摘要利用顯著性檢測技術可以快速有效地從海面背景中區分出前景船舶，因此基于顯著性分析的船舶檢測算法受到了廣泛的研究關注。然而受到水面無規則背景噪聲，如海浪、雜波、船舶尾跡等干擾，很難準確地獲得船舶檢測結果。針對這一問題，提出了一種基于魯棒背景估計的船舶顯著性檢測算法。首先，將原始輸入圖像中的像素點進行聚類形成一系列超像素，并利用深度卷積網絡模型求取每個超像素對應的特征描述。然后，為了有效抑制海面背景噪聲對船舶檢測性能的影響，構建新的背景模板估計算法，通過將不同超像素點間的距離度量與圖像邊緣連通權重和背景噪聲區域先驗有效地結合，生成更加準確的背景模板。最后，將該模板融入到基于立體鄰域空間的細胞自動機顯著度圖求解框架下，獲得最終的船舶顯著性檢測結果。定性和定量的對比實驗表明，算法具有良好的有效性和魯棒性。

　　關鍵詞圖像處理;船舶顯著性檢測;背景估計;深度卷積神經網絡;細胞自動機

　　1引言

　　視覺成像系統具有價格低廉、安裝方便等優勢，因此被廣泛應用于各大港口碼頭3]。由于監控系統拍攝的視頻圖像數據量龐大，僅依靠人工監測需要耗費大量的時間。因此近年來，計算機視覺技術被廣泛應用于船舶自動檢測領域[4。在海洋場景中，圖像背景多由海面和天空組成，這類區域在外觀形態和特征描述上與前景船舶存在較大的視覺差異。利用顯著性分析，通過智能算法模擬人類視覺注意機制，根據不同像素點間的特征描述差異，可以快速有效地從背景中定位出前景船舶，因此受到了國內外學者的廣泛研究關注。

　　船舶論文：船舶大功率脈沖負載抗沖擊供電系統

　　例如Cane等人[8通過顏色對立性分析，對輸入圖像提取了寬調諧強度解耦紅綠藍特征，利用改進的布爾映射顯著性檢測算法求取不同像素點間的特征差異，從海面背景中定位出前景船舶區域，并進一步基于卡爾曼濾波技術獲得了連續視頻中的船舶檢測與跟蹤結果。劉松濤等人[9提出了一種基于區域協方差和目標度的船舶檢測算法，使用sigma特征進行目標顯著性建模，進一步結合目標度抑制海面背景雜波，最后通過子窗口搜索實現復雜場景下的船舶檢測。Sobral等人[10提出了一種基于雙重約束的主成分分析算法，通過綜合形狀約束和目標置信區域中的稀疏表達，獲得最終的船舶二值掩模檢測結果。

　　Shao等人[11建立了包含類船舶目標的檢測數據集，基于YOLOv2求解框架，通過結合海岸線檢測和船舶顯著性分析，利用不同區域的顏色特征差異，更加快速準確地獲得了船舶檢測結果。基于顯著性分析理論，通過比較不同像素點間顏色、紋理等特征描述的差異性，在一定程度上可以快速有效的從背景區域中檢測出前景船舶。但是這類方法對提取的特征描述依賴性較大，當提取的原始特征表達受到噪聲干擾時，會影響到整體算法的求解魯棒性。

　　為了進一步提高基于顯著性分析的船舶檢測結果，已有學者嘗試利用變換域或綜合不同特征空間下的視覺信息，增強前、背景區域的特征描述力，進而抑制不規則背景噪聲對船舶檢測性能的影響。例如，Ren等人[12對輸入圖像提取的顏色和亮度特征進行傅里葉變換，然后在頻域內對不同特征獲得的光譜幅值進行奇異值分解。進一步，利用傅里葉反變換和線性融合得到了具有較強顯著性的船舶檢測結果。Afsharirad等人[13基于任務模擬系統，利用傅里葉變換和相位分析技術提高前、背景區域的原始特征描述力，進而獲得了更加魯棒的船舶檢測結果。

　　丁鵬等人[14利用四元數圖像可以在多通道內進行并行處理并保證其特征描述具有多尺度關聯性的特點，設計了一種基于多特征、多尺度視覺顯著性的船舶檢測算法。通過利用人眼對不同尺度船舶目標關注度不同的特點對圖像進行尺度變換，避免了船舶漏檢現象。上述算法通過空間域變換和多特征融合，進一步提高了前、背景區域的區分度，然而僅依靠手工設計規則求取圖像特征描述，很難有效抑制復雜背景噪聲，如海浪、泡沫和船舶尾跡等對船舶顯著性檢測的影響，因此很容易引起誤檢現象。

　　2基于魯棒背景估計的船舶顯著性檢測圖

　　給出了本文算法的總體求解流程。本節將分別從深度特征提取、背景模板生成和基于立體鄰域空間細胞自動機的顯著性檢測三部分對算法各子模塊進行詳細地介紹。

　　2.1超像素聚類及深度特征提取

　　為了有效保留相鄰像素點間的結構信息并提高算法求解效率，使用線性迭代聚類算法[15]將輸入圖像中位置相鄰、特征相似的若干像素點預先聚類成超像素。本文對每幅圖像分別提取了大、中、小三個不同尺度大小的超像素聚類結果，用于后續立體近鄰空間的構建。為了更加準確地對每個超像素進行特征描述，使用深度網絡模型[16]提取對應的特征表達。選取的深度網絡模型使用VGG16為骨干網絡，整體網絡由五輪卷積操作共同構成，每輪卷積操作進一步由卷積層、激活層和池化層等共同構成。

　　使用PASCALVOC2011分割訓練樣本集對模型參數進行了訓練和學習后，將整幅圖像所有像素點的RGB原始特征作為深度網絡的輸入，通過多輪卷積操作求取原始圖像中每個像素點在不同卷積層下對應的深度特征描述。進一步，根據不同參數下的超像素聚類結果，使用每個超像素點所包含的全部像素點的深度特征均值作為該參數下對應卷積層提取獲得的超像素深度特征描述。通過多輪卷積操作，利用淺層網絡可以有效提取出局部細節信息，利用深層網絡則可以進一步獲得更多的語義和上下文特征表達。因此參考[17，本文將淺層網絡和深層網絡提取獲得的特征向量進行了拼接融合，作為每個超像素點最終的深度特征描述。

　　3實驗結果與分析

　　本文實驗采用MATLAB軟件進行，所使用計算機內存128G，IntelXeonW2145處理器，核16線程，主頻3.7GHz。為了證明算法的有效性，在真實監控新加坡海事數據集和標準公測數據集上均進行了實驗評估。本節將從數據集與參數設定、定性分析、定量分析和背景模板估計算法有效性分析四個方面進行詳細介紹。

　　3.1實驗數據集與參數設定

　　為了驗證本文算法性能，我們首先在新加坡海事數據集[7上進行了實驗。該數據集一共包含51個在新加坡海域實際拍攝獲取的監控視頻片段。其中40個視頻是由海岸邊架設的相機拍攝獲得，其余11個視頻則由船載相機拍攝獲取。由于同一段視頻中相鄰幀間的圖像差異性很小，因此我們將該數據集中所有視頻每隔20幀保留一幅圖像，共計收集到了1186幅圖像進行真實應用場景下的算法定性分析。此外，我們從顯著性檢測標準數據集中篩選出了包含船舶的圖像，并給出了標測數據集下的船舶檢測結果。最后，為了方便與最新的算法進行定量比較，我們在ECSSD[19和PASCAL[20兩個公測數據集上對本文算法進行了評測，從而進一步驗證算法的有效性和魯棒性。

　　4結論

　　本文提出一種新的基于魯棒背景估計的船舶顯著性檢測算法。為了更好的從復雜背景噪聲出區分出前景船舶，將不同超像素點間的距離度量分析與先驗權重相結合，構建求取基于差異閾值分析的背景模板，并將其融入到立體鄰域空間下的細胞自動機顯著性分析框架下，從而抑制不規則噪聲對船舶顯著性檢測的影響，有效提高了船舶檢測的性能。同時，在標準數據集上的定量分析也進一步證明了該算法具有良好的普適性和魯棒性。

　　參考文獻

　　[1]rasad,Prasath,RajanD,etal.Objectdetectioninamaritimeenvironment:performanceevaluationofbackgroundsubtractionmethods[J].IEEETransactionsonIntelligentTransportationSystems,2019,20(5):17871802.

　　[2]DongC,FengJJ,TianLF,etal.Rapidshipdetectionbasedongradienttexturefeaturesandmultilayerperceptron[J].InfraredandLaserEngineering,2019,48(10):290299.

　　董超,馮俊健,田聯房,等.梯度紋理直方圖與多層感知器船舶快速檢測[J].紅外與激光工程,2019,48(10):290299.

　　作者：姚婷婷，張波，李鵬飛，柳曉鳴