基于矩與支持向量機(jī)的艦船目標(biāo)識別方法*

徐 芳， 韓樹奎

(1.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所，吉林 長春 130033； 2.中國科學(xué)院大學(xué)，北京 100049；3.中國電力工程顧問集團(tuán) 東北電力設(shè)計院有限公司，吉林 長春 130021)

0 引 言

艦船作為海上重要軍事目標(biāo)和運輸載體，正確區(qū)分各類艦船目標(biāo)在海上軍事監(jiān)管、海洋漁業(yè)、運輸管理中具有深遠(yuǎn)意義。一般，艦船有顏色[1,2]、紋理[3,4]、形狀[5,6]等特征，目標(biāo)特征描述是艦船識別的關(guān)鍵，直接影響到分類器設(shè)計及識別結(jié)果的精確度，有效的特征選擇應(yīng)兼顧目標(biāo)的可區(qū)分性和方法的有效性。

為快速穩(wěn)定地識別出各種姿態(tài)下的艦船目標(biāo)，本文提出一種基于矩特征[7～9]描述子與支持向量機(jī)(support vector machine,SVM的艦船自動識別方法。根據(jù)航空攝影模型，本文構(gòu)建了航拍場景包括不同俯仰、偏航、橫滾姿態(tài)下的7類艦船模型樣本庫，計算其相應(yīng)矩特征，編程實現(xiàn)多類艦船目標(biāo)分類器，并分析了訓(xùn)練樣本數(shù)與測試數(shù)的變化對該分類系統(tǒng)識別精度的影響。

1 艦船目標(biāo)矩特征提取

本文艦船識別系統(tǒng)包括輸入目標(biāo)圖像，分割、提取多類艦船目標(biāo)的矩特征構(gòu)建向量表，基于SVM設(shè)計多類分類器，進(jìn)行訓(xùn)練與測試。

主要算法結(jié)構(gòu)包括矩特征提取和SVM多類識別。實際圖像中，艦船目標(biāo)主軸方向不定，分布位置隨機(jī)，大小存在差異，為使提取的特征能穩(wěn)定地應(yīng)對旋轉(zhuǎn)、平移和尺度拉伸等問題，本文使用HU矩作為艦船目標(biāo)的特征描述子。

輸入艦船樣本圖像f(x,y)，圖像的p+q階幾何矩(標(biāo)準(zhǔn)矩)mpq定義為

(1)

式中M和N為圖像的寬度和高度，幾何矩mpq不具備平移不變性，將圖像坐標(biāo)原點移至質(zhì)心，可得到對圖像位移不變的中心矩，定義其p+q階中心矩μpq為

(2)

ηpq=μpq/(μ00)γ

(3)

(4)

則γ= [(p+q)/2]+1，[·]為取整運算。

利用代數(shù)不變理論，由歸一化二階和三階中心矩可構(gòu)造如下7個對平移、尺度和旋轉(zhuǎn)變換下不變的矩

(5)

2 多類分類器設(shè)計

制定目標(biāo)類標(biāo)簽，用于后續(xù)分類識別，基于二分器SVM[10,11]，設(shè)計了一對一投票策略分類多類艦船目標(biāo)，對于本文使用的7類艦船目標(biāo)，設(shè)為A,B,C,D,E,F,G，并兩兩組成訓(xùn)練集，即(A,B),(A,C),(A,D),(A,E),(B,C),(B,D),(B,E)等，得到21個(n類問題，為n(n-1)/2個)二分器，在測試時，把待測目標(biāo)依次送入21個二分器中判斷，采用投票機(jī)制，過程如下：

1) 初始化：vote(A)=vote(B)=vote(C)=vote(D)=vote(E)=vote(F)=vote(G)=0。

2) 投票過程：如果使用訓(xùn)練集(A,B)得到的分類器將目標(biāo)判為A類，則vote(A)=vote(A)+1；否則vote(B)=vote(B)+1…依次類推。

3)最終判決：Max(vote(A),vote(B),…,vote(G))，一般取最大值所對應(yīng)的類別。

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)庫建立和矩值計算

為評估本文艦船識別系統(tǒng)的精度，構(gòu)造艦船數(shù)據(jù)庫進(jìn)行驗證。本文在3D MAX和SketchUp軟件上構(gòu)建3D艦船模型。將其投影為二維樣本圖像，分辨率為200像素×200像素，3D MAX中艦船投影模型及艦船三維幾何方位如圖1所示。X為艦船的橫滾軸，Y為俯仰軸，Z為偏航軸。

圖1 3D MAX軟件和艦船姿態(tài)模型

將艦體沿偏航Z軸進(jìn)行左右旋轉(zhuǎn)，每隔10°渲染1次圖像，旋轉(zhuǎn)范圍為-90°～90°，同一尺度下會有19幅圖像，變換另一尺度，再得到19幅圖像，得到Z軸變換方向下的38個樣本；將艦船沿著俯仰Y軸每隔5°旋轉(zhuǎn)1次，旋轉(zhuǎn)范圍為-20°～20°，2種尺度共16個樣本；將艦船沿著橫滾X軸每隔5°旋轉(zhuǎn)1次，旋轉(zhuǎn)范圍-15°～15°，2種尺度共12個樣本，每類艦船共可得66個樣本。7類艦船：沖鋒艇、導(dǎo)彈艦、帆船、護(hù)衛(wèi)艦、巡洋艦、戰(zhàn)列艦、航母，構(gòu)建的艦船數(shù)據(jù)庫樣本總共有7×66=462個。7類艦船實景和模型如圖2。

圖2 7類真實艦船目標(biāo)及其三維模型俯視圖

對艦船樣本灰度化，根據(jù)閾值分割圖像，設(shè)像素灰度值大于30的為1；否則，為0，分割后的二值圖像如圖3。

圖3 對艦船目標(biāo)分割處理

計算矩特征，如表1，對應(yīng)的HU矩特征為：HU=[Hu1，Hu2，Hu3，Hu4，Hu5，Hu6，Hu7]，表1給出了訓(xùn)練庫中每類艦船前兩幅圖像的矩值。

表1 7類艦船的HU矩值(絕對值)

圖4為圖像庫中每類艦船的66個樣本的第一個Hu矩和第二個Hu矩：Hu1和Hu2的曲線，共7類艦船目標(biāo)。圖中曲線無大面積重合，說明目標(biāo)類間分離較好，曲線的某些點處的彎曲度較大，說明該處的艦船姿態(tài)變化較大，導(dǎo)致該處的HU矩值與其他姿態(tài)艦船的矩值偏差大。

圖4 部分HU矩值曲線

3.2 分類結(jié)果

使用SVM對多類艦船目標(biāo)進(jìn)行分類以解決矩特征偏差大情況，本文從總艦船樣本庫中每類的66幅圖像中根據(jù)繞三軸旋轉(zhuǎn)的個數(shù)按比例隨機(jī)分別選出7，3，2幅共12幅艦船作為測試樣本，其余的54幅作為訓(xùn)練樣本，同理繼續(xù)選出23個和33個艦船構(gòu)建測試庫，其余的圖像作為訓(xùn)練庫。將所得艦船的矩值特征預(yù)先構(gòu)造成查找表，制作類標(biāo)簽，將數(shù)據(jù)下載入分類器中進(jìn)行訓(xùn)練分類，錯誤代價系數(shù)C=100，徑向基函數(shù)(radial basis function,RBF)核自身的參數(shù)γ=0.007，在MATLAB環(huán)境下，得到基于SVM的艦船識別系統(tǒng)，如圖5。

圖5 SVM分類識別系統(tǒng)

識別準(zhǔn)確率定義為：R=正確識別個數(shù)/測試總個數(shù)×100 %。得到表2的分類精度統(tǒng)計。

本文全部實驗處理器為Intel i3，主頻3.30 GHz，內(nèi)存4.00 GB，實驗環(huán)境MATLAB 2010a，處理時間：計算每類66幅二值圖像的HU矩特征時間為25.8856 s；樣本數(shù)為378時訓(xùn)練消耗時間為0.443 0 s；樣本數(shù)為301時訓(xùn)練消耗時間為0.298 5 s；樣本數(shù)為231時訓(xùn)練消耗時間為0.239 5 s，單幅圖像識別時間1.301 2 s。

3.3 結(jié)果分析

1)本文使用的矩特征提取方法可分性較強(qiáng)，不同類間計算結(jié)果區(qū)分較大，可以很好地代表每一類艦船目標(biāo)的特征；2)訓(xùn)練集的構(gòu)造上，選取的樣本具有代表性，每一姿態(tài)都進(jìn)行了取樣，訓(xùn)練集的樣本數(shù)夠多，測試集中的樣本選取的個數(shù)與訓(xùn)練集中樣本數(shù)都會本分類識別精度有影響；3)雖然在艦船樣本姿態(tài)變化時，把底部或者側(cè)部也計算入俯視視圖的不變矩中，但HU矩受影響較小。

4 實際遙感圖像測試

使用2組真實光學(xué)遙感圖像對本識別系統(tǒng)進(jìn)行驗證，鹽田港鹽田區(qū)香港右邊海景路和九龍灣的艦船，先進(jìn)行Grabcut[12]分割，二值化，第一組計算的HU矩值依次為：0.805 9，1.761 2，6.322 3，6.925 1，16.236 2，7.960 3，13.985 2，經(jīng)SVM分類為航母。第二組HU矩值為：0.481 3，0.889 8，14.809 7，15.403 7，29.887 1，17.336 5，27.668 4，經(jīng)SVM分類為護(hù)衛(wèi)艦，識別結(jié)果如圖6所示。

5 結(jié) 論

所提方法識別精度高，穩(wěn)定性好，方法靈活，可以通過前期處理，建立訓(xùn)練集和測試集中樣本矩值特征查找表，便于快速進(jìn)行查表訓(xùn)練，提高效率，也可擴(kuò)展到其他目標(biāo)，便于實際工程應(yīng)用。未來工作：1)尋找有效的目標(biāo)分割算法，精確提取圖像中目標(biāo)區(qū)域，便于后期特征提??；2)收集更多艦船樣本，在大樣本條件下進(jìn)行增量學(xué)習(xí)，進(jìn)一步提高遙感成像中艦船目標(biāo)識別的有效性、準(zhǔn)確性和實用性。