基于嵌入式GPU的SAR實時艦船檢測算法CUDA設計

作者 武鵬1 金燕2 張俊舉1 1.南京理工大學 (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)

武鵬(1991-)，女，碩士生，研究方向：信號與信息處理。

摘要：為了實現對合成孔徑雷達(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方案。該方案在NVIDIA Jetson TK1開發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勢。

引言

　　對海上艦船目標進行檢測與監視一直都是世界各海岸地帶國家的傳統任務^[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，以其優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，主要用于陸戰場偵查、海洋監測、偽裝識別以及發現假目標等，快速準確地獲取瞬息萬變戰場上的動態情報，獲取軍事主動權;在海洋監測方面，可以根據艦船的反射特性及其產生的尾跡特征進行艦船目標的檢測、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)得到了空前的發展，已經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也展現出了越來越重要的作用。

　　早期的SAR圖像處理過程需要將數據下傳至地面站進行，這不僅要求雷達衛星具有高帶寬的下行數據鏈路，而且還受到衛星過頂時間的限制，這些都使得如何對SAR圖像數據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、數據壓縮、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據處理能力，盡量少地減少地面站對衛星任務的干預，從而滿足未來遙感衛星對高機動性、高應急性和時效性的要求，在災害應急監測以及軍事應用等領域發揮更大的作用。在軌SAR實時處理系統作為一種典型的實時系統，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，提高了系統的數據處理能力，可以實現在軌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CFAR算法在NVIDIA Jetson TK1平臺上實現對遠洋圖像中的艦船目標進行檢測，雙參數恒虛警(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船只實際的大小進行選取，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，防止將待測像素點周圍的目標像素也計算在對背景窗口的統計分析中。

　　如圖2所示，由于要對圖像中每個像素進行背景雜波統計及閾值比較的操作，局部滑動窗口進行統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化，減小計算量，縮短檢測周期。

2 算法優化

　　由于雙參CFAR算法是通過對當前像素點的鄰域數據進行統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據，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據的存儲訪問，每次讀取操作都要從全局存儲器(Global Memory)中取出需要的數據，會出現重復讀取數據的情況，訪問效率低，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用單元發展而來，紋理存儲器中的數據位于顯存，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，紋理緩存中的數據可以被重復利用，當需要訪問的數據在紋理緩存中已經存在時，可以避免再從顯存中重復讀取相同的數據;第二，紋理緩存可以實現濾波模式，緩存拾取坐標點附近幾個像元的數據，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()將圖像數據的數組綁定到一個紋理對象，然后就可以在kernel中使用tex2D()函數來快速訪問該紋理對象中的數據，有一點需要注意的是，由于紋理存儲器是一種只讀存儲器，綁定到紋理的數據有變化時，需要重新綁定才能保證訪問的數據是最新的。

3 設計與實現

　　下面以雙參數CFAR檢測算法為例，分析基于嵌入式GPU的SAR實時艦船檢測算法的CUDA設計與實現過程。

　　對上面所得的二值圖像做進一步形態學處理：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為原始圖像經過滑窗操作、中值濾波之后的圖像，圖6為經過膨脹運算后的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因數FoM為：

(2)

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

　　本文使用的GPU平臺是NVIDIA公司生產的NVIDIA Jetson TK1 開發組件，與之進行對比的常規CPU是選用Intel?Core?i3處理器。經過多次實驗，對于2048×2048大小的SAR圖像數據，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實現的，基于ARM+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架構下的高效實現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架構下的實現思路進行了詳細分析，并對算法的CUDA實現進行了優化，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實現的星載SAR實時成像系統研究[J].計算機研究與發展,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[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。