基于联合稀疏区域生长的遥感飞机检测算法

宁晨 邓梁 王鑫

摘  要：针对高分遥感图像中的飞机目标，文章提出了一种基于改进FastMBD和联合稀疏区域生长的精确目标检测算法。首先，基于遥感图像的特性，利用局部区域显著性对FastMBD算法进行改进，克服其先验假设不足;接着，利用内外显著比值实现显著目标检测;最后，基于联合稀疏提出了一种区域生长算法，补全因目标分割导致的残缺，同时基于HOG与SIFT特征，实现了最终目标检测。将提出方法在DOTA数据集上进行实验，结果表明了提出的方法的优越性。

关键词：遥感图像;目标检测;联合稀疏表示;显著性;FastMBD

中图分类号：TP751      文献标识码：A 文章编号：2096-4706（2020）20-0031-04

Remote Sensing Aircraft Detection Algorithm Based on Joint Sparse Area Growth

NING Chen1，DENG Liang2，WANG Xin2

（1.School of Computer and Electronic Information，Nanjing Normal University，Nanjing  210023，China;

2.College of Computer and Information，Hohai University，Nanjing  211100，China）

Abstract：Aiming at aircraft target in high resolution remote sensing image，an accurate target detection algorithm based on improved FastMBD and joint sparse area growth is proposed in this paper. First of all，based on the characteristics of remote sensing image，the FastMBD algorithm is improved by using the local region saliency to overcome the deficiency of prior hypothesis. Then，the saliency target detection is realized by using the internal and external saliency ratio. Finally，an area growth algorithm based on joint sparse is proposed to complete the defects caused by target segmentation. At the same time，the final target detection is realized based on HOG and SIFT features. The proposed method is tested on DOTA data set，and the results show the superiority of the proposed method.

Keywords：remote sensing image;target detection;joint sparse representation;saliency;FastMBD

0  引  言

在遙感图像处理和理解中，对军用或民用飞机目标的检测具有重大的理论意义和应用价值。但由于遥感图像搜寻区域大、目标小，而且飞机形状、姿态、背景干扰复杂多变，对飞机目标的检测往往存在误检，因此如何准确地检测遥感图像中的飞机目标是一个具有挑战性的课题[1，2]。南京师范大学所属省级光电技术重点实验室与河海大学通信与信息系统研究所在国家自然科学基金和中央高校专项资金的支持下，联合在此领域展开了研究，并获得了包括本文在内的一系列成果。

近年来，显著性模型[3]已被证明是一种有效的目标预检测技术，其中快速最小障碍距离（Fast Minimum Barrier Distance，FastMBD）算法[4]就是兼具目标检测效果和计算效率的检测模型。但是，因为FastMBD算法是基于目标位于待测区域中心假设的，当遥感图像存在大量目标时，这一假设被削弱，导致召回率大幅降低。本文提出基于改进FastMBD的显著性检测，通过将增强对比度的后处理局限于一个一个的局部区域，从而避开FastMBD原假设，提高了召回率。另外，显著图的阈值分割过程会因为阴影遮挡等因素产生目标残缺现象，影响最终检测效果。因此，本文将联合稀疏[5]引入区域生长算法，提出了基于联合稀疏的区域生长算法，对显著图阈值分割结果进行补全，以保证目标完整性，提高特征点定位精度以及最终的召回率，作者在提出的改进FastMBD初步设想基础上，增加了联合稀疏区域生长的算法优化，进一步提高了算法性能，同时，本文还给出详细的实验分析以及结论，进一步构成了完整的研究思路。

1  提出的方法

本文提出算法的原理框图如图1所示，本文算法可分为两个阶段：显著目标预检测和基于联合稀疏区域生长的精确检测。在预检测阶段，首先计算输入遥感图像的改进FastMBD显著图，进行自适应融合，突出其一致性。再利用内外能量比值对显著图进行显著目标提取，最后将SVM与KNN级联构成综合检测器，提高检测精度。在精确检测阶段，基于联合稀疏的区域生长方法，先将丢失特征点的疑似目标通过颜色模型转换获取参考图像;再以残缺目标像素作为种子，对整个参考图像进行联合稀疏重构，对重构残差比值进行阈值分割和膨胀判别即可完成区域生长;最后利用KNN匹配补充漏检目标。

1.1  基于改进FastMBD的显著目标预检测

为提高处理效率，本文提出的基于改进FastMBD的显著目标预检测分为三个部分：首先提取改进FastMBD显著图并自适应融合，然后进行一致性突出，最后通过内外显著比值检测提取显著目标。

FastMBD算法是基于图像边界连通性假设建立的，它通过计算每个像素的最小障碍距离（MBD）来度量它到图像边界的连通性，从而判定像素为目标像素还是背景像素。假定输入图像为img，分配给像素的路径为π，那么最小障碍距离计算为：

其中， 表示起点为（x，y），终点为（p，q）的路径，  表示起点为（x，y），终点为（p，q）的障碍距离，即路径 上的极差。

然而，FastMBD算法是基于图像边界连通性假设的，这会造成遥感图像中小目标丢失的现象，如图2（a）所示。为了克服这种缺陷，本文将广域图像的显著图转化为求解一系列局部图像的显著图，将其分割成若干子图像subImg=

{|1≤k≤subNum}，其中，subNum表示子图像数量，size表示分割子图像的尺寸参数，将其分别进行求解FastMBD显著图subMBD={|1≤k≤subNum}。此外，为消除阴影，本文对目标与阴影分别求解RGB三通道的标准差以及均值，再由像素级标准差与均值的欧式距离判定消除阴影部分。最后，再将处理后的局部显著图进行加性融合拼接成整体显著图，如图2（b）所示。从图2的对比可以看出改进FastMBD算法可以明显克服小目标丢失现象。

1.2  基于联合稀疏区域生长的飞机目标精确检测

在去除阴影的时候，目标有可能因为阴影等遮挡造成阈值分割时误分割部分目标至背景，这会造成形状和特征的不完整。为补全残缺并检测出漏检目标，本文作者受到先前所从事的利用联合稀疏重构算法对遥感目标进行识别案例[6，7]的启发，提出使用基于联合稀疏区域生长对飞机目标进行精确检测，分为联合稀疏重构、阈值分割以及KNN检测三个阶段。

联合稀疏重构阶段中，首先对残缺目标所在局部区域对应的原图通过颜色模型转换和计算显著图等手段生成更多通道，将其组成参考图像，然后以残缺目标对应像素作为种子像素，对应的参考向量组合即可形成字典，再以此对整个参考图像进行联合稀疏重构。最后比上显著信息即可得到重构残差比值，如此可增强最终结果中目标与背景的差异性。阈值分割阶段主要是为了避免联合稀疏重构结果手工挑选阈值，减少参数影响，对重构残差比值进行阈值分割过后，简单膨胀残缺目标并联合分割结果即可判别是否需要补全，完成区域生长任务。然后对补全目标提取SIFT特征，进行KNN匹配，即可完成精确检测任务。

在本文区域生长部分，将分割出的残缺目标本身视为种子像素，此时每个像素对应一个参考向量，本文采用联合稀疏模型的思路，假设同一个局部区域内部像素对应的参考向量可以用一组共享的原子线性表出，那么就可以将多个像素对应的参考向量视为同一批，同时进行重构判别，最终形成基于联合稀疏重构的生长准则。联合稀疏重构问题可以用下列优化式表示：

?=arg min‖RDA-part‖    s.t.‖A‖row，0≤K0

其中，残缺目标对应的参考向量为RD=[rd1，…]，将其作为重构字典。A表示对应的稀疏系数，其在联合稀疏框架下，具有共享稀疏模式，即字典原子选取相同。‖A‖row，0表示对A求联合稀疏范数。K0为联合稀疏范数的上界。

2  实验与分析

2.1  评价指标与实验环境

本机配置为Intel（R） Core（TM） I5 4210M @ 2.60 GHz 12 GB内存，软件是Spyder 3.2.6，语言是Python。训练集与测试集的数量比约为2：1，一共挑选了786个飞机目标作为测试目标，测试图像分辨率最大可达1 200像素×1 600像素，而目标尺寸约为80像素×80像素。

实验采用召回率（Recall）、精确率（Precision）和F度量值等评价指标来进行分析，通过评价指数说明本文提出的目标检测算法的优越性。

2.2  结果与分析

我们分别给出三种场景下本文检测算法的检测结果，如图3～图5所示。可以看出本文算法可以很好地对遥感图像中的飞机目标进行精确检测。同时，为说明本文提出的改进步骤的有效性，我们将本文算法与两种相关算法进行对比。这三种方法分别为：

方法1：基于传统FastMBD的显著目标检测方法，后续使用HOG和SIFT进行进一步识别;

方法2：基于改进FastMBD的显著目标检测方法，后续使用HOG和SIFT进行进一步识别;

方法3：基于改进FastMBD与联合稀疏区域生长的检测方法（本文提出的方法）。

表1给出这三种目标检测算法的性能比较结果，包括目标检测的三个参数：召回率、精确率和F度量值。其中，F度量值是召回率和精确率的调和均值，反应目标检测算法的总体性能。由表1可知，方法1与方法2对比可见改进FastMBD的优化必要性，而方法3加入联合稀疏区域生长算法以后，召回率明顯提升，显然该算法能通过补全目标来召回原本缺失、偏移的特征点，从而提高SIFT的匹配性能。由此可见，在本文检测算法中，利用局部区域显著性对FastMBD算法进行改进，克服其先验假设不足，同时，基于联合稀疏的区域生长算法可补全因目标分割导致的残缺，从而最终提高F度量值等性能。根据表中与其他目标检测算法的比较，可看出本文算法的优异性能。

3  结  论

本文提出一种基于改进FastMBD与联合稀疏区域生长的遥感飞机检测算法，该算法主要分为显著目标预检测与区域生长精确检测两个阶段。在显著目标预检测阶段，本文将对比度增强操作局限于子区域，并引入加性融合，将不同尺寸的局部显著图融合以提升最终的目标检测召回率，并基于内外显著比值进行了显著目标检测。同时，由于形状特征对目标形状完整性要求较高，而显著检测以后的阈值分割图不能保证其完整性，因此，在区域生长阶段中，本文联合稀疏引入区域生长算法，基于区域生长的形状补完操作提高了特征点的定位精度，最终提升了光学遥感飞机目标检测的召回率。

参考文献：

[1] YU Y T，GUAN H Y，JI Z. Rotation-Invariant Object Detection in High-Resolution Satellite Imagery Using Superpixel-Based Deep Hough Forests [J]. IEEE Geoscience and Remote Sensing Letters，2015，12（11）：2183–2187.

[2] LI B Y，CUI X G，BAI J. A cascade structure of aircraft detection in high resolution remote sensing images [C]//2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. IEEE，2016：653-656.

[3] WANG X，NING C，XU L Z. Saliency detection using mutual consistency-guided spatial cues combination [J]. Infrared Physics & Technology，2015，72：106-116.

[4] Zhang J M，Sclaroff S，Lin Z，et al. Minimum Barrier Salient Object Detection at 80 FPS [C]// 2015 IEEE International Conference on Computer Vision （ICCV）. IEEE，2015：1404-1412.

[5] Zhang Y X，Du B，Zhang L P，et al. Joint Sparse Representation and Multitask Learning for Hyperspectral Target Detection [J]. IEEE Transactions on Geoscience and Remote Sensing，2017，55（2）：894-906.

[6] NING C，LIU W B，ZHANG G，et al. Enhanced synthetic aperture radar automatic target recognition method based on novel features [J]. Applied Optics，2016，55（31）：8893-8904.

[7] NING C，LIU W B，ZHANG G，et al. Synthetic Aperture Radar Target Recognition Using Weighted Multi-Task Kernel Sparse Representation [J]. IEEE Access，2019，7：181202-181212.

作者簡介：宁晨（1978—），男，汉族，安徽阜阳人，讲师，博士，主要研究方向：图像处理、机器学习;邓梁（1994—），男，汉族，湖南长沙人，硕士研究生，主要研究方向：图像处理、模式识别;王鑫（1981—），女，汉族，安徽阜阳人，副教授，博士，主要研究方向：图像处理、模式识别、计算机视觉、机器学习。