取比值最大的候选圆作为海天线输出。

步骤5、计算海天线附近局部区域的复杂度。沿着步骤4中提取出的海天线轨迹建立嵌套窗口，基于嵌套窗口计算图像各个局部区域的复杂度值。

步骤6、确定海上弱小目标的位置。有目标出现的局部区域的复杂度值会明显高于无目标出现的局部区域，设定一合理的复杂度阈值，复杂度值高于该阈值的局部区域即为弱小目标所在区域。

实施例：

1.对图像进行自适应阈值边缘检测得到边缘二值图像

由于不同时间海上亮度、空气清晰度等因素的影响，全景设备采集到的图像可能会有很大差别，固定阈值的边缘检测很难满足要求，本发明采用自适应阈值边缘检测算法得到边缘二值图像。算法的阈值根据处理的全景图像自适应确定，边缘检测自适应阈值的确定方法为：

(1)遍历图像像素点，求得各点处的x方向与y方向的导数，如图像f(x,y)在点(x,y)处的导数为：

$G_x=\∂f/\∂x,G_y=\∂f/\∂y---\left(1\right)$

其中G_x为水平方向导数，G_y为垂直方向的导数。

计算点(x,y)处两个导数的绝对值之和：

G_abs＝|G_x|+|G_y|   (2)

其中G_abs为边缘强度的值。

(2)统计G_abs不同的值对应的像素点的个数，按照G_abs的值从大到小的顺序将对应的像素点的个数进行累加，设定一比例系数α(0＜α＜1)，假定图像像素点的总数目为M，当像素点数目累加值等于αM时，此时对应的G_abs值即为所求的自适应阈值。

利用上述方法计算自适应阈值，对采集到的海上全景图像进行自适应阈值边缘检测得到边缘二值图像。

2.单窗口阈值法剔除无关边缘信息

按照步骤1进行自适应阈值边缘检测，可以粗略地提取到图像的边缘信息，此时海天线边缘大部分能够检测出来，但其内部却因船体及采集设备的成像等因素而含有大量的干扰边缘信息。这些干扰信息的存在会增加后续步骤中确定的候选圆心的数量，从而增加海天线提取的时间。利用无关边缘信息一般分布比较密集的特点，本发明设计了单窗口阈值法剔除无关边缘信息，具体原理为：

(1)设计一大小为k×k的窗口，遍历边缘二值图像，计算窗口内边缘点的数目；

(2)设定阈值M，M是窗口内仅含有海天线边缘点时的边缘点数的上限，一般设为2×k，如果窗口内非零点的数目大于阈值M，则认为窗口内非零点为无关信息而被从边缘图中删除。

对步骤1得到的边缘二值图像采用单窗口阈值法剔除无关边缘信息后，得到剔除干扰后的边缘图像，此时海天线的边缘可以得到较好的保留，而船体及设备的成像边缘等干扰信息大大减少，从而能够提高后续步骤中海天线检测的速度和精度。

3.基于梯度信息确定候选圆心

过圆形海天线上一点，且沿着此点的梯度方向的直线会经过圆心，利用这一原理可以确定候选圆心点。在具体应用中，当全景视觉采集装置结构固定之后，所采集的视频图像中圆形海天线的半径理论上保持不变，可在无海浪干扰的情况下获得，假设由先验知识预估的海天线的半径约为R₀。遍历步骤2中得到的剔除干扰后的边缘图像的非0点，计算其局部梯度以及梯度的方向θ(x,y)。在过边缘点(x,y)，斜率为tanθ(x,y)的直线上，将距离点(x,y)在r～R之间的像素点对应的累加器值加1，其中r＝R₀-Δr，R＝R₀+Δr，Δr＞0。在获取候选圆心的过程中，这种只对直线上距离边缘点在一定范围的像素点进行处理的方法，可以提高检测效率，减少无关边缘点的干扰，增加候选圆心点的可信度。累加器的值大于给定阈值且是局部极大值的像素点作为候选中心，将这些候选中心按照对应的累加值大小降序排列，排列顺序也是候选圆心的排序。

4.筛选最优圆参数

对每个候选圆心，当以一定的步长搜寻对应半径的圆环上的点时，可能找到多个满足条件的圆，具体处理方法为：对每个候选圆心，以Δr为半径步长，在r～R之间搜寻可能的边缘点，当某半径的边缘点数目高于给定阈值时，将其对应的圆视为候选圆。

经过上述处理，得到多个候选圆，由于单张图片中实际海天线位置是唯一的，因此需要有一个择优标准从这些候选的圆中选出最优的圆作为海天线。圆环边缘点的数目与半径的比值兼顾了边缘点的数目和圆的尺寸，其大小可以作为判断圆环优劣的标准。由此，遍历候选圆心，计算每一候选圆心对应不同半径时轮廓边缘点的数目然后计算边缘数目与半径的比值，即

按照比值Q的大小对相应的半径降序排列。在这里，由于已知半径范围，故对每一候选圆心，只需计算在r～R之间的半径对应的比值，最后取比值最大的候选圆作为海天线输出。

5.计算海天线附近局部区域的复杂度

由于海上远景目标必然首先出现在海天线上，因此在提取的全景海天线附近进行弱小目标检测可以明显提高检测效率。沿着步骤(4)确定的海天线建立一个二层嵌套窗口，此窗口分为内窗口和外窗口，内窗口用于检测目标，内窗口所在区域称为目标区域；外窗口用于区分目标和背景，外窗口所在区域称为局部区域；外窗口去除内窗口后的区域称为背景区域。考虑到阳光直射是影响弱小目标检测结果的主要因素，相较于海面区域，天空区域受阳光直射影响较小，通常较为平滑，而且海上远景弱小目标是海天线上处于天空区域的微小突起，所以沿海天线建立嵌套窗口，并令其以弧扇型在海天线外围平行分布，以减小阳光直射时对基于嵌套窗口的局部区域复杂度值产生的影响。在进行目标检测时，此嵌套窗口沿海天线移动，基于嵌套窗口计算图像中各个局部区域的复杂度值：

RSS＝[(μ_T-μ_B)²+σ_L ²]^1/2  (4)

式中：RSS为局部区域复杂度值，μ_T、μ_B分别是目标区域和背景区域的灰度均值，代表局部区域方差，其中n为局部区域像素个数，u_i为第i个像素的灰度值，u为局部区域灰度均值。

6.确定海上弱小目标的位置

嵌套窗口分布在海天线外围，而海天线外围主要是天空成像所在区域，由于该区域通常比较平滑，故无目标出现时其局部区域复杂度较小，而一旦有目标出现在局部区域的内窗口中，该局部区域的复杂度值会明显增加，因此很容易通过确定阈值将目标从背景中分离。设定一图像局部区域复杂度阈值，当步骤5中得到的某局部区域的复杂度值大于此阈值时，确认此区域存在弱小目标。

Claims (1)

1.一种基于全景视觉的海上弱小目标检测方法，其特征在于：

(1)边缘检测

对采集到的全景图像进行边缘检测得到边缘二值图像，其中边缘检测阈值自适应确定，自适应阈值的获取方式为：

1)遍历图像像素点，求得各点处的x方向与y方向的导数：

$G_x=\∂f/\∂x,G_y=\∂f/\∂y$

其中G_x为水平方向导数，G_y为垂直方向的导数；

计算点(x,y)处两个导数的绝对值之和：

G_abs＝|G_x|+|G_y|

其中G_abs为边缘强度的值；

2)根据图像像素点的总数目M，比例系数α，统计不同G_abs值对应的像素点的个数，按照G_abs的值从大到小的顺序将对应的像素点的个数进行累加，当像素点数目累加值等于αM时，此时对应的G_abs值即为所求的自适应阈值；

(2)剔除无关边缘信息

对步骤(1)得到的边缘二值图像进行基于单窗口阈值的无关边缘剔除，得到剔除干扰后的边缘图像：

1)用大小为k×k的窗口，遍历边缘二值图像，计算窗口内边缘点的数目；

2)设定阈值M，如果窗口内非零点的数目大于阈值M，则认为窗口内非零点为无关信息而被从边缘图中删除；

(3)确定候选圆心

对步骤(2)得到的边缘检测图，遍历边缘图像的非0点，计算局部梯度以及梯度的方向θ(x,y)，在过点(x,y)，斜率为tanθ(x,y)的直线上，将距离点(x,y)在r～R之间的像素点对应的累加器值加1，其中r＝R₀-Δr，R＝R₀+Δr，R₀为由先验知识预估的海天线半径，累加器的值大于给定阈值且是局部极大值的像素点作为候选中心，将候选中心按照对应的累加值大小降序排列；

(4)筛选最优圆参数

对步骤(3)确定的每个候选圆心，以Δr为半径步长，在r～R之间搜寻可能的边缘点，当半径的边缘点数目高于阈值时，将对应的圆视为候选圆，得到多个候选圆，设定择优标准：

取Q值最大的圆作为海天线提取结果；

(5)计算海天线附近局部区域的复杂度

沿着步骤(4)确定的海天线建立二层嵌套窗口，二层嵌套窗口分为内窗口和外窗口，内窗口用于检测目标，内窗口所在区域称为目标区域；外窗口用于区分目标和背景，外窗口所在区域称为局部区域；外窗口去除内窗口后的区域称为背景区域，进行目标检测时，嵌套窗口沿海天线移动，以弧扇型在海天线外围平行分布，基于嵌套窗口计算图像中各个局部区域的复杂度值：

RSS＝[(μ_T-μ_B)²+σ_L ²]^1/2

RSS为局部区域复杂度值，μ_T、μ_B分别是目标区域和背景区域的灰度均值，代表局部区域方差，其中n为局部区域像素个数，u_i为第i个像素的灰度值，u为局部区域灰度均值；

(6)确定海上弱小目标的位置

当步骤(5)中得到的局部区域的复杂度值大于此阈值时，确认此区域存在弱小目标。