基于视觉的水下目标检测关键技术研究

科技论坛
基于视觉的水下目标检测关键技术研究
秦岸傅凯
（重庆市公安局巴南区分局，重庆４５００５５）
１概述水下目标识别一般是指利用水下信号采集设备进行信号采集并进行处理，然后进行特征提取和处理，最终分类和识别的过程。

海洋表面积宽阔，体积巨大，在其中蕴藏着极为丰富的矿产和资源，同时，还在现代战争中具有重要的战略地位。

水下目标识别及其相关技术对于军事活动、资源勘测、
海洋噪声污染保护等方面有着巨大的作用。

我们国家的海岸线绵长、海域极为广阔，因此水下目标识别技术的研究不但可在军事方面增强
海洋领±的保护，更在海洋资源开发上有着重要意义。

因此开展水下目标识别的研究，在国民经济和军事上都具有重要的意义，将是今后海洋领域，船舶制造领域所要研究的主要技术。

２水下目标识别简介
水下目标识别作为目标识别的一种特定应用领域包含了目标识别的一般步骤：图像预处理、目标提取、特征描述和分类器的设计。

由于水下成像环境的独特性，水下图像需要作针对性的预处理以提升图像质量并利于后续图像处理任务，同时需要排除水下干扰物的影响。

２．１水下图像预处理。

由于光在水中衰减速度较快、水对光的散乱和吸收及水下浮游生物、水流波动等的影响，水下图像常呈现出低对比度、模糊多噪声的特点。

由于水对可见光的不同波段衰减程度不同，水下彩色图像常常受到色彩失真的影响。

深水区域的附加照明会引起图像照明不均［１］。

浅水区域水面波纹对太阳光的汇聚作用会导致图像的光斑效应。

这些都是水下成像环境的特殊性造成的。

由于以上原因导致的图像质量下降会干扰后续的图像处理任务，因此需要针对性的进行水下图像预处理操作。

同态滤波器、ＣＬＡＨＥ（ＣｏｎｔｒａｓｔＬｉｍｉｔｅｄＡｄａｐｔｉｖｅＨｉｓｔｏｇｒａｍＥｑｕａｌｉｚａｔｉｏｎ）、小波分析或对照明场建模等方法常被用于水下图像对比度增强、去除光照不均［２］，颜色修正被用于色彩恢复。

浅水区域太阳光斑是一种强干扰和过度曝光现象，使得图像可视性差、信息丢失，现有的针对浅水区域太阳光斑去除的算法较少，这些算法均采用多幅图像以从未受干扰的图像中补偿丢失的信息。

２．２水下目标提取。

目标提取也叫目标检测，目的是将目标与背景分离，是目标识别的关键步骤。

目标提取按提取对像是单幅还是多幅可分为单帧和序列目标提取。

水下环境复杂多变，使得水下目标提取具有挑战性。

传统的单幅目标提取方法有阈值分割和边缘检测等，如Ｏｔｓｕ的类间方差最小化的全局阈值分割方法和Ｃａｎｎｙ的基于双阈值和边缘跟踪的边缘检测算法。

由于水生动植物、
水流扰动的影响，传统方法在目标提取的算法构建上显得过于简单，会导致提取出大量非目标区域和边缘，给后续的识别带来困难。

Ｆｏｒｅｓｔｉ针对水下目标识别任务提出一种分层系统来同时进行目标提取与识别。

输入图像首先被分解成子区域（超像素），由基于神经网络的分类器将超像素划分到不同类别，再根据几何及环境等限制条件对超像素进行进一步分析与分类，这一过程迭代进行直至达到所设定的精度。

ＤｉｒｋＷａｌｔｈｅｒ利用视觉显著性进行水下视频检测和跟踪［３］，其首先利用单幅图像与其邻域视频图像的均值作差，而后采用Ｉｔｔｉ和Ｋｏｃｈ的显著性算法检测目标，。

水下环境复杂性、动态性的特点决定了需要有针对性的目标提取算法，由于待识别目标常常具有一定的显著性，利用基于视觉注意机制的显著性算法辅助进行目标区域的定位与检测具有一定的研究价值。

２．３水下特征描述。

常用的特征描述方法有：基于几何特征的，包括形状、尺寸等；基于灰度特征的，通过灰度统计得到；基于纹理特征的，常用熵、差分统计、共生矩阵等的一些特性来描述；基于频谱特征的，是将原始数据转换到变换域并筛选得到的特征。

水下成像环境造成图像质量下降，尽管经预处理操作后图像质量得到一定程度的提高，图像细节信息也没有空气中成像的效果好。

几何特征具有较好的鲁棒性，在水下环境中抗干扰能力强，适合用于水下特征描述。

２．４水下分类器设计。

传统模式分类算法的分类效果随样本数量的增加而提高，且传统分类算法需要先验知识支持。

现代模式分类算法有模糊分类和人工神经网络等。

模糊分类擅长处理有不确定性的样本；人工神经网络的优势则是其组织
性、
容错性和自学习性，但也存在可塑性与稳定性之间的矛盾。

随后出现的基于统计学理论的支持向量机方法，
由于引入结构风险最小化的理念，解决了传统方法对于海量样本的支持性问题，
也可用于解决非线性和多分类问题。

水下管道识别领域基于神经网络的分类器用的较多。

３视觉显著性算法目标提取是水下目标识别的关键和难点，利用显著性算法辅助进行水下具有显著性的目标的提取是水下目标识别的一个重要研究方向。

已有视觉显著性算法与水下任务结合的应用研究。

Ｅｄｇｉｎｇｔｏｎ等为缓解人工检测视频效率低下而对海洋研究产生制约的状况，设计了对人类潜在
兴趣目标进行检测、跟踪和分类的自动化系统。

该系统采用选择注意算法预选取具有显著性的目标来初始化跟踪，若在多幅图像中均跟踪到该目标，则采用基于高斯混合模型的贝叶斯分类器进行分类识别［４］。

文献［５］提出一种基于对比图和显著点的目标提取算法。

其根据显著点确定注意窗口的位置，该窗口用于排除图像其他部分，减少计算量。

在窗口内部采用
图像分割得到显著区域，最后将各显著区域综合得到显著目标。

文献［６］采用条件随机场对选取的特征进行学习从而检测显著性目标。

显著性算法的意义是依据人类视觉注意力体系的选择性对外界环境的输入信息按自
主意识过滤，而选择重要的、有意义的信息优先处理，并将冗余信息延后
处理甚至丢弃。

视觉注意由两个阶段组成：首先是预注意、自底而上、数据驱动的显著性提取；其次是较慢的、依赖于任务的、自顶而下的、目标驱动的显著性提取。

现有的视觉显著性算法使用强度、颜色、边缘等属性来计
算图像区域对其周边的对比度进而衡量显著性，
依据周边的大小又可划分为局部或全局方法，
而基于局部对比度的方法在相对较小的局部范围考察图像区域的稀少性，
而全局方法则相反。

４结论
水下目标识别问题作为目标识别的一种特定应用领域除了包含目标
识别的一般步骤，还由于水下成像环境的独特性，需要增加针对水下图像
特点的处理步骤。

本问针对水下目标识别问题的特殊性进行了分析与研究。

水下环境的复杂性、动态性，导致水下目标识别的困难。

显著性算法模拟人的视觉注意机制，计算图像各位置的显著值。

由于目标常常具有一定
的视觉显著性，计算显著值能帮助排除干扰。

加入先验信息的显著性算法更具鲁棒性。

参考文献
[1]公丕亮.自主水下机器人:机械手系统作业区域视觉定位技术研究[D].沈阳:中国科学院研究生院,2010:27-41.
[2]Jaffe J S.A Historical Perspective on Underwater Optical Imaging[C]//Oceans,Bergen,2013:1-3.
[3]Shihavuddin A S M,Gracias N,Garc ía R.Online Sunflicker Re －moval Using Dynamic Texture Prediction [C]//International Conference on Computer Vision Theory and Applications,Minneapolis,2012:161-167.
[4]Cand ès E J,Li X,Ma Y,et al.Robust Principal Component Analy －sis[J].Journal ofthe Association for Computing Machinery,2011,58(3):11-42.
[5]Dalton L R.Optimal Classifiers with Minimum Expected Error within a Bayesian Framework[J].Pattern Recognition,2013,46(5):1288-1300.
[6]Begum M,Karray F.Visual Attention for Robotic Cognition:A Sur －vey[J].IEEE Transactions on Autonomous Mental Development,2011,3(1):92-105.
摘要：随着陆地资源日益消耗，海洋资源的开发以及水下作业任务日渐频繁、种类日益繁多，这也促进水下机器人的快速发展，而水下机器人离不开对目标的检测和识别。

水下目标识别问题作为目标识别的一种特定应用领域除了包含目标识别的一般步骤，还由于水下成像环境的独特性，需要增加针对水下图像特点的处理步骤。

关键词：视觉；水下目标检测；关键技术
６８··。