帥通 孫康 師本慧 陳金勇

（中國電子科技集團(tuán)公司第五十四研究所，石家莊050081）

面向亞米級遙感圖像的艦船目標(biāo)自動識別方法

帥通 孫康 師本慧 陳金勇

（中國電子科技集團(tuán)公司第五十四研究所，石家莊050081）

隨著光學(xué)遙感技術(shù)的發(fā)展，空間分辨率不斷提高，為艦船目標(biāo)自動識別提供了數(shù)據(jù)基礎(chǔ)，但是目前缺失成熟的技術(shù)方法來實現(xiàn)對艦船型號的自動識別。本文基于經(jīng)典的局部不變性特征提取算子SIFT，提出了一種艦船目標(biāo)的自動識別算法，主要包括特征提取、特征描述、特征匹配和目標(biāo)確認(rèn)等步驟，通過相同型號目標(biāo)和不同型號目標(biāo)在特征匹配時表現(xiàn)出的差異性來對目標(biāo)匹配結(jié)果進(jìn)行判別，從而基于目標(biāo)庫實現(xiàn)對未知目標(biāo)型號的識別。實驗結(jié)果顯示，基于構(gòu)建的目標(biāo)切片庫，該自動識別流程能夠?qū)Ω信d趣艦船目標(biāo)進(jìn)行有效識別，總識別率達(dá)92%，其中軍用艦船目標(biāo)識別率高達(dá)100%，這與同一型號軍用艦船表面的布局具有高度的一致性有關(guān)。該方法為艦船目標(biāo)的自動精細(xì)識別提供了一種新的思路，具有廣泛的應(yīng)用潛力。

亞米級；遙感；艦船目標(biāo)；自動識別

一、引言

遙感技術(shù)具有大范圍、多時相、高動態(tài)的探測特點，在艦船目標(biāo)探測和識別中具有獨特的優(yōu)勢，能夠為海上交通監(jiān)測、漁業(yè)監(jiān)測、海上應(yīng)急救援、出入境監(jiān)控等提供快速、準(zhǔn)確的信息支持。

發(fā)展前期，由于遙感影像空間分辨率不足，主要用于對艦船目標(biāo)的檢測，且以SAR數(shù)據(jù)為主，主要是因為光學(xué)遙感圖像易受氣象條件影響所致。隨著空間探測技術(shù)的發(fā)展，遙感影像空間分辨率也在不斷提高，國外軍事衛(wèi)星、商業(yè)衛(wèi)星等早已達(dá)到亞米級分辨率，而我國隨著高分專項的逐步推進(jìn)，也正在逐步邁入高分辨率對地觀測時代。這不僅為資源調(diào)查、環(huán)境監(jiān)測、目標(biāo)探測以及目標(biāo)識別等需求提供了大量的遙感數(shù)據(jù)，也將促使艦船目標(biāo)遙感探測技術(shù)從艦船目標(biāo)檢測向艦船目標(biāo)型號自動識別發(fā)展。光學(xué)圖像因其具有成像直觀、目標(biāo)幾何細(xì)節(jié)保留清晰等優(yōu)點，在對艦船目標(biāo)進(jìn)行進(jìn)一步分類、解譯和確認(rèn)時具有更大的優(yōu)勢。

受限于數(shù)據(jù)源的問題，目前基于高分辨率光學(xué)遙感圖像進(jìn)行艦船型號自動識別的研究很少，尚未形成完善、可靠的目標(biāo)識別流程。對艦船目標(biāo)型號的自動識別，不能僅依賴于艦船目標(biāo)的長度、寬度、面積、長寬比等幾何參量，而應(yīng)結(jié)合艦船內(nèi)部亞目標(biāo)或特征點的分布信息，通過艦船上的布局構(gòu)造信息來對艦船型號實現(xiàn)自動識別。本受機器視覺相關(guān)研究的啟發(fā)，擬基于局部不變性特征來實現(xiàn)對艦船目標(biāo)型號的自動識別。

局部不變性特征是一種基于尺度空間的，對圖像平移、旋轉(zhuǎn)、縮放及灰度線性變化能夠進(jìn)行不變性描述的圖像局部特征點描述方法，在人臉識別、指紋識別等領(lǐng)域取得了廣泛應(yīng)用。光學(xué)遙感圖像中的艦船目標(biāo)可能來源于不同的傳感器，具有不同的分辨率，相同型號目標(biāo)也可能顯示出不同的尺度、指向、位置、輻亮度，因此該算法適用于艦船型號的自動識別。局部不變性特征已經(jīng)發(fā)展了很多算法，其中以SIFT（Scale Invariant Feature Transform）算法最為經(jīng)典，它是一種高效的圖像局部不變性特征點的檢測算法,且已經(jīng)在遙感圖像配準(zhǔn)等遙感圖像處理領(lǐng)域表現(xiàn)出優(yōu)異的性能。

綜上所述，本文擬基于經(jīng)典的局部不變性特征提取算法SIFT開展艦船目標(biāo)型號識別研究，為基于高分辨率光學(xué)遙感數(shù)據(jù)的艦船目標(biāo)自動識別提供解決思路。

二、艦船目標(biāo)庫的構(gòu)建

本研究從開放平臺Google Earth上截取不同類型的高分辨率艦船切片構(gòu)成一個小型的艦船目標(biāo)切片庫，包含軍民各類船只共計切片26幅，如圖 1所示，用于驗證基于局部不變性特征的艦船目標(biāo)識別算法的效果。結(jié)合艦船長度、寬度數(shù)據(jù)以及艦船幾何形狀，通過人工解譯的方法可以判定圖1中三個黑框內(nèi)的艦船切片屬于同一型號艦船，尤其是黑框2和黑框3內(nèi)的艦船具有非常一致的艦船形狀和布局，而黑框1內(nèi)的兩個集裝箱運輸船，并沒有太明顯的一致性紋理特征，但從長度、寬度以及用途上可以判斷為同一類型船只。

三、艦船目標(biāo)自動識別算法

基于局部不變性特征的艦船目標(biāo)自動識別主要包括SIFT特征提取、特征描述、特征匹配和目標(biāo)確認(rèn)四個步驟，分別描述如下：

3.1 SIFT特征的提取

在尺度空間中對SIFT特征點進(jìn)行檢測，能夠保證檢測到的局部特征點具備尺度不變性的特質(zhì)。高斯卷積核是唯一的線性變化核，因此尺度空間被定義為：

其中 G(x,y,)是在尺度下的高斯函數(shù)卷積核：

SIFT算法在尺度空間檢測特征點，首先將某一尺度相鄰的兩個高斯尺度空間圖像進(jìn)行相減，得到對應(yīng)高斯差的響應(yīng)值圖像D(x,y,)。再對響應(yīng)值圖像的非最大值進(jìn)行抑制，同時在尺度空間和位置上對特征點進(jìn)行定位。

通過同一組內(nèi)各高斯差相鄰層之間的比較來對特征點進(jìn)行搜索。每個采樣點需與其同一尺度以及相鄰尺度下的所有相鄰點進(jìn)行比較，看它是否比這些點的值大，以此尋找尺度空間的極值點。通過以上流程對尺度空間的特征點進(jìn)行檢測，可以得到它所在的尺度和位置。

3.2 SIFT特征的描述

對SIFT特征點進(jìn)行描述主要包括特征點主方向和特征矢量兩部分。

確定特征點的主方向，能夠保證對特征點特征向量的描述保持旋轉(zhuǎn)不變性，主方向可以利用特征點周圍區(qū)域像素的梯度幅值大小及方向分布的特性得到。

具體計算方法如下：對以特征點為中心的鄰近區(qū)域進(jìn)行采樣，并對鄰域像素中每個梯度方向的累加值進(jìn)行統(tǒng)計。其中，在對梯度方向直方圖進(jìn)行統(tǒng)計時，為降低距離特征點較遠(yuǎn)處像元值的影響，采用高斯模板對每個梯度值進(jìn)行加權(quán)處理，模板參數(shù)設(shè)為所在尺度的1.5倍。在統(tǒng)計的梯度方向直方圖中檢索其中的峰值，峰值所對應(yīng)的梯度方向即作為該特征點的主方向。

為保證提取特征具備旋轉(zhuǎn)不變性，將圖像坐標(biāo)方向旋轉(zhuǎn)到特征點對應(yīng)主方向，再以特征點為中心取一個16×16的區(qū)域。然后將這個區(qū)域再劃分為4×4個小區(qū)域，每個小區(qū)域的大小為4×4個像素，在每個小區(qū)域塊中計算8個梯度方向的統(tǒng)計直方圖。

對以上16個小區(qū)域塊中的8方向梯度值按照位置進(jìn)行排序，構(gòu)成一個128 維（16×8）的特征向量，該特征向量即為SIFT特征點的描述子，此時構(gòu)建的描述子已經(jīng)去除了尺度、旋轉(zhuǎn)等幾何形變因素對特征描述的影響，然后將描述子的長度進(jìn)行歸一化，以降低輻照度對特征描述的影響。

3.3 特征匹配

對特征點進(jìn)行匹配主要包括特征匹配和匹配對提純兩部分。

特征匹配的原理可以描述為：令樣本圖像內(nèi)的特征點集為基準(zhǔn)集{pi}，i=1,…,n，令待識別目標(biāo)圖像內(nèi)的特征點集為目標(biāo)集{qj}，j=1,…,m。對目標(biāo)集中每一個qj，在基準(zhǔn)集中總能找到距離最近的pi，則qj和pi可組成一組數(shù)據(jù)匹配對。進(jìn)行特征匹配的方法主要可以分為兩種：一種是線性掃描法，也稱為窮舉法，是將目標(biāo)集中的點與基準(zhǔn)集逐一進(jìn)行距離比較求取最近匹配對，因此無需數(shù)據(jù)預(yù)處理，操作相對簡單，但搜索效率偏低；第二種是建立數(shù)據(jù)索引，然后再進(jìn)行快速匹配，可以大大加快檢索的速度，但建立索引結(jié)構(gòu)需要比較高昂的代價，如Kd-樹（K-dimension Tree）等。本研究數(shù)據(jù)量不大,因此采用第一種算法進(jìn)行匹配。

即使匹配對中兩個特征點的距離是最近的，但由于誤差的存在也并不能確定它們指向一致的目標(biāo)位置，因此需要對匹配對進(jìn)行篩選，剔除錯誤的匹配對。通常能夠正確匹配的兩幅圖像存在透視變換關(guān)系，則正確的匹配對的變換關(guān)系應(yīng)具有一致性。本研究采用經(jīng)典的隨機抽樣一致性RANSAC（Random Sample consensus）算法對匹配結(jié)果進(jìn)行提純，它實現(xiàn)簡單，性能良好。RANSAC算法的核心思想是首先創(chuàng)建一個誤差判斷模型，然后隨機抽取一定符合條件的數(shù)據(jù)（本研究初始抽樣4對），通過誤差判斷模型反復(fù)地迭代、測試（本研究迭代次數(shù)為2000），最終找到一個誤差最小的模型，用來區(qū)分一致性數(shù)據(jù)和非一致性數(shù)據(jù)，達(dá)到匹配對提純的目的。

將相同型號艦船目標(biāo)和不同型號艦船目標(biāo)分別進(jìn)行SIFT特征點匹配，效果如圖2和圖3所示?？梢钥闯鰞上嗤吞柵灤钠ヅ潼c提取準(zhǔn)確，局部細(xì)節(jié)特征匹配精準(zhǔn)，匹配對具有高度的一致性；而不同型號艦船目標(biāo)的匹配結(jié)果非常雜亂，且匹配對數(shù)很少。由于在利用隨機抽樣一致性算法進(jìn)行匹配對提純時，初始設(shè)置抽樣數(shù)為4，所以匹配結(jié)果的誤差基數(shù)為4，即將不同目標(biāo)進(jìn)行強制匹配，則匹配對數(shù)一般也會在4個以上。

3.4 目標(biāo)確認(rèn)

根據(jù)待識別目標(biāo)和目標(biāo)庫切片的匹配結(jié)果進(jìn)行艦船目標(biāo)型號的確認(rèn)。將待識別目標(biāo)同目標(biāo)庫的艦船切片進(jìn)行依次匹配，并記錄匹配對數(shù)，鎖定匹配對數(shù)最大的艦船切片作為最佳匹配切片。由于匹配誤差的存在，并不是最佳匹配切片就是目標(biāo)識別的最終結(jié)果，本研究根據(jù)目標(biāo)匹配算法需求設(shè)定匹配閾值N。若最大匹配對數(shù)大于匹配閾值N，則認(rèn)為該最佳匹配切片為目標(biāo)識別最終結(jié)果，待識別目標(biāo)具有同最佳匹配切片相一致的艦船型號和屬性；若最大匹配對數(shù)小于等于匹配閾值N，則認(rèn)為目標(biāo)庫中沒有與待識別目標(biāo)相同型號的艦船目標(biāo)。

具體流程如圖 所示。

四、艦船目標(biāo)識別結(jié)果

基于圖1所示的艦船目標(biāo)切片庫，任意取出一個目標(biāo)作為待識別目標(biāo)，剩余切片作為目標(biāo)切片庫，將待識別目標(biāo)同目標(biāo)庫中的其他切片依次進(jìn)行匹配，用來進(jìn)行目標(biāo)識別算法的驗證，則共有待識別目標(biāo)26個，每個待識別目標(biāo)匹配運算25次，共計650次，耗時1237秒，平均每次SIFT特征匹配和判定輸出共計耗時1.9秒。由于RANSAC提純算法隨機抽樣誤差基數(shù)為4，考慮存在一定的錯誤匹配誤差，本研究將匹配閾值N設(shè)定為誤差基數(shù)的2倍，即N=8。

最終艦船目標(biāo)的識別結(jié)果如表1所示?？梢姡?6個艦船目標(biāo)的自動識別結(jié)果正確24個，錯誤2個，正確識別率為92%。自動識別錯誤的12號和13號艦船目標(biāo)為集裝箱運輸船，其船體絕大部分被集裝箱覆蓋，僅在船頭、邊緣和船尾有部分船體暴露，很難獲取局部不變性特征，這可能是導(dǎo)致自動識別失敗的主要原因。而軍用艦船目標(biāo)（編號2、3、4、7、8）全部自動被識別出來，識別率高達(dá)100%。

五、結(jié)論

本文基于經(jīng)典的局部不變性特征SIFT提取算法，對其在高分辨率遙感圖像艦船目標(biāo)型號識別中的應(yīng)用開展了研究分析。結(jié)果表明，本文基于SIFT算子提出的艦船目標(biāo)識別算法能夠有效對艦船型號進(jìn)行匹配和識別，總正確識別率高達(dá)92%，其中針對軍用艦船的識別率高達(dá)100%，這主要是由于同一型號軍用艦船的表面布局具有高度的一致性所致。

除應(yīng)用在對艦船目標(biāo)的自動識別領(lǐng)域外，本文提出的方法還可以應(yīng)用到車輛、飛機等其他目標(biāo)的遙感圖像自動識別領(lǐng)域，或目標(biāo)跟蹤領(lǐng)域。隨著高分辨率遙感數(shù)據(jù)的推廣，本方法也具有非常廣闊的應(yīng)用前景。

同時，本文艦船目標(biāo)識別的算法也表現(xiàn)出了一定的局限性，如在識別效率有限的前提下，能夠識別的艦船型號是有限的，所要識別的艦船目標(biāo)型號必須包含在目標(biāo)庫中，因此本方法通常應(yīng)用到對感興趣的若干目標(biāo)進(jìn)行識別和跟蹤上，而無法對場景中的所有目標(biāo)（如無關(guān)緊要的艦船目標(biāo)）都進(jìn)行型號識別，但可以做出不屬于感興趣目標(biāo)的判斷。此外，通過選用更加高效的局部不變形特征提取算法或者特征匹配算法也能夠在一定程度上提高識別效率，拓展可識別目標(biāo)的范圍。