基于嵌入式GPU的SAR實時艦船檢測算法CUDA設計
加入技術交流群
作者 武鵬1 金燕2 張俊舉1 1.南京理工大學 (江蘇 南京 210094) 2.中國科學院電子學研究所蘇州研究院 (江蘇 蘇州 215123)
本文引用地址：http://www.ex-cimer.com/article/201703/345943.htm武鵬(1991-)，女，碩士生，研究方向：信號與信息處理。
摘要：為了實現(xiàn)對合成孔徑雷達(SAR)圖像中艦船目標的實時檢測，本文以雙參數(shù)恒虛警(CFAR)算法為例，提出一種基于ARM+GPU架構的SAR圖像艦船目標檢測算法的實現(xiàn)方案。該方案在NVIDIA Jetson TK1開發(fā)板上的測試結果表明，與傳統(tǒng)基于CPU 的SAR圖像艦船檢測算法相比，該方案能夠達到數(shù)百倍的速度提升，有效解決了利用CPU平臺進行艦船目標檢測耗時長、效率低的問題。Jetson TK1作為嵌入式處理平臺，相對于工作站或服務器，在功耗和便攜性方面都具有明顯的優(yōu)勢。
引言
對海上艦船目標進行檢測與監(jiān)視一直都是世界各海岸地帶國家的傳統(tǒng)任務[1]。我國領海廣闊，海洋資源豐富，開展艦船目標檢測的研究在軍事、民用方面都具有極其重要的意義。星載合成孔徑雷達(Synthetic Aperture Radar, SAR)作為一種全天時、全天候的有源主動式微波成像系統(tǒng)，以其優(yōu)越的二維高分辨率特性，日益成為世界各國普遍重視的遙感探測技術[2]。在軍事領域，主要用于陸戰(zhàn)場偵查、海洋監(jiān)測、偽裝識別以及發(fā)現(xiàn)假目標等，快速準確地獲取瞬息萬變戰(zhàn)場上的動態(tài)情報，獲取軍事主動權;在海洋監(jiān)測方面，可以根據(jù)艦船的反射特性及其產(chǎn)生的尾跡特征進行艦船目標的檢測、監(jiān)視和識別，還能從中提取位置、航向、航速等信息。因此，SAR已經(jīng)成為當今艦船目標檢測、監(jiān)視和定位的最有效手段之一[3]。然而，傳統(tǒng)基于中央處理器(Central Processing Unit ,CPU)的個人計算機、工作站及大型計算服務器對SAR艦船目標檢測往往效率很低，不能滿足在災害應急監(jiān)測和軍事應用領域的高機動性、高應急性和時效性的要求。
近年來，由于市場對實時、高清晰度的圖形處理需求的推動，可編程圖形處理器(GPU)得到了空前的發(fā)展，已經(jīng)演變成具有極高存儲器帶寬、強大的計算能力、高并行度、多線程的多核處理器。GPU不再僅限于圖形圖像處理領域的應用，還被廣泛應用于生物信息學、流體力學、信號處理、信息檢索、線性代數(shù)等通用計算領域,在這些領域取得了幾十甚至幾百的加速比[4]。同樣，在SAR艦船目標檢測方面，GPU也展現(xiàn)出了越來越重要的作用。
早期的SAR圖像處理過程需要將數(shù)據(jù)下傳至地面站進行，這不僅要求雷達衛(wèi)星具有高帶寬的下行數(shù)據(jù)鏈路，而且還受到衛(wèi)星過頂時間的限制，這些都使得如何對SAR圖像數(shù)據(jù)進行在軌實時處理成為熱點問題，在軌實時處理包括：在軌完成遙感圖像的預處理、數(shù)據(jù)壓縮、存儲與格式轉換、目標特征點的提取等工作，通過使用星上的自主數(shù)據(jù)處理能力，盡量少地減少地面站對衛(wèi)星任務的干預，從而滿足未來遙感衛(wèi)星對高機動性、高應急性和時效性的要求，在災害應急監(jiān)測以及軍事應用等領域發(fā)揮更大的作用。在軌SAR實時處理系統(tǒng)作為一種典型的實時系統(tǒng)，在性能、體積、重量、功耗及可靠性方面都有很高的要求，NVIDIA Jetson TK1平臺通過采用ARM+GPU的嵌入式架構，體積小、功耗低，滿足在軌實時處理的需求，提高了系統(tǒng)的數(shù)據(jù)處理能力，可以實現(xiàn)在軌SAR遙感圖像目標檢測的過程。同時，該硬件架構可以應用于很多需要在軌高速數(shù)據(jù)處理的情況中，例如合成孔徑雷達所獲取的大量數(shù)據(jù)在軌處理、在軌維修、空間攻防、航天器的捕獲與攻擊、空間交會對接等需要對目標物體進行快速測量與控制的場合，具有極其重要的研究價值和非常廣闊的應用前景。
在艦船目標檢測中經(jīng)常用到的檢測特征主要有艦船的灰度、面積、形狀及艦船由于航行所產(chǎn)生的尾跡等，其中提取艦船的高亮、形狀、尾跡等特征是SAR圖像艦船目標檢測中研究的重點[5]。艦船檢測所用的算法主要有四類：雙參數(shù)恒虛警(CFAR)算法、基于K-分布的CFAR算法、多極化檢測算法、其他檢測算法(簡單閾值法、模糊決策法、基于分割的模擬退火算法)[6]。雙參數(shù)CFAR算法主要適用于分辨率較低的SAR圖像目標檢測[7]，K-分布CFAR算法的應用集中于RADARSAT圖像，多極化檢測算法僅限于應用在具有同時多極化觀測的SAR圖像中。其他算法中，簡單閾值法和模糊決策法都不具備自適應性，而基于分割的模擬退火算法適用性更是非常有限。本文擬采用雙參數(shù)CFAR算法在NVIDIA Jetson TK1平臺上實現(xiàn)對遠洋圖像中的艦船目標進行檢測，雙參數(shù)恒虛警(CFAR)檢測方法是雷達信號檢測領域里最常用和最有效的一類檢測算法[8]。大量的研究和實驗指出，即使在海況極其惡劣的情況下，CFAR檢測器仍然能夠獲得較好的檢測結果[9]。
1 雙參數(shù)CFAR艦船檢測算法結構分析
針對不同的天氣、風速等條件，海況有很大的變化，呈現(xiàn)在SAR圖像中的海洋雜波的效果也有較大的差別[10]，因此，針對上述各種復雜的情況，在對艦船目標進行檢測過程中，需要采用一種能夠自適應的恒虛警檢測方法。雙參數(shù)CFAR目標檢測算法是基于背景雜波，服從高斯分布的假設[11]，具有自適應性，能夠適應背景雜波變化。通過使用局部滑動窗口，對每個像素進行檢測，計算背景窗口中的所有雜波像素的均值和方差，得到該局部窗口的門限，將目標窗口中高于該門限的像素判定為艦船目標[12]。最后再利用一系列形態(tài)學的處理方法將目標在圖中標注出來。
如圖1所示，設XT為待檢測的像素點，在它的周圍分別定義了兩個局部滑動窗口：背景窗口和保護窗口。背景窗口的大小可以根據(jù)船只實際的大小進行選取，主要用于背景雜波的統(tǒng)計分析，保護窗口主要起到保護的作用，防止將待測像素點周圍的目標像素也計算在對背景窗口的統(tǒng)計分析中。
如圖2所示，由于要對圖像中每個像素進行背景雜波統(tǒng)計及閾值比較的操作，局部滑動窗口進行統(tǒng)計分析的過程具有計算量大，耗時長的特點，運行時間與窗口尺寸的大小有關[14]，是雙參CFAR算法的核心步驟。因此，要實現(xiàn)對艦船目標的實時檢測，必須考慮如何對局部滑動窗口部分算法進行相應的優(yōu)化，減小計算量，縮短檢測周期。
2 算法優(yōu)化
由于雙參CFAR算法是通過對當前像素點的鄰域數(shù)據(jù)進行統(tǒng)計判斷為目標點或背景，相比于全局閾值的處理方法具有自適應的特性。局部滑動窗口計算類似于基于模板的運算，在進行計算時，需要使用當前像素點的鄰域數(shù)據(jù)，并且對前后兩個像素進行操作的存儲訪問高度相關。如果使用普通的存儲類型進行數(shù)據(jù)的存儲訪問，每次讀取操作都要從全局存儲器(Global Memory)中取出需要的數(shù)據(jù)，會出現(xiàn)重復讀取數(shù)據(jù)的情況，訪問效率低，因此，需要采用一種更為合適的數(shù)據(jù)存儲方式[15]。
紋理存儲器(Texture memory)是一種只讀存儲器，由GPU中用于紋理渲染的圖形專用單元發(fā)展而來，紋理存儲器中的數(shù)據(jù)位于顯存，但可以通過紋理緩存加速讀取。在通用計算中，紋理存儲器適用于進行圖像處理或查找表等操作，具有良好的加速效果。
紋理緩存主要有兩個作用。首先，紋理緩存中的數(shù)據(jù)可以被重復利用，當需要訪問的數(shù)據(jù)在紋理緩存中已經(jīng)存在時，可以避免再從顯存中重復讀取相同的數(shù)據(jù);第二，紋理緩存可以實現(xiàn)濾波模式，緩存拾取坐標點附近幾個像元的數(shù)據(jù)，提高局部訪問的效率。因此，雙參CFAR算法中局部滑動窗口部分采用紋理存儲方式，可以很好的滿足應用的需求。
紋理類型使用非常簡單，首先使用cudaBindTextureToArray()將圖像數(shù)據(jù)的數(shù)組綁定到一個紋理對象，然后就可以在kernel中使用tex2D()函數(shù)來快速訪問該紋理對象中的數(shù)據(jù)，有一點需要注意的是，由于紋理存儲器是一種只讀存儲器，綁定到紋理的數(shù)據(jù)有變化時，需要重新綁定才能保證訪問的數(shù)據(jù)是最新的。
3 設計與實現(xiàn)
下面以雙參數(shù)CFAR檢測算法為例，分析基于嵌入式GPU的SAR實時艦船檢測算法的CUDA設計與實現(xiàn)過程。
對上面所得的二值圖像做進一步形態(tài)學處理：中值濾波、圖像膨脹等。中值濾波、圖像膨脹的過程同樣在GPU中進行，最后，利用OpenCV將圖中的艦船目標標注出來，這里不再贅述。
4 實驗結果及加速比測試
實驗中使用的圖像為海陸分割之后遠洋SAR圖像，在NVIDIA TK1平臺進行艦船目標檢測。其中雙參數(shù)CFAR算法判決準則中的標稱化因子
取為3.1。圖4為原始SAR圖像，圖5為原始圖像經(jīng)過滑窗操作、中值濾波之后的圖像，圖6為經(jīng)過膨脹運算后的SAR圖像，圖7為最終的艦船檢測結果。
檢測結果圖7中畫出的方框表示正確檢測的目標，圓圈表示檢測的虛警目標。
為了衡量檢測效果，定義檢測結果的品質(zhì)因數(shù)FoM為：
(2)
其中Ntt為檢測結果中正確檢測出來的目標數(shù)，Nfa為虛警目標數(shù)，Ngt為實際的目標數(shù)，這里實際的目標數(shù)Ngt以目視解譯的結果為準[6]。原圖中有20只艦船，因此，實際目標數(shù) 為20。
本文使用的GPU平臺是NVIDIA公司生產(chǎn)的NVIDIA Jetson TK1 開發(fā)組件，與之進行對比的常規(guī)CPU是選用Intel?Core?i3處理器。經(jīng)過多次實驗，對于2048×2048大小的SAR圖像數(shù)據(jù)，分別測試了基于CPU單線程的Matlab程序和基于GPU多線程的檢測算法運行時間，如表2所示。
由測試結果可知，本文提出的利用CUDA實現(xiàn)的，基于ARM+GPU的SAR艦船檢測算法具有極高的效率，相比傳統(tǒng)的基于CPU的SAR艦船檢測算法，效率得到了162倍以上的提升。
5 結論
本文對SAR遙感圖像艦船目標檢測算法中的雙參數(shù)CFAR算法在CUDA架構下的高效實現(xiàn)方法進行了深入研究。首先對雙參CFAR算法的結構特征以及CUDA架構下的實現(xiàn)思路進行了詳細分析，并對算法的CUDA實現(xiàn)進行了優(yōu)化，相對于傳統(tǒng)的基于CPU的艦船檢測方式，具有低廉的成本、極低的功耗，以及高度的便攜性，同時獲得了162倍以上的加速比。
參考文獻：
[1]唐沐恩,林挺強,文貢堅.遙感圖像中艦船檢測方法綜述[J].計算機應用研究,2011,01:29-36.
[2]郭勐,簡方軍,張欽,等.基于FPGA實現(xiàn)的星載SAR實時成像系統(tǒng)研究[J].計算機研究與發(fā)展,2007,03:497-502.
[3]雷盼飛,蘇清賀,楊桄. SAR圖像艦船目標檢測研究[J].影像技術,2011,04:40-45.
[4]姚成祥.基于CPU+GPU異構計算平臺的SAR成像研究與實現(xiàn)[D].中國航天第二研究院航天科工集團第二研究院, 2012.
[5]李文武.中低分辨率光學遙感圖像艦船目標檢測算法研究[D].國防科學技術大學,2008.
[6]種勁松.合成孔徑雷達圖像艦船目標檢測算法與應用研究[D].中國科學院電子學研究所,2002.
[7]李俊敏. SAR圖像艦船目標檢測方法研究[D].西安電子科技大學,2014.
[8]趙明波,何峻,付強. SAR圖像CFAR檢測的快速算法綜述[J].自動化學報,2012,12:1885-1895.
[9]周樹道,王敏,葉松,王俊. 基于SAR圖像的海洋艦船目標檢測技術[J]. 微計算機應用,2010,02:61-65.
[10]Blake A P, Blacknell D, and Oliver C J. Sea clutter analysis and its resolution dependence[C].Radar conference 97,Edinburgh, UK, Oct.14-16, 1997: 124-128.
[11]Novak L M, Halversen S D, Owirka G J, et al. Effects of polarization and resolution on SAR ATR[J]. erospace and Electronic Systems, IEEE Transactions on, 1997, 33(1): 102-116.
[12]陳利民,楊學志,張晰,等. SAR艦船檢測算法對比分析研究[J].遙感信息,2015,02:99-104+110.
[13]龔小冬,李飛,張志敏,等. 一種新穎的高分辨率SAR艦船檢測方法[J].雷達科學與技術,2015,01:70-75.
[14] MOREIRA A，PRATSTIRAOLA P，YOUNIS M，et al.A tutorial on synthetic aperture radar[J].IEEE Geoscience and Remote Sensing Magazine，2013，1( 1) : 6 - 43.
[15]陶偉東,黃昊,苑振宇,等.基于GPU并行的遙感影像邊緣檢測算法[J].地理與地理信息科學,2013,01:8-11.
本文來源于《電子產(chǎn)品世界》2017年第4期第53頁，歡迎您寫論文時引用，并注明出處。
評論