基于鲁棒背景估计的船舶显著性检测

　　摘要利用显著性检测技术可以快速有效地从海面背景中区分出前景船舶，因此基于显著性分析的船舶检测算法受到了广泛的研究关注。然而受到水面无规则背景噪声，如海浪、杂波、船舶尾迹等干扰，很难准确地获得船舶检测结果。针对这一问题，提出了一种基于鲁棒背景估计的船舶显著性检测算法。首先，将原始输入图像中的像素点进行聚类形成一系列超像素，并利用深度卷积网络模型求取每个超像素对应的特征描述。然后，为了有效抑制海面背景噪声对船舶检测性能的影响，构建新的背景模板估计算法，通过将不同超像素点间的距离度量与图像边缘连通权重和背景噪声区域先验有效地结合，生成更加准确的背景模板。最后，将该模板融入到基于立体邻域空间的细胞自动机显著度图求解框架下，获得最终的船舶显著性检测结果。定性和定量的对比实验表明，算法具有良好的有效性和鲁棒性。

　　关键词图像处理;船舶显著性检测;背景估计;深度卷积神经网络;细胞自动机

　　1引言

　　视觉成像系统具有价格低廉、安装方便等优势，因此被广泛应用于各大港口码头3]。由于监控系统拍摄的视频图像数据量庞大，仅依靠人工监测需要耗费大量的时间。因此近年来，计算机视觉技术被广泛应用于船舶自动检测领域[4。在海洋场景中，图像背景多由海面和天空组成，这类区域在外观形态和特征描述上与前景船舶存在较大的视觉差异。利用显著性分析，通过智能算法模拟人类视觉注意机制，根据不同像素点间的特征描述差异，可以快速有效地从背景中定位出前景船舶，因此受到了国内外学者的广泛研究关注。

　　船舶论文：船舶大功率脉冲负载抗冲击供电系统

　　例如Cane等人[8通过颜色对立性分析，对输入图像提取了宽调谐强度解耦红绿蓝特征，利用改进的布尔映射显著性检测算法求取不同像素点间的特征差异，从海面背景中定位出前景船舶区域，并进一步基于卡尔曼滤波技术获得了连续视频中的船舶检测与跟踪结果。刘松涛等人[9提出了一种基于区域协方差和目标度的船舶检测算法，使用sigma特征进行目标显著性建模，进一步结合目标度抑制海面背景杂波，最后通过子窗口搜索实现复杂场景下的船舶检测。Sobral等人[10提出了一种基于双重约束的主成分分析算法，通过综合形状约束和目标置信区域中的稀疏表达，获得最终的船舶二值掩模检测结果。

　　Shao等人[11建立了包含类船舶目标的检测数据集，基于YOLOv2求解框架，通过结合海岸线检测和船舶显著性分析，利用不同区域的颜色特征差异，更加快速准确地获得了船舶检测结果。基于显著性分析理论，通过比较不同像素点间颜色、纹理等特征描述的差异性，在一定程度上可以快速有效的从背景区域中检测出前景船舶。但是这类方法对提取的特征描述依赖性较大，当提取的原始特征表达受到噪声干扰时，会影响到整体算法的求解鲁棒性。

　　为了进一步提高基于显著性分析的船舶检测结果，已有学者尝试利用变换域或综合不同特征空间下的视觉信息，增强前、背景区域的特征描述力，进而抑制不规则背景噪声对船舶检测性能的影响。例如，Ren等人[12对输入图像提取的颜色和亮度特征进行傅里叶变换，然后在频域内对不同特征获得的光谱幅值进行奇异值分解。进一步，利用傅里叶反变换和线性融合得到了具有较强显著性的船舶检测结果。Afsharirad等人[13基于任务模拟系统，利用傅里叶变换和相位分析技术提高前、背景区域的原始特征描述力，进而获得了更加鲁棒的船舶检测结果。

　　丁鹏等人[14利用四元数图像可以在多通道内进行并行处理并保证其特征描述具有多尺度关联性的特点，设计了一种基于多特征、多尺度视觉显著性的船舶检测算法。通过利用人眼对不同尺度船舶目标关注度不同的特点对图像进行尺度变换，避免了船舶漏检现象。上述算法通过空间域变换和多特征融合，进一步提高了前、背景区域的区分度，然而仅依靠手工设计规则求取图像特征描述，很难有效抑制复杂背景噪声，如海浪、泡沫和船舶尾迹等对船舶显著性检测的影响，因此很容易引起误检现象。

　　2基于鲁棒背景估计的船舶显著性检测图

　　给出了本文算法的总体求解流程。本节将分别从深度特征提取、背景模板生成和基于立体邻域空间细胞自动机的显著性检测三部分对算法各子模块进行详细地介绍。

　　2.1超像素聚类及深度特征提取

　　为了有效保留相邻像素点间的结构信息并提高算法求解效率，使用线性迭代聚类算法[15]将输入图像中位置相邻、特征相似的若干像素点预先聚类成超像素。本文对每幅图像分别提取了大、中、小三个不同尺度大小的超像素聚类结果，用于后续立体近邻空间的构建。为了更加准确地对每个超像素进行特征描述，使用深度网络模型[16]提取对应的特征表达。选取的深度网络模型使用VGG16为骨干网络，整体网络由五轮卷积操作共同构成，每轮卷积操作进一步由卷积层、激活层和池化层等共同构成。

　　使用PASCALVOC2011分割训练样本集对模型参数进行了训练和学习后，将整幅图像所有像素点的RGB原始特征作为深度网络的输入，通过多轮卷积操作求取原始图像中每个像素点在不同卷积层下对应的深度特征描述。进一步，根据不同参数下的超像素聚类结果，使用每个超像素点所包含的全部像素点的深度特征均值作为该参数下对应卷积层提取获得的超像素深度特征描述。通过多轮卷积操作，利用浅层网络可以有效提取出局部细节信息，利用深层网络则可以进一步获得更多的语义和上下文特征表达。因此参考[17，本文将浅层网络和深层网络提取获得的特征向量进行了拼接融合，作为每个超像素点最终的深度特征描述。

　　3实验结果与分析

　　本文实验采用MATLAB软件进行，所使用计算机内存128G，IntelXeonW2145处理器，核16线程，主频3.7GHz。为了证明算法的有效性，在真实监控新加坡海事数据集和标准公测数据集上均进行了实验评估。本节将从数据集与参数设定、定性分析、定量分析和背景模板估计算法有效性分析四个方面进行详细介绍。

　　3.1实验数据集与参数设定

　　为了验证本文算法性能，我们首先在新加坡海事数据集[7上进行了实验。该数据集一共包含51个在新加坡海域实际拍摄获取的监控视频片段。其中40个视频是由海岸边架设的相机拍摄获得，其余11个视频则由船载相机拍摄获取。由于同一段视频中相邻帧间的图像差异性很小，因此我们将该数据集中所有视频每隔20帧保留一幅图像，共计收集到了1186幅图像进行真实应用场景下的算法定性分析。此外，我们从显著性检测标准数据集中筛选出了包含船舶的图像，并给出了标测数据集下的船舶检测结果。最后，为了方便与最新的算法进行定量比较，我们在ECSSD[19和PASCAL[20两个公测数据集上对本文算法进行了评测，从而进一步验证算法的有效性和鲁棒性。

　　4结论

　　本文提出一种新的基于鲁棒背景估计的船舶显著性检测算法。为了更好的从复杂背景噪声出区分出前景船舶，将不同超像素点间的距离度量分析与先验权重相结合，构建求取基于差异阈值分析的背景模板，并将其融入到立体邻域空间下的细胞自动机显著性分析框架下，从而抑制不规则噪声对船舶显著性检测的影响，有效提高了船舶检测的性能。同时，在标准数据集上的定量分析也进一步证明了该算法具有良好的普适性和鲁棒性。

　　参考文献

　　[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,冯俊健,田联房,等.梯度纹理直方图与多层感知器船舶快速检测[J].红外与激光工程,2019,48(10):290299.

　　作者：姚婷婷，张波，李鹏飞，柳晓鸣