CN103514448A

CN103514448A - 船形识别方法和***

Info

Publication number: CN103514448A
Application number: CN201310507614.4A
Authority: CN
Inventors: 何代钦; 张洪刚; 陈正伟; 朱勤
Original assignee: Beijing BNC Technologies Co Ltd
Current assignee: Beijing BNC Technologies Co Ltd
Priority date: 2013-10-24
Filing date: 2013-10-24
Publication date: 2014-01-15

Abstract

本发明涉及船形识别技术领域，特别涉及一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法及***。该船形识别方法包括步骤：S1.将待识别图像转换为灰度图；S2.从所述灰度图中提取兴趣目标区域；S3.利用SUSAN算子对所述兴趣目标区域进行边缘检测获取边缘信息，并根据所述边缘信息进行目标轮廓跟踪形成待识别目标形状；S4.获取所述待识别目标形状的形状上下文；S5.将待识别目标形状的形状上下文和模板形状的形状上下文进行匹配，判断待识别目标是否为船形目标。本发明解决了海面场景下船形物体的识别以及车载货物中的船形识别困难问题，可以广泛应用在海洋资源开采的监控方面，因此能够很好的满足渔政需求。

Description

船形识别方法和***

技术领域

本发明涉及船形识别技术领域，特别涉及一种基于兴趣目标区域和SUSAN（Small Univalue Segment Assimilating Nucleus，最小核值相似区）边缘检测的船形识别方法及***。

背景技术

我国是一个海洋大国，海洋为我国的经济发展提供了源源不断的资源，与此同时，海洋环境的污染与破坏、海洋资源的过度开发、以及海上经济活动的日益频繁和各国对海洋资源的竞争日益加剧，对于海洋上或者接近海边船形目标的识别日益重要。本发明就是在这一背景下提出的一种船形识别方法及***，用于在特定场景下识别船形物体，该特定场景主要指海面场景，识别的船只也包括车载货物中的船形物体识别，尤指捕鱼者用拖车拉的船形物体，能够应用于海洋上目标以及非法捕鱼行为的监控，有利于渔政业的发展。

现有技术中，针对海上目标识别的技术可谓屈指可数，更没有涉及车载货物中的船形识别技术。在国外，有人开发了用于防止海面上船只碰撞***，该***采用了统计图像各个区域波浪的灰度直方图特征来区分海和物体，但是其中特征的统计在海面辽阔、场景变化复杂的条件下很难有精度保障；此外还有人先通过采集海浪频域特征作为匹配模板来描述海面状态，以区分海和物体，同样效果不是非常理想。在国内，有人针对长江三峡临时船闸，开发了船舶检测***，其设计思想是先用基于边缘带周围像素的灰度直方图构造方法检测反光和阴影区域，再运用概率速度场和光流场的方法区分船和波浪的运动。还有人开发了苏州河数字船舶监控***，该***采用基于混合高斯背景模型的运动目标检测算法，然后用4个搜索方向Connected Components（连通域）算法和包围盒合并算法来获得目标的边缘，但是容易出现目标边缘噪声较大的问题；下面是现有技术中一种利用视觉注意模型的显著性船只区域检测以及基于HOG（Histogram of orientedgradients，方向梯度直方图）特征和SVM（Support Vector Machine，支持向量机）学习机制的船只目标识别方法，该方法具体技术方案如下：

1、将输入的RGB（红、绿、蓝）图像转换到HSV色调、饱和度、亮度）颜色空间上，从而更好的反映颜色特征的显著性，转化公式为：

V=max(R,G,B)

S = 255 (1 - \frac{3 \min (R, G, B)}{R + G + B})

H = 256 \arctan \frac{V_{2}}{V_{1}} / (2 π);

其中：V₁=2R-G-B，

2、在Itti视觉注意力模型基础上生成显著图，具体技术方案如下:采用以上的计算公式从输入的RGB图像中提取H，S，V三个分量的信息，然后分别构造它们的高斯金字塔H(σ)，S(σ)和V(σ)；然后在这三个特征金字塔的基础上，进行视觉差异程度的计算和显著图的合成：采用Itti的模型中所定义的center-surround（中央-周边）差减算子，根据H(σ)，S(σ)和V(σ)进行差减操作：

H(c,s)=|H(c)ΘH(s)|

S(c,s)=|S(c)ΘS(s)|

V(c,s)=|V(c)ΘV(s)|

其中c代表中心尺度，s代表边缘区域的尺度，Θ是两个不同尺度的图像之间的差减操作。

通过以上的计算在每个特征上都获得了6个Center-surround的特征差异图，以H分量为例，对六个不同尺度的特征差异图H(c,s)，c∈{0,1,2}，s=c+δ，δ∈{2,3}，用算子N(.)进行规格化处理，然后对于S分量和V分量的S(c,s)和V(c,s)也进行同样的规格化处理，对不同尺度的特征差异图进行规格化之后再将它们加以合并，从而得到各个特征下的显著图：

H_{s} = \frac{1}{6} Σ_{c = 0}^{2} Σ_{ξ = 2}^{3} N (H (c, c + ξ))

S_{s} = \frac{1}{6} Σ_{c = 0}^{2} Σ_{ξ = 2}^{3} N (S (c, c + ξ))

S_{s} = \frac{1}{6} Σ_{c = 0}^{2} Σ_{ξ = 2}^{3} N (V (c, c + ξ))

最后再对H_s，S_s和S_s进行合并就得到全局的显著图SM：

SM = \frac{1}{3} Σ [N (H_{s}) + N (S_{s}) + N (V_{s})]

3、在显著图SM的基础上，采用阈值分割的方法进行阈值分割，来划分显著区域和非显著区域：通过Ridle&Calvard算法获得阈值，将显著图SM二值化，在二值化图的基础上采用基于四连通的区域标记方法进行显著区域提取，并以外接矩形标注，将矩形面积小于预设值的区域予以剔除，即假定面积很小的区域为非船只区域，最后得到的矩形标注的为显著性船只区域。

4、在显著性船只区域基础上提取船只目标候选区域：采用Canny算子进行边缘检测获取物体的边缘信息，然后对目标进行区域跟踪获取所有区域点的最左、最右、最上、最下位置信息，从而构成某一跟踪区域的外界矩阵，并以此作为目标候选区域。

5、提取船只目标候选区域的HOG特征：通过以上的方法在船只显著区域内快速获取船只目标候选区域，并将其缩放到固定尺寸56*24，并将其定义为一个Patch，首先将一个“块”分成4个“片”，然后分别计算“片”中像素的梯度，并将其分为9个方向，同时统计每“片”的梯度直方图，最后每个“块”可得到4*9维的特征向量，采用0度～180度作为梯度的范围，可以使特征的性能达到较高水平，这样每个船只图像Patch就包含6*2个块。因此，每个Patch就包含432维特征向量。

6、利用SVM支持向量机进行船只目标识别：在船只图片中截取船只样本，并将其缩放到固定尺寸56*24，同时在图片中随机截取背景图片并将其缩放到固定尺寸56*24，总共获得250张船只样本图片和600张非船只背景图片，随机选取其中200张船只样本图片和400张背景图片作为训练集，剩下的则作为测试集来测试分类器效果。

上述技术利用视觉注意和HOG特征双向融合进行船只目标检测，通过获得显著性船只区域，虽能够排除背景的干扰并减小目标搜索区域，从而提高检测的效率，但是存在以下缺点：如果图像中有另一非船形目标区域比船形目标区域显著性更好，这样最终获得的目标识别区域将不含有船形目标，这就会发生漏检；并且，在使用SVM支持向量机训练的时候，由于船形是多种多样的（如客船，货船，轮船等），如果要准确的识别出海面上出现的船形，需要对每一种船形都进行训练，这样就会需要大量的模板，训练的时间复杂度会很高；此外，对于车载货物中的船形物体识别效果会很差，不能很好的作用于对非法捕鱼行为监控这一业务，同时船只目标遮挡情况下的识别效果有待一步深入研究。

发明内容

（一）要解决的技术问题

本发明的目的在于根据海面场景特点以及船只特有形状，提供一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法及***，用于根据船只形状快速准确的进行目标识别。

（二）技术方案

本发明技术方案如下：

一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法，包括步骤：

S1.将待识别图像转换为灰度图；

S2.从所述灰度图中提取兴趣目标区域；

S3.利用SUSAN算子对所述兴趣目标区域进行边缘检测获取边缘信息，并根据所述边缘信息进行目标轮廓跟踪形成待识别目标形状；

S4.获取所述待识别目标形状的形状上下文；

S5.将待识别目标形状的形状上下文和模板形状的形状上下文进行匹配，判断待识别目标是否为船形目标。

优选的，所述步骤S2包括：

S21.若待识别图像为海面场景，根据船形目标最低线在海天线之下原则，获取的目标区域即为兴趣目标区域；

S22.若待识别图像为车载货物场景，根据背景减除方法，从车载货物场景中获取的运动目标前景图像即为兴趣目标区域。

优选的，所述步骤S21包括：

S211.获取所述灰度图所有竖直方向的梯度值并形成梯度图像；

S212.根据边缘分割阈值对所述梯度图像进行二值化；

S213.沿垂直方向将二值化后的图像中线段细化为像素；

S214.根据Hough变换，将图像空间中对直线的检测映射为参数空间中对点的检测，检测所述参数空间中所有局部最大值，得到的直线即为所述海天线；最低线位于所述海天线之下的目标区域即为兴趣目标区域。

优选的，所述步骤S22包括：

S221.根据中值模型获取背景图像；

S222.根据是否有背景图像与待识别图像中像素点值匹配，获得运动目标前景图像；

S223.滤去运动目标前景图像中的噪声干扰；

S224.根据检测到的运动目标前景图像，对背景图像进行更新；

S225.输出运动目标前景图像即待检测兴趣目标区域。

优选的，所述步骤S3中：

采用自适应阈值SUSAN算子对所述灰度图进行边缘检测。

优选的，所述步骤S4进一步包括：

S41.从待识别目标形状的边界中得到离散点集P={p₁,p₂,…p_n}，所述离散点集中每个离散点都和该离散点集中其余的点构成向量；

S42.所述离散点集中任意一点p_i的形状上下文为：

H_i(K)={h_i(1),h_i(2),…h_i(K)}，

h_i(k)=#{q≠p_i:(q-p_i)∈bin(k)}；

其中，h_i(k)表示以边界点p_i为中心划分的第k个区域bin(k)内的边界点个数，k∈{1,2,…K}，K为总的划分区域个数。

优选的，所述步骤S5进一步包括：

S51.对于所述模板形状，获取N个形状上下文，对于每个待识别目标形状，获取M个形状上下文，其中，M<N；

S52.将所述模板形状的N个形状上下文与每个待识别目标形状的M个形状上下文进行匹配，筛选出候选目标形状；

S53.对于所述候选目标形状，获取N个形状上下文，使用TPS变形模型方法与所述模板形状的N个形状上下文进行匹配，判断是否为船形目标。

本发明还提供了一种实现上述基于兴趣目标区域和SUSAN边缘检测的船形识别方法的***：

一种基于兴趣目标区域和SUSAN边缘检测的船形识别***，包括：

图像处理模块，用于将待识别图像转换为灰度图；

兴趣目标区域获取模块，用于从所述灰度图中提取兴趣目标区域；

边缘检测模块，用于利用SUSAN算子对所述兴趣目标区域进行边缘检测获取边缘信息，并根据所述边缘信息进行目标轮廓跟踪形成待识别目标形状；

形状上下文描述模块，用于获取所述待识别目标形状的形状上下文；

匹配识别模块，用于将待识别目标形状的形状上下文和模板形状的形状上下文进行匹配，判断待识别目标是否为船形目标。

优选的，还包括：

模板特征数据库，用于获取并存储所述模板形状的形状上下文。

优选的，所述兴趣目标区域获取模块包括：

海面场景兴趣目标区域获取模块：用于在待识别图像为海面场景时，根据船形目标最低线在海天线之下原则，获取兴趣目标区域；以及

车载货物场景兴趣目标区域获取模块：用于在待识别图像为车载货物场景时，根据背景减除方法，获取兴趣目标区域。

优选的，所述海面场景兴趣目标区域获取模块包括：

梯度化单元，用于获取所述灰度图所有竖直方向的梯度值并形成梯度图像；

二值化单元，用于根据边缘分割阈值对所述梯度图像进行二值化；

细化单元，用于沿垂直方向将二值化后的图像中线段细化为像素；

Hough变换单元，用于根据Hough变换，将图像空间中对直线的检测映射为参数空间中对点的检测，检测所述参数空间中所有局部最大值，得到的直线即为所述海天线；最低线位于所述海天线之下的目标区域即为兴趣目标区域。

优选的，所述车载货物场景兴趣目标区域获取模块包括：

背景建模单元，用于根据中值模型获取背景图像；

运动前景检测单元，用于根据是否有背景图像与待识别图像中像素点值匹配，获得运动目标前景图像；

滤波处理单元，用于滤去运动目标前景图像中的噪声干扰；

反馈单元，根据检测到的运动目标前景图像，对背景图像进行更新；

运动前景单元，输出运动目标前景图像即待检测兴趣目标区域。

优选的，所述匹配识别模块包括：

粗匹配单元，对于所述模板形状，获取N个形状上下文，对于每个待识别目标形状，获取M个形状上下文，其中，M<N；

将所述模板形状的N个形状上下文与每个待识别目标形状的M个形状上下文进行匹配，筛选出候选目标形状；

细匹配单元，对于所述候选目标形状，获取N个形状上下文，使用TPS变形模型方法与所述模板形状的N个形状进行匹配，判断是否为船形目标。

优选的，还包括：

图像输入模块，用于向所述图像处理模块输入待识别图像；

结果输出模块，用于输出所述匹配识别模块识别结果。

（三）有益效果

本发明实施例所提供的基于兴趣目标区域和SUSAN边缘检测的船形识别方法及***，通过利用兴趣目标区域与自适应阈值SUSAN算子边缘检测相结合的船形识别方法，解决了海面场景下船形物体的识别以及车载货物中的船形识别困难问题，可以广泛应用在海洋资源开采的监控方面，因此能够很好的满足渔政需求。

附图说明

图1是本发明实施例中基于兴趣目标区域和SUSAN边缘检测的船形识别方法的流程示意图；

图2是图1中船形识别方法中步骤S2的流程示意图；

图3是图2中船形识别方法中步骤S21的流程示意图；

图4是图2中船形识别方法中步骤S22的流程示意图；

图5-图7是本实施例中三种不同海面场景中海天线检测示意图；

图8是本实施例中车载货物场景中运动前景目标提取的示意图；

图9是本发明实施例中SUSAN算子边缘检测原理示意图；

图10是本发明实施例中对船只目标图像进行SUSAN算子边缘检测的结果示意图；

图11是本发明实施例中轮廓跟踪算法的原理示意图；

图12是本发明实施例中形状上下文示意图；

图13是本发明实施例获取形状上下文示意图；

图14是本发明实施例中基于兴趣目标区域和SUSAN边缘检测的船形识别***的模块连接示意图；

图15是图14中船形识别***的兴趣目标区域提取模块结构示意图；

图16是图15中兴趣目标区域提取中海天线提取模块结构示意图；

图17中是图15中兴趣目标区域提取中背景减除模块结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

由于光照、风、以及海浪的影响，使得海面环境情况复杂而又多变，这些都会干扰海上目标的准确识别，同时车载货物中的船形物体的识别还有拖车对船形识别的干扰；虽然现有技术中的方法可以识别出海面目标，但每种方法都有其适用范围，同时也有其局限性，尤其是很少应用于车载货物中的船形物体的识别。为了克服上述现有技术的不足，本实施例中提供了一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法及***。

如图1中所示，本实施例中提供的一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法主要包括以下步骤：

S1.图像处理：在输入待识别图像后，将待识别图像转换为灰度图；

S2.兴趣目标区域提取：从所述灰度图中提取兴趣目标区域；

S3.边缘检测：利用SUSAN算子对所述兴趣目标区域进行边缘检测获取边缘信息，并根据所述边缘信息进行目标轮廓跟踪形成待识别目标形状；为后续获取形状上下文做准备；

S4.形状上下文描述：获取所述待识别目标形状的形状上下文，为后续的匹配识别提供信息；

S5.匹配识别：将待识别目标形状的形状上下文和模板形状的形状上下文进行匹配，判断待识别目标是否为船形目标。

下面对本实施例中基于兴趣目标区域和SUSAN边缘检测的船形识别方法的各步骤加以详细说明。

S1.图像处理：

在输入待识别图像后，将彩色的待识别图像转换为灰度图，因为后续的检测与识别都是在灰度图基础上进行的。

S2.兴趣目标区域提取：

如图2中所示，本实施例中步骤S2进一步包括：

如图3中所示，本实施例中步骤S21进一步包括：

S211.梯度化：获取所述灰度图所有竖直方向的梯度值并形成梯度图像；该步骤具体为：

采用简单有效的梯度算子进行边缘检测，因为海天线是水平方向上的，所以只需求取水平方向上的边缘，也就是求图像上各点的梯度值时只求竖直方向的，所有竖直方向的梯度值形成梯度图像；

S212.二值化：根据边缘分割阈值对所述梯度图像进行二值化，得到二值化图像；该步骤具体为：

对所述梯度图像采用边缘阈值策略二值化；在一幅图像中，非边缘点数目在总图像像素点数目中占有一定比例，对应的比例因子表示为Hratio，根据图像梯度值对应直方图，从低梯度值等级开始逐步累加图像点数目，当累加数目达到图像总像素数目的Hratio时，对应的图像梯度值即为分割阈值；

S213.细化：二值化图像中可能有像素连成一片，影响后续Hough变换的提取精度和实时性，所以要进行细化，细化的原则为沿垂直方向将二值化图像中线段细化为一个像素；

S214.Hough变换：根据Hough变换，将图像空间中对直线的检测映射为参数空间中对点的检测，检测所述参数空间中所有局部最大值，得到的直线即为所述海天线；该步骤具体为：

把在图像空间中直线检测问题转换到参数空间里对点的检测问题后，图像空间中一条直线上的点，对应着一个参数空间累加器，并且直线上每一点引起对应累加器的值加1，从而在Hough参数空间形成一个与直线对应的局部最大值，通过检测Hough参数空间中的所有局部最大值，就可以找到一组对应的直线，即为海天线；同时针对海天线不存在的问题，可以取图像上方1/4处为海天线；

图5-图7显示的是三种场景图像的灰度图，以及检测出海天线的位置分布图；图5中含有大面积云团干扰，由于边缘梯度弱于海天线梯度，不影响检测效果；图6中目标面积较大，虽然目标轮廓信息会影响海天线的提取，但是采用了Hough变换，这种影响并不大；图7中有很大的烟幕弹干扰，舰船被屏蔽，海天线右端偏向天空，但是并不是很严重；整体而言，这几种场景下的海天线检测还是比较准确的，因此可以用于后续判断目标的整体下边缘是否在海天线之下来排除一些非船形目标区域，从而缩小目标的检测区域，获得兴趣目标区域。

如图4中所示，本实施例中步骤S22进一步包括：

S221.背景建模：采用中值模型，获取背景图像；即在前K帧图像中，某像素点在超过一半的时间里呈现场景为背景像素值；

S222.运动前景检测：判断是否有背景与待检测图像中像素点值匹配，若无则判断当前像素为前景图像，从而获得运动目标前景图像；

S223.滤波处理：用于滤去运动目标前景图像中的噪声等干扰，排除较小且不连续的前景像素点，获得准确的所感兴趣的运动目标区域；

S224.反馈：用于背景图像的更新，根据检测出来的运动目标前景图像，对背景图像进行更新，以便于检测出更为准确的运动目标区域；

S225.运动前景：输出运动目标前景图像即待检测兴趣目标区域；

图8显示的是车载货物中的船形识别场景中的灰度图以及提取出背景图像和运动目标前景图像，可以看出对于车载货物中的船形的识别，利用背景减除法，将每一帧图像与背景图像作差，得到前景像素构成的运动点团图像即为待检测的兴趣目标区域，然后在运动目标前景图像基础上进行模板匹配从而识别出船形物体。

S3.边缘检测：

利用SUSAN算子对所述灰度图进行边缘检测获取边缘信息，并根据所述边缘信息进行目标轮廓跟踪形成目标形状，为后续获取形状上下文做准备；

其中，SUSAN算子边缘检测原理如图9中所示：

用一个圆形模板在图像上移动，若模板内像素的灰度与模板中心像素灰度的差值小于一定的阈值，则认为该点与核具有相同（或相似）的灰度，由满足这样条件的像素组成的区域称为USAN区域（UnivalueSegment Assimilating Nucleus，同值收缩核区），计算图像中每一个像素的USAN值，通过设置一个USAN阈值，查找小于阈值的像素点即可确定为边缘点。在算法中有两个阈值比较重要，即几何阈值g和灰度差阈值t。几何阈值g主要影响特征点的尖锐性，取不同的几何阈值g就能检测到角点、交点、边缘等特征，一般根据需要几何阈值g取一个固定不变的值就能取得较好的效果；灰度差阈值t是区分特征目标与背景的一个重要阈值，如果对于细节比较丰富的图像采用统一的灰度差阈值t，检测效果不会很理想，可能检测出一些伪边缘和孤立点，因此采用自适应灰度差阈值的提取方法，对于每个像素的SUSAN模板，通过计算模板内每个像素与中心像素的灰度差，得到该模板的灰度差阈值t，使得具有不同对比度的图像都能够自适应地计算出每个模板的合适阈值，从而很好的检测出可靠边缘，有效的去除孤立点和灰度变化不剧烈的点。

图10中所示是对船只目标图像进行SUSAN算子边缘检测的结果，由图可以看出SUSAN边缘检测算法抗噪能力强，检测后的图像有更好的形状和连通性，定位精确，这主要是因为SUSAN算法的特征检测原则是对图像内部的结构和特征进行前期假设，避免了梯度计算，同时SUSAN区域是由模板内与模板中心具有相似灰度的像素累加而得，这实际上是一个积分的过程，因此对高斯噪声有很好的抑制作用。

其中，轮廓跟踪算法的原理如图11中所示，图中箭头代表搜索方向，在上述SUSAN算子边缘检测的基础上，对目标进行轮廓跟踪，可以较好的跟踪出目标形状，为下一步形状上下文描述打下基础。其基本方法是：找到目标轮廓上像素，再根据这些像素的某些特征用一定的“跟踪准则”找出目标上其他像素，例如，采用的跟踪准则可以是：从第一个边界点开始，定义初始搜索方向是沿左上方，如果左上方的点也是黑点，则为边界点；否则搜索方向顺时针旋转45度，这样一直找到下一个边界点为止，然后把这个点作为新的起点，在当前搜索方向基础上逆时针旋转90度，继续用同样的方法搜索下一个边界点，直到返回到最初的边界点为止。

S4.形状上下文描述：

获取所述待识别目标形状的形状上下文，为后续的匹配识别提供信息；本实施例中，该步骤进一步包括：

S41.形状上下文实际是用来描述的目标形状上特征点的粗糙分布，用有限点来表示物体轮廓，从待识别目标形状的边界中得到离散点集P={p₁,p₂,…p_n}，所述离散点集中每个离散点都和该离散点集中其余的点构成向量，些向量反映了该点再整个形状中的位置，包括距离和方向；这些点尽可能均匀一致地分布在物体的边缘上。

S42.所述离散点集中任意一点p_i的形状上下文为：

H_i(K)={h_i(1),h_i(2),…h_i(K)}；

其中h_i(k)表示p_i与所在离散点集中其余的n-1个点在k个区域中的形状直方图：

h_i(k)=#{q≠p_i:(q-p_i)∈bin(k)}；

示例性的，形状上下文如图12中所示，形状上下文描述了每个目标的形状特征，具有尺度和旋转不变性，在一个大场景中识别一个特定的目标只需存储该目标的一个原型模板就够了。

图13中所示为获取形状上下文的示意图，在使用基于自适应阈值的SUSAN算子检测目标的边缘来实现定位和分割后，用轮廓跟踪算法提取目标图像的***轮廓线，并将轮廓线上按边界跟踪的顺序尽量均匀地提取特征点，存储到某一点列中；图13中（a）部分所示即为两种不同类型船只形状对应的离散点集；接着用形状上下文描述特征点，并用形状距离来描述目标模型和船只图像整体形状上的相似形；如图13中（b）部分所示，在获取形状上下文时用对数极坐标栅格（4*12）来划分区域，形状上下文描述中颜色越深表示区域内边界点个数越多，同时同一个模型中两个边界点形状上下文特征描述可能会很不一样。

S5.匹配识别：

将待识别目标形状的形状上下文和模板形状的形状上下文进行匹配，判断待识别目标是否为船形目标；本实施例中，通过两级递推由粗到细的方式进行目标识别；该步骤具体包括：

S51.对于已知的所述模板形状，预先获取比较丰富的（N个）形状上下文，但是对于每个未知的待识别目标形状，只获取少数（M个，M<N）形状上下文；

S52.将所述模板形状的N个形状上下文与每个待识别目标形状的M个形状上下文进行粗匹配，通过设置一定的阈值筛选出候选目标形状集；通过该步骤能够快速的剔除伪目标，提高识别速度；

S53.对于所述候选目标形状集中的候选目标形状，获取比较丰富的（N个）形状上下文，然后使用TPS（Thin Plate Spline，薄板样条）变形模型方法与所述模板形状的N个形状上下文进行匹配，判断是否为船形目标。

本实施例中还提供了一种实现上述基于兴趣目标区域和SUSAN边缘检测的船形识别方法的***；如图14中所示，该基于兴趣目标区域和SUSAN边缘检测的船形识别***主要包括：

图像处理模块，用于将待识别图像转换为灰度图；

该***结构化好，操作简单，相比传统的识别方法，算法不仅能解决海面场景下船形物体的识别，还能处理车载货物中的船形物体的识别的问题，同时引入海天线检测，背景消除法获得运动前景方法，获得待识别的兴趣目标区域，大大提高了识别的效率。该船形识别***适用于特定场景下船形物体的识别，应用于海洋资源的监管，以及非法捕鱼者拖车拉船行为的识别，能够很好的满足渔政需求。

进一步的，本实施例中的船形识别***还包括：

模板特征数据库，用于获取并存储所述模板形状的形状上下文；在选取模板形状时，根据形状上下文的尺度和旋转不变性可知，对于某一特定的船形，只需存储一个原型，可以根据船只外形的区别存储不同形状的船只目标，用于后续的匹配识别从而识别出船只目标。

如图15中所示，本实施例中，上述兴趣目标区域获取模块包括：

海面场景兴趣目标区域获取模块：用于获取海面场景上海天线的位置，排除图像中目标最低线在海天线之上的目标区域，缩小后续检测区域，从而确定运动船只所在大致位置，获得兴趣目标区域；

车载货物场景兴趣目标区域获取模块：用于获取车载货物中的船形识别中的运动目标位置，在提取背景图像之后，用当前帧减去背景图像可获得运动目标前景图像，即为兴趣目标区域。

如图16中所示，本实施例中，上述海面场景兴趣目标区域获取模块包括：

Hough变换单元，用于根据Hough变换，将图像空间中对直线的检测映射为参数空间中对点的检测，检测所述参数空间中所有局部最大值，得到的直线即为所述海天线，目标最低线位于所述海天线之下的目标区域即为兴趣目标区域。

如图17中所示，本实施例中，上述车载货物场景兴趣目标区域获取模块包括：

背景建模单元，用于根据中值模型获取背景图像；

滤波处理单元，用于滤去运动目标前景图像中的噪声干扰,排除较小且不连续的前景像素点，获得所感兴趣的运动目标区域；

反馈单元，根据检测到的运动目标前景图像，对背景图像进行更新,保持一个稳定的背景图像；

进一步的，所述匹配识别模块包括：

此外，本实施例中的船形识别***还可以包括：

图像输入模块，用于向所述图像处理模块输入待识别图像；

结果输出模块，用于输出所述匹配识别模块识别结果。

本发明所提供的基于兴趣目标区域和SUSAN边缘检测的船形识别方法和***，对于拥有漫长的海岸线，海洋航运的巨大发展的我国有着很大的收益，尤其是能够满足渔政业的需求。具体而言，本实施例中所提供的基于兴趣目标区域和SUSAN边缘检测的船形识别方法和***具有以下优点：

1、由于采用形状上下文特征，能够减少遮挡带来的影响，使得离被遮挡部分较远的点仍能找到比较好的匹配，增强了识别的鲁棒性。

2、根据海面场景以及车载获取场景的特点，针对海面风浪变化比较大，背景消除法不能很好确定背景，故利用了海天线与船只吃水线相对位置这一特征，进行海天线位置检测缩小待识别目标范围；对于车载货物场景的船形识别，背景很容易建模，故采用背景消除法进行运动前景目标提取，从而获得两种场景下的兴趣目标区域，为后续的算法减少工作量。

3、扩展了SUSAN算法，提出了一种自适应阈值的SUSAN边缘检测算法，能够很好的检测到不同灰度对比度下的灰度变化，较好的检测出可靠边缘，很好的去除孤立点和灰度变化不剧烈的点。

4、提出了基于形状上下文特征的两级递推的粗细匹配方法，能够快速的剔除伪目标，得到匹配的候选目标，粗匹配为后面的进一步目标匹配减少工作量。

5、采用的形状上下文特征具有平移不变形、旋转不变性、尺度不变性等优点，因此对每一种船形存储的目标模板只需一个就行，相比于SVM的模板训练，减少了很大的工作量。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。

Claims

1.一种基于兴趣目标区域和SUSAN边缘检测的船形识别方法，其特征在于，包括步骤：

S1.将待识别图像转换为灰度图；

S2.从所述灰度图中提取兴趣目标区域；

S4.获取所述待识别目标形状的形状上下文；

2.根据权利要求1所述的船形识别方法，其特征在于，所述步骤S2包括：

3.根据权利要求2所述的船形识别方法，其特征在于，所述步骤S21包括：

S212.根据边缘分割阈值对所述梯度图像进行二值化；

S213.沿垂直方向将二值化后的图像中线段细化为像素；

4.根据权利要求2所述的船形识别方法，其特征在于，所述步骤S22包括：

S221.根据中值模型获取背景图像；

S223.滤去运动目标前景图像中的噪声干扰；

S225.输出运动目标前景图像即待检测兴趣目标区域。

5.根据权利要求1-4任意一项所述的船形识别方法，其特征在于，所述步骤S3中：

采用自适应阈值SUSAN算子对所述灰度图进行边缘检测。

6.根据权利要求5所述的船形识别方法，其特征在于，所述步骤S4进一步包括：

S42.所述离散点集中任意一点p_i的形状上下文为：

H_i(K)={h_i(1),h_i(2),…h_i(K)}，

h_i(k)=#{q≠p_i:(q-p_i)∈bin(k)}；

7.根据权利要求1-4或6任意一项所述的船形识别方法，其特征在于，所述步骤S5进一步包括：

8.一种基于兴趣目标区域和SUSAN边缘检测的船形识别***，其特征在于，包括：

图像处理模块，用于将待识别图像转换为灰度图；

9.根据权利要求8所述的船形识别***，其特征在于，还包括：

10.根据权利要求8或9所述的船形识别***，其特征在于，所述兴趣目标区域获取模块包括：

11.根据权利要求10所述的船形识别***，其特征在于，所述海面场景兴趣目标区域获取模块包括：

12.根据权利要求10所述的船形识别***，其特征在于，所述车载货物场景兴趣目标区域获取模块包括：

背景建模单元，用于根据中值模型获取背景图像；

滤波处理单元，用于滤去运动目标前景图像中的噪声干扰；

13.根据权利要求8所述的船形识别***，其特征在于，所述匹配识别模块包括：

14.根据权利要求8-9或11-13任意一项所述的船形识别***，其特征在于，还包括：

图像输入模块，用于向所述图像处理模块输入待识别图像；

结果输出模块，用于输出所述匹配识别模块识别结果。