康 欣

(海军装备部重庆局，四川 成都 610036)

基于图像与电子侦察的云模型运动目标检测

康 欣

(海军装备部重庆局，四川 成都 610036)

运动目标检测是分析特定目标行为的基础。提出一种立足图像特征分析，通过构建图像本身的梯度方向直方图特征完成图像初始建模，采用电子侦察结果对目标位置进行纠正，而后采用云模型的概念模型进行特征合并，完成目标的检测。实验结果表明：与其他类似算法比较，该算法在检测速度和检测准确性方面具有一定的提高和优势。

目标检测；云模型；梯度方向直方图；电子侦察

0 引言

特定运动目标的识别及侦察是各类智能系统中重要的组成环节，例如交通管理、重点区域监控等，快速完成目标检测和跟踪是一个重要问题。电子侦察通过侦收特定目标辐射源信息散射的电磁信号进行侦察和分析，形成对特定目标位置和类型及相关信息报告。其优势在于目标检测不受地域或天气条件的限制，可长时间监视特定目标活动，获得特定目标情况，同时有效了解相关动态。缺点是由于电子侦察手段采用的是被动接收的策略，在电磁环境日趋复杂等情况下可能存在发现目标难、检测和跟踪难、测向定位难等困难。而此时，采用现有的主动式成像传感器获取的光学图像的综合分析，可有效形成目标的外观、形状、结构细节等特征的表征量，完成目标的检测、识别和跟踪。因此研究基于图像和电子侦察的融合检测是提高信息可靠性的有效手段。

电子侦察和图像能够有效获取目标的不同特征信息，形成对同一目标的不同侧面的描述。Sayrol等人[1]采用图像的信息积累，在图像的高阶处理中形成了提取背景和噪声分离的有效算法。典型的图像处理采用3帧相邻图像差分、获取目标识别信息[2]，甚至扩展到66帧图像分析[3]。当背景变化过于剧烈，则首先应该进行背景运动补偿[4]。文献[5]提出SAR图像的PCA提取目标特征，完成目标分类，获得了较平稳的实验效果。对图像进行分块学习，有效提高图像的处理能力， Dalal 和Triggs[6]分析了目标的局部细微特征，从而提高目标检测结果。机载电子侦察(ESM)本身获取目标信号特征，建立目标的时频特征，通过训练获取可获得与图像特征相类似的表达。

本文选取图像和电子侦察图像获取目标信息，采用信息融合策略，综合考虑目标特征，通过特征互补策略形成特征向量，采用云模型表达，有效完成目标的表达并达到检测目标的目的。

1 机载图像处理

目前，利用无人机平台可有效快速获取目标的实时图像，为目标信息获取和实时目标检测提供了有力支撑。机载可见光成像均可获得较为丰富的颜色、形状和纹理信息，成像信噪比高，而且能达到的成像分辨率较高。在多幅场景中，目标往往可以借助周围地物及时间序列，对其检测结果和速度起到辅助增强作用。

借助图像获取的目标特征，构建目标的梯度方向直方图特征，形成对目标的特征描述。针对获取的目标信息，进行目标的像素提取和特征的描述，将有序直方图构建成特征描述器，针对图像的噪声和光照等变化，梯度方向直方图具有较好的抗噪声效果。具体采用直方图投影的办法进行特征提取，通过将图像块特征向不同方向投影，最后完成其目标投影，其一维投影特征如图1所示。

图1的像素梯度信息计算采用的是9方向投影计算方法，其具体计算需要满足三角函数特征。假设某像素点模值d，角度为θ，则其三角函数满足如下关系：

(1)

通过以上方法，可以将一维特征扩展到多维，其计算方法可以针对负值将特征归一化到0-180°，保证取值为正。具体操作以单像素为考虑对象，同时考虑细胞单元内像素的特征，例如，2×2细胞单元直方图结果如图2所示。

通过归一化的特征，将目标的图像特征映射成目标特征，目标特征化的描述有助于特征的归一化描述，同时归一化的特征对目标检测具有较好的效果。

2 机载电子侦察信息

机载电子侦察(ESM)是指采用专用的电子侦察装备对特定区域特定目标发出的信息进行侦收，无人机电子侦察是现代常用的手段之一。针对侦察结果采用信号解算对目标完成搜索、截获、定位和分析，生成目标的位置、类型等信息，且电子侦察检测效果与目标的分辨率无关，因此电子侦察目标特征一定程度上克服了图像因分辨率低造成的成像困难或不能识别的缺点。电子侦查信息在其他相关信息支持下，可以比较准确地获得目标位置及型号和目标位置。

电子侦察获取目标信息后，主要是通过对侦测的目标信号进行抽象及比对，有效形成对目标的描述。而当电子侦察信息获取的目标信息与图像的信息层级不一致时，就需要进一步处理后二者才能够统一检测，完成对同一目标的描述。

3 云模型

由于电子侦察和图像特征两者特征上存在较大差异，为此，本文采用云模型[7]将目标特征进行归一化统一。云模型具有定性和定量特征转化的特点，同时将传统的模糊集理论和概率统计方法有效结合，有助于特征的统一标识。其中，虚拟云及其云变换和不确定性推理的优势，为解决空间目标挖掘及特征发掘提供依据[8-9]。本文从云的特征出发，建立典型的云模型-正态云，因为目标的特征分布在一定条件下具有正态性，正态云具有较好的描述目标特征的能力。

云最初采用的是语言完成特定概念的定性和定量的不确定概念表述。设U为数据集，则有U={x}，T为U的隶属单元。即针对x都具有T的唯一隶属表述。C为U的一个定性概念，x则为C上的一个不确定表示。x作为C的一个标度，可以表述为：

μ：U→[0，1] ∀x∈Ux→μ(x)

(2)

因此，x在U中的分布叫云， x称为U中的云滴。图3所示为以0为中心的隶属云特征。

云模型采用数字特征进行其重要特征的描述，具体包括数学期望(ExpectedValue，Ex)、熵(Entropy，En)、超熵(HyperEntropy，He)。通过这些数字特征，模糊性与随机性集中在一起，构成定性与定量的表述：Ex——最大程度地代表云的定性概念，En——定性概念双边特性的一种模糊隶属度表示，He——熵的熵，即它是En的波动性和出现概率的度量。

通过建立数学特征，对目标和背景两种不同概念的表述，形成云模型在目标检测中对目标的描述。

4 云模型目标检测

云模型采用定量特征进行图像特征的识别和电子侦察特征的综合表述，形成对云模型的特征描述。

由于在实践中，机载图像和电子侦察同装于一个平台，因此可忽略由于其平台位置带来的误差。

两者的处理通过云模型建立其特征转化模型，形成其统一描述，达到引导性的发掘目标的过程。

4.1 算法描述

假设图像I，初步设定图像中有N个概念，本算法的目的是对N个小概念进行合并提升，将特征归结为{背景，前景}。在具体应用中，采用梯度方向直方图进行目标的表达。第一步完成对图像直方图信息提取。根据直方图信息统计结果，形成对目标的梯度方向直方图的概念提取，其具体的步骤包括对多个云模型提取的概念进行信息的有效提升，而后对每个概念建立云模型，如果两个云模型相距很近，则完成两个云概念的融合，即合并云操作，通过如此反复迭代，有效完成概念的合并，形成目标和背景两个概念。同样，对电子侦察目标信息也采取云模型表述的方法，对其进行特征的建模，达到提取同一目标的目的。

4.2 算法流程

①电子侦察具有探测距离远、精度差的特点，但是可以引导成像，因此根据方位信息，我们假设平台位置一致，由此可以引导图像获取其局部图像，则针对成像获取的图像I，建立图像的梯度图像h(x)，假设图像像素集合为D，如果是多通道图像，则，进行多通道独立求解融合策略，完成图像的直方图提取。此时，建立的梯度方向直方图求解完成后有多个概念，设为n；

②针对概念n中，提取hmax(x)，则该值设置为当前云的中心值Exi；

③云模型的幅度采用h(Exi)来表述云模型幅度因子ai；

④利用Exi求取Eni，假设其误差为ε；

⑤采用图像元素D，均值Exi，熵Eni，幅度因子ai则可求取Hei；

⑥将云模型构建的云Cloud(Exi,Eni,Hei)作为一个概念放入概念集中；

⑦对直方图进行如下操作：

h(x)=h(x)-ai*Cloud_Exp(Exi，Eni)

(3)

⑧重复以上步骤，直到所有的h(x)小于误差限ε；

⑨获取电子侦察目标位置信息，包括目标经纬度、目标属性。据此构建目标在图像中的位置信息，完成对图像识别结果的校正。按照步骤①-⑧，对不同的目标信息进行云模型表达，形成对电子侦察目标特征的表述。实验中，根据电子侦察目标特征，设定检测的目标位置为云的期望值，电子侦察的误差限为熵，超熵为电子侦察的可信度。构建电子侦察的目标特征云模型表达形式。

⑩根据电子侦察目标信息完成图像目标信息的校正，形成目标信息的统一表示并输出。

在步骤⑦中，其中云方程表达式如下：

(4)

x为目标的特征值中心，设定误差限ε=0.003。通过以上步骤，可有效提取目标特征，多个云特征融合的过程如下。

(5)

如上所述，则其实验流程如图4所示。

4.3 结果及分析

本文采用室外道路跑车环境进行模拟，图像采用交通视频监控获取，电子侦察采用旁边架设雷达获取，由于其位置与雷达距离在3000m范围内，因此雷达的精度相对较高。

本实验通过设定不同的误差值来进行目标检测。实验过程中，对同一场景不同帧目标进行分析。图像来源为图像检测中较为典型的智能交通图像，环境的变化唯一不足的是干扰比较少、光线变化不剧烈，通过加入噪声模拟相对复杂的实际环境，分析中，原图像一帧采用直方图均衡化处理、一帧不处理进行模拟，电子侦察采用模拟方式对目标定位，其定位信息为{127.5,34.6}。通过云模型分析，仍然可以在一定程度上分析得到前景目标。设定误差限ε=0.03和0.003，其分析结果如图5、图6所示。

背景差分算法(Pb Model)往往需要较大的训练样本空间，训练模型对样本要求高，同时训练时间长，样本数量失衡时也容易造成训练结果的不准确性。从结果可以看出，本文建立的空间电子侦察信息和目标图像在引导情况下的快速目标检测，有效提高了目标的发现概率。云模型通过简化目标表达形成了目标概念，达到了提取目标的目的。

此外，实验也说明在误差为0.03和0.003下，其检测结果具有一定的差异。二叉树检测算法与Pb Model算法都是直接对图像本身进行操作，其精度较差。云模型检测通过特征的逐步提升完成，针对电子侦察目标信息和图像信息，采用直接处理方法，不需要样本训练(Pb Model取得较好的效果需要大量样本，二叉树算法初始需要人工参与)。可见，本文算法结合电子侦察信息和图像可有效提高准确率，同时效率比Pb Model、二叉树算法具有一定优势。通过150帧图像检测结果分析，云模型检测算法时间平均在0.4ms左右。

本次实验结果由于实验环境较为单一，没有考虑时间特性、环境的复杂性。与目标的多探测手段的综合使用相比，后续工作将通过信息进行立体建模，将其特征与信息相结合，更好地描述该目标特征，完成对目标的精确检测工作。

5 结语

建立以电子侦察引导成像，以图像为主的检测手段，通过建立图像的梯度方向直方图信息，采用云模型的定性与定量之间的转换关系，对其电子侦察位置信息及图像信息进行分析，概念提升，达到仅有两个概念目标的目的，最后通过云模型合并完成目标检测。从实验结果看出，该算法可以对目标进行较好地识别和提取，基本满足应用要求。通过与其他算法比较，可以看出该算法具有较好的检测效果。

[1] SAYROL E,GASULL A,FONOLLOSA JR. Motion estimation using higher order statistics[J].IEEE Transaction on Image Processing,1996,5(6)：1077-1084.

[2] DUBUISSON MP,JAIN AK. Contour extraction of moving objects in complex outdoor scenes[J].International Journal of Computer Vision ,1995，14(1)：83-105.

[3] 曹炬,谭毅华,马杰,等.从移动背景红外序列图像中检测运动目标[J].电子与信息学报,2005,27(1):43-46.

[4] MALLAT S,HWANG W L. Singularity detection and processing with wavelets[J].IEEE Transactions on Information Theory,2002，38(2)：617-643.

[5] TAO R T,LI B.SAR Automatic Target recognition based on slow feature analysis[C]// IEEE International Conference on Progress in Informatics and Computing,Nanjing,China:IEEE,2015:40-45.

[6] DALAL N,TRIGGS B.Histograms of oriented gradients for human detection[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,1(12):886-893.

[7] ROOBAERT D,HULLE MMV.View-based 3D object recognition with support vector machines[J].Proceeding IEEE International Workshop on Neural Networks for Signal Processing,1999:77-84.

[8] 李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究与发展,1995, 32(6):15-20.

[9] 秦昆.不确定性图像分割的新方法[D].武汉:武汉大学，2007.

[责任编辑、校对：梁春燕]

Moving Object Detection Based on the Cloud Model

KANGXin

(Chongqing Office of Naval Equipment Department,Chengdu 610036,China)

Moving object detection is the foundation for analyzing behaviors of specific objects.A method is proposed in this paper based on image feature analysis by constructing the histogram of orientated gradient (HOG).A feature map is constructed and the target position is stated by electronic reconnaissance and a cloud model is used to merge the different concepts so as to complete moving object detection.The experimental results show that:the algorithm has the certain advantages in speed detection and detecting accuracy in comparison with other similar algorithms.

moving object detection;cloud model;histogram of orientated gradient;electronic reconnaissance

2017-03-21

康欣(1980-)，男，陕西宝鸡人，工程师，主要从事通信、信息处理及融合研究。

TN911.73

A

1008-9233(2017)03-0056-05