结合目标提取和深度学习的红外舰船检测_白玉.pdf

DOI:1020079/jissn1001893x211111002引用格式:白玉，迟文恺，谢宝蓉，等结合目标提取和深度学习的红外舰船检测J 电讯技术，2023，63(2):193198 BAI Y，CHI W K，XIE B，et alInfrared ship detection by combining target extraction and deep learning J Telecommunication Engineering，2023，63(2):193198结合目标提取和深度学习的红外舰船检测*白玉白玉1 1，迟文恺，迟文恺1 1，谢宝蓉，谢宝蓉2 2，张雷，张雷1 1，郑莲玉，郑莲玉3 3，穆文涛，穆文涛2 2(1沈阳航空航天大学 电子信息工程学院，沈阳 110136;2上海航天电子研究所，上海 201109;3上海卫星工程研究所，上海 201109)摘要:传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高，而深度学习的红外舰船目标检测方法速度慢。针对这些问题，提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换(TOP-HAT)和 低帽变换(Bottom-HAT)对图像进行处理，然后通过阈值分割方法和归并算法对图像进行候选区域的提取，再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析，结果表明改进后的检测算法平均精确度达到 8369%，较之于传统显著区域提取算法精确度提升了 809%，较之于 Faster-CNN算法每百张检测时间缩短了 2 s。关键词:舰船目标检测;红外图像处理;目标提取;深度学习开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN95752;TP18文献标志码:A文章编号:1001893X(2023)02019306Infrared Ship Detection by Combining TargetExtraction and Deep LearningBAI Yu1，CHI Wenkai1，XIE Baorong2，ZHANG Lei1，ZHENG Lianyu3，MU Wentao2(1College of Electronic and Information Engineering，Shenyang Aerospace University，Shenyang 110136，China;2Shanghai Institute of Aerospace Electronics，Shanghai 201109，China;3Shanghai Institute of Satellite Engineering，Shanghai 201109，China)Abstract:To solve the problems that the false alarm rate is high when traditional significant regionextraction infrared ship target detection algorithm is used for image processing，and the speed of deeplearning infrared ship target detection method is slow，an infrared ship target detection algorithm combiningthe traditional target extraction with the idea of classification in deep learning is proposed Firstly，theimages are processed by High Hat Transform(TOP-HAT)and Low Hat Transform(Bottom-HAT)，then thecandidate regions are extracted by threshold segmentation method and subsumption algorithm，and then thetarget ship detection is completed by applying the idea of classification in deep learningExperiments andcomparative analysis are conducted with the test dataset，and the results show that the improved detectionalgorithm achieves an average accuracy of 8369%，which is 809%better than that of the traditionalsignificant region extraction algorithm，and the detection time per 100 images is shortened by 2 s comparedwith that of the Faster-CNN algorithmKey words:ship target detection;infrared image processing;target extraction;deep learning391第 63 卷 第 2 期2023 年 2 月电讯技术Telecommunication EngineeringVol63，No2February，2023*收稿日期:20211111;修回日期:20211229通信作者:迟文恺0引言海域作战技术水平是国防能力的一个重要方面，星上红外监测系统具有能昼夜侦测、监控面积广、隐蔽性强等优点，已经成为了海域安全监测研究的重点。在军事领域，红外监测系统的应用主要包括目标捕捉、跟踪、全天候监控等;在非军事领域，主要应用为公共安全监控、应急救援、环境监控等。红外成像方式是通过捕获目标的红外辐射波来形成图像，可以不受光线、天气以及大型烟雾等影响因素，因为红外成像的高度稳定性和良好隐蔽性等因素，对其成像的处理与研究就显得尤为重要。美国国防高级研究计划局在 2010 年进行了MOIE 实验项目，实验结果表明目标在静止轨道分辨率能够达到l m，并且更进一步地研究出了可以连续监视敌方目标的系统，大大提高了对动态舰船目标的监控能力。美国研发的低轨电子侦察卫星“宇宙神5”在 2015 年搭载着“海军海洋监视系统”进入太空，可以为海军部队提供海上船队的航行方向、速度和周围环境等重要信息。我国在 2016 年和2018 年分别发射了雷达卫星“高分三号”、静止轨道卫星“高分四号”等，标志着我国在高分辨率遥感技术领域已经达到世界领先水平。2014 年提出的-CNN(egion Proposals withConvolution Neural Network)检测方法，使卷积神经网络在图像识别和处理领域实现了重大突破，开启了深度学习方法应用于目标检测领域的研究热潮。向涛1 提出了一种传统的显著区域提取和目标精确分割相结合的红外舰船目标检测方法，平均准确率达到了 756%。顾佼佼等2 提出了一种基于改进 Faster-CNN 的红外舰船目标检测算法，准确率达到了 8398%。基于此，本文提出一种新型红外船舰检测方法，结合了传统方法与深度学习方法的优势，使得改进后的算法更加适用于红外舰船目标检测。1深度学习算法基于学习的目标识别方法的处理过程分为两个模块。第一个模块是学习模块，在此模块中，第一步为正样本和负样本通过特征提取算子得到特征图3;第二步是将特征图进入分类器4 进行训练，当达到约束条件后训练完成。第二个模块是目标检测识别模块，将准备检测的图像进行特征提取，获得特征图后，再将特征图输入到分类器得到检测的结果。算法流程如图 1 所示。图 1深度学习目标检测算法结构图2Faster-CNN 算法原理Faster-CNN 算法5 在检测精度和运算速度上都达到了很高水平，是目标检测和分类的代表性算法。Faster-CNN 算法6 总结了-CNN7 和 Fast-CNN 的不足和缺点，通过区域提取网络(egionProposal Network，PN)来代替选择性搜索(SelectiveSearch，SS)算法8，并且引入了 Andchor box 概念9，成功解决了 CNN 和 Fast-CNN 的不足，更使得训练集能够优化整个过程，训练效率和算法效果得到了提升。算法网络结构如图 2 所示。图 2Faster-CNN 算法流程图算法核心主要由三个步骤构成，即 CNN 目标特征提取、区域候选网络的搭建、分类和回归:第一步，使用深度卷积网络对输入的图像进行目标特征提取;第二步，特征图像经过 PN 网络，得到候选框所在位置，再使用 OI pooling10 将目标对应到特征图像上;第三步，将结果输入到全连接层进行最终的分类和检测框回归11。特征层依然选用卷积、激活和池化组成的结构，在网络深度上对比 CNN 算法有所增加。区域候选网络和全连接层会应用到提取的特征图。特征图像在 PN 网络结构中第一步先通过卷积层，之后会马上经过两个卷积层，卷积层大小为 11。得到结果后，Softmax 分类器需要其中一个结果进行分类，候选区域的定位则使用另一个结果。候选框的定位，以特征图像的像元为此框的中心点生成一个框，然后再经过对比特征图像和原始图像就能够得到候选491wwwteleonlinecn电讯技术2023 年框的具体位置。分类器的作用是将所有的候选框分为前景和背景，然后每个候选框将得到两类分数，再进行回归分析计算，计算后能够得到 x，y，w，h4个偏移量。由每个候选框得到的参数作为 PN 的输出，再将候选框的特征图像和参数输入到候选框池化层。交并比(Intersection over Union，IoU)代表了两个数据的重叠程度，在进行 PN 训练时，使用 IoU指标对样本进行分类。公式如下:IoU=I(X)U(X)。(1)式中:I(X)代表数据交集;U(X)代表数据并集。将IoU 小于 03 的作为负样本，将标注框与候选框的指标大于 07 作为正样本。PN 的损失函数定义如下:L(pi，ti)=1NiLcls(pi，p，)+1NregiPiLreg(ti，ti)。(2)Faster-CNN 最大的改进就是弃用了 SS 网络12，改用 PN 网络13 来代替，使得候选框的个数大大降低，并且质量也进一步提高。3基于深度学习与传统方法相结合的红外舰船检测算法31本文算法流程本算法分为两个部分:第一部分是传统算法部分，对红外图像进行处理，主要目的提取出候选区域，因为传统算法相较于深度学习算法速度快，所以第一部分会大量节省检测的时间;第二部分是利用深度学习网络对候选区域进行目标的分类提取，通过两次精准的深度学习网络的检测，得出对目标的判断。本文算法流程如图 3 所示。图 3算法流程图32算法部分321高低帽变换图像进行预处理，首先对图像进行切割，输出512512 的图像，使图像缩小为以前的 1/4。进行中值滤波降低条纹噪声的影响，同时可以滤掉一些点状海杂波。分别利用高帽变换(TOP-HAT)和低帽变换(Bottom-HAT)14 提取暗背景下亮目标和亮背景下暗目标:TH(x，y)=f(x，y)(fB)(x，y)，(3)BH(x，y)=(fB)(x，y)f(x，y)。(4)图 4 为经过低帽变换后的结果，图 5 为经过高帽变换后的结果。图 4低帽变换图 5高帽变换322阈值分割因为红外图像为灰度图像，设置灰度阈值将疑似舰船目标分割出来，阈值的选取分别利用了图像中的 max/2、(均值+max)/2 和预先设置的经验值三个参数进行目标分割