基于多特征融合的SAR图像舰船自学习检测算法

楚博策，文义红，陈金勇

(中国电子科技集团公司航天信息应用技术重点实验室，河北 石家庄 050081)

0 引言

我国是一个幅员辽阔的海洋大国，海战场环境下对目标进行快速、精准的检测定位是战时用于精准打击、军力部署和态势分析中亟待解决的关键问题。合成孔径雷达(SAR)具有全天候、全天时和穿透能力强等特点，是目前重要的对地观测和军事侦察手段，其主要应用领域之一就是各种军事目标的检测和识别。因此，随着SAR数据收集能力的不断增强，现已成为舰船检测的主要信息获取手段。

近年来各国研究人员利用SAR开展了大量的舰船目标检测研究，其中有研究者简单设定阈值进行检测，但是此类方法缺乏适应性。除此之外，恒虚警率(Constant False Alarm Rate，CFAR)检测算法[1]是SAR目标探测的重要算法之一。目前多使用高斯分布[2]、K分布[3]、G分布[4]、对数正态分布[5]和稳态分布[6]等，概率分布对海杂波进行建模分析，但是不同的概率分布建模的复杂程度不一样，不仅影响SAR舰船目标的检测效率，也直接影响目标检测效果。为解决CFAR检测效果不佳的问题，后续研究者采用机器学习的方法对舰船目标数据库进行特征提取与训练[7]，但是此类方法对于数据库中不存在的舰船目标泛化能力较差[8]，而且无法实现实时更新，难以应对战场环境下的复杂变化。

本文提出一种基于多特征融合的舰船自学习检测方法，该方法通过用户选取感兴趣的舰船目标，对选取目标的形态(长宽比)、灰度(亮度)和轮廓(傅里叶描述子[9])等多种特征进行自学习，随后对待检测图像进行轮廓分割和个体特征判定的方法提取出待检测图像中与用户选择目标相似的舰船目标。本文方法满足战时应用需要，可以随时根据需求快速得到所有感兴趣的舰船打击目标，相比CFAR[10]具有更高的检测速度，相比机器学习方法[11]具有更加灵活的反应能力。

1 多特征融合的自学习算法

1.1 检测流程设计

本文设计舰船检测流程如图1所示。

图1 自学习舰船检测流程

首先需要选取待检测的感兴趣目标，对其进行形态、灰度和轮廓等多特征提取，随后对待检测图像进行海陆分割，对海域部分进行目标轮廓分割，对分割得到的待检测目标进行多特征提取，随后与选取目标进行多特征匹配得到最终检测结果。

1.2 特征提取

本文选取舰船长宽比、亮度和傅里叶描述子分别对舰船目标的形态、灰度和轮廓3个方面进行特征描述。

① 采用基于椭圆拟合的舰船目标长宽特征提取。

在二维平面坐标系中，椭圆的曲线方程代数表达式为：

Ax2+Bxy+Cy2+Dx+Ey+F=0。

采用最小二乘原理可知，可通过最小化代数距离平方和来实现曲线拟合的问题，

由极值原理，若令f(A，B，C，D，E，F)的值为最小，必有

由此可以得到线性方程组，结合约束条件可以求得方程系数A，B，C，D，E，F的值，最终可得到椭圆方程。

通过轮廓分割可以得到检测目标的边缘，采用最小二乘椭圆拟合方法提取得到目标的长和宽特征。

② 基于椭圆拟合的亮度特征。同理于上述椭圆拟合的方法，本文遍历椭圆内所有像素点并计算所有点的亮度平均值作为该目标的亮度特征。

③ 傅里叶描述子。傅里叶描述子的基本思想是：设物体的形状是一条封闭曲线，沿边界曲线上一个动点s(k)=[x(k)，y(k)]是一个以形状边界周长为周期的函数。这个周期函数可以展开成傅里叶级数。傅里叶级数中的一系列系数a(u)直接与边界曲线形状有关，称为傅里叶描述子，其计算公式为：

傅里叶描述子是物体形状边界曲线的傅里叶变换系数，它是物体边界曲线信号的频域分析结果。根据傅里叶变换的性质，傅里叶描述子与形状尺度、方向和曲线起始点s0有关。以a(1)为基准进行归一化处理，得到归一化后的傅里叶描述子：

归一化后的傅里叶描述子d(u) 具有尺度、旋转和平移的不变性。

1.3 分类器设计

为说明基于多特征融合的SAR图像舰船目标检测方法的有效性，在使用长宽、亮度、傅里叶描述子作为特征量的基础上，选择简单的阈值分类器设计方法实现检测过程。其中采用待检测目标与选定目标的长、宽、亮度的比值，以及计算归一化傅里叶描述子之间的欧氏距离实现阈值比对。其中傅里叶描述子的欧氏距离公式为：

由于形状的能量大多集中在低频部分，傅里叶变换的高频分量一般很小且容易受到高频噪声的干扰，一般只使用归一化描述子的低频分量计算物体形状的相似差异(本文根据经验，取M=20)，dE越大，物体的形状差异越大。

2 实验结果及分析

2.1 数据准备

本文以哨兵-1卫星数据为基础，其他来源SAR图像进行补充，对多幅SAR图像进行检测，其中每幅图片尺寸为3 600*2 400，图像中包含多种姿态的目标，并且包含多种干扰信息，如树木、草坪和建筑物等。待检测目标包含各种方位与尺寸，方位角包括0°～360°的全方位角度。

2.2 评价指标

为保证指标的全面性，本文采用查全率和虚警率结合的方式来评价不同方法的检测结果。

式中，TP为检测到的正确的舰船目标；NP为待检测图像中所有舰船目标数量；FP为检测到错误的舰船目标。其中查全率也就是召回率描述舰船检测的全面性，虚警率代表检测方法过拟合性，性能系数(Figure of Merit，FOM)描述检测方法的整体性能，性能系数越大，检测方法的性能越好，检测率越高，虚警率越低。

2.3 性能比较

本文挑选出2幅检测图像A和B进行展示。设置4组实验来验证本文提出方法与CFAR对比效果。

实验1：对图A采用CFAR不同的参数集α，β进行检测。

实验2：对图B采用CFAR不同的参数集α，β进行检测。

实验3：对图A采用不同学习目标α，β进行检测。

实验4：对图B采用不同学习目标α，β进行检测。

自学习目标检测结果如图2所示。其中图2(a)是采用CFAR方法对图A分别选α参数得到的检测结果，图2(b)是采用CFAR方法对图A分别选β参数得到的检测结果，图2(c)是采用CFAR方法对图B分别选α参数得到的检测结果，图2(d)是采用CFAR方法对图B分别选β参数得到的检测结果，图2(e)是采用自学习方法对图A分别选α参数得到的检测结果，图2(f)是采用自学习方法对图A分别选β参数得到的检测结果，图2(g)是采用自学习方法对图B分别选α参数得到的检测结果，图2(h)是采用自学习方法对图B分别选β参数得到的检测结果。图2中细框为正确检测目标，粗框代表误检。

表1对2幅图的检测结果进行统计，可以看出无论检测查全率还是虚警率，本文方法都相比CFAR有较大改善，并且本文可以根据任务需要随时修改学习对象和学习比率，对于操作中更加方便灵活。

对哨兵-1上多幅遥感影像进行CFAR和自学习检测测试，统计得到最终检测效果如表2所示，可以看出本文提出的多特征自学习方法的普适性相比CFAR具有更好的检测结果。除此之外，在检测效率方面，自学习方法在单幅SAR图像平均检测时间从CFAR的5 s降低至0.02 s，计算复杂度更低检测速率更快。

图2 自学习目标检测

表1 图A、B实验检测结果对比

实验序号及类型结果类别αβ平均查全率/%平均虚警率/%FOM实验1(CFAR)检测到的目标个数(TP)23/2928/29虚警目标个数(FP)102086.626.066.4实验2(CFAR)检测到的目标个数(TP)22/2724/27虚警目标个数(FP)2286.626.066.4实验3(自学习)检测到的目标个数(TP)28/2924/29虚警目标个数(FP)01902.8890.4实验4(自学习)检测到的目标个数(TP)25/2727/27虚警目标个数(FP)02902.8890.4

表2 对比检测结果 (%)

3 结束语

本文主要由感兴趣目标选取、待检测目标轮廓分割、特征提取以及特征匹配等步骤完成舰船目标的快速检测，其中采用感兴趣目标选取主要根据用户当前较为感兴趣的舰船目标类型进行标定，锚定机器学习目标对象，随后根据形态和纹理等特征在待检测目标当中进行相似匹配最终得到检测结果。传统的CFAR[12]方法虽然可以做到全自动舰船目标检测，但是由于卫星载荷的分辨率与数据质量的不同，其性能受到较大影响；传统机器学习[13]训练检测方法无法根据用户的当下关注的目标进行实时可控的个性化检测；本文提出的方法相比单一阈值判定，采用多特征融合方法可以有效结合多类特征[14]，实现检测目标更准确的特征描述，有效提升了检测准确率，并且其所采用的自学习模式的方法设计相比机器学习模型训练的方法更能满足战时需求的快速反应与更新能力，更能满足战时需求的快速反应与更新能力，具有较好的应用效果。随着卫星载荷能力的提升，越来越多的高分辨率SAR数据[15]可以被利用起来，在下一步工作当中可以尝试采用深度学习的方法提取更为抽象的精细特征代替传统的尺度、形态和纹理特征[16]对舰船目标进行描绘，可以实现更高的检测能力。

[1] 赵明波，何峻，付强.SAR图像CFAR检测的快速算法综述[J].自动化学报，2012(12)：1886-1895.

[2] 邢相薇.SAR 图像舰船目标检测方法研究[D].长沙，国防科学技术大学，2009.

[3] 蒋明哲.SAR图像舰船检测与分类方法研究[D].合肥：合肥工业大学，2009.

[4] 潘卓，高鑫，王岩飞，等.基于聚类的SAR 图像快速目标检测[J].计算机应用研究，2008，25(8)：2416-2419.

[5] 梁元辉.CFAR融合检测算法研究[D].成都：西南交通大学，2012.

[6] 郝迎春.雷达CFAR检测算法及门限判决系数的优化研究[D].成都：电子科技大学，2012.

[7] 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 (9)：1029-1039.

[8] 赵英海，吴秀清，闻凌云，等.可见光遥感图像中舰船目标检测方法[J].光电工程，2008 (8)：102-106.

[9] 彭正初.基于傅里叶描述子的物体形状识别的研究[D].哈尔滨：哈尔滨工业大学，2016.

[10] 高贵.SAR图像目标鉴别研究综述[J].信号处理，2009(9)：1421-1432.

[11] 艾加秋，齐向阳.一种基于局部K-分布的新的SAR图像舰船检测算法[J].中国科学院研究生院学报，2010(1)：36-42.

[12] 时公涛，赵凌君，桂琳.基于Mellin变换的K分布参数估计新方法[J].电子学报，2010(9)：2083-2089.

[13] 马骕，邓喀中.基于SAR图像的目标检测研究[D].北京：清华大学，2011.

[14] 林达，徐新.一种有效的MSTARSAR图像分割方法[J].武汉大学学报(信息科学版)，2015(10)：1377-1380.

[15] 张茂桢.高分辨率SAR图像目标检测与分类[D].长春：长春理工大学，2016.

[16] 彭易锦.基于多特征综合的图像与电子侦察目标关联[J].计算机应用研究，2008，25(8)：2416-2419.