基于SLIC分層分割的無人機(jī)圖像極小目標(biāo)檢測(cè)方法

趙 坤 張羽君 張建龍 王 勇

(1.中國電子科技集團(tuán)公司第二十七研究所,鄭州,450047;2.西安電子科技大學(xué)電子信息工程學(xué)院,西安,710071)

基于SLIC分層分割的無人機(jī)圖像極小目標(biāo)檢測(cè)方法

趙 坤1張羽君2張建龍2王 勇1

(1.中國電子科技集團(tuán)公司第二十七研究所,鄭州,450047;2.西安電子科技大學(xué)電子信息工程學(xué)院,西安,710071)

針對(duì)無人機(jī)可見光圖像目標(biāo)小、對(duì)比度弱的問題，本文提出一種基于簡單線性迭代聚類(Simple linear iterative clustering，SLIC)分層分割的極小目標(biāo)檢測(cè)方法。首先使用預(yù)處理方法提高原始圖像的對(duì)比度，并利用Top-hat融合方法進(jìn)行初始分割以確定目標(biāo)區(qū)域，其次利用SLIC方法完成目標(biāo)精細(xì)分割，并采用改進(jìn)的具有噪聲的基于密度的聚類方法(Density-based spatial clustering of applications with noise,DBSCAN)對(duì)SLIC分割結(jié)果進(jìn)行超像素聚類，最后提取目標(biāo)的鄰域熵等多種底層特征，使用特征匹配方式檢測(cè)目標(biāo)，獲取最終檢測(cè)結(jié)果。本文提出了一種全局檢測(cè)和局部檢測(cè)相結(jié)合的檢測(cè)策略，極大提高了檢測(cè)速度。仿真結(jié)果表明，本文方法可以有效提高無人機(jī)小目標(biāo)的檢測(cè)性能,加速檢測(cè)速度。

無人機(jī)；簡單線性迭代聚類；具有噪聲的基于密度的聚類方法；融合檢測(cè)策略

引 言

弱小目標(biāo)檢測(cè)是圖像處理領(lǐng)域中的熱點(diǎn)和難點(diǎn)問題之一。所謂小目標(biāo)指的是目標(biāo)的成像尺寸屬性,就是指目標(biāo)在圖像中所占的像素面積小,根據(jù)國際組織SPIE的定義小目標(biāo)為在256像素×256像素的圖像中目標(biāo)面積小于80個(gè)像素,即小于256像素×256像素的0.12%就為小目標(biāo)。由于目標(biāo)距離較遠(yuǎn)或者其本身的弱小特性，同時(shí)加上復(fù)雜背景雜波的干擾，小目標(biāo)可能幾乎完全淹沒在背景雜波及噪聲之中。在這種低信噪比條件下，要直接檢測(cè)出目標(biāo)變得異常困難。但是，由于其在軍事等諸多領(lǐng)域應(yīng)用中的關(guān)鍵性作用，弱小目標(biāo)檢測(cè)的研究依然有著重要的意義。國內(nèi)外眾多學(xué)者對(duì)此展開了大量研究。Sebastien Razakarivony[1]等提出了差別自編碼器的概念，并采用最近度量學(xué)習(xí)技術(shù)訓(xùn)練自編碼器，使其在優(yōu)化正樣本重構(gòu)的同時(shí)能夠使流形遠(yuǎn)離負(fù)樣本，該算法相比傳統(tǒng)的自編碼器有更好的小目標(biāo)檢測(cè)效果。文獻(xiàn)[2]等根據(jù)圖像的稀疏表示理論，提出了一種新的紅外小目標(biāo)檢測(cè)算法，其根據(jù)二維高斯模型構(gòu)造了紅外目標(biāo)的超完備字典，計(jì)算測(cè)試圖像的圖像塊在超完備字典中的表示系數(shù)，根據(jù)圖像子塊中含有目標(biāo)與否，其表示系數(shù)顯著不同這一事實(shí)來完成目標(biāo)檢測(cè)任務(wù)，該方法可以有效地對(duì)目標(biāo)進(jìn)行檢測(cè)，但其中范數(shù)最小化問題還有待更好的解決方法。文獻(xiàn)[3]提出了一種基于局部灰度均值確定紅外小目標(biāo)尺寸及其位置信息的算法，該算法在選擇合適參數(shù)的基礎(chǔ)上，可有效地給出非單像素紅外小目標(biāo)的尺寸估值和位置信息。但是在檢測(cè)速度方面，該算法仍有待進(jìn)一步提高。文獻(xiàn)[4]提出了一種新的小目標(biāo)檢測(cè)算法，采用方向加權(quán)的動(dòng)態(tài)規(guī)劃算法和二值航跡關(guān)聯(lián)，克服了低信噪比下目標(biāo)機(jī)動(dòng)和傳感器的不穩(wěn)定對(duì)小目標(biāo)檢測(cè)的影響，實(shí)現(xiàn)了對(duì)深空背景下運(yùn)動(dòng)方式任意、速度最大達(dá)1像素/幀的弱小運(yùn)動(dòng)目標(biāo)的有效檢測(cè)。文獻(xiàn)[5]針對(duì)無人機(jī)視頻中的目標(biāo)定位問題，提出在不同的視頻圖像狀況下，運(yùn)用金字塔LK光流法與連續(xù)自適應(yīng)均值平移法相互補(bǔ)充，實(shí)現(xiàn)人工干預(yù)方式下的檢測(cè)定位，這種處理方式進(jìn)行偵察任務(wù)的目標(biāo)定位具有良好效果，但算法的魯棒性還需要進(jìn)一步的提高。

無人機(jī)具有尺寸小、機(jī)動(dòng)性高和適應(yīng)性強(qiáng)等特點(diǎn)，使用無人機(jī)采集圖像并進(jìn)行目標(biāo)檢測(cè)、跟蹤和識(shí)別是無人機(jī)重要的應(yīng)用方向。由于無人機(jī)可見光圖像中目標(biāo)也具有弱小目標(biāo)性質(zhì)，而小目標(biāo)由于像素尺寸過小，難以有效提取HOG,LBP等區(qū)域特征，加上無人機(jī)可見光圖像分辨率一般都選擇1 920像素×1 080像素級(jí)別，目標(biāo)尺寸大小在100像素以內(nèi)，小于圖像尺寸的0.003%，屬于極小目標(biāo)，因此無人機(jī)可見光小目標(biāo)檢測(cè)顯得尤為困難。傳統(tǒng)目標(biāo)檢測(cè)方法無法解決無人機(jī)可見光圖像目標(biāo)過小、特征提取困難和高分辨率導(dǎo)致運(yùn)算量大的問題，本文針對(duì)高分辨率無人機(jī)可見光圖像小目標(biāo)檢測(cè)困難和速度較慢問題，提出了一種基于簡單線性迭代聚類(Simple linear iterative clustering,SLIC)分割的分層結(jié)構(gòu)檢測(cè)方法，利用Top-hat進(jìn)行粗分割定位初始目標(biāo)區(qū)域，引入SLIC超像素分割方法進(jìn)行精細(xì)分割，并利用目標(biāo)特征匹配確定最后的目標(biāo)位置，同時(shí)將全局檢測(cè)和局部檢測(cè)有效結(jié)合提高檢測(cè)速度，仿真實(shí)驗(yàn)證明該方法能夠快速準(zhǔn)確地檢測(cè)出無人機(jī)圖像小目標(biāo)。

1 本文檢測(cè)方法的整體流程

針對(duì)無人機(jī)極小目標(biāo)檢測(cè)存在的問題，本文提出一種分層結(jié)構(gòu)檢測(cè)方法，檢測(cè)結(jié)構(gòu)如圖1所示。首先對(duì)圖像進(jìn)行增強(qiáng)處理，主要包括中值濾波和對(duì)比度擴(kuò)展處理，其次采用分層分割方式尋找待檢測(cè)區(qū)域：其中粗分割采用形態(tài)學(xué)方式，利用Top-hat和Bottom-hat融合檢測(cè)結(jié)果得到若干疑似目標(biāo)區(qū)域；精細(xì)分割引入SLIC[6]超像素算法，在粗分割結(jié)果基礎(chǔ)上完成精細(xì)分割，此時(shí)分割后的單元不再是像素級(jí)別，而是超像素級(jí)別。再次利用改進(jìn)的具有噪聲的基于密度的聚類算法(Density-based spatial clustering of applications with noise,DBSCAN)對(duì)SLIC分割結(jié)果進(jìn)行區(qū)域合并，并提取合并區(qū)域的的均值方差、鄰域熵等底層特征與原始目標(biāo)進(jìn)行特征匹配完成目標(biāo)檢測(cè)，最后利用全局與局部結(jié)合檢測(cè)策略來提高連續(xù)幀的檢測(cè)速度，得到最終的檢測(cè)結(jié)果。

圖1 無人機(jī)圖像小目標(biāo)檢測(cè)方法Fig.1 Framework of small target detection method for UAV image

2 分層分割和改進(jìn)的聚類算法

2.1 預(yù)處理

中值濾波是一種典型的非線性濾波技術(shù),它在一定條件下可以克服線性濾波器帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾波脈沖干擾及圖像掃描噪聲非常有效。它的基本原理是：把窗口鄰域中的像素按灰度值等級(jí)進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。對(duì)于奇數(shù)個(gè)元素，中值為大小排序后中間的數(shù)值；對(duì)于偶數(shù)個(gè)元素，中值為排序后中間兩個(gè)元素灰度值的平均值,其一般公式為

(1)

式中：f(x-i,y-j)為原始輸入圖像；g(x,y)為中值濾波后圖像；S為鄰域窗口，其大小為3×3[7-8]。由于待檢測(cè)圖像中的噪聲干擾會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生消極的影響，所以采用中值濾波處理原圖像以便去除其中的椒鹽噪聲。之后再用Gamma變換拉伸圖像灰度，使低亮度區(qū)域的亮度提高便于后續(xù)處理,其中Gamma值為0.3。Gamma變化的數(shù)學(xué)式為

(2)

式中：c和γ為正常數(shù),r和s分別為原始像素值和變化后的像素值，其取值范圍皆為[0,1]。輸入圖像和增強(qiáng)后的圖像分別如圖2(a，b)所示。

2.2 分層分割

(1)形態(tài)學(xué)初始分割

數(shù)學(xué)形態(tài)學(xué)是一種常用的圖像處理方法，它是以腐蝕膨脹運(yùn)算對(duì)為基礎(chǔ)的。由腐蝕膨脹運(yùn)算對(duì)可以定義出一種稱之為和的變換對(duì)，即稱頂帽變換和底帽變換對(duì)，通稱Top-hat變換。圖像形態(tài)學(xué)中的頂帽變換與底帽變換的定義式為

(3)

(4)

式中:f和b分別為輸入圖像和結(jié)構(gòu)元素函數(shù)。頂帽變換可以獲取圖像中的亮區(qū)域，而底帽變換則可以獲取圖像中暗區(qū)域,所以將兩種變換相結(jié)合就能夠達(dá)到濾去圖像中低頻背景區(qū)域的目的，從而留下包含點(diǎn)目標(biāo)在內(nèi)的高頻區(qū)域[9-11]。經(jīng)過Top-hat[12]處理后的圖像如圖3(a)所示，再經(jīng)過膨脹處理后并映射到原圖的結(jié)果如圖3(b)所示。Top-hat運(yùn)算速度較快，因此非常適合用于初始分割。

(2)SLIC精細(xì)分割

(5)

基于坐標(biāo)空間距離為

(6)

兩個(gè)距離融合為

(7)

輸入：圖像I，目標(biāo)塊個(gè)數(shù)K，緊密系數(shù)m

輸出：最終的分割結(jié)果I′

(2) 設(shè)置類標(biāo)簽label[i]=-1,i=1,2,…,N和距離dis[i]=M，其中M為一個(gè)很大的正數(shù)，此數(shù)組記錄每一個(gè)像素點(diǎn)到最近鄰超像素中心的距離。

(3) 對(duì)每個(gè)聚類中心Ck，計(jì)算Ck的2S×2S鄰域內(nèi)每個(gè)像素i到Ck的距離D，如果D

(4) 更新數(shù)據(jù)，計(jì)算新的聚類中心，并計(jì)算其總的改變量ΔE。如果ΔE>ε(其中ε>0是一個(gè)給定的閾值)，轉(zhuǎn)到步驟(3)。

(5)結(jié)束。

由于無人機(jī)極小目標(biāo)分割困難，運(yùn)算量大，使用一種方法無法做到效率最佳，因此本文將Top-hat分割和SLIC分割相結(jié)合，提出一種分層分割方法。其中Top-hat速度較快，但精度較差，因此將其用于初始分割，尋找目標(biāo)初始區(qū)域，而SLIC分割精度高，但運(yùn)算量相對(duì)較大，適于底層精細(xì)分割。分割過程如圖4所示，其中圖4(a)表示經(jīng)過形態(tài)學(xué)分割后的圖片，圖4(b)表示從形態(tài)學(xué)初始分割的圖像中選取的一超像素塊，圖4(c)則表示對(duì)該超像素塊采用SLIC算法進(jìn)行分割，由圖4中結(jié)果可以看出分割效果理想，可以將人物目標(biāo)較為精確地分離出來。

圖4 SLIC分割過程Fig.4 Process of SLIC

2.3 改進(jìn)的DBSCAN聚類

圖5 DBSCAN聚類結(jié)果和iDBSCAN聚類結(jié)果對(duì)比圖Fig.5 Comparison chart of DBSCAN result and iDBSCAN result

iDBSCAN算法的具體步驟為：

(1) 將SLIC分割后的圖像塊中每一個(gè)區(qū)域的中心點(diǎn)作為聚類數(shù)據(jù)庫D，Minpts選為1，Eps選為5。

(2) 判斷數(shù)據(jù)庫D中的某一個(gè)點(diǎn)o是否為核心點(diǎn)。若點(diǎn)o的Eps鄰域至少包含最小數(shù)目的Minpts個(gè)點(diǎn)，則稱o為核心點(diǎn)。

(4) 反復(fù)執(zhí)行上述過程，直到所有的點(diǎn)都被歸為某個(gè)簇中，即得到所有的密度連通集。

算法設(shè)計(jì)的特點(diǎn)是對(duì)每個(gè)對(duì)象逐個(gè)進(jìn)行上述分類處理，采取由核心點(diǎn)向周圍蔓延的方式生成密度連通集，以保證密度連通集逐個(gè)形成。對(duì)SLIC分割后的圖像塊中的區(qū)域進(jìn)行聚類的效果如圖6所示。

圖6 DBSCAN聚類效果圖Fig.6 DBSCAN clustering result

3 識(shí)別與檢測(cè)

為了從合并后區(qū)域準(zhǔn)確檢測(cè)出目標(biāo)，本文從輸入數(shù)據(jù)中標(biāo)記人物目標(biāo)模板，并提取目標(biāo)模板的均值μ、方差σ和熵H，對(duì)比目標(biāo)模板特征和待檢測(cè)區(qū)域的特征完成特征匹配，最終檢測(cè)出目標(biāo)。目標(biāo)模板中均值表征了圖像像素值分布的中點(diǎn)位置，方差表示了圖像各像素點(diǎn)相對(duì)于中點(diǎn)的偏離程度，熵則代表了圖像信源的平均信息量。其中計(jì)算熵H的公式為

(8)

式中：pi為圖像中灰度值為i的像素所占比例。特征匹配步驟如下：(1) 判斷DBSCAN聚類得到的區(qū)域S是否為封閉性區(qū)域，若是，則提取S的灰度均值μ和領(lǐng)域熵H特征。(2) 若S滿足特征約束條件，則S為目標(biāo)區(qū)域，其中，σ表示目標(biāo)模板灰度均值、標(biāo)準(zhǔn)差及領(lǐng)域熵；K1及K2為相似度閾值,由經(jīng)驗(yàn)而定。特征匹配后的結(jié)果如圖7所示。

一次分割圖像中的小面積區(qū)域均要通過SLIC分割、DBSCAN聚類和特征匹配的處理，將每1個(gè)小面積區(qū)域中得到的目標(biāo)位置對(duì)應(yīng)到原圖中，即可得到第一幀圖像完整的檢測(cè)結(jié)果圖，如圖8所示。從圖8中可以看出在檢測(cè)人物目標(biāo)時(shí)，在目標(biāo)周圍會(huì)有標(biāo)靶和影子等干擾存在，但是分層分割依然能夠?qū)⑷宋锬繕?biāo)準(zhǔn)確地識(shí)別出來。

圖9 全局檢測(cè)與局部檢測(cè)相結(jié)合的過程圖Fig.9 Combination of global and local detection

為了進(jìn)一步提高檢測(cè)速度，利用無人機(jī)目標(biāo)的時(shí)間和空間連續(xù)性,本文提出了一種全局檢測(cè)和局部檢測(cè)相結(jié)合的檢測(cè)策略，如圖9所示。Dg幀表示采用全局檢測(cè)方式，檢測(cè)范圍為整幀圖像,檢測(cè)方法為Top-hat和SLIC相結(jié)合的分層檢測(cè)，Dl幀表示采用局部檢測(cè)方式，即以上一幀檢測(cè)結(jié)果為中心在其上下左右4個(gè)方向各增加若干個(gè)像素的長度，以得到1個(gè)大小為檢測(cè)結(jié)果1.5倍的區(qū)域，并將這個(gè)區(qū)域的位置對(duì)應(yīng)到Dl幀圖像上，便可以得到Dl圖像的待檢測(cè)窗，繼而使用SLIC分割在檢測(cè)窗內(nèi)完成檢測(cè)。這一策略的目的在于有效地提高分割速度。全局檢測(cè)幀間隔M幀,主要消除積累誤差,降低漏檢概率。其具體過程如圖9所示。

4 實(shí)驗(yàn)及結(jié)果分析

由于目前無人機(jī)圖像還沒有公開的數(shù)據(jù)庫，所以采用自己拍攝的無人機(jī)視頻圖像作為實(shí)驗(yàn)數(shù)據(jù)，該無人機(jī)拍攝視頻為25 f/s。其中視頻的幀數(shù)為100幀,視頻圖像分辨率為1 920像素×1 080像素。本實(shí)驗(yàn)選取了兩種場(chǎng)景差異較大的視頻圖像，其中第1種場(chǎng)景較為簡單，人物目標(biāo)明顯，而第2種場(chǎng)景則相對(duì)復(fù)雜，干擾較多，給目標(biāo)檢測(cè)加大了難度。圖10給出了不同算法對(duì)兩組視頻圖像中目標(biāo)檢測(cè)的結(jié)果，其中圖10 (a)(d),(b)(e),(c)(f)分別為級(jí)聯(lián)結(jié)構(gòu)算法、Mean-shift[18]算法和Turbopixels算法對(duì)兩種場(chǎng)景視頻圖像的檢測(cè)結(jié)果。圖10中的標(biāo)記部分，反映了目標(biāo)檢測(cè)位置。仿真實(shí)驗(yàn)的環(huán)境如下：CPU Intel(R) Core i3-530 2.93 GHz,內(nèi)存2GB,Windows 7操作系統(tǒng)，仿真軟件版本Matlab2012b。

圖10 無人機(jī)可見光圖像目標(biāo)檢測(cè)Fig.10 UAV visible light images target detection

表1為檢測(cè)算法性能比較表，其中GT表示全局檢測(cè)方式，LT表示局部檢測(cè)方式。其對(duì)比了不同算法的耗費(fèi)時(shí)間和檢測(cè)結(jié)果的漏警、虛警情況，從表1中可以看出相比于Mean-shift和Turbopixels算法，分層檢測(cè)算法在檢測(cè)精度和檢測(cè)速度兩個(gè)方面都有較為突出的表現(xiàn)。其中在檢測(cè)精度方面，對(duì)第1組數(shù)據(jù)而言，分層檢測(cè)算法可以在虛警率為0的前提下將83.33%的目標(biāo)檢測(cè)出來，而傳統(tǒng)的Mean-shift算法在多數(shù)幀中僅能檢測(cè)出33.33%～50%的目標(biāo)，且虛警較高，甚至達(dá)到了原有目標(biāo)的2倍,Turbopixels算法雖能將大部分目標(biāo)檢測(cè)出來，但相比于分層算法仍有差距；在對(duì)第2組數(shù)據(jù)進(jìn)行檢測(cè)時(shí)，3種方法的對(duì)比更加明顯，分層檢測(cè)算法對(duì)目標(biāo)檢測(cè)率是100%，且虛警目標(biāo)很少，而Mean-shift算法不但無法正確地檢測(cè)出目標(biāo)，虛警目標(biāo)的數(shù)目更是達(dá)到了原有目標(biāo)的25～40倍之多，相比較而言Turbopixels算法虛警較低，但產(chǎn)生了1個(gè)漏警。且在檢測(cè)速度方面分層檢測(cè)算法的優(yōu)勢(shì)也顯而易見。在檢測(cè)第1種場(chǎng)景圖像時(shí)，Mean-shift的檢測(cè)時(shí)間約為分層檢測(cè)算法的27倍，Turbopixels算法為其7倍；而對(duì)于場(chǎng)景更為復(fù)雜的第2種場(chǎng)景，Mean-shift的耗時(shí)更是分層檢測(cè)算法的67倍之多，Turbopixels算法為10倍。另外，對(duì)比表3中分層檢測(cè)算法中的全局檢測(cè)和局部檢測(cè)的實(shí)驗(yàn)結(jié)果可以看出全局與局部結(jié)合檢測(cè)策略可以有效地降低單幀檢測(cè)時(shí)間。分層檢測(cè)算法具有這樣的優(yōu)勢(shì)是因?yàn)樵跈z測(cè)過程中，采用了形態(tài)學(xué)變換將預(yù)處理后的圖片進(jìn)行了粗分割，這一舉措濾除了大部分背景區(qū)域，為之后的SLIC精確分割減少了工作量，同時(shí)還加入了全局與局部結(jié)合檢測(cè)策略來完成連續(xù)幀的檢測(cè)，該策略能夠有效地降低檢測(cè)時(shí)間。而Mean-shift算法是對(duì)全局圖像進(jìn)行分割，此方法不但會(huì)使分割耗時(shí)長，而且會(huì)導(dǎo)致在顏色變化較大的區(qū)域上產(chǎn)生大量的虛警，且這些虛警在之后的識(shí)別過程中很難被剔除。由圖10(a)中可以看出有1人物目標(biāo)在3幀圖像中始終沒有被檢測(cè)出來，這是因?yàn)樵撃繕?biāo)與其相鄰車的Lab顏色特征相近，所以SLIC算法無法將此目標(biāo)與其周圍的物體精確地分割開來。

5 結(jié)束語

本文提出了一種基于SLIC分割的無人機(jī)圖像弱小目標(biāo)檢測(cè)方法， 該方法結(jié)合形態(tài)學(xué)變換和SLIC分割算法分割圖像。其針對(duì)SLIC算法分割略慢，Top-hat變換分割較為粗略的問題，將Top-hat變換和SLIC算法的優(yōu)勢(shì)和劣勢(shì)進(jìn)行互補(bǔ)，以達(dá)到精確、快速分割的效果。對(duì)于分割后的區(qū)域,本文采用DBSCAN聚類對(duì)其進(jìn)行聚類分析，并對(duì)聚類簇進(jìn)行模板匹配識(shí)別得到初步的檢測(cè)結(jié)果，最后利用全局與局部結(jié)合檢測(cè)策略來完成連續(xù)幀的檢測(cè)，以提高檢測(cè)速度。實(shí)驗(yàn)證明該分層檢測(cè)算法在檢測(cè)精度和檢測(cè)速度方面都有較好的表現(xiàn)，能夠較理想地完成無人機(jī)圖像中的極小目標(biāo)檢測(cè)。然而在目標(biāo)和周圍干擾的空間信息和顏色信息都很相近的超像素塊中，SLIC無法將人物目標(biāo)有效地分離出來，對(duì)于這一問題，可以考慮在SLIC分割距離中加入更多的信息，從而使目標(biāo)和干擾能夠更加容易地區(qū)分開來。

表1 檢測(cè)算法性能比較

[1] Sebastien R,Frederic J.Discriminative autoencoders for small targets detection[C]∥International Conference on Pattern Recognition (ICPR),2014 22nd. Stockholm:IEEE,2014：3528-3533.

[2] 趙佳佳,唐崢遠(yuǎn),楊杰,等.基于圖像稀疏表示的紅外小目標(biāo)檢測(cè)算法[J].紅外與毫米波學(xué)報(bào),2011,30(2):156-163.

Zhao Jiajia,Tang Zhengyuan,Yang Jie,et al.Infrared small target detection based on image sparse representation[J].Journal of Infrared and Millimeter Waves,2011,30(2):156-163.

[3] 劉運(yùn)龍,薛雨麗,袁素真,等.基于局部均值的紅外小目標(biāo)檢測(cè)算法[J].紅外與激光工程,2013,42(3):814-822.

Liu Yunlong,Xue Yuli,Yuan Suzhen,et al.Infrared small targets detection using local mean[J].Infrared and Laser Engineering,2013,42(3):814-822.

[4] 陳尚峰,陳華明,盧煥章.基于加權(quán)動(dòng)態(tài)規(guī)劃和航跡關(guān)聯(lián)的小目標(biāo)檢測(cè)技術(shù)[J].國防科技大學(xué)學(xué)報(bào),2003,25(2):46-51.

Chen Shangfeng,Chen Huaming,Lu Huanzhang.Detection and tracking of dim targets based on dynamic programming and track matching[J].Journal of National University of Defense Technology,2003,25(2):46-51.

[5] 田豐,閆建國,曹瑩慧.無人機(jī)視頻中的目標(biāo)定位研究[J].計(jì)算機(jī)測(cè)量與控制,2010,18(4):900-905.

Tian Feng,Yan Jianguo,Cao Yinghui.Research on target location of UAV video[J].Computer Measurement & Control,2010,18(4):900-905.

[6] Radhakrishna A,Appu S,Kevin S,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[7] 張麗,陳志強(qiáng),高文煥,等.均值加速的快速中值濾波算法[J].清華大學(xué)學(xué)報(bào),2004,44(9):1157-1159.

Zhang Li,Chen Zhiqiang,Gao Wenhuan,et al.Mean-based fast median filter[J].Journal of Tsinghua University,2004,44(9):1157-1159.

[8] 胡旺,李志蜀,黃奇.基于雙窗口和極值壓縮的自適應(yīng)中值濾波[J].中國圖像圖形學(xué)報(bào),2007,12(1):43-50.

Hu Wang,Li Zhishu,Huang Qi.An adaptive median filter based on the double windows and extremum-compressing[J].Journal of Image and Graphics,2007,12(1):43-50.

[9] 張文超,王巖飛,陳賀新.基于Tophat變換的復(fù)雜背景下運(yùn)動(dòng)點(diǎn)目標(biāo)識(shí)別算法[J].中國圖象圖形學(xué)報(bào),2007,12(7):871-874.

Zhang Wenchao,Wang Yanfei,Chen Hexin.Moving point target detection in complex background based on Tophat transform[J].Journal of Image and Graphics,2007,12(7):871-874.

[10]湯井田,李灝,李晉,等.Top-hat變換與廬樅礦集區(qū)大地電磁強(qiáng)干擾分離[J].吉林大學(xué)學(xué)報(bào),2014,44(1):336-343.

Tang Jingtian,Li Hao,Li jin,et al.Top-hat transformation and magnetotelluric sounding data strong interference separation of lujiangzongyang ore concentration area[J].Journal of Jilin University,2014,44(1):336-343.

[11]曾明,李建勛.基于自適應(yīng)形態(tài)學(xué)Top-hat濾波器的紅外弱小目標(biāo)檢測(cè)方法[J].上海交通大學(xué)學(xué)報(bào),2006,40(1):90-94.

Zeng Ming,Li Jianxun.The small target detection in infrared image based on adaptive morphological Top-hat filter[J].Journal of Shanghai Jiaotong University,2006,40(1):90-94.

[12]白相志,周付根,解永春,等.新型Top-hat變換及其在紅外小目標(biāo)檢測(cè)中的應(yīng)用[J].數(shù)據(jù)采集與處理，2009,24(5):643-649.

Bai Xiangzhi,Zhou Fugen,Xie Yongchun,et al.New top-hat transformation and application on infrared small target detection[J].Journal of Data Acquisiton and Processing,2009,24(5):643-649.

[13]張亞亞,劉小偉,劉福太,等.基于改進(jìn)SLIC方法的彩色圖像分割[J].計(jì)算機(jī)工程,2015,41(4):205-300.

Zhang Yaya,Liu Xiaowei,Liu Futai,et al.Color image segmentation based on improved SLIC method[J].Computer Engineering,2015,41(4):205-300.

[14]滕秀花,胡文瑜,陳敏.一種基于SLIC的超像素快速色彩傳遞算法[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào),2014,30(3)77-80.

Teng Xiuhua,Hu Wenyu,Chen Min.A fast color transfer algorithm based on the super-pixel of SLIC[J].Natural Science Journal of Harbin Normal University,2014,30(3)77-80.

[15]夏魯寧,荊繼武.SA-DBSCAN:一種自適應(yīng)基于密度聚類算法[J].中國科學(xué)院研究生院學(xué)報(bào),2009,26(7):530-539.

Xia Luning,Jing Jiwu.SA-DBSCAN:A self-adaptive density-based clustering algorithm[J].Journal of the Graduate School of the Chinese Academy of Sciences,2009,26(7):530-539.

[16]蔡穎琨,謝昆青,馬修軍.屏蔽了輸入?yún)?shù)敏感性的DBSCAN改進(jìn)算法[J].北京大學(xué)學(xué)報(bào),2004,40(3):479-486.

Cai Yingkun,Xie Kunqing,Ma Xiujun.An improved DBSCAN algorithm which is insensitive to input parameters[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2004,40(3):479-486.

[17]He Yaobin, Tan Haoyu, Luo Wuman, et al.Mr-descan: A scalablemapreduce-based descan algorithm for heavily skewed data[J].Frontiers of Computer Science,2014,8(1)83-99.

[18]Youness A G.A sufficient condition for the convergence of the mean shift algorithm with Gaussian kernel[J]. Journal of Multivariate Analysis,2015,135(3):1-10.

Very Small Target Detection Method for UAV Image Based on SLIC Hierarchical Segmentation

Zhao Kun1, Zhang Yujun2, Zhang Jianlong2, Wang Yong1

(1.The 27th Research Institute, China Electronics Technology Group Corporation, Zhengzhou, 450047, China;2.School of Electronic Engineering, Xidian University,Xi′an,710071, China)

For the problem of the small target and the weak contrast of UAV image, we propose a method for minimal target detection based on simple linear iterative clustering (SLIC) hierarchical segmentation. Firstly, pretreatment methods are utilized to improve the contrast of the original image, and Top-hat fusion is used as initial segmentation to detect the initial target area. Then SLIC segmentation method is utilized to obtain the fine segmentation, and improved density-based spatial clustering of applications with noise(DBSCAN) is introduced to accomplish ultra-pixel classification according to the segmentation result. Finally, the target is detected through feature matching by extracting the neighborhood entropy of the target and other low-level features. Also a detection strategy combining global detection and local detection is proposed to accelerate the detection speed.The experimental results show that the proposed method can improve the detection performance for the minimal targets in UAV image and accelerate the detection speed.

UAV; simple linear iterative clustering(SLIC); density-based spatial clustering of applications with noise(DBSCAN); fusion detection rule

2015-06-24；

2016-01-13

TP391.4

A

趙坤(1987-),男，工程師，研究方向：無人機(jī)飛行器任務(wù)規(guī)劃及信息處理技術(shù),E-mail:zhaokun3156@sina.com。

王勇(1976-)，男，高級(jí)工程師，研究方向：無人飛行器信息處理技術(shù)。

張羽君(1993-),女，碩士研究生，研究方向：機(jī)器學(xué)習(xí)、模式識(shí)別，E-mail：zhangyujun@stu.xidian.edu.cn。

張建龍(1976-),男，副教授，研究方向：圖像視頻處理、無人機(jī)視覺系統(tǒng)和目標(biāo)跟蹤與檢測(cè)。