0 引　言

舰船目标跟踪识别时，容易受到环境光照、云雾遮挡、舰船运动速度以及运动方向的变化影响^[1]，影响舰船目标的后续跟踪识别，提升舰船目标跟踪识别的难度^[2-3]。卷积神经网络具有自动提取图像深层特征的功能^[4]，适用于复杂背景海面环境的舰船目标跟踪识别。

已有众多学者针对舰船目标跟踪识别进行研究。付哲泉等^[5]利用残差神经网络识别舰船目标，选取残差神经网络作为舰船目标识别的分类器，适用于高分辨率图像中的舰船目标识别，具有良好的抗干扰性能，但是对分辨率较低的图像，识别性能较差。尹雅等^[6]针对光学遥感图像中的舰船目标进行识别，该方法仅可以识别光学遥感图像中的舰船目标，适用性较差。针对以上方法在舰船目标识别中存在的局限性，研究基于改进卷积神经网络的舰船实时目标跟踪识别技术。将卷积神经网络与时空上下文算法结合，引入相关滤波算法，改善复杂海面背景下的舰船目标的跟踪识别性能。通过实验验证该技术可以实时跟踪识别舰船目标，跟踪效果良好。复杂环境下，仍然可以精准识别舰船目标。

1 舰船实时目标跟踪识别技术 1.1 时空上下文算法的舰船目标初始区域确定

时空上下文算法通过建立舰船目标与周围区域的时空对应关系，统计舰船图像的低阶特征，计算舰船图像目标的置信图，搜寻具有最大似然概率的区域。时空上下文算法的搜寻结果作为舰船目标的初定位区域，利用卷积神经网络搜索初定位区域，确定舰船目标的最终精确位置。设 $x$ 表示舰船图像中的随机像素点， ${x^ * }$ 表示当前帧舰船图像的舰船目标位置，当前帧舰船图像的特征表达式如下：

${X^c} = \left\{ {c\left( x \right) = \left( {I\left( x \right),x} \right)\left| {x \in {\Omega _c}\left( {{x^ * }} \right)} \right.} \right\} 。$

(1)

式中， $I\left( x \right)$ 与 ${\Omega _c}\left( {{x^ * }} \right)$ 分别为舰船图像中，像素 $x$ 的灰度以及舰船目标在当前帧图像的局部区域； $c\left( x \right)$ 表示像素 $x$ 的置信度。

舰船目标置信图的计算公式如下：

$c\left( x \right) = \theta {e^{ - {{\left| {\frac{{x - {x^ * }}}{\alpha }} \right|}^\beta }}}。$

(2)

式中： $\alpha$ 与 $\beta$ 分别为舰船目标点尺度参数以及形状参数； $\theta$ 为归一化系数； $x - {x^ * }$ 为随机像素点 $x$ 与舰船目标位置 ${x^ * }$ 的距离。

利用 $P\left( {c\left( x \right)\left| {{x^ * }} \right.} \right)$ 表示舰船图像中的局部范围内，随机像素点 $x$ 为舰船目标 $P\left( {c\left( x \right)\left| {{x^ * }} \right.} \right)$ 的局部上下文先验概率，其表达式如下：

$P\left( {c\left( x \right)\left| {{x^ * }} \right.} \right) = I\left( x \right)w\left( {x - {x^ * }} \right)，$

(3)

式中， $w$ 为权重函数。

引入上下文模型 $h$ 表示舰船目标与舰船图像空间位置关系^[7]。舰船目标条件概率的计算公式如下：

$P\left( {x\left| {c\left( x \right),{x^ * }} \right.} \right) = h\left( {x - {x^ * }} \right)，$

(4)

获取舰船图像中，舰船目标置信图的计算公式如下：

$c\left( x \right) = h\left( x \right) \otimes \left( {I\left( x \right)w\left( {x - {x^ * }} \right)} \right)，$

(5)

利用 ${h_t}$ 表示第 $t$ 帧舰船图像的时空上下文模型，舰船图像的时空上下文更新公式如下：

${h_{t + 1}} = \left( {1 - w} \right){h_t} + w{h_t}，$

(6)

引入快速傅里叶变换算法，将式(6)转换至频域^[7]，获取舰船目标局部预估区域表达式如下：

$q\left( {{x^ * }} \right) = \arg \max F\left( {{h_{t + 1}}\left( x \right)} \right) \odot F\left( {{I_{t + 1}}\left( x \right)w\left( {x - x_{}^ * } \right)} \right) ，$

(7)

式(7)中： $F$ 为傅里叶变换。

利用式(7)获取的舰船目标局部预估区域，作为卷积神经网络的初始搜索区域。

1.2 基于卷积神经网络的舰船目标识别

利用卷积神经网络搜索舰船目标局部预估区域，输出舰船目标跟踪识别结果。卷积神经网络跟踪识别舰船目标，主要包括以下过程：

1)输入层

将舰船目标局部预估区域作为卷积神经网络的输入，卷积神经网络输入层具有图像预处理的功能。图像预处理主要包括以下2个步骤：

归一化处理图像幅度。

用 $x\left( n \right)$ 表示一维舰船目标局部预估区域图像，归一化处理图像幅度表达式如下：

$\overline x \left( n \right) = x\left( n \right)/\max \left( {\left| {x\left( n \right)} \right|} \right) ，$

(8)

计算图像 $\overline x \left( n \right)$ 的均值，计算公式如下：

${\overline x _m} = \frac{1}{N}\sum\limits_{n = 1}^N {\overline x \left( n \right)}。$

(9)

式中， ${\overline x _m}$ 为舰船目标局部预估区域图像的像素点数量。对 $\overline x \left( n \right)$ 实施减 ${\overline x _m}$ 处理，完成图像预处理。

通过输入层对舰船目标局部预估区域图像预处理，降低复杂背景对舰船目标跟踪识别的影响。

2)卷积层

利用卷积层提取舰船目标局部预估区域图像中的舰船目标特征。将输入的舰船目标局部预估区域图像，与不同通道的卷积核卷积操作，利用激活函数，获取舰船目标的特征向量。卷积层的卷积操作计算公式如下：

$\left\{ {\begin{array}{*{20}{c}} {x_j^l = f\left( {u_j^l} \right)}, \\ {u_j^l =\displaystyle \sum\limits_{} {x_j^{l - 1} \otimes } \phi + b} 。\end{array}} \right.$

(10)

式中： $\otimes$ 与 $f\left( \cdot \right)$ 分别为卷积运算以及激活函数，采用Relu函数作为激活函数。 $u_j^l$ 与 $x_j^l$ 分别为第 $l$ 个卷积层的通道 $j$ 的输入与输出， $\phi$ 与 $b$ 分别为卷积核向量以及偏置。

3)下采样层

利用下采样层，删除所提取舰船目标特征中的冗余特征。下采样层计算公式如下：

$x' = {w_1}{\rm{down}}\left( {x_j^l} \right)。$

(11)

式中： $x'$ 与 ${w_1}$ 分别为下采样层的输出以及权重； ${\rm{down}}\left( \cdot \right)$ 为下采样函数。选取最大值下采样函数，作为下采样函数。

通过卷积神经网络各层的运算，输出舰船目标跟踪识别结果。

1.3 基于相关滤波算法的舰船目标跟踪

选取相关滤波算法，跟踪卷积神经网络输出的舰船目标识别结果。相关滤波算法跟踪舰船图像内的舰船目标时，对感兴趣的目标形成较高的响应；对于图像背景，形成较低响应。用 $f$ 表示尺寸为 $M \times N$ 的舰船图像，将存在舰船目标循环移位的舰船图像作为相关滤波算法的训练样本。利用 $g\left( {m,n} \right) = {e^{ - \frac{{{{\left( {m - M/2} \right)}^2} + {{\left( {n - N/2} \right)}^2}}}{{2{\sigma ^2}}}}}$ 表示相关滤波算法移位样本的高斯函数，其中 $\sigma$ 表示高斯核尺寸， $\left( {m,n} \right)$ 表示利用卷积神经网络输出的舰船目标点坐标。利用高斯函数，构建相关滤波器 $k$ 跟踪舰船目标的目标函数表达式如下：

$J = \min {\left\| {k \otimes f - g} \right\|_2} + \lambda {\left\| k \right\|_2}，$

(12)

式中， $\lambda$ 与 $\otimes$ 分别表示正则化参数以及循环卷积操作。

利用傅里叶变换方法，获取当前帧舰船目标位置的表达式如下：

$F{\left( k \right)^ * } = \frac{{F\left( g \right) \cdot F{{\left( f \right)}^ * }}}{{F\left( f \right) \cdot F{{\left( f \right)}^ * } + \lambda }}，$

(13)

式中，·与 $^ *$ 分别为相乘操作以及共轭符号。

采用相关滤波算法跟踪舰船目标时，舰船目标跟踪的相关图 $Z$ 表达式如下：

$Z = {F^{ - 1}}\left( {F{{\left( k \right)}^ * } \cdot F\left( g \right)} \right)。$

(14)

通过相关滤波算法，将相关图中具有最大响应值的位置，作为舰船目标的最新位置，输出舰船目标跟踪结果。

2 实验分析

为了验证所研究舰船实时目标跟踪识别技术，实时跟踪识别舰船目标的有效性，选取网络中的舰船数据集作为测试对象。所选取舰船数据集中，包含军舰、货船等6种不同类别的舰船。舰船数据集中包含图像样本共2000幅，将数据集划分为训练样本1500幅，测试样本500幅。为了保证舰船目标的实时跟踪识别性能，将数据集中的样本统一调整为大小为300×300的样本，对完成大小调整的舰船图像进行零均值归一化处理。数据集中包含云雾遮挡、强光照、弱光照等复杂环境下采集的舰船图像。

采用本文技术识别测试集中的舰船图像样本，随机选取2幅云雾遮挡背景以及弱光照背景下的舰船图像，舰船目标识别结果如图1所示。通过图1实验结果可以看出，采用本文技术有效识别云雾遮挡以及弱光照2种复杂背景下的舰船目标。本文技术结合上下文空间算法与卷积神经网络算法，提升舰船目标的识别性能。充分利用卷积神经网络具有的特征表达优势，无需事先提取图像特征，即可快速识别舰船目标。在复杂的海面背景下，仍然可以精准识别舰船目标，识别性能较高。

为了进一步验证本文技术对舰船目标的实时跟踪识别性能，选取图1(a)的舰船图像作为目标跟踪的研究对象。采用本文技术对舰船目标的实时跟踪结果如图2所示。

通过图2实验结果可以看出，采用本文技术不仅可以有效识别复杂海面背景下的舰船目标，同时可以实现舰船目标的实时跟踪。本文技术引入相关滤波算法，利用相关滤波算法具有的跟踪性能，跟踪舰船目标的航行位置，实现舰船目标的实时跟踪。

为了更全面地评估本文技术对舰船目标的实时跟踪识别性能，选取平均覆盖率作为衡量本文技术跟踪识别舰船目标的评价指标。舰船目标实时跟踪识别的平均覆盖率计算公式如下：

$\Phi = \sum {\frac{{\left| {{S_T} \cap {S_G}} \right|}}{{\left| {{S_T} \cup {S_G}} \right|}}} /N \times 100{\text%}。$

(15)

式中： ${S_T}$ 与 ${S_G}$ 分别为舰船跟踪识别结果以及舰船目标实际结果； $N$ 为舰船图像中的全部像素点数量。

采用本文技术对500个测试样本的舰船目标实时跟踪识别，跟踪识别结果的平均覆盖率如表1所示。

通过表1实验结果可以看出，采用本文技术对舰船目标实时跟踪识别的平均覆盖率高于95%。采用本文技术实时跟踪识别舰船目标，在云雾遮挡、强光照、弱光照等复杂背景下，均具有较高的覆盖率。

3 结　语

利用时空上下文算法确定舰船目标在舰船图像中的初始区域，利用卷积神经网络具有的特征表达能力，提升卷积神经网络的识别性能。通过实验验证，该技术可以获取良好的舰船目标实时跟踪识别效果。在复杂背景下，该技术仍然可以精准地跟踪识别舰船目标，具有较高的鲁棒性以及泛化性。