王文秀 傅雨田 董峰 李锋

摘 要： 为了较好检测红外在轨船只目标，首先建立船只小目标Hu矩特征数据库，紧接着对预处理后的红外在轨图像（测试图像）进行二值化运算；考虑相关散点的影响，采用开运算对其进行消除，得到较为完整的连通区域并进行矩特征分析；最后，矩特征跟特征库匹配，在限定阈值范围内则视为船只目标，并进行标记，识别效果精度高，可有效区分岸边区域。该算法可快速实现特征提取与匹配，有效实现特定区域船只目标统计，对快速准确检测海上舰船目标具有重要的研究价值。

关键词： 在轨目标； 连通区域； 红外图像； 船只识别； 矩特征； 海上舰船目标

中图分类号： TN219?34； TP751.1 文献标识码： A 文章编号： 1004?373X（2018）14?0092?04

Research on infrared on?orbit ship target detection method

WANG Wenxiu1，2，3， FU Yutian1，2， DONG Feng1，2， LI Feng1，2，3

（1. Key Laboratory of infrared detection and imaging technology of Chinese Academy of Sciences， Shanghai 200083， China；

2. Shanghai Institute of Technical Physics of Chinese Academy of Sciences， Shanghai 200083， China；

3. University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract： The Hu moment feature database for small ship targets is built， and the binary operation is performed for infrared on?orbit images （testing images） after preprocessing， so as to realize better detection of infrared on?orbit ship targets. The opening operation is adopted to eliminate the influence of related scattered points， so as to obtain relatively complete connected area and perform moment feature analysis. The moment features are matched with the feature base. If the moment features are within the range of limited threshold， they are regarded as the ship targets and then marked， which has high accurate recognition results and can effectively discriminate the shore area. The algorithm can rapidly realize feature extraction and matching， and obtain effective ship target statistics in specific areas， which has an important research value for rapid and accurate detection of marine ship targets.

Keywords： on?orbit target； connected area； infrared image； ship recognition； moment feature； marine ship target

0 引 言

红外在轨图像目标检测与识别是遥感图像处理和模式识别领域研究的热点内容。船只目标是海上重要的运输载体，也是各国海上军事的重要目标，因而在民用和军事领域都有广阔的应用前景。民用方面，船只目标的检测可有效监控特定港口及相关海域的海运和交通，配合安全管理部门监测和打击走私和海盗等违法行为；在军事方面，对敌军舰船目标的检测对监视敌方重点海域的舰船部署动态，分析敌军海上作战实力等都将具有重要的意义[1]。但是海面宽广，目标相对较为分散，低空侦查较难获取全面信息，在轨卫星获取目标较小，处理难度大，因而船只自动检测与识别具有较大的挑战性。近年来，卫星遥感技术飞速发展，红外探测器灵敏度不断提升，不断涌现高分辨率、短重访周期的对地侦查卫星，提供了海量的海上船只目标资源图片。传统的依靠人眼判别舰船目标信息方式，存在效率低、主观性强、信息获取慢等缺点，较难满足对红外遥感图像小目标识别的要求[2]。船只目标的快速有效提取成了众多科研人员研究的热点，有着非常重要的现实意义。

遥感图像小目标识别大多集中于可见光和SAR方面，相关检测算法也在理论上得到应用。例如西安高新技术研究所的黄世奇早在2009年的文献中就采用算法Coherence Reduction Speckle Noise（CRSN）和Coherence Constant False?Alarm Ratio（CCFAR）检测算法，较为可行有效[3]。电子科技大学的赵志采用Space?borne SAR，Terrestrial AIS等结合，展示较为相关的结果[4]。最新的文献中，Sungho Kim采用Adaboost?based machine learning 算法在SAR及红外图片中使用，得到较好的结果[5]。Adam Van Etten对在轨的可见光微小目标进行识别，研究内容较新，同时得到较好的识别结果。例如其采用Canny边缘检测器预过滤器与HOG特征描述相结合，随机森林分类器和滑动窗口。该方法在开放的水定位的性能较好，拥挤的地区仍然是一个挑战，需要不断改进。紧接着Adam Van Etten又采用HOG算子+卷积神经网络的方式对在轨图像飞机目标识别，实现效果较好。电子所的王小龙提出一种线性S?LGGD算法对SAR图像中的船只进行检测，较快速实现检测，只是识别结果不佳[6]。但以上算法都异常繁琐，计算机仿真在每一步都耗费大量时间，本文旨在结合现有工程实例进行红外在轨船只目标检测，考虑后续硬件实现，实时性要求较高，采用矩特征船只目标的分析检测，对小目标实时监测具有重要的参考价值。

1 算法理论

图像识别中最为常见的特征有纹理特征、形状特征和空间关系特征。由于拍摄距离关系，在轨红外海面图像目标较小，很难看出相关纹理特征。同时，考虑后续实验实时性等因素，空间关系在资源和时间的消耗大[4]，因而本文针对红外在轨小目标进行形状特征提取和检测。

1.1 常见形状特征提取方法

常见形状特征提取算法有边界特征、傅里叶形状描述符、几何参数及形状不变矩[7]。

边界特征法对形状参数的分析最为常用的当属角点监测分析，用于检测平行直线方法和边界方向直方图Hough变换也较为经典[8]。在轨船只目标较小，相关角点较难判断，平行直线也较少见，因而适用性低。

傅里叶形状描述符法主要采用傅里叶变换方式进行，对目标的曲率函数、质心距离、复坐标函数特征进行提取，可较好地将二维图像问题转换为一维特征匹配问题[9]，适合后期探索。

几何参数法主要针对目标圆度、偏心率、主轴方向和代数不变矩以及面积周长等进行分析，部分形状参数较难描述，且受分割效果影响较大[10]。

鉴于红外在轨图像中船只大小及种类的影响，非特定船只识别边界特征也各不相同。本文对海上船只进行统一识别，前三种方法就存在一定的局限性，因而本文利用形状不变矩法，对小目标所在区域的矩特征提取，作为形状描述参数，降低受到边界及分割效果的影响。

1.2 矩和Hu不变矩

矩是概率论中重要的理论内容，是较为重要的数字特性，有着直观的物理意义。在二维数的字图像方面，矩的相关定义如下[11]：

设图像区域f（x，y） 分段连续，并且在有限区域非零，那么定义原点矩和中心矩为[11]：

[mp，q=xpyqf（x，y）dxdy] （1）

[μp，q=（x-xc）p（y-yc）qf（x，y）dxdy] （2）

式中，[xc=m1，0m0，0]，[yc=m0，1m0，0]为图像重心。

定义归一化中心距为：[ηp，q=μp，qμ（p+q）2+10，0]

Hu不变矩是Hu.M.K在1962年证明了他们具有旋转、缩放和平移不变性[11]。7个主要公式内容如下：

有研究人员认为只有基于二阶矩的不变矩对二维目标的描述才具有真正的旋转、缩放和平移不变性[12]（恰好M1和M2都是由二阶矩组成的）。在对图像目标识别过程中，只有M1和M2不变性保持的比较好，其他的几个不变矩带来的误差比较大，本文针对M1和M2特征进行提取和匹配。

2 算法检测过程

本文在轨红外图像小目标识别主要包括4大块内容：主要为二值化、开运算、检测连通区域、提取不变矩特征与匹配。针对红外在轨船只目标识别，本文具体实施方案如下。

2.1 开启运算

形态学基本运算内容主要包括：腐蚀和膨胀、开启和闭合。

腐蚀的过程是消除边界点，并使得外边界向内部收缩的过程。可以用来消除小且无意义的物体，本文中适合用于消除目标二值化引起的离散点。膨胀将物体外边界背景点与目标合并，使边界向外部拓展，可以用来填补物体中的空洞[13]。本文识别目标较小，腐蚀后对大小影响程度较大，因而适当地膨胀扩大目标，便于矩特征的提取。先腐蚀后膨胀的称为开启运算，先膨胀后腐蚀的过程称为闭合运算，考虑识别目标特征性，进行开启运算操作，实现方式如下：

腐蚀的过程：本文采用3[×]3的结构，对图像每一个像素进行扫描；使用逻辑语言“与”对其覆盖的二值图像做“与”操作；如果都为1，结果图像的像素为1，否则为0；结果是使二值图像减小一圈。

膨胀的过程：用3[×]3的结构，对图像每一个像素进行扫描；使用逻辑语言“与”对其覆盖的二值图像做“与”操作；如果都为0，结果图像的像素為0，否则为1；结果是使二值图像扩大一圈。开启运算的实现及对图像进行先腐蚀后膨胀操作。

2.2 连通区域检测

本文对连通区域检测步骤为：从上至下，从左至右依次遍历图像。如图1所示。

如图1a）所示，在从左至右的遍历过程中将会遇到第一个白点，如果没有被标记过，则标记为A，从A点出发，将A所在的外轮廓点全部跟踪到，然后回到A点，并将路径上的点全部标记为A的标号。图1b）中，如果遇到已经标记过的外轮廓点A′，则从A′向右，将它右边的点都标记为A′的标号，直到遇到黑色像素为止，并标记为B。直到没有白色像素为止[12?14]。

除此之外，还需对连通区域所在矩形框进行标记，进而截取对应区域，并进行特征提取。同时，根据矩特征的定义对重心进行标定，在结果图像中能直观显示结果。

2.3 Hu不变矩的使用

如果把二值图像看成二维密度分布函数，就可以把Hu不变矩特征有效用于图像处理中[15]。

本文首先从已有在轨红外海面图片中资源中截取具有典型特征的船只目标，将尺寸调整为同等大小[30×30]。利用Hu不变矩公式计算特征，并建立Hu不变矩特征参考库。在实际使用过程中，将现有图像中每一个连通区域Hu不变矩特征提取后与样本库进行匹配，在限定匹配域之内，即将其视为船只目标，并标注序号。

3 实验及结果分析

本文选取较为典型的港口红外在轨图像进行分析，图2为中国台湾高雄港红外在轨图片。

由图3可知，二值化后的图像散点较为明显，没有鲜明的区域特征，因而相关区域特征整合算法变得很有必要。膨胀与腐蚀是最为常用的算法，考虑到目标较小特性，加之船只目标相对较为分散，膨胀是较好的选择。

本文采用开运算，较好去除边界处毛刺点，较好形成区域，如图4所示。

对开运算后的图片进行连通区域分割，紧接着提取对应的矩特征，并与特征库进行匹配，得到如图5所示的识别结果。

由检测结果可知，港口信息并未对海面目标产生干扰，船只目标识别率高。算法运行速率高，加之本算法特征提取与匹配过程对硬件要求低，可有效用于实时目标检测系统。

4 结 语

红外在轨船只目标检测是空间遥感技术的重要发展方向之一，在压缩宽覆盖红外相机在轨图像数据量，提高遥感应用的效率等方面具有重要的意义[16]，也将具有较高的应用价值。当前国内这方面的工作主要开展在可见光波段，相关机器学习算法繁琐，硬件难以实现。本文在实际应用中不断向着优于特征提取和特征匹配的方向处理，最终采取将预处理后的图像进行二值化、开运算、及特征提取和匹配，能快速高效提取船只目标，将可以直接在有关型号上得到应用，进而实现对船只目标的实时监测，不仅具有学术价值，更具有很强的工程应用价值。

参考文献

[1] 王彦情，马雷，田原.光学遥感图像舰船目标检测与识别综述[J].自动化学报，2011，37（9）：1029?1039.

WANG Yanqing， MA Lei， TIAN Yuan. State?of?the?art of ship detection and recognition in optical remotely sensed imagery [J]. Acta automatica sinica， 2011， 37（9）： 1029?1039.

[2] WANG Xiaolong， CHEN Cuixia. A fast line?scanning?based detection algorithm for real?time SAR ship detection [J]. Original paper， 2015（9）： 1975?1982.

[3] HUANG Shiqi， LIU Daizhi， GAO Guiqing， et al. A novel method for speckle noise reduction and ship target detection in SAR images [J]. Pattern recognition， 2009， 42（7）： 1533?1542.

[4] ZHAO Zhi， JI Kefeng， XING Xiangwei， et al. Ship surveillance by integration of space?borne SAR and AIS： review of current research [J]. Journal of navigation， 2014， 67（1）： 177?189.

[5] KIM S， SONG W J， KIM S H. Robust ground target detection by SAR and IR sensor fusion using Adaboost?based feature selection [J]. Sensors， 2016， 16（7）： 1?27.

[6] 张振.高分辨率可见光遥感图像港口及港内目标识别方法研究[D].合肥：中国科学技术大学，2009.

ZHANG Zhen. A study on harbor target recognition in high resolution optical remote sensing image [D]. Hefei： University of Science and Technology of China， 2009.

[7] 楊晓.红外图像的目标识别技术研究[D].太原：中北大学，2009.

YANG Xiao. Research on technologies of infrared images target recognition [D]. Taiyuan： North University of China， 2009.

[8] 章学静，陈禾，马龙，等.一种基于子图特征的快速图像配准算法[J].北京理工大学学报，2015，35（7）：744?749.

ZHANG Xuejing， CHEN He， MA Long， et al. Fast image registration algorithm based on sub?image features [J]. Transactions of Beijing Institute of Technology， 2015， 35（7）： 744?749.

[9] LI Miao， LONG Yunli， LI Jun， et al. Complex morphology small targets detection based on spatial?temporal sparse recovery in infrared surveillance system [C]// Proceedings of 2nd Space Target and Debris Monitoring and Cleaning Technology and Its Application Academic Conference. Suzhou： Chinese Society for optical engineering， 2015： 1?4.

[10] 李俊山.基于特征的红外图像目标匹配与跟踪技术[M].北京：科学出版社，2014.

LI Junshan. Feature based target matching and tracking technique for infrared image [M]. Beijing： Science Press， 2014.

[11] HU Mingkuei. Visual pattern recognition by moment invariants [J]. IRE transactions on information theory， 1962， 8（2）： 179?187.

[12] 曾接贤，付俊，符祥.特征点和不变矩结合的遥感图像飞机目标识别[J].中国图象图形学报，2014，19（4）：592?602.

ZENG Jiexian， FU Jun， FU Xiang. Aircraft target recognition in remote sensing images based on distribution of the feature points and invariant moments [J]. Journal of image and graphics， 2014， 19（4）： 592?602.

[13] 张毓晋.图像分析（中册）[M].北京：清华大学出版社，2012：310?315.

ZHANG Yujin. Image analysis （Vol. II） [M]. Beijing： Tsinghua University Press， 2012： 310?315.

[14] Ronny.图像分析：二值图像连通域标记[EB/OL].[2014?03?14]. www.cnblogs.com/ronny/p/img_aly_01.html.

Ronny. Image analysis： connected area labeling of binary images [EB/OL]. [2014?03?14]. www.cnblogs.com/ronny/p/img_aly_01.html.

[15] 杜庆海，于忠清，张佳.基于不变矩特征的图像识别[J].信息技术与信息化，2008（6）：96?97.

DU Qinghai， YU Zhongqing， ZHANG Jia. Image searching and recognition based on moment invariant [J]. Information technology and informatization， 2008（6）： 96?97.

[16] 王瑞凤，杨宪江，吴伟东.发展中的红外热成像技术[J].红外与激光工程，2008，37（z2）：699?702.

WANG Ruifeng， YANG Xianjiang， WU Weidong. Development of infrared thermal imaging technology [J]. Infrared and laser engineering， 2008， 37（S2）： 699?702.