尹 輝，谷 峰，岳劍飛，張洪順

（1.空軍航空大學(xué)，長(zhǎng)春 130022；2.解放軍66347部隊(duì)，保定 071000）

0 引 言

針對(duì)遙感圖像目標(biāo)檢測(cè)任務(wù)，圖像分辨率的提高一方面可以分辨出地物目標(biāo)內(nèi)部更為精細(xì)的結(jié)構(gòu)，清楚地描述地物目標(biāo)的特征分布及相互之間的空間關(guān)聯(lián)；另一方面目標(biāo)內(nèi)部一致性減弱、差異性增強(qiáng)以及復(fù)雜背景干擾等也給目標(biāo)檢測(cè)任務(wù)提出了新的挑戰(zhàn)。如何提高高分辨率圖像信息處理的時(shí)效性和準(zhǔn)確性，突破圖像數(shù)據(jù)向有價(jià)值信息轉(zhuǎn)化的瓶頸成為遙感圖像理解、機(jī)器視覺、人工智能等領(lǐng)域研究的熱點(diǎn)。飛機(jī)作為一類重要的、典型的人造目標(biāo)檢測(cè)對(duì)象，受到廣泛關(guān)注。

本質(zhì)上，對(duì)飛機(jī)目標(biāo)的檢測(cè)，都是基于這樣一種假設(shè)，即飛機(jī)目標(biāo)與背景的反差較大。這種反差表現(xiàn)為以下2個(gè)方面：

第一，飛機(jī)的形狀。與背景中的建筑物、草地、停機(jī)坪、道路相比，飛機(jī)在機(jī)身與機(jī)翼、機(jī)身與尾翼的交接處存在一定的凹陷，對(duì)于這種結(jié)構(gòu)可以考慮用目標(biāo)外接矩形充滿程度的緊湊度來描述，結(jié)合目標(biāo)的面積、周長(zhǎng)、長(zhǎng)寬比等特征進(jìn)行目標(biāo)分析［1］。此外，針對(duì)飛機(jī)這種凹凸形狀，角點(diǎn)特征是一種很有效的描述子。文獻(xiàn)［2］利用Harris角點(diǎn)來檢測(cè)飛機(jī)這種形狀的差異，然后通過核聚類方法將角點(diǎn)進(jìn)行合并，角點(diǎn)之間滿足一定規(guī)則即為目標(biāo)。這類方法的拓展大都是對(duì)角點(diǎn)描述字的選取。如為了增加角點(diǎn)的放射、尺度不變性，提取Harris-Affine、最小核值相似區(qū)（SUSAN）角點(diǎn)，但無論哪種角點(diǎn)都對(duì)噪聲比較敏感，最后飛機(jī)目標(biāo)檢測(cè)結(jié)果受角點(diǎn)之間聚類規(guī)則限制，而通常聚類后的誤檢不容易剔除。

第二，飛機(jī)與背景對(duì)光的反射率不同，表現(xiàn)在圖像上為不同的紋理區(qū)域。不少學(xué)者提出了利用區(qū)域特征來檢測(cè)飛機(jī)目標(biāo)。典型的算法有高效斑點(diǎn)檢測(cè)、區(qū)域檢測(cè)等。其中，高效斑點(diǎn)檢測(cè)利用圖像中目標(biāo)的局部不變性特征，如：尺度不變特征變換（SIFT），主成分分析（PCA）-SIFT，快速魯棒性尺度不變特征提?。⊿URF），梯度位置方向直方圖（GLOH）通過匹配技術(shù)來完成目標(biāo)檢測(cè)，其中Lowe提出的SIFT特征是現(xiàn)在公認(rèn)的最好的特征描述字。

然而，該方法計(jì)算復(fù)雜度高，只適用于幾何形狀單一的目標(biāo)檢測(cè)，飛機(jī)目標(biāo)的多樣性使得其應(yīng)用受到了限制。此外，區(qū)域檢測(cè)方法中最穩(wěn)定極值區(qū)域（MSER）檢測(cè)器在視角變換下結(jié)構(gòu)型圖像和紋理型圖像均能展現(xiàn)十分明顯的優(yōu)越性。實(shí)際上，以上基于這種假設(shè)的飛機(jī)目標(biāo)檢測(cè)與通用的目標(biāo)檢測(cè)方法相類似，不同的是要建立針對(duì)飛機(jī)目標(biāo)的規(guī)則與模型。而飛機(jī)的種類多種多樣，形狀也各不相同，加上遙感圖像中各類背景噪聲的干擾，很難通過建立一種規(guī)則或者一個(gè)模型來枚舉所有的目標(biāo)。

為了解決這一難題，借鑒計(jì)算機(jī)視覺領(lǐng)域的機(jī)器學(xué)習(xí)理論，現(xiàn)有的遙感目標(biāo)自動(dòng)檢測(cè)系統(tǒng)都是基于大量的樣本學(xué)習(xí)［3-4］實(shí)現(xiàn)的，這樣可以充分利用樣本學(xué)習(xí)的優(yōu)勢(shì)，較好地?cái)[脫了受遙感圖像數(shù)據(jù)量大、目標(biāo)特性多變、背景復(fù)雜等因素的制約。

然而，不同于普通自然場(chǎng)景下的目標(biāo)檢測(cè)問題，在對(duì)大幅高分辨率遙感圖像進(jìn)行精細(xì)化目標(biāo)檢測(cè)時(shí)，還應(yīng)重點(diǎn)考慮2個(gè)方面：一是如何降低錯(cuò)檢、漏檢的概率，提高檢測(cè)效果的問題；二是檢測(cè)過程中的效率問題，這也是文本撰寫的出發(fā)點(diǎn)。

本文的主要?jiǎng)?chuàng)新工作是將基于視覺顯著計(jì)算模型與基于AdaBoost級(jí)聯(lián)學(xué)習(xí)分類的目標(biāo)檢測(cè)方法相結(jié)合，提出一種基于視覺顯著計(jì)算的搜索策略。一方面，該方法利用機(jī)器學(xué)習(xí)方法，提高目標(biāo)檢測(cè)的準(zhǔn)確性；另一方面，利用視覺注意模型去除冗余搜索，減少檢測(cè)時(shí)的計(jì)算量，快速搜索目標(biāo)的潛在區(qū)域，盡早排除明顯不存在目標(biāo)的區(qū)域，這樣在保證檢測(cè)效果的同時(shí)兼顧了檢測(cè)效率，使得檢測(cè)器在檢測(cè)速度和檢測(cè)性能方面得到了很好的平衡。

1 AdaBoost級(jí)聯(lián)分類器

AdaBoost級(jí)聯(lián)分類器最成功的應(yīng)用是Viola和Jones［5］提出的利用Haar特征和AdaBoost分類器實(shí)時(shí)人臉檢測(cè)方法，這是實(shí)時(shí)人臉檢測(cè)技術(shù)的分水嶺。AdaBoost算法同時(shí)也是Boosting家族中最具代表性的算法，其他的擴(kuò)展模型還包括Real Ada-Boost、Gentle AdaBoost、Modest AdaBoost等。

在構(gòu)建AdaBoost分類器時(shí)并沒有規(guī)定弱分類器的種類，較為常用的是Haar特征。除此之外常用的弱分類器特征還有聯(lián)合類Haar、PCA、局部二進(jìn)制模式（LBP）、Gabor特征等。

一般情況下，類Haar特征判別能力一般，但計(jì)算速度快；PCA特征判別能力強(qiáng)，但計(jì)算速度較慢?？紤]到飛機(jī)通常在圖像中表現(xiàn)為小尺度目標(biāo)，而Haar特征的優(yōu)勢(shì)在于可以捕捉大范圍的空間對(duì)比度特征，并能通過積分圖像快速進(jìn)行計(jì)算，非常適用于大尺寸遙感圖像中的小尺度目標(biāo)檢測(cè)，因而本文采用的是Haar特征。

1.1 Haar弱分類器

如圖1（a）所示，應(yīng)用Haar弱分類器對(duì)圖像中的一個(gè)區(qū)域進(jìn)行特征判別，白色矩形中的像素與減去黑色矩形中的像素和即為Haar特征，所得結(jié)果與設(shè)定閾值進(jìn)行比較：

式中：1表示該區(qū)域?yàn)槟繕?biāo)；0為非目標(biāo)。

為減小區(qū)域圖像對(duì)亮度變化的敏感，按公式（2）對(duì)其進(jìn)行歸一化處理：

式中：gj為特征函數(shù)；M為子圖像中像素個(gè)數(shù)；msi為子圖像均值；σ2為子圖像方差。

每個(gè)弱分類器（由圖1（b）所示的典型Haar特征算子組成）按照上述處理訓(xùn)練正、負(fù)樣本集，并從正確分類的所有弱分類器中選取錯(cuò)分率最小的一個(gè)。

1.2 強(qiáng)分類器

上述弱分類器的性能僅僅優(yōu)于隨機(jī)猜測(cè)的結(jié)果，但這可以通過訓(xùn)練多個(gè)弱分類器得到1個(gè)強(qiáng)分類器來提升算法性能。AdaBoost算法是通過將每個(gè)樣本的權(quán)重調(diào)整作為其在每個(gè)階段是否被正確分類的函數(shù)，然后用每個(gè)階段的平均分類錯(cuò)誤率在弱分類器中間決定最終權(quán)重值。算法描述如下：

圖1 典型Haar特征算子示例

（1）輸入訓(xùn)練的正樣本和負(fù)樣本以及它們的標(biāo)簽｛（xi，yi）｝，其中yi＝1表示正樣本（飛機(jī)），yi＝-1是負(fù)樣本。

（2）初始化樣本權(quán)重w＝1／N，其中N是訓(xùn)練樣本的數(shù)目。

（3）對(duì)訓(xùn)練的每一步j(luò)＝1，…，M，進(jìn)行如下4個(gè)步驟更改權(quán)重：

（a）重新歸一化權(quán)重，使其加起來為1。

（b）通過找到最小化加權(quán)分類錯(cuò)誤率來選擇最好的分類器：

（c）計(jì)算修正誤差率βj和分類器的權(quán)重αj：

（d）根據(jù)分類錯(cuò)誤率ei，j更新權(quán)重：

（4）最終的分類器設(shè)置為：

1.3 級(jí)聯(lián)強(qiáng)分類器

為進(jìn)一步提高檢測(cè)器的速度，可以建立一個(gè)級(jí)聯(lián)結(jié)構(gòu)，構(gòu)成級(jí)聯(lián)強(qiáng)分類器。重復(fù)采用AdaBoost算法訓(xùn)練強(qiáng)分類器，采用這種策略對(duì)每個(gè)子窗口圖像都使用一系列的弱分類器計(jì)算，在級(jí)聯(lián)分類器的第1級(jí)使用很少的弱分類數(shù)目就可以去除大量的非目標(biāo)子窗口，后面采用相對(duì)較多的弱分類器進(jìn)一步去除背景。

隨著級(jí)聯(lián)分類器層數(shù)的深入，候選飛機(jī)子窗口的數(shù)量急劇減少，當(dāng)子窗口圖像通過了所有的強(qiáng)分類器才被認(rèn)為是目標(biāo)。這樣使得大部分非目標(biāo)圖像在經(jīng)過開始的幾級(jí)分類器后就被拒絕，從而大大提高了檢測(cè)效率。級(jí)聯(lián)分類器的性能通過如下2個(gè)指標(biāo)衡量。

（1）檢測(cè)率，即：

式中：ri為第i級(jí)強(qiáng)分類器的檢測(cè)率；K為總級(jí)聯(lián)數(shù)。

因此，對(duì)于一個(gè)10級(jí)的級(jí)聯(lián)強(qiáng)分類器，為了達(dá)到0.9的總檢測(cè)率，每級(jí)強(qiáng)分類器的檢測(cè)率要求為0.99左右。

（2）誤檢率，即：

式中：fi為第i級(jí)的誤檢率；K為級(jí)聯(lián)數(shù)。

為了獲得盡可能低的總誤檢率，要求級(jí)聯(lián)強(qiáng)分類器的每級(jí)誤檢率為0.401 0，顯然級(jí)聯(lián)強(qiáng)分類器的總誤檢率遠(yuǎn)遠(yuǎn)低于單個(gè)強(qiáng)分類器。

訓(xùn)練好分類器后，就進(jìn)入到檢測(cè)階段，經(jīng)典的搜索策略是檢測(cè)窗自左向右、自上而下地掃描整幅圖像，通常圖像中的目標(biāo)尺度并不一致，一般戰(zhàn)斗機(jī)的尺寸比較小，長(zhǎng)度和翼展在十幾米左右，面積約為幾十個(gè)像素；運(yùn)輸機(jī)的尺寸比較大，長(zhǎng)度和翼展為30～40m，面積約為幾百個(gè)像素。

為實(shí)現(xiàn)多尺度檢測(cè)，檢測(cè)器在每個(gè)位置將在不同的尺度上進(jìn)行縮放。整個(gè)搜索過程受縮放因子和平移步長(zhǎng)的影響。

傳統(tǒng)的搜索策略是一種貪心的遍歷。假設(shè)一副1 000×1 000的遙感圖像，從20×20像素大小窗口開始，以1.25倍為尺度步進(jìn)，平移步長(zhǎng)取1.5倍的尺度因子大小，直至檢測(cè)窗口超出原始圖像大小。經(jīng)計(jì)算需要產(chǎn)生約110萬個(gè)子窗口，而每個(gè)子窗口提取的Haar特征數(shù)目也是非常巨大的，顯然這種搜索不僅給分類器增加負(fù)擔(dān)，也使檢測(cè)效率大幅下降，是不可取的。

針對(duì)如何消除遍歷搜索中的冗余計(jì)算問題，文獻(xiàn)［6］提出通過迭代來簡(jiǎn)化計(jì)算，使運(yùn)算速度有了很大提高。文獻(xiàn)［7］提出了基于視差梯度的可變搜索策略，算法工作量減少了28%，算法速度提高了3.5倍。

針對(duì)這種情況，本文通過詳細(xì)分析基于視覺顯著性的目標(biāo)檢測(cè)方法與搜索范圍的聯(lián)系，提出了基于視覺顯著計(jì)算的搜索策略，根據(jù)飛機(jī)目標(biāo)在圖像中表現(xiàn)的顯著特征，將大幅遙感圖像分為幾個(gè)小的飛機(jī)目標(biāo)潛在區(qū)域，從而快速去除冗余搜索區(qū)域，提高了檢測(cè)效率。

2 基于視覺顯著計(jì)算的飛機(jī)潛在區(qū)域提取

2.1 視覺顯著區(qū)域的生成

利用視覺顯著性來輔助目標(biāo)檢測(cè)實(shí)際上就是讓計(jì)算機(jī)模仿人的判讀作業(yè)過程，當(dāng)觀察一副圖像時(shí)，人眼總是優(yōu)先關(guān)注那些“不同”的區(qū)域，比如高亮度區(qū)域，顏色、形狀與周圍環(huán)境反差較大的區(qū)域。而這種特性正是在前面引言提到的飛機(jī)目標(biāo)檢測(cè)的基礎(chǔ)假設(shè)。本文選取亮度、顏色作為提取飛機(jī)顯著區(qū)域的特征。除此之外，擴(kuò)展算法還有其它更復(fù)雜的改進(jìn)模型如基于梯度特征［8］，基于普殘差［9］的方法等，本文主要是驗(yàn)證方法的可行性，所以選擇一種最具代表性的計(jì)算模型，利用文獻(xiàn)［10］中的方法來生成視覺顯著圖。

2.2 本文檢測(cè)算法流程

如圖2所示，本文方法分為兩部分：一部分是級(jí)聯(lián)分類器的設(shè)計(jì)，另一部分是目標(biāo)顯著區(qū)域提取。重點(diǎn)在飛機(jī)目標(biāo)顯著區(qū)域的提取，首先對(duì)輸入的待檢測(cè)圖像進(jìn)行直方圖均衡化，去除光照的影響，提取顏色、亮度特征生成視覺顯著圖；再利用視覺注意的全局競(jìng)爭(zhēng)機(jī)制和返回抑制策略來快速搜索顯著圖，生成目標(biāo)的待檢測(cè)區(qū)域，送入設(shè)計(jì)好的分類器中。

其中值得說明的是，在分類器設(shè)計(jì)階段，本文訓(xùn)練樣本進(jìn)行了直方圖均衡化預(yù)處理，并將樣本歸一化到128×128大小。本文采用的學(xué)習(xí)特征是計(jì)算簡(jiǎn)單、速度快的Haar特征，為減輕分類器的負(fù)擔(dān)，本文采用PCA方法對(duì)特征進(jìn)一步壓縮。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)來自公開的Google earth衛(wèi)星圖像，內(nèi)容為美軍25個(gè)主要的空軍基地，共80幅遙感圖像，涉及目前美軍主要作戰(zhàn)飛機(jī)。其中，訓(xùn)練樣本60幅，測(cè)試樣本20幅。為了更好適應(yīng)實(shí)際檢測(cè)時(shí)非目標(biāo)本體引起的多樣性，訓(xùn)練集中正樣本的采集為手工裁剪的2 000個(gè)不同光照條件（有陰影／無陰影）、不同旋轉(zhuǎn)角度（60幅原始圖像中以45°步進(jìn)旋轉(zhuǎn)8個(gè)方向）、不同尺度大小的飛機(jī)目標(biāo)切片，部分正樣本如圖3所示。

圖2 本文算法流程

圖3 部分飛機(jī)目標(biāo)正樣本切片

負(fù)樣本包括了4 500個(gè)非飛機(jī)目標(biāo)樣本，需要特別說明的是，訓(xùn)練集中負(fù)樣本的選取并非任意非飛機(jī)目標(biāo)區(qū)域，主要是基于飛機(jī)機(jī)場(chǎng)內(nèi)的典型負(fù)樣本，如跑道、停機(jī)坪、草地、房屋等，這樣才能真正體現(xiàn)正負(fù)樣本之間的差異，提高級(jí)聯(lián)分類器的檢測(cè)率，降低誤檢率。

為了將本文方法與傳統(tǒng)的遍歷搜索目標(biāo)檢測(cè)方法相比，選取了3幅機(jī)場(chǎng)圖像進(jìn)行驗(yàn)證，如圖4（a）所示，從左至右，第1幅大小為590×661像素，后2幅大小為988×659像素。從圖4（b）后2幅圖中可以清楚地看到，飛機(jī)目標(biāo)區(qū)域被準(zhǔn)確地提取出來，將顯著圖中非目標(biāo)區(qū)域剔除，計(jì)算剩下的區(qū)域面積與原始圖像的比值，發(fā)現(xiàn)本文方法搜索區(qū)域是原圖像的1／3左右，而且目標(biāo)全部包含在搜索區(qū)域當(dāng)中，這說明該方法是可行的，減少了60%的工作量。但該方法也存在一些弊端，當(dāng)背景過于復(fù)雜時(shí)，如圖4（b）第1幅圖像所示，基于視覺顯著圖模型的方法沒有將全部的飛機(jī)目標(biāo)定位出來。圖中黑色方框標(biāo)注區(qū)域?yàn)槁z目標(biāo)，白色方框?yàn)檎`檢目標(biāo)。分析漏檢的原因在于：第一，當(dāng)目標(biāo)與周圍背景反差不大時(shí)（本文是基于亮度、顏色），本算法的第1步將目標(biāo)區(qū)域當(dāng)作背景剔除掉；第二，受機(jī)場(chǎng)停機(jī)坪及周圍房屋、道路影響，本算法沒有很好地將目標(biāo)鎖定在停機(jī)坪內(nèi)，導(dǎo)致基于視覺顯著搜索的方法只排除掉很少的部分。同時(shí)，對(duì)于存在的誤檢是因?yàn)楸尘爸杏胁糠纸ㄖ锎嬖谂c飛機(jī)機(jī)翼相似的結(jié)構(gòu)，而這種情況是需要進(jìn)一步增加規(guī)則來排除的。

圖4 實(shí)驗(yàn)結(jié)果圖

綜上所述，本文提出的方法在一定程度上依賴于圖像的內(nèi)容，這主要受顯著模型的限制。但基于這樣的搜索策略加上基于統(tǒng)計(jì)學(xué)習(xí)的方法，還是可以保證實(shí)際的需要，由顯著區(qū)域搜索的大小可以判定本文提出的方法平均可以提高50%的檢測(cè)效率。

4 結(jié)束語

隨著成像分辨率的提高，自然場(chǎng)景圖像和遙感場(chǎng)景圖像原本存在的尺度差異正在逐漸縮小，這為將機(jī)器視覺方法引入到高分辨率遙感圖像目標(biāo)檢測(cè)任務(wù)中提供了良好的可行性。

針對(duì)如何權(quán)衡檢測(cè)效果與檢測(cè)率的問題，本文提出了基于視覺顯著搜索的方法完成了飛機(jī)圖像粗定位，去除了圖像中大部分明顯不存在目標(biāo)的區(qū)域，減少了不必要的目標(biāo)搜索空間，與高檢測(cè)率的Ada-Boost級(jí)聯(lián)分類器相結(jié)合，在保證高檢測(cè)率的同時(shí)，提高了檢測(cè)效率，降低了誤檢率。

但基于統(tǒng)計(jì)學(xué)習(xí)的方法，檢測(cè)效果受學(xué)習(xí)樣本的影響較大，不同樣本集合對(duì)算法的性能也有一定的影響，本文主要適用于目標(biāo)受少量光照、陰影的影響，對(duì)于目標(biāo)存在放射變換、視點(diǎn)變換的情況沒有考慮。下一步工作是結(jié)合特征縮放和平移算法來進(jìn)一步提高目標(biāo)的檢測(cè)率。

［1］ 王樹國(guó)，黃勇杰，張生.可見光圖像中飛機(jī)目標(biāo)的特征選取及提取［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2010（7）：1056-1059.

［2］ 王鵬偉，吳秀清，余珊.基于角點(diǎn)特征和自適應(yīng)核聚類算法 的 目 標(biāo) 識(shí) 別 ［J］.計(jì) 算 機(jī) 工 程，2007，33（6）：179-181.

［3］ 張正，王宏琦，孫顯，等.基于部件的自動(dòng)目標(biāo)檢測(cè)方法研究［J］.電子與信息學(xué)報(bào)，2010（5）：1017-1022.

［4］ 孫顯.基于對(duì)象的Boosting方法自動(dòng)提取高分辨率遙感圖像中建筑物目標(biāo)［J］.電子與信息學(xué)報(bào)，2009，31（1）：177-181.

［5］ Viola P，Jones M.Rapid object detection using a boosted cascade of simple features［A］.IEEE Vision and Pattern［C］，2001：511-518.

［6］ 張國(guó)云，張兢.基于Gabor小波的多尺度PCA支持向量機(jī)人臉識(shí)別方法［J］.數(shù)據(jù)采集與處理，2009，24（4）：437-442.

［7］ 郭龍?jiān)?，盧阿麗，楊靜宇.基于視差梯度的快速區(qū)域匹配方法［J］.計(jì)算機(jī)科學(xué)，2007，4（4）：239-240.

［8］ Liu T，Sun J，Lowe D G.Learning to detect a salient object［A］.IEEE Conference on Computer Vision and Pattern Recognition［C］，2007：466-474.

［9］ 周偉，關(guān)鍵，張國(guó)華.高分辨率遙感圖像感興趣目標(biāo)的提取算法［J］.光電工程，2011（2）：115-121.

［10］Achanta R，Hemami S，Estrada F，et al.Frequencytuned salient region detection［A］.IEEE International Conference on Computer Vision and Pattern Recognition［C］，2009：1597-1604.