一种基于无人艇应用的水面目标快速检测方法
【技术领域】
[0001] 本发明属于数字图像处理和控制系统交叉技术领域，更具体地，涉及一种基于无 人艇应用的水面目标快速检测方法。
【背景技术】
[0002] 最近几年，关于无人艇的研究和开发引起了众多海洋军事强国的强烈关注，其中 比较有代表性的是美国"斯巴达"号无人艇和以色列的"保护者"号无人艇。目前，无论是 从民用还是军用的角度出发，我国对无人艇的需求都在日趋增加，这在领海巡视、打击海盗 和走私等领域显得尤为迫切。在无人艇的自主航行中，水面目标的快速检测是无人艇自动 避障的基础。下面介绍几个目前常用的目标检测方法：
[0003] (1)基于局部特征匹配的目标检测方法
[0004] 基于局部特征匹配的目标检测通常将目标和待检测图像通过关键点以及关键点 邻域内信息描述目标，或者通过局部区域内的特征信息描述目标。
[0005] 2004 年，DavidLowe在IJCV上提出了 著名的SIFT(Scale-InvariantFeature Transform)局部特征描述子，可以有效适应尺度、旋转、仿射和视角等变化带来的影响。该 算法通过图像金字塔和高斯核滤波的差分，检测出高斯拉普拉斯空间的极值点作为特征 点，并通过局部128维特征进行描述，使其在应用时具有更好的适应性和鲁棒性。
[0006] ⑵基于结构的目标检测方法
[0007] 物体结构可以很好的反映出目标信息。通常物体都是由结构化特征构成，例如人 通常由头、躯干和四肢构成，人脸通常由五官构成，车通常由车身和轮子构成。这种结构化 信息可以将目标准确的从复杂场景中检测出来。
[0008] 2010年，PedroFelzenszwalb在PAMI上提出了DPM模型。DPM模型将目标分为 几个不同的部件，在检测时根据不同部件的匹配程度以及部件之间的位置关系判断该物体 是不是需要检测的目标。DPM是目前最好的目标检测算法之一，并连续几年获得V0C上的检 测冠军。
[0009] (3)基于深度学习的目标检测算法
[0010] 深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加 抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。CNN也叫卷积神经网络， 是目前使用最多的一种深度学习模型。
[0011] 2014年RossGirshick在CVPR上提出了R-CNN方法，将目标候选区域和CNN结 合起来，用于目标检测。R-CNN将目标检测分为两个部分：寻找目标候选区域和目标识别。 R-CNN将CNN结构的全连接层替换成SVM分类器，并使用CNN结构的前半部分用于特征提 取。R-CNN在目标检测邻域取得非常不错的效果，也成为目标检测邻域的一个重要分支。
[0012] 尽管目前有许多目标检测的算法，但无论是基于特征匹配、DPM算法还是基于 R-CNN算法，都存在普适性较差的问题。其对单一目标的检测比较有效，例如仅仅检测某一 类型的船。而在无人艇的自主航行中，所面临的目标类型众多（例如游轮、帆船、军舰、浮 标、漂浮物、礁石等等），并且目标的姿态、视角变换都非常大，因此目前的目标检测算法不 能很好的适应真实的自然场景。另外由于无人艇面向实际应用，因此对算法的实时性要求 比较高，而目前的DPM、R-CNN算法复杂度太高，实时性较难满足。
[0013]综上所述，尽管目前在目标检测方面已有许多相关算法，但都因算法普适性以及 复杂度等原因，很难将其应用到无人艇的自动避障中。
【发明内容】
[0014] 针对现有技术的以上缺陷或改进需求，本发明提供一种基于无人艇应用的水面目 标快速检测方法，以实现无人艇的自动避障和自主航行。本发明不带有任何特定目标类型 信息，因此普适性较好。同时本发明算法复杂度较低，能够实时检测无人艇自主航行中遇到 的各种障碍物。
[0015] 本发明提供一种基于无人艇应用的水面目标快速检测方法，包括以下步骤：
[0016]步骤1训练层内分类器及层间分类器，其中，所述层内分类器用于在构建的尺度 空间的每一层判断当前候选区域是否是目标区域，所述层间分类器用于不同层之间的加权 计算；
[0017] 步骤2利用所述层内分类器及所述层间分类器对原始图像进行目标性分析，得到 最终的目标候选区域，包括以下子步骤：
[0018] (2-1)对所述原始图像进行尺度变换，构建金字塔模型，得到不同尺度大小的图 像，记为LpL2, . . .，LM，其中，M表示构建的尺度空间的层数；
[0019] (2-2)在每一层图像Q中，采用滑动窗口的方法对每一个位置提取固定大小的区 域，计算该区域的NG特征，并通过所述层内分类器计算该区域的得分值，得到不同层的目 标候选区域；
[0020] (2-3)通过所述层间分类器对在不同层得到的目标候选区域进行加权打分，并根 据所述加权打分结果进行排序；
[0021] (2-4)对目标候选区域进行极大值抑制，并得到所述最终的目标候选区域；
[0022] 步骤3训练随机森林回归器及多尺度融合权重，其中，所述随机森林回归器用于 计算分割后每一个超像素块的显著性值，所述多尺度融合权重用于融合不同尺度下的得到 的显著性图；
[0023]步骤4利用所述随机森林回归器及所述多尺度融合权重对所述原始图像进行显 著性分析，得到最终的显著性图；
[0024] 步骤5根据所述最终的目标候选区域及所述最终的显著性图，将包含大量虚警的 候选区域剔除，最终得到目标的准确位置。
[0025]总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效 果：
[0026] 本发明能够快速的检测出无人艇自主航行中遇到的各种障碍物。通过处理无人艇 上摄像机拍摄的图像，实时感知周边环境，实现无人艇的自主航行。对摄像机采集的图像， 通过目标性得到目标候选区域，并结合显著性知识剔除目标虚警。本发明相比于现有的其 它目标检测算法，无论是在目标的检测效果方面，还是在算法的速度方面都有很大的提升， 对无人艇的自动避障具有重要的指导意义。
【附图说明】
[0027] 图1为本发明基于无人艇应用的水面目标快速检测方法的流程图；
[0028]图2为本发明检测阶段目标性分析的流程图；
[0029] 图3为本发明通过目标性算法处理后得到的结果图；
[0030] 图4为本发明检测阶段显著性分析的流程图；
[0031]图5为本发明检测阶段显著性分析的结果图。
【具体实施方式】
[0032] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要 彼此之间未构成冲突就可以相互组合。
[0033] 本发明分为三个部分：首先，训练目标性模型并利用训练好的模型对待检测图像 进行目标性分析，得到目标候选区域，此时的目标候选区域会存在一定的虚警；然后，训练 显著性模型并利用训练好的模型对待检测图像进行显著性分析，得到显著性图；最后，将目 标性与显著性相结合，剔除目标虚警。
[0034] 图1所示为本发明基于无人艇应用的水面目标快速检测方法的流程图，具体包括 以下步骤：
[0035] 步骤1训练目标性模型。本训练阶段主要达到两个目的：训练层内分类器、训练层 间分类器。其中层内分类器用于在每一层判断当前候选区域是否是目标区域；层间分类器 用于不同层之间的加权计算。在本发明实施例中，训练阶段将PASCALV0C2007作为训练 集，其中包含10000张图，其中5000张用来训练，5000张用来测试。步骤1具体包括以下子 步骤：
[0036] (1-1)训练层内分类器，对训练集样本直接提取目标区域，并压缩成固定大小的 块，即可作为正样本，在本发明实施例中，统一使用8X8大小的块。对训练集样本随机选取 候选块，候选块只要与目标区域的重叠小于固定阈值即可作为负样本，在本发明实施例中， 固定阈值选为50%;
[0037] (1-2)训练层间分类器，对训练集样本进行尺度的调整，得到不同层的图像，随机 取8X8大小的块，按照压缩比例还原到原始图下，如果与目标区域重叠大于50%则作为正 样本，否则作为负样本。
[0038] 步骤2利用步骤1中训练好的目标性模型对原始图像进行目标性分析，目标性分 析是一种快速得到目标候选区域的方法。图2所示为本发明检测阶段目标性分析的流程 图，具体包括以下子步骤：
[0039] (2-1)对原始图像进行尺度变换，构建金字塔模型，得到不同尺度大小的图像，设 为LpL2, . . .，LM，其中M表示构建的尺度空间的层数，在本发明实施例中，M取33;
[0040] (2-2)在每一层图像Li(i= 1，2,M)中，采用滑动窗口的方式，对每一个位置提 取8X8大小的区域，并计算该区域的归一化梯度（NormedGradients，以下简称NG)特征， 并通过层内分类器计算该区域的得分值，该得分值用来度量该位置是目标候选区域的可能 性，这样就可以得到不同层的目标候选区域。在本发明实施例中，计算NG特征时，取所有通 道中水平方向梯度最大值为gx，垂直方向梯度最大值为gy，并通过公式min(|gx |+1gy|，255) 来计算每一个点的特征值；
[0041] (2-3)经过步骤（2-2)处理以后，对于每一层图像Q的每一个候选位置会有一个 得分值，用于度量该位置是目标候选区域的可能性。考虑到本发明中构建了许多层，所以通 过层间分类器对在不同层得到的目标候选区域进行加权打分，并根据目标候选区域的加权 得分进行排序，该加权得分值越高表明该区域包含目标的可能性越大；
[0