基于目標(biāo)一維紋理特征的介質(zhì)辨識方法

耿琳珊，陳遵田

(西安機(jī)電信息技術(shù)研究所，陜西 西安 710065)

0 引言

在復(fù)雜的背景環(huán)境中探測和識別目標(biāo)一直是近炸引信探測技術(shù)研究的熱點。通過目標(biāo)、背景及干擾的介質(zhì)識別目標(biāo)，鑒別干擾是提高近炸引信對復(fù)雜背景環(huán)境適應(yīng)能力和引信對目標(biāo)作用率的有效途徑。對目標(biāo)介質(zhì)的識別有多種技術(shù)途徑，其中一種是通過物理場探測和辨識目標(biāo)，如通過磁特性識別鐵磁目標(biāo)，通過電磁波的反射特性區(qū)分金屬和非金屬目標(biāo)，通過紅外輻射特征進(jìn)行機(jī)動目標(biāo)的探測識別等[1-2]。但在實際應(yīng)用中，通過物理場進(jìn)行目標(biāo)介質(zhì)的識別有一定的局限性。如在引信隨彈平臺高速運(yùn)動的情況下，磁傳感器容易受到地磁的干擾，另外，磁傳感器對非鐵磁目標(biāo)無效；無線電探測器對地探測時，容易受到復(fù)雜地面背景和強(qiáng)電磁環(huán)境的干擾；紅外傳感器只對熱輻射特征明顯的機(jī)動目標(biāo)有效，也容易受到復(fù)雜地面背景的干擾，因此基于物理場的目標(biāo)探測和介質(zhì)識別方法均有一定的局限性[1-2]。

目標(biāo)表面的紋理及反射率分布是所有視覺器官動物辨識物體的重要特征，自然界的物體表面紋理有著特有的分形構(gòu)造，和人造目標(biāo)有明顯的差異。人造目標(biāo)盡管有板塊結(jié)構(gòu)，但表面有其獨(dú)特的紋理特征[1-2]。利用目標(biāo)的紋理特征進(jìn)行識別是目標(biāo)識別領(lǐng)域重要的技術(shù)途徑。文獻(xiàn)[3]利用基于中心矩和熵的組合特征對雷達(dá)目標(biāo)進(jìn)行識別，解決了平移敏感性，但提取出的特征包含的信息量太少，影響識別率；文獻(xiàn)[4]提出的紋理分類法使用Gabor濾波器對圖像進(jìn)行濾波，再利用ICA技術(shù)剔除冗余信息，從而提取有效的特征量，但是此方法需要首先獲得二維圖像，在引信所處的高速平臺無法使用；文獻(xiàn)[5]利用主成分分析法將目標(biāo)輪廓與背景特征有效區(qū)分，但仍存在數(shù)據(jù)量大，處理速度慢的問題。同時，現(xiàn)有的基于紋理特征的分析和分類方法多為基于二維高分辨率圖像信息，是在獲得完整圖像后進(jìn)行的事后處理，待處理的數(shù)據(jù)量大、處理時間長，對處理器硬件要求高，難以在引信中直接應(yīng)用。

針對光電引信在區(qū)分地面特別是泥地、耕地等松軟地面和煙塵干擾方面的技術(shù)需求，本文提出一種基于目標(biāo)一維紋理特征的介質(zhì)辨識方法，使用GLCM對目標(biāo)介質(zhì)一維紋理進(jìn)行多特征提取，再利用PCA對特征進(jìn)行降維處理，既保留了GLCM在魯棒性上的優(yōu)勢，又能減小數(shù)據(jù)量。使用KNN分類器對得到的更加精確的特征參數(shù)進(jìn)行分類，識別目標(biāo)介質(zhì)。

1 引信光電探測裝置目標(biāo)紋理獲取原理和介質(zhì)辨識方法

1.1 引信光電探測裝置目標(biāo)紋理獲取原理

現(xiàn)有的火箭彈采用機(jī)電觸發(fā)引信在觸碰目標(biāo)或著地時引爆戰(zhàn)斗部，在火箭彈小落角以及松軟地面條件下，由于觸發(fā)力弱以及受力方向的問題，觸發(fā)引信容易瞎火。針對這一問題，提出采用光電引信探測裝置獲取目標(biāo)表面紋理特征的探測方法，在不改變現(xiàn)有引信外形的條件下，通過多組光電探測裝置敏感目標(biāo)或地面。光電探測裝置在彈頭引信的布局如圖1所示。

圖1 引信光電探測裝置視場分布圖Fig.1 Field of view diagram of fuze photoelectric detection device

當(dāng)引信探測裝置隨彈接近目標(biāo)表面或者地面并達(dá)到光電微距探測器的探測距離范圍時，光電探測裝置隨彈運(yùn)動并獲取目標(biāo)表面的反射光強(qiáng)度的一維變化特征，物體表面反射光強(qiáng)度反映了物體的表面紋理信息[6]。由于發(fā)射光束的照射區(qū)域小，隨著彈繼續(xù)向前飛行，光電探測將獲得地表面局部的一維紋理信息，通過對一維紋理信息的分析，對地面介質(zhì)的種類做出判斷。在引信應(yīng)用中，一般只需要光電探測裝置能夠辨識出煙塵、樹冠等干擾與地面，使引信能夠在彈平臺、小落角、松軟地面條件下落地時可靠起爆。引信光電微距探測裝置在落地前探測地面示意圖如圖2所示。

圖2 火箭彈小落角著地示意圖Fig.2 Diagram of rocket landing at small angle

1.2 灰度共生矩陣(GLCM)

灰度共生矩陣(GLCM)是一種用來描述紋理的常用方法[7]。由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，因此在圖像空間中相隔一段距離的兩個像素之間存在一定的灰度關(guān)系，灰度共生矩陣就是通過研究灰度的空間相關(guān)特性來描述紋理[8]。一般情形下，灰度共生矩陣被用于二維圖像(N×N)，先計算出灰度圖像的共生矩陣，進(jìn)行歸一化后，計算一些可以用來表征灰度共生矩陣特征的標(biāo)量，這樣既充分利用了圖像信息，又可以減少后續(xù)處理的數(shù)據(jù)量。而一維強(qiáng)度信息可以看作是1×N的灰度圖像，即沿0°方向?qū)D像進(jìn)行掃描，得到共生矩陣。

在研究過程中，常用對比度(CON)、熵(ENT)和能量(ASM)等特性來表示紋理特征。其中能量可表示為：

(1)

能量是灰度共生矩陣元素值的平方和，反應(yīng)圖像的灰度分布均勻程度和紋理粗細(xì)程度。紋理較粗ASM值較大[9]。

熵可表示為：

(2)

熵表示圖像紋理復(fù)雜度。在共生矩陣元素分散均勻的情況下，熵較大，紋理較復(fù)雜。

對比度可表示為：

(3)

對比度反映圖像的清晰度和紋理的深淺。CON越大，紋理越深，圖像越清晰[10]。

1.3 主成分分析法(PCA)

主成分分析(PCA)也叫主分量分析，是利用降維思想，將多指標(biāo)轉(zhuǎn)化為少數(shù)幾個主要指標(biāo)，從而達(dá)到簡化數(shù)據(jù)的目的[11]。其基本原理可以概述如下：三維空間內(nèi)的N個樣本點X={[xiyizi]T}，i=1,2,…,N，可以求出一條最佳擬合直線使得這N個樣本點到直線的垂直距離平方和最小，則這條直線可稱為這N個樣本點的第一主成分；接著求出與第一主成分垂直，且與N個樣本點距離的平方和最小的直線作為第二主成分，以此類推，求得這N個樣本點的更高維主成分。從原理可以得知，主成分分析方法的實質(zhì)是求N個樣本點的協(xié)方差矩陣Covx的特征向量ej，j=1，2，3與特征值λj，計算過程如下：

(4)

(5)

(6)

1.4 K近鄰算法

K近鄰(k-nearest neighbor,KNN)分類算法在理論上已比較成熟，是機(jī)器學(xué)習(xí)中的一種基礎(chǔ)算法。該方法的思路是，在特征空間中，如果一個樣本附近的k個最近樣本的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別[11]。

圖3是KNN算法的經(jīng)典例子，圖中三角形(Triangle)和正方形(Square)是兩種類型的訓(xùn)練樣本，數(shù)量分別為T和S。圖中心圓點為測試樣本，k是最近鄰數(shù)目，也就是距離測試樣本最近的的訓(xùn)練樣本個數(shù)。當(dāng)k=3時，從圖中可以看出，T=2，S=1，T>S，根據(jù)前面敘述的原理，此時測試樣本應(yīng)屬于三角形一類。而當(dāng)k=5時，從圖中可以看出，T=2，S=3，T

圖3 KNN算法實例Fig.3 Example of KNN algorithm

2 基于目標(biāo)一維紋理特征的介質(zhì)辨識方法

火箭以小落角著地前，引信光電探測裝置對地進(jìn)行一維掃掠式探測，光電探測裝置設(shè)計為反射光強(qiáng)度探測形式，則引信光電探測裝置獲得的是地面一維反射光強(qiáng)度分布，包含地面紋理及反射率特征信息。本方法首先通過光電探測裝置測得不同目標(biāo)的一維強(qiáng)度分布信息，但由于在進(jìn)行仿真時，獲得引信光電探測器的實際測試數(shù)據(jù)較為困難，而圖像灰度表示單通道圖像像素的強(qiáng)度，由光反射率和光強(qiáng)度決定，與目標(biāo)一維強(qiáng)度呈正相關(guān)，因此本文在驗證時使用目標(biāo)的二維圖像隨機(jī)提取圖像的一維灰度值分布代替引信光電探測裝置獲取的一維強(qiáng)度數(shù)據(jù)，降低算法驗證的困難性。同時，由于拍攝角度、光照等因素的影響，不同圖像的強(qiáng)度有差異，因此在進(jìn)行仿真實驗前需要對數(shù)據(jù)進(jìn)行預(yù)處理。本文提出的介質(zhì)辨識方法流程圖如圖4所示。首先，使用濾波算法對圖像進(jìn)行預(yù)處理，消除一些冗雜因子；然后使用GLCM的紋理提取算法來獲取紋理特征信息并生成特征矩陣，再使用PCA方法對數(shù)據(jù)進(jìn)行降維處理；最后通過K近鄰分類器對不同目標(biāo)(如土地、耕地和煙霧)進(jìn)行分類。

圖4 算法流程圖Fig.4 Algorithm flow chart

2.1 特征提取

在紋理信息圖像的處理方面，灰度共生矩陣具有廣泛的應(yīng)用。作為統(tǒng)計分析法的一個重要結(jié)論，灰度共生矩陣可以對具有不規(guī)則紋理基元的紋理圖像進(jìn)行有效分析，獲得圖像的紋理特征；同時，利用灰度共生矩陣提取的紋理特征包含了圖像的大部分信息，具有廣泛概括性。因此，本文提取GLCM中的3個特征以及一維紋理的頻率和幅度作為目標(biāo)圖像的特征進(jìn)行識別。同時，由于引信平臺的實時性要求，需要對提取出的特征向量進(jìn)行降維處理，本文選擇主成分分析法對特征向量進(jìn)行降維運(yùn)算，既保證了信息的全局性利用，又能簡化計算，便于后續(xù)分類識別。

首先構(gòu)建灰度共生矩陣，我們需要根據(jù)實際確定3個構(gòu)造因子：圖像灰度級、生成步長、生成方向，接著對共生矩陣進(jìn)行歸一化處理，在此基礎(chǔ)上提取3個二階特征量和一維紋理的頻率、幅度，作為原始特征集。

由于原始特征集為五維特征向量，在引信嵌入式平臺上仍有較大的計算難度，本文采用主成分分析法對原始特征集進(jìn)行進(jìn)一步降維處理，得到能夠有效描述原始目標(biāo)對象的特征，組成數(shù)據(jù)集，在保證識別率的前提下，提高運(yùn)算速度。

用這些特征訓(xùn)練KNN分類器，快速識別目標(biāo)。特征提取流程如圖5所示。

圖5 特征提取流程示意圖Fig.5 Schematic diagram of feature extraction process

2.2 目標(biāo)介質(zhì)辨識方法

在使用上述方法提取特征后，形成數(shù)據(jù)集，用KNN分類器進(jìn)行識別。KNN算法的核心是相似性度量，度量方法有很多，本文選擇歐氏距離作為KNN算法的相似性度量條件。歐氏距離是經(jīng)典的相似性度量方法，它源于空間中兩點的距離公式：

(7)

式(7)為兩個n維向量a(x1,x2,…,xn)與b(y1,y2,…,yn)的歐氏距離。在仿真實驗中將某一種目標(biāo)介質(zhì)經(jīng)過特征提取后得到的特征看作一個向量。歐氏距離值越小，則兩個目標(biāo)介質(zhì)越相似。

基于目標(biāo)一維紋理特征的介質(zhì)辨識過程如下：

1) 利用2.1節(jié)提出的一維介質(zhì)特征提取方法對原始圖像進(jìn)行特征提取以及降維處理，得到特征數(shù)據(jù)集。

2) 構(gòu)建KNN分類器。選取合適的k值，按照式(7)計算待測目標(biāo)與已分類數(shù)據(jù)集的距離，選取距離最近的k個數(shù)據(jù)中出現(xiàn)次數(shù)最多的類別作為待測目標(biāo)的類別。

3) 采用10折交叉驗證的方法計算本方法的分類準(zhǔn)確率，將數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，1份作為測試數(shù)據(jù)，進(jìn)行試驗。

基于目標(biāo)一維紋理特征的介質(zhì)辨識方法利用灰度共生矩陣和主成分分析的融合算法從原始圖像中提取出具有判別能力的紋理特征，按照歐氏距離的相似性度量計算待識別目標(biāo)與已分類目標(biāo)的距離，最后通過判斷距離實現(xiàn)目標(biāo)的探測與識別。

3 算法的仿真驗證

為了驗證本算法在介質(zhì)識別中的有效性及抗干擾能力，分別對各種類型地面(目標(biāo))和煙霧(干擾)進(jìn)行仿真實驗。其中，地面類型有土地、耕地、草地、磚地四種，基本包括實際情況中可能出現(xiàn)的目標(biāo)。使用Matlab根據(jù)2.2節(jié)介紹的辨識算法進(jìn)行仿真。本實驗構(gòu)建的灰度共生矩陣選擇的圖像灰度級為8級，生成方向為θ=0°，生成步長為d=2，GLCM特征選擇能量、熵和對比度。由于在KNN分類器訓(xùn)練過程中，當(dāng)k取不同的值時，得到的分類準(zhǔn)確率也不同，本研究中k值取1～9。

3.1 仿真實驗數(shù)據(jù)

根據(jù)選取的輸入條件進(jìn)行仿真實驗。為了充分利用圖像信息，首先提取目標(biāo)介質(zhì)一維紋理信息的頻率和幅度作為一階特征量;再提取GLCM中能量、熵和對比度作為二階統(tǒng)計量，利用PCA進(jìn)行降維后，形成數(shù)據(jù)集;然后將特征數(shù)據(jù)集輸入到KNN分類器中進(jìn)行分類識別，從而完成對目標(biāo)介質(zhì)的辨識。

本實驗的原始圖像，如圖6所示，是使用相機(jī)拍攝結(jié)合網(wǎng)絡(luò)收集的微距相片并經(jīng)過后期簡單處理得到的。為了強(qiáng)化紋理信息，便于后期特征提取，本文采用直方圖來對原始圖像進(jìn)行均衡化。圖7為均衡化操作前后圖像的直方圖。

圖6 原始圖像Fig.6 The original image

圖7 均衡化前后圖像的直方圖Fig.7 Histograms of images before and after equalization

對進(jìn)行均衡化后的灰度圖像，沿一條直線提取灰度特征，得到初始一維紋理信息如圖8所示。

圖8 初始一維紋理信息Fig.8 Initial one-dimensional texture information

對初始一維紋理信息進(jìn)行特征提取，選擇頻率、幅度作為一階特征量，GLCM特征能量、熵和對比度作為二階特征量，形成初始特征集X。對X進(jìn)行PCA分析，結(jié)果如圖9所示。

圖9 貢獻(xiàn)率與累計貢獻(xiàn)率Fig.9 Contribution rate and cumulative contribution rate

不難看出，P=3時，特征值對應(yīng)的累計貢獻(xiàn)量已經(jīng)達(dá)到92.58%，可以認(rèn)為前三個主成分能夠代表原始數(shù)據(jù)具有的信息。因此選取前三個主成分組成特征向量Y，并形成最終的數(shù)據(jù)集，輸入KNN分類器。

3.2 本文識別算法實驗

在KNN分類器訓(xùn)練過程中，當(dāng)k取不同的值時，得到的分類準(zhǔn)確率也不同，本研究中k值取1～9，數(shù)據(jù)集中共有300條數(shù)據(jù)，其中土地、草地和煙霧一維強(qiáng)度信息各100條，采用10折交叉驗證的方法進(jìn)行仿真驗證。

由于目標(biāo)與干擾的特征向量差別明顯，可以使用KNN分類器進(jìn)行分類識別，圖10為不同k值下的分類準(zhǔn)確率。

圖10 不同k值下的分類準(zhǔn)確率Fig.10 Classification accuracy under different k values

可以看出，在k值取2時，準(zhǔn)確率達(dá)到最高，為97.2%，識別時間為4.93 ms。資料顯示目前嵌入式系統(tǒng)運(yùn)算時間最短是PC的兩倍左右，則本算法識別速率可以達(dá)到所需的10 ms量級，滿足引信平臺的使用。上述仿真驗證了基于目標(biāo)一維紋理特征的介質(zhì)辨識方法可以通過提取對象的紋理特征進(jìn)行分類識別，有效地區(qū)分目標(biāo)與干擾，具有準(zhǔn)確率高、速度快的優(yōu)點。

4 結(jié)論

本文提出基于目標(biāo)一維紋理特征的介質(zhì)探測辨識方法。該方法利用微距光電探測裝置獲取物體表面光強(qiáng)度一維分布，提取介質(zhì)表面的一維紋理信息，并對提取到的信息進(jìn)行處理，提高數(shù)據(jù)質(zhì)量，使數(shù)據(jù)特征更突出，從而快速識別介質(zhì)，同時將機(jī)器學(xué)習(xí)的方法引入目標(biāo)介質(zhì)辨識領(lǐng)域，利用K近鄰算法對目標(biāo)進(jìn)行辨識分類。仿真實驗表明，所提出的方法避免了使用二維圖像進(jìn)行分類所導(dǎo)致的數(shù)據(jù)量大、處理時間長的問題，使利用紋理特征進(jìn)行目標(biāo)分類的方法有望在軍事、宇航、檢測等行業(yè)中使用，并且識別準(zhǔn)確率較高。本方法在目標(biāo)識別姿態(tài)、深度方面，還有很大的研究空間。