摘要利用顯著性檢測技術(shù)可以快速有效地從海面背景中區(qū)分出前景船舶，因此基于顯著性分析的船舶檢測算法受到了廣泛的研究關(guān)注。然而受到水面無規(guī)則背景噪聲，如海浪、雜波、船舶尾跡等干擾，很難準(zhǔn)確地獲得船舶檢測結(jié)果。針對這一問題，提出了一種基于魯棒背景估計(jì)的船舶顯著性檢測算法。首先，將原始輸入圖像中的像素點(diǎn)進(jìn)行聚類形成一系列超像素，并利用深度卷積網(wǎng)絡(luò)模型求取每個超像素對應(yīng)的特征描述。然后，為了有效抑制海面背景噪聲對船舶檢測性能的影響，構(gòu)建新的背景模板估計(jì)算法，通過將不同超像素點(diǎn)間的距離度量與圖像邊緣連通權(quán)重和背景噪聲區(qū)域先驗(yàn)有效地結(jié)合，生成更加準(zhǔn)確的背景模板。最后，將該模板融入到基于立體鄰域空間的細(xì)胞自動機(jī)顯著度圖求解框架下，獲得最終的船舶顯著性檢測結(jié)果。定性和定量的對比實(shí)驗(yàn)表明，算法具有良好的有效性和魯棒性。

　　關(guān)鍵詞圖像處理;船舶顯著性檢測;背景估計(jì);深度卷積神經(jīng)網(wǎng)絡(luò);細(xì)胞自動機(jī)

　　1引言

　　視覺成像系統(tǒng)具有價格低廉、安裝方便等優(yōu)勢，因此被廣泛應(yīng)用于各大港口碼頭3]。由于監(jiān)控系統(tǒng)拍攝的視頻圖像數(shù)據(jù)量龐大，僅依靠人工監(jiān)測需要耗費(fèi)大量的時間。因此近年來，計(jì)算機(jī)視覺技術(shù)被廣泛應(yīng)用于船舶自動檢測領(lǐng)域[4。在海洋場景中，圖像背景多由海面和天空組成，這類區(qū)域在外觀形態(tài)和特征描述上與前景船舶存在較大的視覺差異。利用顯著性分析，通過智能算法模擬人類視覺注意機(jī)制，根據(jù)不同像素點(diǎn)間的特征描述差異，可以快速有效地從背景中定位出前景船舶，因此受到了國內(nèi)外學(xué)者的廣泛研究關(guān)注。

　　船舶論文：船舶大功率脈沖負(fù)載抗沖擊供電系統(tǒng)

　　例如Cane等人[8通過顏色對立性分析，對輸入圖像提取了寬調(diào)諧強(qiáng)度解耦紅綠藍(lán)特征，利用改進(jìn)的布爾映射顯著性檢測算法求取不同像素點(diǎn)間的特征差異，從海面背景中定位出前景船舶區(qū)域，并進(jìn)一步基于卡爾曼濾波技術(shù)獲得了連續(xù)視頻中的船舶檢測與跟蹤結(jié)果。劉松濤等人[9提出了一種基于區(qū)域協(xié)方差和目標(biāo)度的船舶檢測算法，使用sigma特征進(jìn)行目標(biāo)顯著性建模，進(jìn)一步結(jié)合目標(biāo)度抑制海面背景雜波，最后通過子窗口搜索實(shí)現(xiàn)復(fù)雜場景下的船舶檢測。Sobral等人[10提出了一種基于雙重約束的主成分分析算法，通過綜合形狀約束和目標(biāo)置信區(qū)域中的稀疏表達(dá)，獲得最終的船舶二值掩模檢測結(jié)果。

　　Shao等人[11建立了包含類船舶目標(biāo)的檢測數(shù)據(jù)集，基于YOLOv2求解框架，通過結(jié)合海岸線檢測和船舶顯著性分析，利用不同區(qū)域的顏色特征差異，更加快速準(zhǔn)確地獲得了船舶檢測結(jié)果。基于顯著性分析理論，通過比較不同像素點(diǎn)間顏色、紋理等特征描述的差異性，在一定程度上可以快速有效的從背景區(qū)域中檢測出前景船舶。但是這類方法對提取的特征描述依賴性較大，當(dāng)提取的原始特征表達(dá)受到噪聲干擾時，會影響到整體算法的求解魯棒性。

　　為了進(jìn)一步提高基于顯著性分析的船舶檢測結(jié)果，已有學(xué)者嘗試?yán)�用變換域或綜合不同特征空間下的視覺信息，增強(qiáng)前、背景區(qū)域的特征描述力，進(jìn)而抑制不規(guī)則背景噪聲對船舶檢測性能的影響。例如，Ren等人[12對輸入圖像提取的顏色和亮度特征進(jìn)行傅里葉變換，然后在頻域內(nèi)對不同特征獲得的光譜幅值進(jìn)行奇異值分解。進(jìn)一步，利用傅里葉反變換和線性融合得到了具有較強(qiáng)顯著性的船舶檢測結(jié)果。Afsharirad等人[13基于任務(wù)模擬系統(tǒng)，利用傅里葉變換和相位分析技術(shù)提高前、背景區(qū)域的原始特征描述力，進(jìn)而獲得了更加魯棒的船舶檢測結(jié)果。

　　丁鵬等人[14利用四元數(shù)圖像可以在多通道內(nèi)進(jìn)行并行處理并保證其特征描述具有多尺度關(guān)聯(lián)性的特點(diǎn)，設(shè)計(jì)了一種基于多特征、多尺度視覺顯著性的船舶檢測算法。通過利用人眼對不同尺度船舶目標(biāo)關(guān)注度不同的特點(diǎn)對圖像進(jìn)行尺度變換，避免了船舶漏檢現(xiàn)象。上述算法通過空間域變換和多特征融合，進(jìn)一步提高了前、背景區(qū)域的區(qū)分度，然而僅依靠手工設(shè)計(jì)規(guī)則求取圖像特征描述，很難有效抑制復(fù)雜背景噪聲，如海浪、泡沫和船舶尾跡等對船舶顯著性檢測的影響，因此很容易引起誤檢現(xiàn)象。

　　2基于魯棒背景估計(jì)的船舶顯著性檢測圖

　　給出了本文算法的總體求解流程。本節(jié)將分別從深度特征提取、背景模板生成和基于立體鄰域空間細(xì)胞自動機(jī)的顯著性檢測三部分對算法各子模塊進(jìn)行詳細(xì)地介紹。

　　2.1超像素聚類及深度特征提取

　　為了有效保留相鄰像素點(diǎn)間的結(jié)構(gòu)信息并提高算法求解效率，使用線性迭代聚類算法[15]將輸入圖像中位置相鄰、特征相似的若干像素點(diǎn)預(yù)先聚類成超像素。本文對每幅圖像分別提取了大、中、小三個不同尺度大小的超像素聚類結(jié)果，用于后續(xù)立體近鄰空間的構(gòu)建。為了更加準(zhǔn)確地對每個超像素進(jìn)行特征描述，使用深度網(wǎng)絡(luò)模型[16]提取對應(yīng)的特征表達(dá)。選取的深度網(wǎng)絡(luò)模型使用VGG16為骨干網(wǎng)絡(luò)，整體網(wǎng)絡(luò)由五輪卷積操作共同構(gòu)成，每輪卷積操作進(jìn)一步由卷積層、激活層和池化層等共同構(gòu)成。

　　使用PASCALVOC2011分割訓(xùn)練樣本集對模型參數(shù)進(jìn)行了訓(xùn)練和學(xué)習(xí)后，將整幅圖像所有像素點(diǎn)的RGB原始特征作為深度網(wǎng)絡(luò)的輸入，通過多輪卷積操作求取原始圖像中每個像素點(diǎn)在不同卷積層下對應(yīng)的深度特征描述。進(jìn)一步，根據(jù)不同參數(shù)下的超像素聚類結(jié)果，使用每個超像素點(diǎn)所包含的全部像素點(diǎn)的深度特征均值作為該參數(shù)下對應(yīng)卷積層提取獲得的超像素深度特征描述。通過多輪卷積操作，利用淺層網(wǎng)絡(luò)可以有效提取出局部細(xì)節(jié)信息，利用深層網(wǎng)絡(luò)則可以進(jìn)一步獲得更多的語義和上下文特征表達(dá)。因此參考[17，本文將淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)提取獲得的特征向量進(jìn)行了拼接融合，作為每個超像素點(diǎn)最終的深度特征描述。

　　3實(shí)驗(yàn)結(jié)果與分析

　　本文實(shí)驗(yàn)采用MATLAB軟件進(jìn)行，所使用計(jì)算機(jī)內(nèi)存128G，IntelXeonW2145處理器，核16線程，主頻3.7GHz。為了證明算法的有效性，在真實(shí)監(jiān)控新加坡海事數(shù)據(jù)集和標(biāo)準(zhǔn)公測數(shù)據(jù)集上均進(jìn)行了實(shí)驗(yàn)評估。本節(jié)將從數(shù)據(jù)集與參數(shù)設(shè)定、定性分析、定量分析和背景模板估計(jì)算法有效性分析四個方面進(jìn)行詳細(xì)介紹。

　　3.1實(shí)驗(yàn)數(shù)據(jù)集與參數(shù)設(shè)定

　　為了驗(yàn)證本文算法性能，我們首先在新加坡海事數(shù)據(jù)集[7上進(jìn)行了實(shí)驗(yàn)。該數(shù)據(jù)集一共包含51個在新加坡海域?qū)嶋H拍攝獲取的監(jiān)控視頻片段。其中40個視頻是由海岸邊架設(shè)的相機(jī)拍攝獲得，其余11個視頻則由船載相機(jī)拍攝獲取。由于同一段視頻中相鄰幀間的圖像差異性很小，因此我們將該數(shù)據(jù)集中所有視頻每隔20幀保留一幅圖像，共計(jì)收集到了1186幅圖像進(jìn)行真實(shí)應(yīng)用場景下的算法定性分析。此外，我們從顯著性檢測標(biāo)準(zhǔn)數(shù)據(jù)集中篩選出了包含船舶的圖像，并給出了標(biāo)測數(shù)據(jù)集下的船舶檢測結(jié)果。最后，為了方便與最新的算法進(jìn)行定量比較，我們在ECSSD[19和PASCAL[20兩個公測數(shù)據(jù)集上對本文算法進(jìn)行了評測，從而進(jìn)一步驗(yàn)證算法的有效性和魯棒性。

　　4結(jié)論

　　本文提出一種新的基于魯棒背景估計(jì)的船舶顯著性檢測算法。為了更好的從復(fù)雜背景噪聲出區(qū)分出前景船舶，將不同超像素點(diǎn)間的距離度量分析與先驗(yàn)權(quán)重相結(jié)合，構(gòu)建求取基于差異閾值分析的背景模板，并將其融入到立體鄰域空間下的細(xì)胞自動機(jī)顯著性分析框架下，從而抑制不規(guī)則噪聲對船舶顯著性檢測的影響，有效提高了船舶檢測的性能。同時，在標(biāo)準(zhǔn)數(shù)據(jù)集上的定量分析也進(jìn)一步證明了該算法具有良好的普適性和魯棒性。

　　參考文獻(xiàn)

　　[1]rasad,Prasath,RajanD,etal.Objectdetectioninamaritimeenvironment:performanceevaluationofbackgroundsubtractionmethods[J].IEEETransactionsonIntelligentTransportationSystems,2019,20(5):17871802.

　　[2]DongC,FengJJ,TianLF,etal.Rapidshipdetectionbasedongradienttexturefeaturesandmultilayerperceptron[J].InfraredandLaserEngineering,2019,48(10):290299.

　　董超,馮俊健,田聯(lián)房,等.梯度紋理直方圖與多層感知器船舶快速檢測[J].紅外與激光工程,2019,48(10):290299.

　　作者：姚婷婷，張波，李鵬飛，柳曉鳴