為了實現(xiàn)島岸復(fù)雜環(huán)境下航空偵察圖像艦船目標檢測,提出一種基于區(qū)域協(xié)方差和目標度的顯著目標檢測方法。在聯(lián)合條件隨機場和字典學習的圖像顯著性檢測框架下,首先提取每個區(qū)域增強的sigma特征,并進行稀疏編碼,然后又設(shè)計基于顯著優(yōu)化的目標度特征,利用信念傳播算法推斷生成艦船目標顯著圖,最后應(yīng)用高效子窗口搜索方法實現(xiàn)艦船目標檢測。實驗結(jié)果表明,新方法的顯著圖結(jié)果目標區(qū)域一致高亮,背景雜波抑制效果好,可實現(xiàn)準確的目標檢測。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2019,41(05)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

圖１艦船目標檢測算法流程圖Ｆｉｇ．１Ｆｌｏｗｃｈａｒｔｏｆｓｈｉｐｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ４實驗結(jié)果分析

·９７６·系統(tǒng)工程與電子技術(shù)第４１卷??????????????????????????????????????????????????圖２考慮不同影響因素的顯著圖效果Ｆｉｇ．２Ｓａｌｉｅｎｃｙｍａｐｓｗｉｔｈｃｏｎｓｉｄｅｒｉｎｇｄｉｆｆｅｒｅｎｔｉｍｐａｃｔｆａｃｔｏｒｓ圖３不同目標度的顯著圖Ｆｉｇ．３Ｓａｌｉｅｎｃｙｍａｐｓｏｆｄｉｆｆｅｒｅｎｔｏｂｊｅｃｔｎｅｓｓ客觀評價時采用ＰＲ（ｐｒｅｃｉｓｉｏｎａｎｄｒｅｃａｌｌ）曲線對１７種方法的顯著圖進行評價。圖５是不同顯著圖檢測方法的ＰＲ曲線，本文方法排在第４的水平。ｇｂｖｓ，ＨＦＴ和ｒａｎｄｏｍｆｏｒ－ｅｓｔ３種方法雖說少部分圖像雜波干擾嚴重，但是大部分圖像與目標區(qū)域的重疊性較好，導致這３種方法的ＰＲ曲線占優(yōu)�？紤]到ＰＲ曲線評估忽略了非顯著像素的正確分配和目標檢測的完整性，本文又引入平均絕對誤差（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ，ＭＡＥ）和加權(quán)Ｆ值（ｗｅｉｇｈｔｅｄＦ－ｍｅａｓｕｒｅ，ＷＦ）值進行客觀評價［１８］，結(jié)果如表２所示。無論是ＭＡＥ，還是ＷＦ，本文方法的評價結(jié)果都是最優(yōu)的。然而，當場景中存在疑似艦船目標（見圖６中岸邊建筑物）時，本文方法可能會誤認為場景中有多個目標。應(yīng)該說，單純靠顯著性目標檢測是很難適應(yīng)各種復(fù)雜場景的，需要目標識別來進一步區(qū)分目標和雜波。和大多數(shù)有監(jiān)督訓練顯著性檢測方法一樣，本文方法的訓練時間較長，迭代次數(shù)ｔ＝１０時，耗時約１０個小時。訓練時，類似

·９７６·系統(tǒng)工程與電子技術(shù)第４１卷??????????????????????????????????????????????????圖２考慮不同影響因素的顯著圖效果Ｆｉｇ．２Ｓａｌｉｅｎｃｙｍａｐｓｗｉｔｈｃｏｎｓｉｄｅｒｉｎｇｄｉｆｆｅｒｅｎｔｉｍｐａｃｔｆａｃｔｏｒｓ圖３不同目標度的顯著圖Ｆｉｇ．３Ｓａｌｉｅｎｃｙｍａｐｓｏｆｄｉｆｆｅｒｅｎｔｏｂｊｅｃｔｎｅｓｓ客觀評價時采用ＰＲ（ｐｒｅｃｉｓｉｏｎａｎｄｒｅｃａｌｌ）曲線對１７種方法的顯著圖進行評價。圖５是不同顯著圖檢測方法的ＰＲ曲線，本文方法排在第４的水平。ｇｂｖｓ，ＨＦＴ和ｒａｎｄｏｍｆｏｒ－ｅｓｔ３種方法雖說少部分圖像雜波干擾嚴重，但是大部分圖像與目標區(qū)域的重疊性較好，導致這３種方法的ＰＲ曲線占優(yōu)�？紤]到ＰＲ曲線評估忽略了非顯著像素的正確分配和目標檢測的完整性，本文又引入平均絕對誤差（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ，ＭＡＥ）和加權(quán)Ｆ值（ｗｅｉｇｈｔｅｄＦ－ｍｅａｓｕｒｅ，ＷＦ）值進行客觀評價［１８］，結(jié)果如表２所示。無論是ＭＡＥ，還是ＷＦ，本文方法的評價結(jié)果都是最優(yōu)的。然而，當場景中存在疑似艦船目標（見圖６中岸邊建筑物）時，本文方法可能會誤認為場景中有多個目標。應(yīng)該說，單純靠顯著性目標檢測是很難適應(yīng)各種復(fù)雜場景的，需要目標識別來進一步區(qū)分目標和雜波。和大多數(shù)有監(jiān)督訓練顯著性檢測方法一樣，本文方法的訓練時間較長，迭代次數(shù)ｔ＝１０時，耗時約１０個小時。訓練時，類似

【參考文獻】：
期刊論文
[1]基于融合顯著圖和高效子窗口搜索的紅外目標分割[J]. 劉松濤,劉振興,姜寧.  自動化學報. 2018(12)
[2]基于顯著圖生成和顯著密度最大化的高效子窗口搜索目標檢測方法[J]. 劉松濤,黃金濤,劉振興.  電光與控制. 2015(12)
[3]基于區(qū)域協(xié)方差的圖像特征融合方法[J]. 劉松濤,常春,沈同圣.  電光與控制. 2015(02)



本文編號：3516751