基于决策树的海上救护目标检测算法

基于决策树的海上救护目标检测算法

0海上拯救目标检测算法在海上搜索活动中，检测数据处理和机器视觉技术是一种有效的辅助手段，可以更好地发挥海上运输目标的作用。然而，由于恶劣天气的影响、降雨和阳光反射，复杂环境下的目标检测往往需要处理各种图像特征来提高算法的精度。如何合理有效地实现多元素目标检测的问题是数据处理和计算机视觉数据处理领域的困难和问题。决策树归纳学习算法有着易于提取显式规则、计算量相对较小、可以显示重要的决策属性和较高的分类准确率等优点而被广泛应用于农业、医学、金融、航海和天文等领域.运用决策树进行海上搜救目标检测可以体现其2个优点:(1)使用能够表征目标的多种图像特征,与单个特征进行目标检测相比准确率提高;(2)在整个检测过程中,决策树利用目标的多种特征形成树状检测结构,与直线式多种特征逐一检测的方法相比,目标检测的速度加快.本文提出1种基于图像处理和决策树的海上搜救目标检测算法.首先进行图像预处理,将RGB颜色空间转换到HSI空间,并提取图像中的颜色、亮度以及目标面积、矩形度和圆形度等信息;随后通过计算各特征的信息增益建立决策树,将搜救目标检测问题分解成3层决策树分类问题;最后通过实船实验对算法进行验证.1图像预处理、功能选择和计算1.1入射角度偏低情况下,视频图像显示的为决策树算法的输入取决于特征提取环节,本文针对海上搜救应用以及目标在图像中呈现的特点选取典型的图像特征.搜救目标(逃生人员、救生筏和救生艇等)通常具有以下特征:(1)颜色均为橘黄色,在HSI图像空间中色调H落在一定范围内;(2)海上搜救目标在逆光情况下,特别是朝阳或夕阳等光线入射角度偏低的情况下,背景通常比较明亮,而目标偏暗,并且在视频图像中亮度I落在一定范围内;(3)救生艇和救生筏分别在视频图像中表现有一定的矩形度与圆形度;(4)搜救目标在实际搜救中属于弱小目标,在图像中表现的面积可限定在一定范围之内.通过单一特征的分析并不能很好地检测出目标,以色调H为例,天上的朝霞和晚霞颜色与救生艇筏相似,就可能被检测为目标,同时还需要考虑面积、矩形度和圆形度等特征后,才可以避免这种误检情况.所以,综合考虑搜救目标的特点,本文选取色调H,亮度I,面积,矩形度和圆形度等5种图像特征.色调和亮度为图像RGB空间转换为HSI空间后的2个通道,可根据检测目标的特点设定相应阈值.面积计算为符合阈值条件的连通区域像素的个数,在获得目标区域的面积、目标周长和外接矩形面积等特征值后可进一步计算目标的矩形度和圆形度.1.2维空间坐标系统图像颜色表示方式有很多种,其中HSI颜色模型更为符合人类视觉特征,它将颜色信息表示为3种属性:色调(Hue)、饱和度(Saturation)和亮度(Intensity).该模型可以用3维空间坐标系统表示:色调H由颜色名称辨别,用角度0～360°度量,如0°基本对应红色,60°基本对应黄色;亮度I表示颜色的明暗程度,通常为0～255;饱和度S指颜色的深浅,其范围为0%～100%.通常情况下,大多数视频图像在计算机中以RGB形式存储,所以在进行其他工作之前,先要对图像进行空间转换.将RGB图像映射到HSI空间,具体转换公式如下:对于色调通道,可以选取1段接近橙色救生艇筏的色调范围,将检测目标与背景分离开来,进行后续的目标面积、周长及外接矩形面积等图像特征的计算.对于亮度通道,也可以采取类似的方法计算符合亮度特征的目标区域面积.1.3目标区域的形状圆形度C是圆形目标的重要特征之一.圆形度的定义为式中:L为目标的周长;A为目标的面积.由式(2)可得,当图像中的目标区域为圆时,C有最小值4π;其他任何形状的区域,C>4π.且目标区域的形状越复杂,圆形度C的值也越大.如正方形目标区域的圆形度C=16,正三角形目标区域的圆形度C=12槡3.可见,通过分析目标的圆形度,可大致获得目标区域的形状.矩形度R表征目标区域对其基本矩形的充满程度,用目标区域的面积与其外接基本矩形的面积比值表示,即式中:A0为目标区域的面积;AM为外接基本矩形的面积.R的取值范围为0～1,当目标区域为矩形时,取最大值1.2算法描述2.1可分情形下的信息增益1996年QUINLAN提出C4.5算法,引入信息论中熵的概念,并可以在决策树分类规则中使用连续型的特征量.利用分类前后的熵计算信息增益,在决策树中各级节点上选择分类特征,使得在每一非叶节点测试时,能获得关于被测试样本最大的类别信息.为有效克服不可分情形的存在,增强决策框架的推广性,文中采用文献的信息增益计算方法.设S是s个数据样本的集合.假定类标号属性具有m个不同值,定义m个不同类Ci(i=1,2,…,m).设Si为分类Ci上的样本数,对1个给定的样本分类所需的期望信息式中:Pi是任意样本属于Ci的概率,并用si/s估计.设属性A具有V个不同的取值{a1,a2,…,aV},可以用属性A将S划分为v个子集{S1,S2,…,Sv},其中Sj包含S中这样一些样本,它们在A上取值aj.如果选A测试属性,则这些子集对应于包含集合S的节点分支.设sij是子集Sj中属于类Ci的样本数,根据由A划分成子集的熵或期望信息项是第j个子集的权,等于子集中的样本数除以S中的样本总数.熵值越小,子集划分的纯度越高.对于给定的子集Sj,式中:是Sj的样本属于类Ci的概率.通过A的分支获得信息增益2.2特征选取及分配建树思路如下:选取数据A,第1步,计算出已经确定的各个目标特征的信息增益,根据信息增益最大的分类原则,选取信息增益最大的特征分配到决策树的首节点;第2步,将其他特征以同样的方式分配到后续节点;第3步,重复第2步直至所有目标特征都分配完毕.在文中所采用的5种图像特征的情况下,最终将决策树分为3层.通过决策树构建分类框架进行多特征检测,可以尽量避免从根节点到叶节点的误差向下传递过多,造成误差增大.为适应决策树建树的需要,对文中采用的特征还要进行相应的数值化,见表1.各特征在决策树各节点的分配过程如下:(1)选取图像样本A,进行RGB到HSI的颜色空间变换,对图像中H分量取值为0～30°和340°～360°的目标区域进行分割;(2)分别计算特征,T(面积H)(H的取值为0～30°和340°～360°)、T(圆形度)、T(矩形度)、T(面积I)、T(I)的信息增益值.这一步计算可知T(面积H)为最大值,选T(面积H)为第1层节点;(3)去除第2步中已经被选取的特征,再对剩下的几个特征重复第2步,取信息增益最大的作为后续节点,直至所有特征都被分配到决策树中.3实验结果和分析为验证本算法的性能,通过实船采集数据进行实验.视频图像数据的获取由安置在实验船上的SV1420FC相机完成,视频数据为每秒15帧,每帧为大小1280×1024的24位RGB图像.实验数据分为两组,一组为模拟真人的包裹有救生衣的橡皮人,用绳索拖曳于船尾,距摄像机约60m;另一组为真实的海上救生筏和救生艇,艇筏距本船约600m.在获取视频数据后,第1步,分别选取2组数据作为训练集,并分别输入到计算机中,然后按照第2.2节中的建树过程,对训练集进行建树.具体步骤:输入训练集后,进行RGB到HSI的转换,用训练集算出各特征的信息增益,并按照建树的具体过程生成决策树,见图1.第2步,分别选取2组数据作为测试集,测试已生成决策树的实际检测情况,实际检测结果见图2.通过对200个图像样本的检测实验,结果显示分类准确率可达94.5%,平均运算时间为231ms,可达到每秒5帧的处理速度,基本能够满足实时性要求.为比较本文算法与传统多特征目标检测算法的效率,对同一样本逐一使用上文所涉及到的特征进行检测.结果表明,逐一检测的传统方法计算量较大,同时由于没有考虑各种图像特征之间的关系和重要程度,检测结果稳定性降低,导致总体检测准确性下降.本文算法从准确率和效率方面与传统方法相比均有所提高,实验结果见表2.但是,通过实验也发现在逆光情况下,由于搜救目标呈现暗色调,失去橙色信息,并且海上有时还存在与搜救目标极其相似的孤岛和经过搜索区域的其他船只,使得这种情况下的算法结果欠佳,较易出现误检.在后续研究中,针对逆光情况下进行搜救目标检测时,除了考虑亮度特征和面积外,可以考虑更换或是加入其他特征以获得对目标的更准确描述,提高算法的有效性,降低误检率.4算法性能检验提出1种基于图像处理和决策树的海上搜救目标检测算法,通过图像处理提取多个图像特征,利用信息增益方法构建决策树,并通过实船实验对算法性能