基于嵌入式GPU的SAR實(shí)時(shí)艦船檢測算法CUDA設計

作者 武鵬1 金燕2 張俊舉1 1.南京理工大學(xué) (江蘇 南京 210094) 2.中國科學(xué)院電子學(xué)研究所蘇州研究院 (江蘇 蘇州 215123)

武鵬(1991-)，女，碩士生，研究方向：信號與信息處理。

摘要：為了實(shí)現對合成孔徑雷達(SAR)圖像中艦船目標的實(shí)時(shí)檢測，本文以雙參數恒虛警(CFAR)算法為例，提出一種基于A(yíng)RM+GPU架構的SAR圖像艦船目標檢測算法的實(shí)現方案。該方案在NVIDIA Jetson TK1開(kāi)發(fā)板上的測試結果表明，與傳統基于CPU 的SAR圖像艦船檢測算法相比，該方案能夠達到數百倍的速度提升，有效解決了利用CPU平臺進(jìn)行艦船目標檢測耗時(shí)長(cháng)、效率低的問(wèn)題。Jetson TK1作為嵌入式處理平臺，相對于工作站或服務(wù)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(jìn)行檢測與監視一直都是世界各海岸地帶國家的傳統任務(wù)^[1]。我國領(lǐng)海廣闊，海洋資源豐富，開(kāi)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(shí)、全天候的有源主動(dòng)式微波成像系統，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(shù)^[2]。在軍事領(lǐng)域，主要用于陸戰場(chǎng)偵查、海洋監測、偽裝識別以及發(fā)現假目標等，快速準確地獲取瞬息萬(wàn)變戰場(chǎng)上的動(dòng)態(tài)情報，獲取軍事主動(dòng)權;在海洋監測方面，可以根據艦船的反射特性及其產(chǎn)生的尾跡特征進(jìn)行艦船目標的檢測、監視和識別，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、監視和定位的最有效手段之一^[3]。然而，傳統基于中央處理器(Central Processing Unit ,CPU)的個(gè)人計算機、工作站及大型計算服務(wù)器對SAR艦船目標檢測往往效率很低，不能滿(mǎn)足在災害應急監測和軍事應用領(lǐng)域的高機動(dòng)性、高應急性和時(shí)效性的要求。

　　近年來(lái)，由于市場(chǎng)對實(shí)時(shí)、高清晰度的圖形處理需求的推動(dòng)，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(xiàn)程的多核處理器。GPU不再僅限于圖形圖像處理領(lǐng)域的應用，還被廣泛應用于生物信息學(xué)、流體力學(xué)、信號處理、信息檢索、線(xiàn)性代數等通用計算領(lǐng)域,在這些領(lǐng)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也展現出了越來(lái)越重要的作用。

　　早期的SAR圖像處理過(guò)程需要將數據下傳至地面站進(jìn)行，這不僅要求雷達衛星具有高帶寬的下行數據鏈路，而且還受到衛星過(guò)頂時(shí)間的限制，這些都使得如何對SAR圖像數據進(jìn)行在軌實(shí)時(shí)處理成為熱點(diǎn)問(wèn)題，在軌實(shí)時(shí)處理包括：在軌完成遙感圖像的預處理、數據壓縮、存儲與格式轉換、目標特征點(diǎn)的提取等工作，通過(guò)使用星上的自主數據處理能力，盡量少地減少地面站對衛星任務(wù)的干預，從而滿(mǎn)足未來(lái)遙感衛星對高機動(dòng)性、高應急性和時(shí)效性的要求，在災害應急監測以及軍事應用等領(lǐng)域發(fā)揮更大的作用。在軌SAR實(shí)時(shí)處理系統作為一種典型的實(shí)時(shí)系統，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(guò)采用ARM+GPU的嵌入式架構，體積小、功耗低，滿(mǎn)足在軌實(shí)時(shí)處理的需求，提高了系統的數據處理能力，可以實(shí)現在軌SAR遙感圖像目標檢測的過(guò)程。同時(shí)，該硬件架構可以應用于很多需要在軌高速數據處理的情況中，例如合成孔徑雷達所獲取的大量數據在軌處理、在軌維修、空間攻防、航天器的捕獲與攻擊、空間交會(huì )對接等需要對目標物體進(jìn)行快速測量與控制的場(chǎng)合，具有極其重要的研究?jì)r(jià)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(diǎn)^[5]。艦船檢測所用的算法主要有四類(lèi)：雙參數恒虛警(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(jiǎn)單閾值法、模糊決策法、基于分割的模擬退火算法)^[6]。雙參數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(shí)多極化觀(guān)測的SAR圖像中。其他算法中，簡(jiǎn)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CFAR算法在NVIDIA Jetson TK1平臺上實(shí)現對遠洋圖像中的艦船目標進(jìn)行檢測，雙參數恒虛警(CFAR)檢測方法是雷達信號檢測領(lǐng)域里最常用和最有效的一類(lèi)檢測算法^[8]。大量的研究和實(shí)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CFAR艦船檢測算法結構分析

　　針對不同的天氣、風(fēng)速等條件，海況有很大的變化，呈現在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(jìn)行檢測過(guò)程中，需要采用一種能夠自適應的恒虛警檢測方法。雙參數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(guò)使用局部滑動(dòng)窗口，對每個(gè)像素進(jìn)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(mén)限，將目標窗口中高于該門(mén)限的像素判定為艦船目標^[12]。最后再利用一系列形態(tài)學(xué)的處理方法將目標在圖中標注出來(lái)。

　　如圖1所示，設XT為待檢測的像素點(diǎn)，在它的周?chē)謩e定義了兩個(gè)局部滑動(dòng)窗口：背景窗口和保護窗口。背景窗口的大小可以根據船只實(shí)際的大小進(jìn)行選取，主要用于背景雜波的統計分析，保護窗口主要起到保護的作用，防止將待測像素點(diǎn)周?chē)哪繕讼袼匾灿嬎阍趯Ρ尘按翱诘慕y計分析中。

　　如圖2所示，由于要對圖像中每個(gè)像素進(jìn)行背景雜波統計及閾值比較的操作，局部滑動(dòng)窗口進(jìn)行統計分析的過(guò)程具有計算量大，耗時(shí)長(cháng)的特點(diǎn)，運行時(shí)間與窗口尺寸的大小有關(guān)^[14]，是雙參CFAR算法的核心步驟。因此，要實(shí)現對艦船目標的實(shí)時(shí)檢測，必須考慮如何對局部滑動(dòng)窗口部分算法進(jìn)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(guò)對當前像素點(diǎn)的鄰域數據進(jìn)行統計判斷為目標點(diǎn)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(dòng)窗口計算類(lèi)似于基于模板的運算，在進(jìn)行計算時(shí)，需要使用當前像素點(diǎn)的鄰域數據，并且對前后兩個(gè)像素進(jìn)行操作的存儲訪(fǎng)問(wèn)高度相關(guān)。如果使用普通的存儲類(lèi)型進(jìn)行數據的存儲訪(fǎng)問(wèn)，每次讀取操作都要從全局存儲器(Global Memory)中取出需要的數據，會(huì )出現重復讀取數據的情況，訪(fǎng)問(wèn)效率低，因此，需要采用一種更為合適的數據存儲方式^[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(zhuān)用單元發(fā)展而來(lái)，紋理存儲器中的數據位于顯存，但可以通過(guò)紋理緩存加速讀取。在通用計算中，紋理存儲器適用于進(jìn)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(gè)作用。首先，紋理緩存中的數據可以被重復利用，當需要訪(fǎng)問(wèn)的數據在紋理緩存中已經(jīng)存在時(shí)，可以避免再從顯存中重復讀取相同的數據;第二，紋理緩存可以實(shí)現濾波模式，緩存拾取坐標點(diǎn)附近幾個(gè)像元的數據，提高局部訪(fǎng)問(wèn)的效率。因此，雙參CFAR算法中局部滑動(dòng)窗口部分采用紋理存儲方式，可以很好的滿(mǎn)足應用的需求。

　　紋理類(lèi)型使用非常簡(jiǎn)單，首先使用cudaBindTextureToArray()將圖像數據的數組綁定到一個(gè)紋理對象，然后就可以在kernel中使用tex2D()函數來(lái)快速訪(fǎng)問(wèn)該紋理對象中的數據，有一點(diǎn)需要注意的是，由于紋理存儲器是一種只讀存儲器，綁定到紋理的數據有變化時(shí)，需要重新綁定才能保證訪(fǎng)問(wèn)的數據是最新的。

3 設計與實(shí)現

　　下面以雙參數CFAR檢測算法為例，分析基于嵌入式GPU的SAR實(shí)時(shí)艦船檢測算法的CUDA設計與實(shí)現過(guò)程。

　　對上面所得的二值圖像做進(jìn)一步形態(tài)學(xué)處理：中值濾波、圖像膨脹等。中值濾波、圖像膨脹的過(guò)程同樣在GPU中進(jìn)行，最后，利用OpenCV將圖中的艦船目標標注出來(lái)，這里不再贅述。

4 實(shí)驗結果及加速比測試

　　實(shí)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(jìn)行艦船目標檢測。其中雙參數CFAR算法判決準則中的標稱(chēng)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(guò)滑窗操作、中值濾波之后的圖像，圖6為經(jīng)過(guò)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(huà)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FoM為：

(2)

　　其中N_tt為檢測結果中正確檢測出來(lái)的目標數，N_fa為虛警目標數，N_gt為實(shí)際的目標數，這里實(shí)際的目標數N_gt以目視解譯的結果為準^[6]。原圖中有20只艦船，因此，實(shí)際目標數 為20。

　　本文使用的GPU平臺是NVIDIA公司生產(chǎn)的NVIDIA Jetson TK1 開(kāi)發(fā)組件，與之進(jìn)行對比的常規CPU是選用Intel?Core?i3處理器。經(jīng)過(guò)多次實(shí)驗，對于2048×2048大小的SAR圖像數據，分別測試了基于CPU單線(xiàn)程的Matlab程序和基于GPU多線(xiàn)程的檢測算法運行時(shí)間，如表2所示。

　　由測試結果可知，本文提出的利用CUDA實(shí)現的，基于A(yíng)RM+GPU的SAR艦船檢測算法具有極高的效率，相比傳統的基于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CFAR算法在CUDA架構下的高效實(shí)現方法進(jìn)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(shí)現思路進(jìn)行了詳細分析，并對算法的CUDA實(shí)現進(jìn)行了優(yōu)化，相對于傳統的基于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(shí)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(jiǎn)方軍,張欽,等.基于FPGA實(shí)現的星載SAR實(shí)時(shí)成像系統研究[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(shù),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(shí)現[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(xué)遙感圖像艦船目標檢測算法研究[D].國防科學(xué)技術(shù)大學(xué),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(xué)院電子學(xué)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(xué),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(dòng)化學(xué)報,2012,12:1885-1895.

　　[9]周樹(shù)道,王敏,葉松,王俊. 基于SAR圖像的海洋艦船目標檢測技術(shù)[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(xué)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(xué)與技術(shù),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(xué),2013,01:8-11.

　　本文來(lái)源于《電子產(chǎn)品世界》2017年第4期第53頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。