許德海，魏學明，彭 垚，繆 康，任明藝

基于非完備字典的艦船特征提取和識別

許德海，魏學明，彭 垚，繆 康，任明藝

（四川長虹電子科技有限公司，四川 綿陽 621000）

提出了一種基于非完備特征字典的艦船特征提取和識別算法。借鑒稀疏表示理論的思想，根據(jù)紅外圖像中艦船的外形特征數(shù)據(jù)集構造特征字典，將目標信號進行分解，根據(jù)匹配字典中每個特征基原子得到特征響應，從而獲得目標的特征表示，最后采用SVM一對一投票方法進行目標識別，得到最終的目標識別結果。仿真實驗表明，與簡單的標量區(qū)域描述方法和矩特征方法相比，本文方法得到的特征不僅具備更快的提取速度，而且可以更好地區(qū)分目標，提高目標識別的正確率。

艦船目標；稀疏表示；特征提??；目標識別

0 引言

基于紅外圖像的海上艦船目標識別是通過對紅外圖像中最佳目標特征參數(shù)實施選擇和提取，然后依據(jù)提取出來的參數(shù)進行判別，最后根據(jù)判別結果識別出目標的一種技術?？蓮V泛用于海洋戰(zhàn)場上的警戒、監(jiān)視、情報獲取以及戰(zhàn)斗破壞評估。

經過多年的研究，國外的海上紅外艦船目標識別技術得到迅速的發(fā)展，并逐步走向成熟而得到廣泛應用。如J. S. Desilva[1]通過提取紅外艦船目標的七個Hu矩特征，然后用近鄰分類器實現(xiàn)艦船目標自動識別；P. Withagen[2]采用艦船目標的輻射、位置和形狀以及矩不變特征，然后采用馬氏距離和近臨度量進行特征分析提取，最后利用線性分類器、近距分類器以及二次非線性分類器進行綜合決策識別六大類艦船；Y. Lin, B. Bhanu等人[3]的文章中提到林肯實驗室用于進行目標鑒別所使用的14個特征，對目標的表征得到很好的效果；J. Alves[4]通過提取紅外艦船目標的邊緣直方圖，利用邊緣直方圖特征與矩特征結合，最后利用神經網絡進行艦船目標識別。

目前國際上用于海上紅外艦船目標的識別算法主要有：相關法、決策樹、人工神經網絡與SVM（支持向量機）等。由于提取的艦船目標特征有效與否直接影響分類識別結果的正確率，因此對目標特征提取算法的研究和改進至關重要。常用的艦船目標特征主要有：簡單的標量區(qū)域描述，如細長度，復雜度，緊致度，離心率等；矩特征，如Hu矩特征[5]，仿射不變特征[6]；傅里葉形狀描述子[7]等。簡單的標量區(qū)域描述對物體形狀的描述較為粗糙，Hu矩雖然具有平移、旋轉、縮放不變性但用于識別時，識別率較低；仿射不變矩具有仿射不變性，相對于Hu矩識別精度有所提高，但識別率仍舊很低；傅里葉描述子用于識別，雖然效果較好，但計算復雜。

為了解決提取的艦船目標特征不能充分表征目標造成識別精度低的問題，本文提出了一種基于非完備字典的艦船特征提取算法，通過設計一組特征基用來表征艦船的外形特征，將這些特征基原子制作成非完備字典，進行特征匹配，將匹配得到的特征響應作為特征向量，用于進行訓練和識別。從而提高了海面艦船目標識別的正確率與魯棒性。

1 艦船目標特征提取及識別

本算法首先進行圖像預處理，得到艦船目標二值圖像，然后構建艦船非完備特征字典，用非完備特征字典計算得到目標的特征響應作為特征向量，將訓練樣本特征向量進行SVM訓練，最后將待識別樣本特征向量進行SVM識別得到識別結果。算法流程圖如圖1所示。

圖1 算法流程圖

1.1 圖像預處理

紅外圖像原始數(shù)據(jù)一般是16 bit或14bit，為了便于數(shù)據(jù)的處理和顯示，需要先將數(shù)據(jù)線性映射到0～255灰度區(qū)間范圍內。艦船目標一般出現(xiàn)在海天線的附近，因而檢測海天線對艦船目標的提取至關重要。圖像預處理過程中首先使用基于模糊判定的海天線檢測算法，提取出海天線附近的目標潛在區(qū)域圖像[8]。然后在海天線附近圖像區(qū)域使用基于梯度融合的艦船目標檢測算法找到海面艦船目標的ROI區(qū)域，然后在ROI區(qū)域內對海面艦船目標進行分割[9-10]，從而獲得目標的二值圖像。艦船的二值圖像中包含艦船的外形信息，可用于提取特征進行識別。

1.2 非完備字典的構建

稀疏表示理論認為，假定信號?R可以由字典＝[1,2,…,d]?R×(＞)線性表示為：

＝(1)

式中：＝[1,2,…,]T?R，表示信號在字典下的分解系數(shù)。

稀疏表示具有2個重要性質：過完備性和稀疏性。過完備性指字典中基原子個數(shù)遠遠大于信號的維數(shù)即?。信號的稀疏性通常用非零系數(shù)的個數(shù)來定義。稀疏表示的關鍵問題就是如何選取基原子設計有效的過完備字典。

稀疏表示模型符合生物視覺特性，能夠提取到高級特征[10]，因此可以作為目標識別的依據(jù)。但是，由于在構建字典時，多使用小波、Ridgelet[12]、Curvelet[13]、Bandelet[14]、Contourlet[15]等方法，使得基原子數(shù)目過多，在用于目標識別時極大地影響特征提取速度與目標識別速度。

考慮到在目標識別時，可以只根據(jù)目標的大致輪廓推斷出目標的類別，而目標的主要形狀特征可以由少量的基原子表示，因此在提取目標特征時，可以使用包含目標主要特征基原子的特征字典。本文設計一組少量的特征基原子構造非完備字典，用來提取目標特征。相較于過完備字典，本文提出的非完備字典具有以下兩點優(yōu)勢：

1）特征提取速度快，在稀疏表示理論中過完備字典中的基原子一般有104～108個，無論是使用MP算法、OMP算法，還是一些其他類型信號分解的算法，計算消耗的時間隨著基原子個數(shù)的增加而增加，降低了艦船特征的提取速度；

2）非完備字典已經能夠充分地表示艦船外形的主要特征，在艦船識別時可以得到較高的識別率，滿足識別率的要求。

構建的特征基原子應該具有典型性、獨特性，選取的特征基原子能夠反映艦船的主要外形特征。通過觀察各類艦船目標的外形信息可以發(fā)現(xiàn)：

1）通過艦船外形完全可以區(qū)分艦船的種類；

2）艦船由船頭、船身、船尾組成，不同類型艦船的船頭、船身和船尾的外形各不相同；

3）船頭和船尾只在提取到的艦船二值圖像的左側和右側1/4處或者是右側和左側1/4處，船身在艦船二值圖像的中間部分，如圖2所示。

由上述分析可知，所設計的特征基原子應按照艦船各部分出現(xiàn)的位置分成船頭船尾和船身2個區(qū)域，船頭船尾區(qū)域根據(jù)艦船船頭船尾設計不同幾何形狀的特征基原子，一般根據(jù)船身的寬度設計不同的船身寬度的特征基原子。本文設計了3種特征基原子用于表征船頭，每種又左右對稱共6個特征基原子，3種特征基原子表征船身。由基原子的種類個數(shù)可以推斷出，上述特征基原子所組成的非完備字典可以表征9種以上不同類型的艦船，各種特征基原子如圖3所示。

圖2 艦船各部分出現(xiàn)在圖像中的區(qū)域位置

圖3 設計的9個特征基原子

式中：║×║表示矢量范數(shù)。

最后將歸一化后的特征基原子組成字典f：

1.3 艦船特征提取

船只的特征提取采用基于貪婪思想的OMP算法[16-17]，OMP算法遞歸地對原子的集合進行正交化，很好的解決了基于純貪婪思想的MP算法[18-20]存在的缺陷。OMP算法的具體步驟如下：

2）如果║(i)║＜或者＝10則停止迭代，否則執(zhí)行步驟3）。

5）在已經選擇的原子張成的空間中，計算特征響應系數(shù)：

6）更新殘差和迭代次數(shù)：

令＝＋1，返回步驟2）。

使用上述OMP算法可以將圖像信號投影到非完備特征字典f上得到特征響應，其中＝[1,2,…,9]。

響應值表示圖像的形狀特征與對應特征基原子的匹配度。因此可以使用作為艦船目標的特征向量用于訓練與識別。

1.4 艦船分類識別

在完成海面艦船檢測和特征提取之后，必須進行目標識別以判定艦船類型，從而進行威脅性和破壞性評估。支持向量機以結構風險最小為準則，推廣能力較好，在解決小樣本、非線性和高維模式識別問題時具有獨特的優(yōu)勢，因而本文采用支持向量機方法對?？占t外目標進行識別[21-23]。

采用Lagrange乘子對SVM分類問題進行求解，可將其轉化為如下形式：

式中：為樣本的特征向量；y?{＋1,－1}為樣本標記類別；{}為Lagrange乘子；表示核函數(shù)；為給定的常數(shù)，用于處理離群值。

首先采集各種類別的艦船樣本，分別計算個樣本的特征響應，組成特征向量，選擇高斯核函數(shù)，然后求解式(8)，即可得到分辨兩類樣本的分類器參數(shù)。

為解決多分類問題，采用一對一投票法[24]，即假定要區(qū)分個類別，分別構造所有可能的兩類支持向量機子分類器。在構造針對、兩類的子分類器時，從訓練樣本集中選取所有屬于這兩類的樣本作為訓練樣本，并將屬于類別的樣本標記為正，將屬于類別樣本的樣本標記為負。因此共需構造(－1)/2個子分類器。在完成(－1)/2個子分類器的訓練后，輸入待識別的艦船特征響應數(shù)據(jù)，將其用子分類器識別，如果子分類器將其識別為第類，則給類投一票，即

v＝v＋1 (8)

式中：v表示第類的計數(shù)器。

最后統(tǒng)計所有類別的得票數(shù)，得票數(shù)最多的類即為待識別艦船所屬的類別。

2 實驗結果與分析

對同樣一組樣本用本文提取到的特征分別和同時使用7個Hu矩特征、4個仿射不變特征、緊致度、細長度等特征組成的特征向量進行訓練識別，分別記錄使用不同特征提取方法的識別正確率。

實驗中本算法使用的各特征基原子尺寸均為40×120，將特征基原子歸一化后組成非完備特征字典。為解決目標的縮放問題，采用雙線性插值的方法將艦船目標二值圖像樣本縮放到和特征基原子同樣大小，最后使用OMP算法計算得到待訓練樣本和待識別樣本的特征響應值。

使用同樣的一組樣本提取其7個Hu矩特征、4個仿射不變特征、緊致度、細長度等14個特征組成特征向量用于訓練和識別。

實驗數(shù)據(jù)采集地點為煙臺黃海，在不同時間段、不同天氣狀況下采集海面艦船紅外圖像，實驗所用的目標類型分為客船、貨輪、海監(jiān)船、漁船4類。

從每類數(shù)據(jù)中隨機挑選20個作為訓練樣本，分別計算特征響應值，然后使用特征響應值組成的特征向量對支持向量機進行訓練。由于目標共分為4類，因而在采用一對一投票多分類的方法情況下，總共需要訓練12個支持向量機子分類器。

將剩余的紅外目標數(shù)據(jù)作為測試樣本，分別計算其特征響應，將其代入各個支持向量機子分類器的分類函數(shù)進行判決，通過投票的方式即可得到測試樣本的類型，完成目標識別。由于測試樣本的真實類別已知，因而可獲取目標識別的正確率。

本算法提取特征統(tǒng)計得到的識別率如表1所示。

表1 本文算法識別正確率

使用Hu矩特征，緊致度，復雜度和長寬比等特征組成特征向量進行識別統(tǒng)計得到的識別率如表2所示。

表2 基于矩和簡單標量區(qū)域特征的識別正確率

對比表1和表2可以看出，雖然本文所設計的基于非完備字典的特征提取方法所得的特征向量維數(shù)少，但識別率反而更高。因此，本文算法能夠有效地對艦船目標特征進行描述，同時由于向量維數(shù)少，在特征提取時速度更快。

3 結論

針對目標艦船特征描述不夠充分導致識別正確率較低的問題，依據(jù)稀疏表示理論，通過對艦船目標形狀特征的分析，提出一種基于非完備特征字典的艦船目標特征提取方法，并用于艦船目標識別。實驗結果表明，使用本算法提取到的目標特征用于識別，識別精度高、特征表述更充分；同時，由于本算法使用非完備字典，從而大幅度減少了字典中的原子數(shù)目，降低了匹配的復雜度，使得特征提取速度更快。下一步的研究工作，考慮在此方法的基礎上設計描述細節(jié)特征的原子，進一步識別艦船目標的具體型號。

[1] DeSilva C J S ,Lee G, Johnson R. All-aspect ship recognition in infrared images[C]//2000, Adelaide, 1995: 194-198.

[2] Paul W, Klamer S, Albert V, et al. Automatic classification of ships[C]., 1998: 39-49.

[3] Lin Y, Bhanu B. Evolutionary Feature Synthesis for Object Recognition[J]., 2005, 35(2): 156-170.

[4] Alves J, Herman J, Rowe N C. Robust recognition of ship types from an infrared silhouette[J].， 2004.

[5] Hu M K. Visual Pattern recognition by moment invariants[J]., 1962, 8(2): 179-187.

[6] Heikkil? J. Pattern matching with affine moment descriptors[J]., 2004, 37: 1825-1834.

[7] Reeves A P, Prokop R J, Andrews S E. Three-dimensional shape analysis using moments and Fourier descriptors[J]., 1988(10): 937-943.

[8] 王丁禾, 牛照東, 張聘義. 利用模糊綜合評判技術提取紅外圖像海天線[J]. 光電工程, 2012, 39(11): 67-74.

WANG Dinghe, NIU Zhaodong, ZHANG Pinyi. Sea-sky-line extraction in infrared images using Fuzzy synthetical judgment[J]., 2012, 39(11): 67-74.

[9] 王丁禾. 復雜場景紅外艦船目標實時檢測技術研究[D]. 長沙: 國防科技大學, 2012.

WANG Dinghe. Research on real-time techniques of infrared ship target detection in complex scenes[D]. Changsha: Graduate School of National University of Defense Technology, 2012.

[10] 邢莎, 吉林, 雍楊, 等. 復雜場景下的自動紅外艦船目標檢測[J]. 紅外技術, 2014, 36(4): 320-325.

XING Sha, JI Lin, YONG Yang, et al. Automatic infrared warship target detection under complicated background[J]., 2014, 36(4): 320-325.

[11] 孫玉寶. 圖像稀疏表示模型及其在圖像處理反問題中的應用[D]. 南京: 南京理工大學, 2010.

SUN Yubao. Sparse representation of images and its application to inverse problems in image processing[D]. Nanjing: Nanjing University of Science and Technology, 2010.

[12] Cnades E J. Ridgelets: theory and application[D]. Stanford: Stanford University, 1998.

[13] Candes E J, Donoho D L. Curvelets-a surprisingly effective non-adaptive representation for objects with edges[R]. Stanford University, 1999.

[14] Pennec E L, Mallat S. Sparse geometric image representations with bandelets[J]., 2005, 14(4): 423-438.

[15] M N Do, Vetterli M. The contourlet transform: an efficient directional multiresolution image representation [J]., 2005, 14(12): 2091-2106.

[16] Pati Y C, Rezaiifar R, Krishnaprasad P S. Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition[C]//, 1993, 1: 40-44.

[17] Davis G, Mallat S, Avellaneda M. Greedy adaptive approximation[J]., 1997, 13(1): 57-98.

[18] Bergeaud F, Mallat S G. Matching pursuit: adaptive representations of images and sounds[J]., 1996, 15(2): 97-109.

[19] Mallat S G, Zhang Z. Matching pursuit with time-frequency dictionaries[J]., 1993, 14(12): 3397-3415.

[20] Mallat S G, Davis G, Zhang Z. Adaptive time-frequency decompositions[J]., 1994, 33(7): 2183-2191.

[21] Graf A B, Smola A J, S Borer. Classification in a normalized feature space using support vector machines[J]., 2003, 14(3): 597-605.

[22] Tan Y, Wang J. A support vector machine with a hybrid kernel and minimal Vapnik-Chervonenkis dimension[J]., 2004, 16(4): 385-395.

[23] Weston J, Watkins C. Multi-class support vector machines[R]. Technical Report CSD-TR-98-04, Department of Computer Science, Royal Holloway, University of London, May, 1998.

[24] 趙斌. 多值SVM分類投票法的改進[D]. 武漢: 武漢科技大學, 2007.

ZHAO Bin. The improvement of the voting method for multi-class SVM classification[D]. Wuhan: Wuhan University of Science and Technology, 2007.

Feature Extraction and Recognition of Ships by an Uncompleted Dictionary

XU Dehai，WEI Xueming，PENG Yao，MIAO Kang，REN Mingyi

(,,621000,)

This paper presents a novel approach of extracting ships feature by an uncompleted dictionary. First, we refer to the thought of sparse representation, and the uncompleted dictionary is constructed in terms of various ships shape in infrared images. Furthermore, using orthogonal matching pursuit algorithm to decompose the ship target signal, we obtain a ship response that describes the target feature. Finally, the classification result is decided by voting strategy. The results of experimentation indicate that the proposed approach has better performance than moments feature, compactness, rectangularity and so on.

infrared image，image processing，feature extraction，pattern recognition

TN911.73

A

1001-8891(2016)09-0765-05

2016-01-06；

2016-03-02.

許德海（1992-），男，黑龍江省鶴崗市人，本科，從事數(shù)字圖像處理和機器視覺。