[发明专利]一种基于FPGA的红外遥感图像舰船检测虚警剔除方法

说明书

本发明公开了一种基于FPGA的红外遥感图像舰船检测虚警剔除方法，设计了降低舰船检测中虚警率的虚警剔除软件算法，主要包括采用双线性插值进行图像尺寸归一化，采用二维FFT进行疑似目标区域特征提取，和采用线性SVM分类器进行疑似目标分类的三个阶段。利用乒乓结构设计了一维FFT计算单元，并利用一维FFT计算单元和二维Block RAM缓存单元组成了二维FFT计算单元。利用流水线结构组成的线性SVM分类器计算单元，和采用乘加单元的时分复用机制。利用FPGA上的并行结构特点，对过程上相互独立的计算并行执行。本方法的软件算法设计有着虚警率低、算法复杂度适中和非常适合在FPGA上进行实现的特点，同时节省了FPGA上的硬件资源，提高了系统吞吐量，降低了时延。

技术领域

本发明属于舰船检测领域，特别涉及一种红外遥感图像舰船检测虚警剔除方法在硬件平台上的实现。

背景技术

舰船检测算法作为目标检测的一种，被广泛应用于国防军事、渔业管理、海上救援等多个领域。红外遥感图像舰船检测，一般利用星载成像系统，来得到感兴趣区域的红外遥感图像，进而利用此图像进行舰船检测。然而，红外遥感图像的空间分辨率较低，大量的云雾增加了海面场景的复杂度，海水和舰船的热辐射特性存在不稳定性。红外遥感图像的这些特性，也在一定程度上有损于舰船检测的准确度。一般来讲，广义上来讲，虚警剔除算法主要可以分为两类：(1)传统方法，如利用小波变换对不平稳信号的鲁棒性提取舰船的频域特征，利用疑似目标的面积、形态、像素强度、频谱特征等舰船特性进行虚警剔除；(2)机器学习和深度学习方法，如利用聚类算法、SVM等将疑似舰船目标分类，利用SSD、YOLO等将舰船目标的检测和分类统一在一个过程中等。

基于传统方法的虚警剔除，理论基础强，实现比较容易，技术也比较成熟，但是对复杂场景的鲁棒性低。特别是对红外遥感图像这种场景十分复杂，存在着诸如碎云、舰船尾迹等可能的虚警，往往会出现虚警率高等的问题。基于机器学习和深度学习的方法，检测率较高，虚警率较低，鲁棒性较高，但当和舰船检测算法的其他部分共同移植到嵌入式硬件平台上时，将会消耗大量的存储和计算资源，对硬件实现来说存在着一定的难度。

一般来讲，由于舰船检测算法过程比较复杂，当在嵌入式硬件平台上实现时，需要消耗大量的存储、计算单元，这就对硬件平台提出了较高的要求。目前，在嵌入式硬件平台的实现，按核心处理器件分，主要有三类：(1)基于核心处理器件为数字信号处理器；(2)核心处理器件为FPGA；(3)核心处理器件为嵌入式GPU。另外，值得注意的是，最近也涌现出一些在异构平台上实现的舰船检测算法，如FPGA+DSP、CPU+FPGA、FPGA+GPU等。

由于DSP本身功耗较大，吞吐量较小，使用DSP的目标检测算法的实现较少。基于嵌入式GPU的实现方法，吞吐量很大，实现比较容易。但是嵌入式GPU功耗较大，这对部署在硬件平台上是一个劣势。相较于其他两种实现方式，FPGA一般只能利用特定的Verilog/VHDL硬件编程语言，和硬件底层联系十分紧密。故而，其开发周期较长、编程实现难度较大。然而，FPGA具有并行程度高、工作功耗小等的特点。通过充分利用FPGA的优势，使用先进的设计理念及设计方法。所以，使用FPGA实现的红外图像舰船检测虚警剔除算法得到了广泛的应用。

发明内容

针对需要解决的问题，本发明的目的是设计一个舰船目标检测的虚警剔除软件算法，并加以在FPGA上进行实现和优化加速。该虚警剔除软件算法，利用双线性插值算法进行图像尺寸归一化，利用二维FFT对疑似目标区域进行特征提取；利用线性SVM分类器对疑似目标进行分类，既较大幅度地降低了虚警率，又非常适合在FPGA上进行实现。该算法的硬件实现利用乒乓结构加速二维FFT计算单元，利用流水线结构加速线性SVM计算单元，利用并行结构加速总体硬件系统，又进一步地提高了系统吞吐量，降低了时延。

为实现上述的发明目的，本发明采用下述的技术方案：一种基于FPGA的红外遥感图像舰船检测虚警剔除方法，具体步骤如下：