胡福東，白宏陽，李成美，孫瑞勝

(南京理工大學(xué) 能源與動(dòng)力工程學(xué)院，南京 210094)

【信息科學(xué)與控制工程】

基于改進(jìn)的胡氏不變矩的坦克識(shí)別方法

胡福東，白宏陽，李成美，孫瑞勝

(南京理工大學(xué) 能源與動(dòng)力工程學(xué)院，南京 210094)

針對(duì)基于胡氏不變矩的坦克識(shí)別率低、在圖像離散采樣的情況下受圖像尺度變化影響的問題，進(jìn)行了圖像尺度不變性研究，設(shè)計(jì)了一種基于改進(jìn)的胡氏不變矩的坦克識(shí)別方法；為解決最大類間方差法在復(fù)雜背景下圖像分割閾值與真實(shí)閾值發(fā)生偏移的問題，采用改進(jìn)的最大類間方差法分割圖像，減少了偏移量。將胡氏不變矩和改進(jìn)的胡氏不變矩的算法進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：相對(duì)于采用胡氏不變矩的坦克識(shí)別方法，改進(jìn)后的識(shí)別方法識(shí)別率提高了22%，該方法運(yùn)算時(shí)間減少了80 ms，能克服圖像的尺度變化造成的影響。

坦克識(shí)別；胡氏不變矩；最大類間方差法

隨著計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)的發(fā)展，目標(biāo)識(shí)別技術(shù)在軍事領(lǐng)域和航空航天、科學(xué)探測(cè)以及視頻監(jiān)控等民用領(lǐng)域具有越來越廣泛的應(yīng)用。特別是在軍事領(lǐng)域中，若對(duì)地面上的坦克進(jìn)行有效識(shí)別，就可以對(duì)坦克進(jìn)行精確打擊，大大提高武器系統(tǒng)的運(yùn)動(dòng)攻擊性能及作戰(zhàn)指標(biāo)。

目前坦克的識(shí)別手段主要包括紅外探測(cè)、激光雷達(dá)、光學(xué)等方式。紅外探測(cè)具有探測(cè)能力強(qiáng)、作用距離遠(yuǎn)等優(yōu)點(diǎn)，但它易受大氣輻射、視角、距離及環(huán)境背景等因素的影響，得到的圖像對(duì)比度差、噪聲大，目標(biāo)邊緣模糊識(shí)別穩(wěn)健性不高[1-2]；激光雷達(dá)可以同時(shí)獲得目標(biāo)的強(qiáng)度像和距離像，通過對(duì)目標(biāo)的四維成像大大提高了目標(biāo)的信息量，但它的使用成本較高、占用空間面積較大[3-4]；光學(xué)探測(cè)由于其成本較低，易于實(shí)現(xiàn)等優(yōu)點(diǎn)，常用于目標(biāo)識(shí)別領(lǐng)域。

采用光學(xué)方式識(shí)別坦克，主要提取坦克的特征信息。坦克的特征主要包括Zernike矩特征[5]、胡氏不變矩特征、小波矩特征。由于胡氏不變矩在圖像連續(xù)采樣的情況下具有平移和旋轉(zhuǎn)不變性、縮放不變性等優(yōu)點(diǎn)經(jīng)常作為坦克的特征，但在圖像離散采樣的情況下，不同尺度下的坦克識(shí)別率為70%[6]，很難對(duì)坦克進(jìn)行精確識(shí)別。基于此，本文提出了一種改進(jìn)的胡氏不變矩的坦克識(shí)別方法，該方法首先采用改進(jìn)的最大類間方差法對(duì)圖像進(jìn)行圖像分割，提取所需目標(biāo)；然后采用改進(jìn)的胡氏不變矩提取目標(biāo)特征；最后采用歐式距離計(jì)算待識(shí)別圖形與數(shù)據(jù)庫(kù)中圖形特征之間的相似度，根據(jù)相似度大小實(shí)現(xiàn)對(duì)坦克的識(shí)別。仿真實(shí)驗(yàn)表明，該識(shí)別算法能夠在不同尺度下有較高的識(shí)別率、運(yùn)算速率高。

1 改進(jìn)的最大類間方差理論

最大類間方差法[7-9](即otsu算法)是由大津提出的，它通過計(jì)算目標(biāo)區(qū)域與背景區(qū)域平均灰度的最大方差確定閾值，通過閾值實(shí)現(xiàn)圖像的分割。

假設(shè)圖像像素最大的灰度值為L(zhǎng)。灰度值為i的像素值個(gè)數(shù)為ni，則總的像素個(gè)數(shù)為N，如式(1)所示

(1)

各灰度值出現(xiàn)的概率為pi，如式(2)所示

(2)

假設(shè)當(dāng)前圖像像素用一個(gè)閾值t分為兩個(gè)部分C0和C1，其中C0是由0～t灰度范圍內(nèi)的像素組成，C1是由t+1～L-1灰度范圍內(nèi)的像素組成，C0出現(xiàn)的概率PC0和C1出現(xiàn)的概率PC1分別如下

(3)

C0、C1兩類的灰度均值ωC0、ωC1分別為

(4)

圖像總的灰度平均值ω0為

(5)

(6)

建立新的方差σ2如式(7)所示

σ2=PC0(VA-V0)2+PC1(VB-V0)2

(7)

式中：

(8)

(9)

(10)

(11)

(12)

(13)

其中，Δ0、ΔA、ΔB分別表示區(qū)域C0、區(qū)域C1和與整幅圖片的方差。

從0～L-1依次改變t值，取到σ2最大時(shí)t即為最佳閾值。

2 改進(jìn)的胡氏不變矩理論

胡氏不變矩是提取圖形態(tài)特征的一種方法，在連續(xù)圖像下具有平移、旋轉(zhuǎn)不變性等優(yōu)點(diǎn)，常用于圖像識(shí)別領(lǐng)域。

先設(shè)一個(gè)M×N數(shù)字圖像的灰度分布為f(x,y)，那么它的(p+q)階幾何矩mpq定義如式(14)所示

(14)

式中：x,y是圖像的坐標(biāo)點(diǎn)；M,N是圖像的總行數(shù)和總列數(shù)。

中心矩μpq的定義如式(15)所示

(15)

式中：(x0,y0)是矩心，x0=m10/m00，y0=m01/m00；p,q=0,1,2,…，m10是圖像的(1+0)階幾何矩；m00是圖像的(0+0)階幾何矩；m01是圖像的(0+1)階幾何矩。

用零階中心矩μpq進(jìn)行歸一化，歸一化中心矩ηpq為

(16)

構(gòu)造胡氏不變矩[10-12]Φ1～Φ7為：

Φ1=η20+η02

Φ2=(η20-η02)2+4η11

Φ3=(η30-3η12)2+(3η31-η03)2

Φ4=(η30+η12)2+(η21+η03)2

Φ5=(η03-3η12)(η30+η12)+ [(η30+3η12)2-3×(η21+η03)2]+ (3η21-η03)(η21+η03)× [3(η30+η12)2-(η21+η03)2]

Φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+ 4η11(η30+η12)(η21+η03)

Φ7=(3η21-η03)(η30+η12)× [(η30+η12)2-3×(η21+η03)2]+ (3η21-η30)(η21+η03)× [3(η30+η12)2-(η21+η03)2]

(17)

式中：Φ1～Φ7為胡氏不變矩的7個(gè)矩不變量。

這7個(gè)矩不變量在離散圖像的情況下只具有旋轉(zhuǎn)和平移不變性，并且在不同尺度下7個(gè)矩不變量有很大變化。針對(duì)該問題，采用改進(jìn)的胡氏不變矩[13-15]，使得改進(jìn)的胡氏不變矩中的10個(gè)不變量與尺度無關(guān)。

改進(jìn)的胡氏不變矩I1～I(xiàn)10公式為：

(18)

式中：I1～I(xiàn)10為改進(jìn)的胡氏不變矩的10個(gè)矩不變量。

3 坦克的識(shí)別

首先對(duì)待識(shí)別圖像進(jìn)行圖像的預(yù)處理，主要包括對(duì)圖像的中值濾波。中值濾波是為了提高圖像的品質(zhì)。采用改進(jìn)的最大類間方差法對(duì)預(yù)處理后的圖像進(jìn)行圖像分割，提取所需的目標(biāo)；對(duì)分割后的圖像進(jìn)行形態(tài)學(xué)處理；采用改進(jìn)的胡氏不變矩計(jì)算目標(biāo)的10個(gè)特征值；采用歐式距離計(jì)算待識(shí)別圖形與數(shù)據(jù)庫(kù)中圖形特征之間的相似度，取最小的相似度所對(duì)應(yīng)的模板圖像，判斷該模板圖像屬于哪一類模板，若屬于含有坦克的模板，那么待測(cè)圖片含有坦克，否則不含有坦克。基于改進(jìn)的胡氏不變矩的坦克識(shí)別算法的流程如圖1所示。

4 實(shí)驗(yàn)及其結(jié)果分析

為了驗(yàn)證本文提出的基于改進(jìn)的胡氏不變矩的坦克識(shí)別算法的有效性和實(shí)時(shí)性，選取了50張圖片進(jìn)行實(shí)驗(yàn)，處理器為AMD phenom(tm) Ⅱ N930 Quad-Core Processor 2.00 GHz，4 G內(nèi)存。實(shí)驗(yàn)的樣本共4類，分別為坦克、轎車、貨車、挖掘機(jī)。其中坦克14張包含了坦克的旋轉(zhuǎn)和縮放的圖片，貨車12張包含了貨車的旋轉(zhuǎn)和縮放的圖片，轎車12張包含了轎車的旋轉(zhuǎn)和縮放的圖片，挖掘機(jī)12張包含了挖掘機(jī)的旋轉(zhuǎn)和縮放的圖片，分辨率為480×320。取其中的7張?zhí)箍藞D片、5張貨車圖片、5張轎車圖片、5張挖掘機(jī)圖片作為測(cè)試的樣本，其余作為訓(xùn)練樣本(樣本示例如圖2)。

圖1 基于改進(jìn)的胡氏不變矩的坦克識(shí)別算法流程

圖2 4類樣本示例圖

實(shí)驗(yàn)中采用區(qū)域?qū)Ρ榷萊CT評(píng)價(jià)圖像品質(zhì)好壞，其定義如式(19)所示

(19)

其中：μ1為圖像的像素值在0到分割閾值t之間的均值；μ2為圖像的像素值在t+1到L之間的均值。

采用以下評(píng)價(jià)指標(biāo)對(duì)坦克的識(shí)別效果進(jìn)行評(píng)價(jià)：識(shí)別率τ其定義如式(20)所示

(20)

其中：N1是測(cè)試樣本中該算法識(shí)別坦克正確的個(gè)數(shù)；N2是測(cè)試樣本的個(gè)數(shù)。

如圖3所示，對(duì)部分樣本分別采用otsu算法分割圖像提取目標(biāo)與采用改進(jìn)的otsu算法分割圖像提取目標(biāo)，其中圖3(a1)～圖3(a4)為原圖，圖3(b1)～圖3(b4)為中值濾波圖，圖3(c1)～圖3(c4)為改進(jìn)的otsu算法處理結(jié)果圖，圖3(d1)～圖3(d4)為改進(jìn)的otsu算法對(duì)應(yīng)的形態(tài)學(xué)處理結(jié)果圖，圖3(e1)～圖3(e4)為otsu算法處理結(jié)果圖，圖3(f1)～圖3(f4)為otsu算法對(duì)應(yīng)的形態(tài)學(xué)處理結(jié)果圖。表1為部分樣本采用otsu算法提取目標(biāo)與采用改進(jìn)的otsu算法提取目標(biāo)的圖像分割評(píng)價(jià)表。從圖3和表1中可以看出改進(jìn)的otsu算法分割圖像，目標(biāo)中含有噪聲較少并且圖像的區(qū)域?qū)Ρ榷容^大，圖像分割品質(zhì)較高。

表1 圖像分割評(píng)價(jià)

圖4所示為對(duì)樣本中的部分坦克采用改進(jìn)的胡氏不變矩獲取的特征值。其中可以看出坦克目標(biāo)的特征值相差不大。圖5所示為對(duì)不同的地面目標(biāo)采用改進(jìn)的胡氏不變矩獲取的特征值。由其中可以看出不同目標(biāo)的特征值相差較大。

圖4 采用改進(jìn)的胡氏不變矩取坦克的特征值

圖5 采用改進(jìn)的胡氏不變矩取不同目標(biāo)的特征值

采用歐式距離方法計(jì)算測(cè)試的樣本與訓(xùn)練的樣本特征值之間的相似度，取其最小的相似度所對(duì)應(yīng)的模板圖像，判斷該模板圖像屬于哪一類模板圖像，若屬于含有坦克的模板圖像，那么測(cè)試樣本含有坦克，否則不含有坦克，識(shí)別結(jié)果如表2所示。

表2 采用改進(jìn)的胡氏不變矩的識(shí)別效果

為了驗(yàn)證本文提的算法的有效性和實(shí)時(shí)性，對(duì)相同樣本分別采用胡氏不變矩、改進(jìn)的胡氏不變矩進(jìn)行對(duì)比實(shí)驗(yàn)，識(shí)別效果如表3所示。

表3 兩種不同算法的識(shí)別效果

由表3可知，由本文提出的改進(jìn)的胡氏不變矩，對(duì)地面上的坦克進(jìn)行識(shí)別比采用胡氏不變矩取其特征進(jìn)行識(shí)別高出22個(gè)百分點(diǎn)，識(shí)別時(shí)間有所減小。結(jié)果表明，本研究提出的改進(jìn)的胡氏不變矩對(duì)坦克的識(shí)別識(shí)別率較高，識(shí)別速率較快。

5 結(jié)論

提出了一種改進(jìn)的胡氏不變矩的坦克識(shí)別方法，該方法首先采用改進(jìn)的最大類間方差法對(duì)圖像進(jìn)行圖像分割，提取所需目標(biāo)；然后采用改進(jìn)的胡氏不變矩提取目標(biāo)特征；最后采用歐式距離計(jì)算待識(shí)別圖形與數(shù)據(jù)庫(kù)中圖形特征之間的相似度，根據(jù)相似度大小實(shí)現(xiàn)對(duì)坦克的識(shí)別。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)的胡氏不變矩的坦克識(shí)別方法識(shí)別率較高，識(shí)別速率較快，能保證實(shí)時(shí)性，能夠克服圖像尺度變化的影響。

[1] 易亞星,姚梅,吳軍輝,等.影響紅外目標(biāo)探測(cè)亮度的因素[J].紅外與激光工程,2014,43(1):13-18.

[2] FU L,PANG X,WANG Q,et al.Equipment Calibration and Analysis of Influencing Factors of Infrared Detection[C]//27th Chinese Control and Decision Conference.China:Shandong,2015:358-363.

[3] ARMBRUSTER W,HAMMER M.Maritime Target Identification in Flash-Ladar Imagery[J].Proc Spie,2012,8391(1):181-195.

[4] MAO S,LI L,GUO J,et al.A Novel Obstacle Detection Method Based on Monocular Camera and Laser Radar[C]//8th International Symposium on Computational Intelligence and Design.China:Zhejiang,2015:511-515.

[5] NASRUDIN M W,YAAKOB S N,OTHMAN R R,et al.Analysis of Geometric,Zernike and United Moment Invariants Techniques Based on Intra-class Evaluation[C]// 5th International Conference on Intelligent Systems,Modelling and Simulation.USA:Washington.,2014:7-11.

[6] 孫貝.基于矩特征提取的圖像識(shí)別算法研究[D].太原：太原理工大學(xué),2010.

[7] OTSU N.A threshold selection method from gray-level histogram[J].IEEE Trans.On Syst Man Cybern,1979:62-66．

[8] 宋文青,王英華,盧紅喜,等.基于冪次變換的SAR圖像Otsu分割法[J].系統(tǒng)工程與電子技術(shù),2015,37(7):1504-1511.

[9] TALAB A M A,HUANG Z,XI F,et al.Detection Crack in Image Using Otsu Method and Multiple Filtering in Image Processing Techniques[J].Optik - International Journal for Light and Electron Optics,2016,127(3):1030-1033.[10]HU M K.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory,1962,8(2):179-187.

[11]戚大偉,牟洪波.基于Hu不變矩和BP神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2013,43(S1):63-66.

[12]WIDIASTUTI N I,SUHENDAR R.Scattered Object Recognition Using Hu Moment Invariant and Backpropagation Neural Network[C]//3rd International Conference on Information and Communication Technology.France:Rennes,2015:578-583.

[13]CHEN C C.Improved Moment Invariant for Shape Discrimination[J].Pattern Recognition,1993,26(5):683-686.

[14]張明恒,韓月林,趙一兵,等.基于改進(jìn)Hu不變矩的路面交通標(biāo)識(shí)識(shí)別[J].大連理工大學(xué)學(xué)報(bào),2012,52(6):908-913.

[15]LI G,OU Q,LUO J.An Improved Hu-Moment Algorithm in Gesture Recognition Based on Kinect Sensor[J].Information Technology Journal,2013,12(14):2963-2968.

(責(zé)任編輯楊繼森)

Tank Recognizing Based on Improved Hu Invariant Moments

HU Fu-dong，BAI Hong-yang，LI Chen-mei，SUN Rui-sheng

(School of Energy and Power Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

To solve the problem of low recognition rate of tank based on Hu invariant moments and the effect of the change of image scale in the case of discrete image, image scale in-variance was studied and a new method of tank recognition based on improved Hu invariant moments was designed; In order to solve the problem that the threshold of image segmentation threshold and the real threshold value are shifted in complex background, the improved maximum between-class variance was used to segment the image and reduced offset. A experiment was carried out to compare the invariant moments and the modified Hu invariant moments. The experimental results show that that compared with the method that Hu invariant moments is adopted to recognize a tank, and the recognition rate of the improved recognition increased by 22%, and the computation time of the method reduces 80 ms and it can overcome the influence of the scale change of image.

recognition of tank; Hu invariant moments; maximum between-class variance

2016-07-19；

中國(guó)航空科學(xué)基金(20145159002)

胡福東(1991—)，男，碩士研究生，主要從事武器制導(dǎo)、圖像處理研究。

白宏陽(1983—)，男，講師，碩士生導(dǎo)師，主要從事衛(wèi)星/慣性導(dǎo)航技術(shù)方面的研究。

10.11809/scbgxb2016.12.023

胡福東，白宏陽，李成美，等.基于改進(jìn)的胡氏不變矩的坦克識(shí)別方法[J].兵器裝備工程學(xué)報(bào)，2016(12):100-104.

format:HU Fu-dong，BAI Hong-yang，LI Chen-mei，et al.Tank Recognizing Based on Improved Hu Invariant Moments[J].Journal of Ordnance Equipment Engineering,2016(12):100-104.

TP391

A

2096-2304(2016)12-0100-05

修回日期：2016-08-15