一種快速小目標檢測方法

一種快速小目標檢測方法

0優(yōu)化算法的引入小目標檢測一直是目標檢測領(lǐng)域的難點和熱點問題。它是衛(wèi)星遙感、預(yù)警系統(tǒng)和深空傳輸設(shè)備的關(guān)鍵之一。對于高速檢測系統(tǒng),隨著視場擴大和幀頻提高,系統(tǒng)對目標檢測的性能提出了更高的要求——算法要用最少的計算量準確檢測出有效目標。經(jīng)過幾十年的發(fā)展,國內(nèi)外學(xué)者在小目標檢測領(lǐng)域取得了一些成果,許多技術(shù)方法被用于檢測小目標。例如:形態(tài)學(xué)濾波、小波變換、信息熵等方法。但這些方法都是通過圖像空間的窮盡搜索或處理來完成檢測,因此不利于目標的快速檢測。通常,檢測的計算復(fù)雜度是窗口內(nèi)的運算量與窗口位置數(shù)的乘積。通過優(yōu)化算法來求解目標適應(yīng)度函數(shù)的非線性最優(yōu)解,可以減少窗口位置數(shù),提高檢測性能。本文將優(yōu)化算法引入到檢測中,減少檢測的計算復(fù)雜度。粒子優(yōu)化算法(ParticleSwarmOptimization,PSO)是近年來發(fā)展起來的一種智能優(yōu)化算法。與其它進化算法比較,它具有操作方便、易于實現(xiàn)的特點。但是由于粒子群優(yōu)化算法發(fā)展歷史較短,在理論和應(yīng)用上,還存在著一些問題。例如:群體多樣性的匱乏、粒子全局搜索能力與局部搜索能力的失衡等。許多改進的粒子群優(yōu)化算法都是致力于解決這些問題。例如:自適應(yīng)參數(shù)調(diào)節(jié)、群體拓撲結(jié)構(gòu)的自適應(yīng)調(diào)整、PSO與其它的優(yōu)化算法結(jié)合等方法。本文主要從拓撲結(jié)構(gòu)調(diào)整方面對傳統(tǒng)PSO進行改進,并將之應(yīng)用于小目標的快速檢測中。另外,本文運用圖像局部特征分析實現(xiàn)目標的檢測。通過小目標內(nèi)部及其附近區(qū)域的均值的方差變化來檢測小目標。均值的計算有利于消除噪聲和背景對于檢測的不良影響。作為一種小目標的局部匹配濾波檢測算法,該算法實現(xiàn)簡單,魯棒性好。1計算條件i粒子群優(yōu)化算法的誕生源于1995年JamesKenney和RussellEberhart分別發(fā)表的兩篇論文。它的實現(xiàn)過程可描述為:設(shè)粒子群體的規(guī)模為N,每一個粒子可看作多維空間中的點,在計算過程中,對于粒子i(i=1,2,..N),在第t次迭代時,根據(jù)公式(1)、(2)更新第d維空間上的速度和位置:xid、pbestid和gbestd分別表示粒子所在位置、粒子個體歷史最優(yōu)位置和群體的全局歷史最優(yōu)位置的第d維坐標。粒子在第d維空間上的速度用vid表示。rand1id和rand2id是粒子在第d維空間上取值于上的均勻分布的隨機數(shù)。c1和c2為常數(shù),通常取c1=c2=2,稱為學(xué)習(xí)因子或加速系數(shù)。w是慣性權(quán)值(InertiaWeight),作用是保持粒子的運動慣性。1.1適應(yīng)度聚合式入式粒子群的全局結(jié)構(gòu)易于群體的收斂,但容易陷入“局部最優(yōu)”。局部結(jié)構(gòu)不利于信息的傳遞,但是不易產(chǎn)生“早熟”現(xiàn)象。本文算法是將整個群體分割為2個子群,結(jié)合全局和局部結(jié)構(gòu)的優(yōu)點對PSO的拓撲結(jié)構(gòu)進行自適應(yīng)調(diào)整。全局群體t時刻的劃分通過以下公式更新:1)計算全局歷史最優(yōu)適應(yīng)度的均值,通過它將全體粒子分為兩部分:a表示各粒子歷史最優(yōu)適應(yīng)度的均值,fi是粒子i的適應(yīng)度,cy1和cy2分別命名為“優(yōu)秀”子群和“低劣”子群。如果群體不可分,則直接計算群體收斂程度和慣性權(quán)值。2)計算各子群的中心。Xi=(xi1,xi2,…,xiD)和Xcenj=(xcenj1,xcenj2,…,xcenjD)分別為粒子i和j子群中心的位置坐標,D為搜索空間的維數(shù)。fi為粒子i的適應(yīng)度,Sj為j子群規(guī)模,fcenj為j子群中心的適應(yīng)度,cenj為j子群中心的下標。3)計算各子群的均值半徑,劃分出待調(diào)整的子群。cyj(t)={i|||Xi(t)-Xcenj(t)||<rj(t),i∈cyj(t),j=1,2.}為重新經(jīng)過各粒子到其所屬子群中心的距離均值rj調(diào)整后的兩個子群,cy和cy3分別為全體粒子組成的群體和待調(diào)整子群。4)計算待調(diào)整粒子的隸屬度,并且重新分配其到兩類子群。cyj(j=1,2)為重新經(jīng)過適應(yīng)度和距離調(diào)整的子群,mij(j=1,2)是粒子i距各子群中心的歸一化距離和其與對應(yīng)中心的適應(yīng)度差值的歸一化絕對值的乘積。它作為粒子隸屬于不同子群的度量。通過以上算法,全部粒子分割為“優(yōu)秀”和“低劣”適應(yīng)度子群。各子群之間距離和適應(yīng)度相差較大,各子群內(nèi)部粒子適應(yīng)度和粒子間距離相差較小。1.2群體收斂程度gj為了度量粒子的多樣性,t時刻群體收斂程度計算公式如下:mean和std分別代表均值和標準差操作。當(dāng)全局群體可分時,利用j子群中的粒子與其所屬群體中心距離的均值與標準差的和計算群體收斂程度gj。當(dāng)全局群體不可分時,收斂程度的度量為全局粒子到其中心的距離度量的均值與標準差的和。在群體初始化時,設(shè)定收斂程度的閾值為gth,當(dāng)收斂程度小于gth時,擴大粒子搜索空間,將粒子的位置和速度重新隨機分布。從而增強了粒子尋優(yōu)能力。1.3自適應(yīng)線性下降策略本文在FIPS(FullInformedParticleSwarm)粒子群優(yōu)化算法的基礎(chǔ)上,有機地結(jié)合了子群之間及子群內(nèi)部的通信機制更新粒子的速度。式(1)改為當(dāng)全局群體可分時,w1和w2分別為“優(yōu)秀”和“低劣”子群粒子的慣性權(quán)值。它們分別在低值和高值區(qū)間取慣性權(quán)值,權(quán)衡了局部尋優(yōu)和全局尋優(yōu)。當(dāng)全局群體不可分時,若全體粒子屬于“優(yōu)秀”群體的粒子,則權(quán)值w的調(diào)解范圍對應(yīng)于低值區(qū)間,反之,對應(yīng)于高值區(qū)間。權(quán)值按文獻提出的自適應(yīng)線性下降策略調(diào)整。randjd表示粒子j第d維空間上的隨機數(shù),它服從上的均勻分布?！皏1id、v2id分別是“優(yōu)秀”和“低劣”粒子i的第d維速度。vid是全體粒子不可分時粒子i第d維的速度。c1j是“優(yōu)秀”粒子通過“優(yōu)秀”群體獲得的學(xué)習(xí)因子。c22j是“低劣”粒子通過“低劣”群體獲得的學(xué)習(xí)因子,而c21j是“低劣”粒子通過“優(yōu)秀”群體得到的學(xué)習(xí)因子。這樣,“優(yōu)秀”粒子只在“優(yōu)秀”群體附近波動尋優(yōu),增強了局部尋優(yōu)能力。“低劣”粒子在更大的空間尋優(yōu),同時保持向“優(yōu)秀”粒子群收斂。因此兼顧了全局尋優(yōu)和收斂能力。c1j、c21j、c22j的值通過全體粒子學(xué)習(xí)因子總和c的分配計算實現(xiàn),這里c=4。當(dāng)全體粒子群可分時,每個子群獲得c/2,再在此基礎(chǔ)上以粒子的歸一化適應(yīng)度加權(quán)分配給每個粒子。當(dāng)全體粒子不可分且歷史最優(yōu)適應(yīng)度之和不為零時,c以粒子的歸一化適應(yīng)度加權(quán)分配給每個粒子。當(dāng)全體粒子歷史最優(yōu)適應(yīng)度之和為零時,c平分給每一個粒子。2采用改進的粒子優(yōu)化算法對小目標進行檢測2.1計算投影后的目標小目標的存在使局部灰度分布發(fā)生了突變,數(shù)學(xué)上表現(xiàn)為目標的存在使得包括目標在內(nèi)的鄰域的方差有所增長。通過分析可知,如果將目標內(nèi)部及其周邊區(qū)域的均值投影到點的灰度上,方差的變化同樣突出。因此可以通過計算投影后形成的9點方差與8點方差之差來檢測目標。圖1說明了區(qū)域到點的投影關(guān)系。另外,小目標內(nèi)部灰度均值比較高,方差較小。綜合起來,可定義目標適應(yīng)度函數(shù)為其中:,下標i代表第i個粒子,即第i個候選目標。diff_vari是粒子i兩種方差的差值,即方差增量。diff_varmax為設(shè)定的方差增量的最大值。averth、varth分別為候選目標內(nèi)部灰度分布均值和方差的閾值。Yi1、Yi2和Yi3分別為候選目標的方差增量、內(nèi)部灰度均值和方差。k(u)為高斯核函數(shù),uI≤≤)10(為置信函數(shù),表示該函數(shù)在區(qū)間上取值為1,在其它區(qū)間取值為0。2.2粒子初始設(shè)置基于以上的討論,將改進粒子群優(yōu)化算法應(yīng)用于圖像二維空間,提出了一種基于改進粒子群優(yōu)化算法的小目標檢測算法。這種算法對于復(fù)雜背景下的小目標檢測任務(wù),具有一定的普適性。算法的流程圖如圖2。系統(tǒng)初始化包括:設(shè)置粒子的速度范圍vx∈[vxmin,vxmax],vy∈[vymin,vymax],算法搜尋的空間x∈[xmin,xmax],y∈[ymin,ymax],慣性權(quán)值的調(diào)節(jié)范圍為:“低劣”子群為whigh∈[whend,whini],“優(yōu)秀”子群為wlow∈[wlend,wlini]。方差增量的最大值diff_varmax,目標內(nèi)部灰度分布均值和方差的閾值分別為averth和varth。設(shè)定收斂程度度量的閾值gth。學(xué)習(xí)因子總和c的值為4。并且對目標內(nèi)部窗及其外部鄰域的尺寸進行設(shè)定。設(shè)定全體粒子數(shù)n,按均勻分布隨機初始化各粒子狀態(tài)(位置和速度)。設(shè)定迭代次數(shù)N。3圖像收斂檢測結(jié)果對比為證明算法的有效性,進行了PC機上的仿真實驗。機器基本配置為:CPU為3GHz、內(nèi)存為512MB。仿真軟件為Matlab7.0.4。實驗素材是北京長城站與河北懷來站進行16km激光通信實驗時,跟蹤系統(tǒng)記錄下的包括信標的外景可見光圖像,分辨率為240×320。信標作為小目標,可以滿足小目標的要求,它的尺寸在6×6至8×8個像素左右。算法的基本設(shè)置為:取100個粒子,迭代次數(shù)為50次。粒子速度在[-50,50]之間變化?！皟?yōu)秀”和“低劣”子群慣性權(quán)值取值區(qū)間分別為[0.9,0.6],[0.7,0.4]。目標內(nèi)部窗口5×5,目標外部鄰域厚度為4,四個對角鄰域長度4,其它鄰域長度5。收斂程度度量的閾值gth為3。diff_varmax=20,averth=210,varth=5。由于篇幅有限,這里僅給出兩幅圖像的正確檢測結(jié)果,對應(yīng)于正確收斂時粒子群運動狀態(tài)的兩種情況。如圖3至4所示,小方塊圈起的區(qū)域為候選目標的內(nèi)部區(qū)域,大小為5×5個像素,這里代表一個粒子。圓圈所圈起的區(qū)域為目標所在位置。從圖3可以看出第一次收斂出現(xiàn)了“早熟”現(xiàn)象,如圖3(b)。在接下來的迭代中,經(jīng)過拓撲結(jié)構(gòu)的自適應(yīng)調(diào)節(jié)(如圖3(c)),群體收斂到全局最優(yōu)位置(如圖3(d)),即群體檢測到了小目標。雖然算法因調(diào)整粒子群花費了時間,但防止了“早熟”的產(chǎn)生,同時增強了尋優(yōu)能力。圖4為群體一次收斂便正確檢測到小目標的情況。因此在比較好的情況下,群體能用較少的迭代次數(shù)正確地檢測到小目標(如圖4(c))。從實驗效果看,50次迭代基本滿足目標的檢測要求。另外,從圖上也可看出,粒子群并不能完全收斂到一起,這是由于收斂門限的限制,達到一定收斂程度,便調(diào)節(jié)粒子狀態(tài)。但這樣并不影響檢測精度,可以取最優(yōu)粒子位置(如圖4(d)),或多個粒子的統(tǒng)計位置來檢測目標。表1為240幅圖像運用不同檢測算法所達到的檢測指標,時間測量是通過在Matlab中調(diào)用tic、toc函數(shù)實現(xiàn)的,即在程序的開始和結(jié)尾處進行計時。圖5是引入傳統(tǒng)PSO算法對圖像檢測的結(jié)果,相應(yīng)的參數(shù)的設(shè)置同上。但是非常明顯,在第10次迭代時,就發(fā)生了“早熟”現(xiàn)象,并且不能跳出局部最優(yōu)。引入原始PSO的檢測算法基本不能滿足小目標檢測的任務(wù),誤檢率太高。窮舉法雖然達優(yōu)率最高,但是最費時。本文提出的算法具有很大的開發(fā)潛力,雖然它的虛警率較窮舉法略微高一點,但是它的檢測速度比窮