Page 67 - 《应用声学》2020年第3期
P. 67

第 39 卷 第 3 期           徐利刚等： 一种基于弱监督学习的声图小目标快速检测方法                                          387


                                                               缆目标的识别问题，Maussang 等            [7]  提出了局部统
             0 引言
                                                               计参数融合的思想。在合成孔径声呐图像中，目标
                 水下图像中小目标的自动检测一直以来是声                           的阴影与高亮区域也是目标识别的重要特征                     [8] 。此
             图解译领域所研究的重要课题，其成果可应用于许                            外，Sawas 等   [9]  提出利用分类器级联方式可实现水
             多水下探查任务中，包括海底打捞、小目标探测、                            下目标快速检测。
             管线追踪等。文献 [1] 中，目前较为先进的深度学                             一般情况下，声图中小目标的检测主要关注两
             习框架 YOLO 被用于声呐图像的小目标检测，通                          类课题：(1) 对大范围水下场景中感兴趣区域 (Re-
             过大量的训练迭代，取得了较好的检测效果。然而                            gions of interests, ROI) 的提取；(2) 为每一可能含
             在水下应用场景中，数据的获取往往需要耗费较                             有小目标的感兴趣区域赋予正确的标签。这些课题
             多的时间和财力。在某些自主检测应用场景下，无                            在广义上都可归为对图像中潜在的候选区域的分
             论人工辅助判读还是计算机的算力，都受到了一定
                                                               类问题。为降低遍历图像的时间开销、增强对图像
             程度的限制。同时，由于目前对目标先验知识和抵
                                                               的概括，通常需要进行数据降维，将图像变换至某一
             近目标观察手段的缺少，目标的确认十分困难。在
                                                               特征域，实现对内容的抽象。
             大多数情况下，研究人员所掌握的数据集相对较
                                                                   本文提出了一种基于离散余弦变换 (Discrete
             小，标注也不完善，很难对监督学习算法模型进行
                                                               cosine transform, DCT) 和 K 近邻 -高斯混合模型
             有效的训练。在这种条件下，无监督或弱监督学习
                                                               (K-nearest Gaussian mixture model, KN-GMM)的
             方法则更为适用。Klausner 等          [2]  讨论了一种通过
                                                               检测方法。检测过程共分为两个步骤，步骤 1 中，首
             对海底散射建模，来预测水下目标是否存在的方
                                                               先从声图中提取一系列包含可疑目标的候选区域，
             法。Wang 等   [3]  将行人检测领域中的方向梯度直方
             图 (Histogram of oriented gradient, HOG) 和支持       并评估置信度用于辅助决策。这类检测方法可以胜
             向量机 (Support vector machine, SVM) 用于水下            任大多数实时目标的标注任务，但对于有更高精确
             目标的检测。Williams      [4]  通过一组模板提取目标的              度要求的任务，需要采用步骤 2 的方法进一步精化
             阴影，并根据阴影的特征进行决策。Kim 等                  [5]  基于    结果，即通过候选框回归和决策以精确分析和筛选
             自适应增强算法实现了基于声图的实时水下目标                             备选目标，这一处理有效地降低了虚警率，但在计算
             检测。Ma 等    [6]  利用最小二乘支持向量机方法降低                   消耗上有所增加。本文所提出的快速检测方法框架
             了侧扫声图人工目标检测的虚警率。针对掩埋线                             如图1所示。


                           ᮕܫေ                                  ൦ᰡ1                              ൦ᰡ2
                          ᄱࣰ஥໚ฉ             ڏϸѬڱ                                             ڏҟ
                                                                         ௭ᗃڏૉ࠮
                                                       ڏϸڱ
               ԔݽSASڏϸ    ๒अᡲᢎʾ    ๒अڏϸ    DCT+ᩗᆊ      þૉጯÿ    KN-GMM   ROIኙᤥˁՌࣳ  ROIዤѬዝ    ྲढ़ᝠካ   ROIድᆸѬዝ
                                                                Ѭዝ٨
                            ᧔ನ              ௭ᗃভѬౢ                                           ᘿ᝝ԝᬔ
                                                       ௭ᗃڏ
                                              图 1  本文所提出的快速检测方法框架
                                       Fig. 1 Framework of proposed fast detection method

                                                               将被合并以形成粗略的边界框。
             1 小目标快速检测
                                                                   步骤 1 首先需要对图像进行一系列预处理操
             1.1 图像块的指纹提取                                      作。对于合成孔径声呐 (Synthetic aperture sonar,
                 步骤 1 主要完成一系列候选边界框的获取，对                        SAS) 图像，由于相干斑噪声的存在，需要进行自适
             声图进行粗略标注。每一帧原始实时图像将被划分                            应滤波处理。接着，通过引入图像均衡和增强缓解
             为统一尺寸的图像块，算法将预测每个图像块中是                            图像中不同位置散射强度的差异。除此之外，还需
             否有目标存在。该预测主要基于谱的稀疏性特征和                            使用海底跟踪方法预先将海底和水体区域分离，检
             数据集中学习到的知识。最后，相邻的候选图像块                            测时对二者分别处理，再对图像进行下采样并分成
   62   63   64   65   66   67   68   69   70   71   72