一种融合显著性的Adaboost电视制导图像变尺度目标快速检测方法研究

钱 昆

(解放军陆军军官学院，安徽 合肥 230031)

电视制导武器进行地面目标自主攻击时，需要在末端制导时实时检测出目标，确定目标位置与弹轴中心的偏差量。但制导过程中随着弹目距离的改变，目标尺寸发生快速变化，即随着弹目距离的减小，目标尺度呈现非线性快速变大。传统的图像目标检测算法如模板相关匹配法［1］、背景建模法［2］、基于识别的方法［3］等，虽然对目标的检测方式各不相同，但算法较难适应目标尺度发生较快变化的情况。模板相关匹配法要求预装模板与目标实时的尺寸相近，其在制导过程中模板更新机制难以确定;基于背景建模法要求图像背景较为稳定，其无法适应制导图像的快速变化;基于识别的方法需要提取大量的对尺度具有不变性的高维特征，进行分类器的训练，如SVM支持向量机、神经网络模型、Boosting方法等，这类方法对图像质量要求较高，对纹理不丰富目标的检测效果不理想，且运算量较大;在战场环境中，要求系统有较高的实时性和可靠性，因此，上述算法很难满足战场需求。

针对这些问题，本文采用一种融合改进的Adaboost目标检测方法，通过提取图像的显著性区域，从而有针对性地检测目标，减少计算量。在考虑弹目距离较远时，电视制导画面成像不清晰，纹理不丰富情况下，该方法能很好地提取出块状目标，针对海面或沙漠等背景较为单一的区域目标检测较为有效。

1 融合显著性的检测

1.1 显著性检测

人类视觉可以在无经验情况下快速搜索到感兴趣目标，依靠的就是图像显著性。显著性检测方法有很多，如 Itti方法［4］，GBVS 方法［5］等，但这些方法计算较为复杂，不利于硬件实时地实现，本文采用一种实现较为简单的剩余谱［6］理论的显著性检测方法，这种方法可描述为一幅图像的log振幅谱减去平均log振幅谱就是显著性部分，其检测效果如图1～3所示。

提取出的区域用矩形框标出，通过显著性区域提取，就大致确定了目标尺度，为下一步识别提供方便。对于单一背景下的目标检测，由于目标相对于背景的显著性较强，因此采用显著性方法能有效地框出疑似目标。

图1 海面舰船可见光图像

图2 图像显著性区域提取

图3 提取出的待检测区域

1.2 Adaboost检测

Adaboost［7］(Adaptive Boosting的简称)是一种Boosting目标识别分类器训练方法，其思想是针对同一类样本训练不同的弱分类器，然后把这些弱分类器集联起来，最终形成一个强分类器。Adaboost算法训练分类器时利用了Haar特征和积分图像来加快训练速度。由于矩形特征的特征值计算只与此特征端点的积分图像有关，而与图像坐标值无关，使得特征提取速度大大提升，同时又采用级联式的联合分类器，可以加快目标的检测速度。

原有的Adaboost检测需要将图像进行不同尺度金字塔式的降采样，然后再进行滑动窗口提取识别，这种做法无疑增加了计算量，同时利用滑动窗口的提取可能导致目标提取不完整，导致检测不出目标。本文将Adaboost方法应用于电视图像目标检测，由于前期利用显著性确定了目标的大致尺寸，下一步则直接利用Adaboost对提取出的区域进行识别。

本文提出的检测方法具体步骤总结如下:

1)收集目标样本进行Adaboost级联式分类器的训练，这属于前期准备工作也称为离线学习;

2)对获取的每一帧图像进行直方图均衡化和去噪等预处理，之后利用基于剩余谱的显著性区域提取方法，提取出区域，区域的边界由矩形框标出，从而确定目标尺寸;

3)对提取出区域直接利用训练好的Adaboost级联式分类器进行识别，这个过程属于在线监测。

由于AdaBoost分类器是属于级联式的分类器，对于非目标窗口，它被最初的几个弱分类器识别时就能够被判断是否为目标，因此不需要进行完全级联式地识别，减少了消耗时间，保证了检测的实时性。

综上所述，本文的检测总流程如图4所示，它由离线学习和在线检测两部分组成，离线学习是利用收集的训练样本经过Adaboost算法的训练，得到表示目标模型的分类器;在线检测是指利用得到的分类器检测图像确定是否为目标。

图4 本文目标检测流程

2 实验与分析

本文利用 OpenCV1.0［8］与 VC++6.0 实现基于Adaboost算法的检测识别，实验平台配置:CPU为Intel Core2 Quad CPU Q9400 2.66GHz，内存为 4G，Windows XP操作系统。

分类器需要通过训练样本得以实现识别功能，因此需要选取事前获得的目标区域模板和非目标模板，进行分类器训练。选取事前获得的地面圆形靶标区域图像150张作为正样本，其中不含背景图像，同时选取任意背景大小的图(不包含目标)150张作为负样本，正样本都是统一经过裁切缩放对齐成24×24像素的BMP格式的图片，负样本是不含有正样本模式的任何图像，如图5、图6所示。

图5 正样本示例

图6 负样本示例

本文将分类器的级联数设置为20个，虚警率设置为10－6，训练耗时约20小时，训练完之后，采用cvLoad-Image函数循环导入序列图像，cvLoad函数载入训练好的分类器，cvHaarDetectObjects函数进行检测识别，程序对每一个显著性区域进行预处理和特征提取，然后送入分类器中来判断该窗口中是否为目标。

实验利用某次外场实验获取的图像进行本文方法的目标自主检测，为了与原算法进行对比，实验中视频图像利用传统Adaboost方法进行目标检测。利用本文方法其检测识别效果如图7所示，图中的方框所标示的区域即为目标。

统计检测识别结果，模板检测窗口能随着目标的快速非线性变大而增大，共检测300幅图像，有32幅图像出现漏检，误检12幅，检测率为85.33%。实验结果表明:检测一副720×586大小的图像，平均耗时16.6ms，小于电视场扫描时间20ms，在普通PC上达到了实时性。同时统计利用改进前的方法进行检测结果，两者对比如表1所示，可见利用本方法无论是在检测率还是在耗时上都优势明显。

表1 两种方法检测结果对比

图7 检测识别结果

3 结束语

本文将显著性检测融入Adaboost目标检测中，在普通计算机上达到了实时性，针对海面或沙漠等背景较为单一的区域，取得了很好的检测效果，适应了目标的尺度快速变化，但使用本文方法前期准备工作量大，需要获取大量目标模板，对于实际战场应用还有许多问题待研究。下一步将针对检测率的提高及该算法的硬件化设计进行研究，为实现电视制导武器的自寻的奠定基础。

［1］张万清.飞航导弹电视导引头［M］.北京:中国宇航出版社，1994.

［2］Stauffer C，Crimson W.Adaptive Background Mixture Models for Real-time Tracking［C］//Proc IEEE Conference on Computer Vision and Pattern Recognition，Fort Collins，Colorado，1999(2):246-252.

［3］R.Fergus，P.Perona，A.Zisserman.Object Class Recognition by Unsupervised Scale-invariant Learning［C］.Proc.CVPR，2，2003.

［4］L.Itti，C.Koch，E.Niebur.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis［C］.PAMI，1998:1254-1259.

［5］J.Harel，C.Koch，P.Perona.Graph-based Visual Saliency［C］.Advances in Neural Information Processing Systems，19:545，2007.

［6］X.Hou，L.Zhang.Saliency Detection:A Spectral Residual Approach［C］//IEEE Conf.Computer Vision and Pattern Recognition，2007.

［7］Paul Viola，Michael J.Jones.Rapid Object Detection U-sing a Boosted Cascade of Simple Features［C］//Proceedings of the 2001 IEEE Computer Society Conference，Computer Vision and Pattern Recognition，2001(1):511-518.

［8］刘瑞祯，于仕琪.OpenCV教程——基础篇［M］.北京:北京航空航天大学出版社，2007.