基于显著性与稠密光流的红外船只烟幕检测方法研究

船只目标是海上的一种重要目标。红外成像系统由于其可白天、夜间同时工作的特点已被广泛应用于船只检测系统中。但是,红外成像系统容易受到烟幕干扰,导致船只检测系统失效。因此及时有效地检测到红外船只图像中的烟幕干扰区域,对于提高船只目标检测系统的准确性具有重要意义。针对红外图像中船只释放的烟幕区域的检测问题,提出了一种基于显著性与稠密光流融合的烟幕检测方法。由于舰船释放的烟幕有明显区别于背景的特性,因此首先采用多尺度邻域滤波的AC算法对图像进行显著性区域检测,提取显著的烟幕区域;然后利用烟幕扩散的运动特点,对图像前后帧进行稠密光流计算得到图像的运动信息,通过设置阈值筛选得到明显的运动点、扩充运动点区域、合并分裂的运动区域,得到运动的烟幕区域;最后对显著性区域与运动烟幕区域进行合并得到最终的烟幕区域。实验结果表明,该方法能有效检测到烟幕区域,并且能够很好地适应烟幕反射光以及背景亮度的变化。     

基于残差谱显著性区域提取的极化SAR船只检测

极化合成孔径雷达（synthetic aperture radar,SAR）包含了丰富的目标散射信息,已被广泛用于海上船只检测.文中将机器视觉中基于残差谱视觉显著性区域提取方法扩展到极化SAR船只检测.首先,全面分析SAR极化特征的船海区分能力,利用5景RADARSAT-2全极化数据,对比45种极化特征的船海欧式距离、巴氏距离和对比度,筛选出16个船海对比度大于20 dB的极化特征;其次,挑选出适用于残差谱显著性区域提取船只检测的极化特征组合,通过特征间互信息、图像对数谱特性分析,确定利用相干矩阵的三个幅度极化特征组合成RGB图像进行船只检测;最后,将本文方法与基于恒虚警率的方法比较.在测试图像中,传统方法的品质因数小于0.9,本文方法的品质因数为0.95.本文方法能够很好地抑制虚警,同时还可直接提取出目标的轮廓等几何信息,具有一定的应用前景.     

（英）CCNet:面向多光谱图像的高速船只检测级联卷积神经网络

针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法CCNet。该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割。同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确。基于SPOT 6卫星多光谱图像的实验表明：与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上。     

基于视觉注意机制的遥感图像船只检测

针对视觉注意机制中Itti模型在显著性区域提取中提取颜色、方向和亮度3种特征,应用到遥感图像中容易造成错检的问题,在Itti模型基础上提出了改进的显著性模型,用纹理特征代替Itti模型中的颜色特征和亮度特征,同时考虑了图像在频域中的显著性。对改进后的算法进行仿真,仿真结果表明,改进算法检测精度高、实时性好,显著区域与目标基本一致,能够有效地检测遥感图像中船只目标。     

基于结构化稀疏表达的高分辨率光学遥感图像的船只检测

为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等三部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。      

CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）

针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法 CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确.基于SPOT 6卫星多光谱图像的实验表明,与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上.     

基于视区追踪的可见光图像显著性检测方法

为能准确检测出可见光图像中的目标区域，并提高图像检测的准确性，提出基于视区追踪的可见光图像显著性检测方法。对全局显著性度量，根据度量结果，运用亮度增强算法增强可见光图像后，提取图像亮度、颜色以及方向的特征信息，采用视区追踪的方法分割可见光图像，构建关于图像背景与目标的指示向量，并对背景图排序，实现可见光图像显著性检测。实验结果表明，所研究的方法在主观评价和客观评价上，检测的准确度都较高，满足方法的设计需求。     

基于纹理抑制和连续分布估计的显著性目标检测方法

为了取得更好的显著性检测结果,针对传统的显著性检测方法易造成边界模糊以及应用中央-周边差进行图像检测时,感兴趣目标的内部纹理会破坏目标的整体性的问题,提出了一种基于纹理抑制和连续分布估计的显著性检测方法。先对图像进行双边滤波的预处理,以平滑目标以及背景区域内部的纹理扰动,保留目标与背景之间的主要边缘。再采用SLIC超像素分割算法,对图像中具有相同特征的像素进行分组,通过多维正态分布提取分割区域的特征,利用二范数Wasserstein距离计算区域相似度:结合局部显著性检测以及全局显著性检测实现目标区域的提取。实验结果表明,本文的方法能够较好地提取显著性目标区域。     

基于空频域结合的显著目标检测

为了能更准确地检测出图像中的各种显著性目标,针对单一域的显著性目标检测方法容易造成有用信息遗失的缺点,提出一种将图像频域的全局信息与空域的局部信息结合获得更全面的显著性目标信息的新模型。通过融合两个域中的有用信息,将空域中的局部信息与频域中的全局信息进行信息的优势互补。此模型不但可以加强复杂背景下显著区域部分,而且可以有效抑制重复的非显著性部分。实验表明该模型方法相对于其它单一域的模型能较好的提取显著性目标区域,与单一的空频域模型比较,在准确率上相对于空域模型提高9.5%,相对于频域模型提高了6.3%。     

基于调频率捷变的抗移频干扰SAR成像方法

随着合成孔径雷达(SAR)图像的分辨率提高,基于高分辨率SAR图像的舰船检测成为海洋遥感应用中的一个重要课题。针对高分辨率SAR图像,为获取精确的、完整的舰船目标信息而提出一种基于改进的相干散射点(CS)提取的舰船检测方法。该方法的核心是利用SAR图像复数据的确定目标特性,提取出CS,该方法不仅利用了图像复数据的幅度信息,同时利用了相位信息。首先对于原始高分辨率SAR图像复数据进行距离向子视处理,获取子视图像像素的相关系数;然后,由于SAR图像分辨率较高,为获取完整的舰船目标信息,引入局部图像平均相关系数处理;最后设定相关系数阈值,从海域中提取出舰船目标,完成舰船检测。仿真实验结果验证了该检测方法的有效性。     

Automatic detection of ship target and motion direction in visual images

In this article, we focus on automatic ship target detection in visual images. The proposed approach consists of two stages. At the first stage, emphasis is placed on sea background suppression. A pre-processing technique is studied based on mean-shift smoothing algorithm. In this process, the improvement is that we associate the range bandwidth of mean-shift with local image properties, thus achieve the purpose of suppressing sea background while protecting ship target. At the second stage, a hierarchical ship target detection approach is developed. To begin with, region-of-interest (ROI) of ship target is coarsely identified via salient edge regions extraction. Then main body of ship target is located by projection, prior spatial structure information of ship target is used for further ROI refinement. After that, a post-processing procedure based on colour features is presented to obtain final detection results. One advantage of the proposed method is that motion direction of the ship target can also be estimated, which could provide important information for ship target tracking and monitoring. Tested on real visual ship target images supplied by the co-operator, experimental results show that the proposed algorithm can effectively detect big ship targets and its motion direction with various backgrounds in visual images.     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

强海水混响背景下水中兵器攻击目标检测研究

水中兵器在对舰船目标攻击过程中受到海水混响杂波的影响,导致目标检测性能下降。传统方法采用时频分析方法进行目标检测,在信混比较低的情况下受到的干扰较强,导致虚警概率较高。提出一种舰船目标回波盲源分离的强海水混响背景下的水中兵器攻击目标检测算法。首先构建强海水混响干扰下的舰船目标回波模型,对舰船目标回波模型进行自相关匹配滤波,提取回波信号的高阶谱特征,实现目标信号的盲源分离,达到目标检测的目的。仿真结果表明,采用该算法进行目标检测,准确检测概率较高,降低了虚警概率,提高了水中兵器对目标的准确打击能力。     

基于频率调制的红外舰船显著性检测方法研究

针对海面背景下的红外舰船目标检测,改进了一种基于频率调制的显著性检测方法。首先,利用高斯高通滤波器对红外图像进行处理,抑制海杂波影响;然后,利用频率调制的显著性方法检测舰船目标。结果表明,利用本文的方法检测红外舰船时目标较完整,得到的显著图分辨率高。该方法能满足实时性的要求。     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

静轨光学卫星与自动识别系统的目标点迹关联与误差校正

静轨光学卫星对舰船目标监视时,由于探测距离较远存在较大的目标定位误差,影响后续目标跟踪的准确性。由于任务区域主要是海面,可能无法找到地面控制点(GCP)进行坐标校正。为了提高无控下静轨光学卫星对舰船目标的定位精度,同时实现多源数据的融合,该文提出一种基于船舶自动识别系统(AIS)数据的静轨光学卫星舰船目标点迹关联与误差校正方法。利用有理多项式系数(RPC)模型实现物方坐标到像方坐标的转换,通过迭代最近点(ICP)与全局最近邻(GNN)算法进行点迹关联,由关联点对实现误差校正。利用高分4号卫星图像与AIS数据进行了实验,实验结果表明该算法具有很高的关联正确率,同时极大提高了定位精度,基本可以满足实用性要求。     

机载平台AIS时隙冲突及发现概率分析

分析了机载船舶自动识别系统(AIS)时隙冲突机理.通过建立机载AIS发现概率的分析计算模型,得出了机载AIS系统监视时间、船只密度与发现概率间的关系.仿真结果和试飞数据较为吻合,对机载AIS系统工程化具有实际参考价值.     

上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net.考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息...     

A deep attention mechanism method for maritime salient ship detection in complex sea background

Saliency ship detection has received increasing attention due to its important applications in maritime field in recent years. Up to now, numerous studies on saliency detection have been done based on traditional methods and deep learning methods. But these previous research works are still not competent enough in detecting ship targets with complex backgrounds and noises. In this letter, we propose a deep attention mechanism method for more accurate and faster maritime salient ship detection. We optimize the initial ship saliency map by using a feature attention module to focus on salient objects. We reduce and improve the convolution kernel in refinement residual module to enhance the detection efficiency. In addition, Leaky ReLU is selected as the activation function to increase the non-linear capability of the method. Experiment results show that, the proposed method could obtain outstanding performance in salient ship detection in complex sea background.