相比于傳統(tǒng)戰(zhàn)場偵察方式，無人機(jī)偵察能夠在避免人員傷亡的情況下提供近實(shí)時(shí)的情報(bào)信息，逐漸成為一種主流的偵察手段。無人機(jī)獲得戰(zhàn)場偵察影像數(shù)據(jù)后，通過目標(biāo)檢測技術(shù)處理偵察影像，實(shí)現(xiàn)對戰(zhàn)場典型目標(biāo)的定位與分類，根據(jù)檢測信息，可以準(zhǔn)確打擊敵方目標(biāo)、掌握敵我部署、增強(qiáng)戰(zhàn)場判斷力、提高作戰(zhàn)效率。

       目標(biāo)檢測技術(shù)是一種基于目標(biāo)幾何與統(tǒng)計(jì)特征的圖像識別分割技術(shù)。早期的算法有幀差法、背景差法、光流法等，主要利用幀間信息定位出運(yùn)動目標(biāo)的空間位置，不涉及對目標(biāo)類別的智能分類，如需目標(biāo)判讀還要添加目標(biāo)識別模塊，過程繁瑣冗余。此外，無人機(jī)偵察影像相對于一般研究的目標(biāo)檢測影像有自身的特殊性：

       （1）成像環(huán)境惡劣、目標(biāo)背景運(yùn)動且復(fù)雜；

       （2）目標(biāo)相對背景過小，定位困難；

       （3）目標(biāo)特征不明顯，識別難度大；

       （4）實(shí)際應(yīng)用需求對算法實(shí)時(shí)性、魯棒性要求高。

       因此，快速魯棒的進(jìn)行無人機(jī)偵察影像目標(biāo)檢測成為無人機(jī)信息處理的關(guān)鍵，而基于候選區(qū)域（Region Proposal）的目標(biāo)檢測技術(shù)正符合以上要求：

       (1）對單幅或單幀影像進(jìn)行檢測，不受運(yùn)動背景限制；

       （2）候選區(qū)域檢測，縮小待計(jì)算窗口數(shù)量，運(yùn)算速度快；

       （3）特征提取降維與分類器相結(jié)合，識別定位的精度與速度高；

       （4）整體框架簡單清晰如圖1所示，可以根據(jù)檢測要求對候選區(qū)域檢測、特征提取、分類器三個(gè)檢測階段進(jìn)行變化，便于算法的改進(jìn)與評估。

       因此對基于候選區(qū)域的無人機(jī)偵察影像目標(biāo)檢測技術(shù)進(jìn)行研究具有重要意義，接下來將對其三個(gè)階段進(jìn)行介紹和算法概述。

 

 

       1 候選區(qū)域檢測

 

       候選區(qū)域檢測是利用圖像顏色、邊緣、紋理等特征，選擇性搜索目標(biāo)位置的方法。由于目標(biāo)可能出現(xiàn)在圖像的任何位置，大小、長寬比例不定，因此需要根據(jù)一定方法將圖像分割成各種尺寸的子圖像作為候選區(qū)域，便于目標(biāo)定位與特征提取。

       而高效的分割候選區(qū)域成為候選區(qū)域檢測階段的研究重點(diǎn)。傳統(tǒng)窮舉搜索（Exhaustive Search）算法也可以算作一種特殊的候選區(qū)域檢測方法，其利用幾種尺寸相對固定的矩形窗口，逐行列或隨機(jī)對整幅圖像截取子圖像，實(shí)現(xiàn)對圖像的遍歷。這種盲目窮舉的區(qū)域搜索方法時(shí)耗長、冗余大，嚴(yán)重影響整體目標(biāo)檢測算法的運(yùn)行速度與性能，更無法滿足無人機(jī)情報(bào)處理的實(shí)時(shí)性，因此為提高檢測效率需要一種檢測策略對區(qū)域搜索進(jìn)行引導(dǎo)，避免復(fù)雜的運(yùn)算。

       現(xiàn)有的可用于候選區(qū)域檢測的算法有很多，Jan Hosang等將這些算法分為分組區(qū)域選擇法（Grouping proposal methods）和窗口評分區(qū)域選擇法（Window scoring proposal methods）兩大類。分組區(qū)域選擇法將圖像先分割成小塊，隨后按照某種原則組合成需要的候選區(qū)域。根據(jù)產(chǎn)生候選區(qū)域方式的不同，分組區(qū)域選擇法又細(xì)分為超像素法（Superpixels, SP）、像素分割法（Graph Cut, GC）和邊緣輪廓法（Edge Contours, EC）。窗口評分區(qū)域選擇法在圖像上截取大量的區(qū)域窗（Windows），并按照與目標(biāo)關(guān)系的大小進(jìn)行打分，選擇分?jǐn)?shù)高的生成候選區(qū)域。圖2詳細(xì)描述了這種分類層次并列舉了主要算法。

 

 

       上述算法中比較具有代表性的有：Seletive Search、Edge Boxes和MCG。

 

       Seletive Search的主要思路是使用圖像分割算法將圖像分割成小區(qū)域，計(jì)算相鄰小區(qū)域的顏色、紋理等特征的相似度，并融合相似度最高的兩個(gè)區(qū)域，重復(fù)相似度計(jì)算和融合過程直到合成整張圖像，合成過程中產(chǎn)生的各種尺度區(qū)域即為候選區(qū)域。

       Edge Boxes首先使用結(jié)構(gòu)化快速邊緣檢測算法得到邊緣圖像（Edge Probability map），利用非極大值抑制（Non-maximum Suppression, NMS）稀疏邊緣圖像，然后將邊緣點(diǎn)組成邊緣組（Edge Group）并計(jì)算組間的相似度，進(jìn)而得到框內(nèi)和與框邊緣重疊的兩組輪廓數(shù)，最后根據(jù)輪廓數(shù)對區(qū)域框進(jìn)行打分，根據(jù)分?jǐn)?shù)確定候選區(qū)域。

       MCG與Edge Boxes一樣先用結(jié)構(gòu)化快速邊緣檢測算法得到邊緣圖像，利用分水嶺算法得到輪廓圖，隨后生成超度量輪廓映射圖（UCM），之后通過層次分割得到區(qū)域集并用隨機(jī)森立分類器根據(jù)尺度、位置和邊緣強(qiáng)度等特征對區(qū)域進(jìn)行排序，進(jìn)而選出符合要求的候選區(qū)域。

       魯棒性（Robust）、實(shí)時(shí)性和召回率（Recall）是評價(jià)候選區(qū)域選擇方法的一般標(biāo)準(zhǔn)。無人機(jī)偵察環(huán)境復(fù)雜導(dǎo)致成像過程中可能存在各種擾動，因此良好的魯棒性和較高的召回率是保證區(qū)域選擇算法在實(shí)際應(yīng)用中具備高質(zhì)量目標(biāo)檢測效果的關(guān)鍵。同時(shí)提升區(qū)域選擇階段的運(yùn)行速度，也會降低整體目標(biāo)檢測過程的時(shí)耗。