陳 濱 趙建軍 楊利斌 王 毅

(海軍航空工程學(xué)院兵器科學(xué)與技術(shù)系 山東 煙臺(tái) 264001)

基于多尺度核索引字典的飛機(jī)目標(biāo)檢測(cè)優(yōu)化仿真

陳 濱 趙建軍 楊利斌 王 毅

(海軍航空工程學(xué)院兵器科學(xué)與技術(shù)系 山東 煙臺(tái) 264001)

為進(jìn)一步提高基于圖像稀疏表示的飛機(jī)目標(biāo)檢測(cè)算法的時(shí)間性能與精確度，提出了基于多尺度核索引字典的飛機(jī)目標(biāo)檢測(cè)算法，分別從超完備字典結(jié)構(gòu)、目標(biāo)檢測(cè)分類(lèi)器結(jié)構(gòu)兩方面優(yōu)化算法。首先引入基于高斯徑向核函數(shù)的硬C聚類(lèi)方法，構(gòu)造核索引字典，在提升稀疏求解算法時(shí)間性能的同時(shí)，提高了索引字典原子聚類(lèi)的準(zhǔn)確度。接著基于核索引字典，構(gòu)建多尺度分類(lèi)器，進(jìn)一步提高了算法的效率和精度。實(shí)驗(yàn)表明，在合理選擇聚類(lèi)數(shù)后，采用核索引字典有效降低了稀疏求解算法的時(shí)間開(kāi)銷(xiāo)，原子的聚類(lèi)準(zhǔn)確度有所提高；相對(duì)基于單尺度字典的飛機(jī)目標(biāo)檢測(cè)算法，基于多尺度核索引字典的算法在時(shí)間開(kāi)銷(xiāo)上平均降低至24.7%，在精度方面，誤檢率平均降低了20.3%，命中率平均提高了3.4%，滿(mǎn)足實(shí)時(shí)應(yīng)用要求。

飛機(jī)目標(biāo)檢測(cè) 核聚類(lèi) 索引字典 多尺度 稀疏表示

0 引 言

空中飛機(jī)目標(biāo)識(shí)別系統(tǒng)的研究在國(guó)內(nèi)起步較晚，尚處于探索階段。目前已經(jīng)開(kāi)展的飛機(jī)識(shí)別方面的研究，主要是通過(guò)提取目標(biāo)特征，建立相應(yīng)的數(shù)據(jù)庫(kù)，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別，集中在對(duì)遙感圖像中的飛機(jī)目標(biāo)進(jìn)行識(shí)別。

文獻(xiàn)[1]提出了可見(jiàn)光圖像中飛機(jī)目標(biāo)的5個(gè)典型識(shí)別特征的提取方法，并利用模糊識(shí)別方法對(duì)飛機(jī)目標(biāo)進(jìn)行識(shí)別。文獻(xiàn)[2]采用融合奇異值分解與中值濾波的方法實(shí)現(xiàn)飛機(jī)目標(biāo)圖像的增強(qiáng)，并采用基于邊緣檢測(cè)與形態(tài)學(xué)修復(fù)的方法實(shí)現(xiàn)飛機(jī)目標(biāo)檢測(cè)。文獻(xiàn)[3]提取了訓(xùn)練樣本圖像庫(kù)中飛機(jī)圖像特征量建立十類(lèi)飛機(jī)目標(biāo)的特征庫(kù)，并分別用最小距離分類(lèi)器、神經(jīng)網(wǎng)絡(luò)分類(lèi)器和樹(shù)分類(lèi)器對(duì)樣本圖像庫(kù)中的飛機(jī)目標(biāo)進(jìn)行分類(lèi)。文獻(xiàn)[4]提出一種基于圖像熵和形狀特征融合的飛機(jī)檢測(cè)算法，采用圖像熵獲得飛機(jī)目標(biāo)的疑似區(qū)域后，將目標(biāo)的多特征加權(quán)融合成新的特征向量，并采用支持向量機(jī)來(lái)完成遙感圖像中飛機(jī)目標(biāo)的檢測(cè)與識(shí)別。

在飛機(jī)目標(biāo)識(shí)別的關(guān)鍵技術(shù)中，飛機(jī)目標(biāo)檢測(cè)是目標(biāo)識(shí)別、跟蹤等高級(jí)應(yīng)用的基礎(chǔ)[5]。由于飛機(jī)目標(biāo)的高機(jī)動(dòng)性以及天空背景的復(fù)雜性，背景差分法、幀差法等傳統(tǒng)目標(biāo)檢測(cè)方法遇到了較大的挑戰(zhàn)。近年來(lái)發(fā)展起來(lái)的稀疏表示理論為目標(biāo)檢測(cè)的研究提供了一種新的思路[6]。

文獻(xiàn)[7]以局部圖像塊為樣本，對(duì)不同的樣本訓(xùn)練單獨(dú)的字典使得每類(lèi)樣本對(duì)該類(lèi)別字典的重構(gòu)誤差較小。在相同稀疏性約束下，分別采用各類(lèi)別的字典將測(cè)試樣本進(jìn)行稀疏編碼，并根據(jù)重構(gòu)誤差大小進(jìn)行判別分類(lèi)。文獻(xiàn)[8]提出了稀疏表示分類(lèi)器(SRC)，將所有類(lèi)別的訓(xùn)練樣本進(jìn)行組合，得到單個(gè)字典，通過(guò)計(jì)算測(cè)試樣本的稀疏系數(shù)向量在原字典上進(jìn)行重構(gòu)，并計(jì)算各類(lèi)別下的重構(gòu)誤差，完成目標(biāo)分類(lèi)任務(wù)。基于上述兩種思路，提升基于稀疏表示目標(biāo)檢測(cè)算法的性能成為了當(dāng)前研究的熱點(diǎn)。文獻(xiàn)[9]采用最大相關(guān)熵準(zhǔn)則賦予各像素以不同的權(quán)重，對(duì)其中遮擋或損毀的區(qū)域賦予小權(quán)重，降低這部分區(qū)域在檢測(cè)識(shí)別過(guò)程中的作用，提高了SRC的魯棒性。文獻(xiàn)[10]對(duì)SRC進(jìn)行改進(jìn)，通過(guò)訓(xùn)練樣本學(xué)習(xí)類(lèi)別子字典來(lái)代替原始訓(xùn)練樣本字典，利用了稀疏系數(shù)向量的Fisher準(zhǔn)則減小稀疏系數(shù)向量的類(lèi)內(nèi)方差并增大類(lèi)間方差，并利用兩者差值構(gòu)造代價(jià)函數(shù)，從而使得類(lèi)別子字典更具判別性。

一些研究將稀疏表示理論應(yīng)用于飛機(jī)目標(biāo)檢測(cè)中。文獻(xiàn)[11] 將飛機(jī)圖像識(shí)別問(wèn)題轉(zhuǎn)化為求解待識(shí)別飛機(jī)圖像序列關(guān)于訓(xùn)練飛機(jī)圖像序列的稀疏表示問(wèn)題，利用稀疏表示系數(shù)對(duì)飛機(jī)目標(biāo)識(shí)別。文獻(xiàn)[12]構(gòu)建飛機(jī)幾何原子庫(kù)并求解飛機(jī)輪廓幾何逼近最優(yōu)化方程，在稀疏表示原理框架下得到飛機(jī)輪廓幾何部件的最優(yōu)組合，并根據(jù)顯著圖定位出飛機(jī)。

本文對(duì)基于稀疏表示的飛機(jī)目標(biāo)檢測(cè)算法進(jìn)行優(yōu)化，旨在提升目標(biāo)檢測(cè)的時(shí)間性能及提高檢測(cè)精度。在稀疏求解過(guò)程中引入核索引字典，優(yōu)化字典結(jié)構(gòu)，在提高OMP類(lèi)算法求解效率的同時(shí)，提高索引字典構(gòu)造的準(zhǔn)確度；在圖像塊分類(lèi)的過(guò)程中，通過(guò)構(gòu)造多尺度分類(lèi)器，減少稀疏求解次數(shù)，降低目標(biāo)分類(lèi)的總時(shí)間開(kāi)銷(xiāo)，同時(shí)利用多尺度的優(yōu)勢(shì)，提高目標(biāo)檢測(cè)的精度。

1 基于稀疏表示的目標(biāo)檢測(cè)

1.1 圖像的稀疏表示

稀疏編碼的本質(zhì)是由少量的基向量線(xiàn)性逼近目標(biāo)向量，其中，基向量空間具有一定的冗余性[13-15]。圖像的稀疏表示以圖像塊為單位。假設(shè)圖像塊Ik按行展開(kāi)形成列向量y∈RN，則Ik可以稀疏表示為：

(1)

其中D=[d1,d2,…,dM]∈RN×M為字典；α為稀疏系數(shù)向量，且α=[α1,α2,…,αM]∈RM。當(dāng)N?M時(shí)，字典D為超完備字典。圖像的稀疏表示原理如圖1所示。

圖1 圖像稀疏表示原理

在實(shí)際應(yīng)用中，圖像塊Ik很可能受到環(huán)境等因素干擾，無(wú)法通過(guò)字典準(zhǔn)確地線(xiàn)性表示，引入向量ε∈RN×1描述該誤差，如公式所示：

y=Dα+ε

(2)

式(2)矩陣形式為：

y=[D,I][α,ε]T

(3)

其中I是二維單位矩陣，稱(chēng)為瑣碎模板；ε稱(chēng)為瑣碎模板系數(shù)或噪聲系數(shù)。

1.2 目標(biāo)檢測(cè)流程

基于稀疏表示的目標(biāo)檢測(cè)算法一般框架如圖2所示。在預(yù)處理過(guò)程中圖像完成分塊，作為稀疏求解的輸入；圖像塊依據(jù)現(xiàn)有的學(xué)習(xí)字典進(jìn)行稀疏求解，將計(jì)算得到的重構(gòu)誤差傳入目標(biāo)分類(lèi)過(guò)程；分類(lèi)器依據(jù)分類(lèi)原則將圖像塊分別歸入背景類(lèi)或前景類(lèi)中，從而完成圖像中的目標(biāo)檢測(cè)任務(wù)，同時(shí)根據(jù)檢測(cè)結(jié)果對(duì)字典進(jìn)行更新?？梢?jiàn)，要提升目標(biāo)檢測(cè)算法的性能，主要可以針對(duì)稀疏求解過(guò)程和目標(biāo)分類(lèi)過(guò)程進(jìn)行優(yōu)化。

圖2 基于稀疏表示的目標(biāo)檢測(cè)算法一般框架

2 超完備字典優(yōu)化

本文利用K-SVD[16]算法構(gòu)造超完備字典。K-SVD利用較小的圖像塊學(xué)習(xí)超完備字典，具有很強(qiáng)的魯棒性，但在字典的學(xué)習(xí)階段需要提供大量的訓(xùn)練圖像塊。

2.1 索引字典原理

圖像的稀疏字典一般表示為矩陣D=[d1,d2,…,dM]，列向量di為經(jīng)過(guò)學(xué)習(xí)后得到的字典原子。在稀疏系數(shù)求解過(guò)程中，MP類(lèi)貪婪算法以單個(gè)字典原子為對(duì)象，依次計(jì)算測(cè)試圖像塊與字典原子之間的誤差，不斷迭代得到圖像塊的稀疏表示。因此，每次迭代均要遍歷整個(gè)字典，才能獲得最佳匹配的原子，從而導(dǎo)致時(shí)間開(kāi)銷(xiāo)巨大。因此，優(yōu)化字典結(jié)構(gòu)，對(duì)于提升稀疏求解的時(shí)間性能具有巨大的意義。索引字典通過(guò)對(duì)字典原子進(jìn)行聚類(lèi)，并推選出每個(gè)類(lèi)的代表作為該類(lèi)的索引，將單層的字典結(jié)構(gòu)改進(jìn)為雙層字典結(jié)構(gòu)，如圖3所示。

圖3 索引字典原理圖

在索引字典結(jié)構(gòu)下，運(yùn)用相應(yīng)算法進(jìn)行稀疏系數(shù)求解時(shí)，每次迭代過(guò)程先遍歷索引原子集，在誤差最小的索引原子所指向的組內(nèi)進(jìn)行遍歷求解，最終得到最佳匹配字典原子，然后進(jìn)入下一步迭代過(guò)程。

在索引字典的結(jié)構(gòu)下進(jìn)行稀疏求解，良好的聚類(lèi)結(jié)果能夠保證算法獲得全局最優(yōu)值。但是字典原子作為典型的高維數(shù)據(jù)，在所在空間中多為線(xiàn)性不可分。文獻(xiàn)[17]直接將適用于低維數(shù)據(jù)的聚類(lèi)方法應(yīng)用在高維數(shù)據(jù)會(huì)導(dǎo)致其有效性大大降低。為此，本文引入核聚類(lèi)方法構(gòu)造索引字典，通過(guò)核函數(shù)將字典原子映射到更加線(xiàn)性可分的特征空間中。

2.2 基于RBF核的硬C均值聚類(lèi)算法

硬C均值聚類(lèi)算法(HCM)是一種基于誤差平方和準(zhǔn)則的動(dòng)態(tài)聚類(lèi)算法，將樣本數(shù)據(jù)點(diǎn)到聚類(lèi)中心的距離之和作為目標(biāo)函數(shù)，對(duì)其進(jìn)行優(yōu)化，迭代求極值后將每個(gè)數(shù)據(jù)點(diǎn)分配到唯一的類(lèi)別中。

高斯徑向基核函數(shù)(RBF核)的具體形式如公式所示：

(4)

其中σ為尺度參數(shù)，其選取直接影響RBF核的性能：σ→0時(shí)，所有樣本將屬于同一類(lèi)別；σ→∞時(shí)，RBF核也會(huì)將所有樣本歸入同一類(lèi)別中。因此針對(duì)不同的訓(xùn)練樣本，選擇合適的σ，將得到更為準(zhǔn)確的聚類(lèi)結(jié)果，函數(shù)特性如圖4所示。

圖4 RBF核函數(shù)特性

RBF核是普適的核函數(shù)，經(jīng)過(guò)合理的參數(shù)選擇后可以適用于任意分布的樣本，目前應(yīng)用最為廣泛。在先驗(yàn)知識(shí)缺乏的情況下，RBF核為最佳選擇。

聚類(lèi)的目標(biāo)函數(shù)為：

(5)

其中‖φ(xi)-φ(cj)‖為特征空間上，數(shù)據(jù)點(diǎn)與聚類(lèi)中心的像之間的距離，則有：

‖φ(xi)-φ(cj)‖2=Κ(xi,xi)+Κ(cj,cj)-2Κ(xi,cj)

(6)

由RBF核函數(shù)的定義可知Κ(xi,xi)=1，Κ(cj,cj)=1，代入式(6)可得：

‖φ(xi)-φ(cj)‖2=2-2Κ(xi,cj)

(7)

將式(7)代入式(5)，得到目標(biāo)函數(shù)的等價(jià)形式：

(8)

由此可知，基于RBF核的HCM的聚類(lèi)準(zhǔn)則為：

(9)

其中：

(10)

(11)

由此可得：

(12)

2.3 基于RBF核聚類(lèi)索引的OMP算法

將核聚類(lèi)索引字典與OMP算法結(jié)合，主要的目的是降低OMP算法求解稀疏系數(shù)的時(shí)間復(fù)雜度，并且利用核聚類(lèi)的特性，增加字典索引化過(guò)程中原子分類(lèi)的準(zhǔn)確性。

結(jié)合HCM算法的聚類(lèi)過(guò)程，基于RBF的HCM算法產(chǎn)生索引原子的流程如下：

3) 根據(jù)Κ(xi,xk)與式(12)更新得到Κ(t+1)(xi,cj)。

依據(jù)上述算法將字典原子{d1,d2,…,dN}進(jìn)行聚類(lèi)，并產(chǎn)生索引原子集。基于核索引字典的正交匹配跟蹤算法(KIDOMP)流程如下：

1) 假設(shè)待測(cè)試圖像塊Iblock按行展開(kāi)形成列向量yblock。

2) 初始化殘差ri=yblock,i=0，逼近項(xiàng)初始值xi=0，迭代終止誤差ε>0。

8) 置i=i+1，返回3)。

2.4 復(fù)雜度分析

假設(shè)字典大小為M×N，聚類(lèi)算法將N個(gè)字典原子分配到了k個(gè)類(lèi)中，且在類(lèi)別j,1

(13)

3 目標(biāo)檢測(cè)分類(lèi)器優(yōu)化

3.1 多尺度字典學(xué)習(xí)

由于字典單元的維數(shù)等于圖像塊的行列數(shù)的乘積，隨著圖像分辨率的增大，檢測(cè)圖像的分塊數(shù)量也激增，從而導(dǎo)致目標(biāo)檢測(cè)的時(shí)耗大大增加。另外，隨著圖像傳感器捕獲圖像質(zhì)量的提高，圖像的細(xì)節(jié)更加清晰，為了有效表征輸入的圖像塊，對(duì)于字典單元也有了更高的要求。因此，對(duì)高分辨圖像進(jìn)行稀疏表示及分類(lèi)適合采用大尺度字典，但卻會(huì)導(dǎo)致稀疏系數(shù)求解時(shí)間增加，無(wú)法滿(mǎn)足實(shí)際應(yīng)用要求。通過(guò)降低圖像分辨率，采用低分辨率條件下學(xué)習(xí)得到的小尺度字典構(gòu)造分類(lèi)器，對(duì)目標(biāo)進(jìn)行檢測(cè)能夠有效減少時(shí)間復(fù)雜度，但是這種做法在一定程度上降低了目標(biāo)檢測(cè)精度，對(duì)后續(xù)應(yīng)用造成不利影響。

2) 將Bhigh、Blow、A分別作為K-SVD的訓(xùn)練集，學(xué)習(xí)得到大尺度背景字典Dhigh、小尺度背景字典Dlow及飛機(jī)目標(biāo)字典Dplane。

3) 將Dhigh、Dlow、Dplane索引化。

3.2 基于多尺度分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)

Dlow負(fù)責(zé)構(gòu)建粗分類(lèi)器，將低分辨率條件下的背景圖像塊篩除，獲取包含前景區(qū)域的低分辨率圖像塊。Dhigh負(fù)責(zé)構(gòu)造精分類(lèi)器，將粗分類(lèi)得到的前景圖像塊對(duì)應(yīng)的超分辨率圖像區(qū)域進(jìn)行分塊并分類(lèi)，篩除超分辨率背景圖像塊，獲得前景圖像區(qū)域。背景的多尺度分類(lèi)器，共同完成天空背景與前景的分割任務(wù)。Dplane構(gòu)造的分類(lèi)器對(duì)前景目標(biāo)進(jìn)行分類(lèi)，確定目標(biāo)是否屬于飛機(jī)目標(biāo)。

基于多尺度分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)算法流程如圖5所示，具體描述如下：

1) 對(duì)測(cè)試圖像進(jìn)行隔點(diǎn)采樣，降低分辨率，獲得低分辨率測(cè)試圖像，并對(duì)其進(jìn)行分塊。利用小尺度背景分類(lèi)器進(jìn)行分類(lèi)，分別歸入小尺度背景、前景兩類(lèi)。利用獲取的小尺度背景圖像塊更新Dlow。

2) 計(jì)算1)中獲取的小尺度前景圖像塊在超分辨率測(cè)試圖像中對(duì)應(yīng)的區(qū)域，再次進(jìn)行分塊。利用大尺度背景分類(lèi)器，將新的圖像塊分別歸入大尺度背景、前景兩類(lèi)。利用獲取的大尺度圖像塊更新Dhigh。

3) 將2)中獲取的大尺度背景圖像塊，通過(guò)飛機(jī)目標(biāo)分類(lèi)器進(jìn)行分類(lèi)，歸入飛機(jī)目標(biāo)、其他前景目標(biāo)兩類(lèi)。根據(jù)飛機(jī)目標(biāo)圖像塊更新Dplane。

圖5 飛機(jī)目標(biāo)檢測(cè)流程

3.3 復(fù)雜度分析

作如下假設(shè)：

1) 測(cè)試圖像分辨率為P×Q；

2) 大尺度圖像塊大小為Nhigh×Nhigh，小尺度圖像塊大小為Nlow×Nlow；

3) 大尺度字典單次稀疏系數(shù)求解時(shí)間為T(mén)high，小尺度字典單次稀疏求解時(shí)間為T(mén)low；

4) 降低圖像分辨率時(shí)，進(jìn)行隔M1點(diǎn)采樣；超分辨率圖像的行列均插值至測(cè)試圖像的M2倍；

5) 低分辨率圖像塊中前景圖像塊所占比例為k1，對(duì)應(yīng)超分辨率圖像區(qū)域中前景圖像塊所占比例為k2。

基于多尺度分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)主要由三個(gè)過(guò)程構(gòu)成：

因此，在多尺度分類(lèi)器條件下，飛機(jī)目標(biāo)檢測(cè)的時(shí)復(fù)雜度為：

(14)

4 實(shí)驗(yàn)及結(jié)果

本文仿真環(huán)境具體如下：

操作系統(tǒng)為Windows XP，仿真軟件為Matlab 2014b，處理器為Inter Core2 E7500，內(nèi)存為2 GB。實(shí)驗(yàn)訓(xùn)練集及測(cè)試集均取自某型戰(zhàn)機(jī)飛行視頻。

為驗(yàn)證優(yōu)化算法在時(shí)間性能和精度上的改進(jìn)，設(shè)計(jì)實(shí)驗(yàn)如下：

實(shí)驗(yàn)1：基于核索引的超完備字典實(shí)驗(yàn)。以O(shè)MP算法的稀疏求解結(jié)果作為標(biāo)準(zhǔn)，計(jì)算基于不同核函數(shù)的索引字典稀疏求解結(jié)果，獲得稀疏求解的準(zhǔn)確度；計(jì)算基于核索引超完備字典的OMP的算法平均時(shí)間開(kāi)銷(xiāo)。

實(shí)驗(yàn)2：基于多尺度分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)實(shí)驗(yàn)。驗(yàn)證基于多尺度分類(lèi)器的檢測(cè)算法在時(shí)間開(kāi)銷(xiāo)方面的表現(xiàn)；通過(guò)計(jì)算檢測(cè)命中率、誤檢率來(lái)評(píng)價(jià)算法在精度方面的表現(xiàn)。

4.1 實(shí)驗(yàn)1

由于OMP算法采用貪婪思想，在稀疏求解每次迭代時(shí)，需要遍歷字典的每一個(gè)原子，將其作為MP類(lèi)算法準(zhǔn)確度的評(píng)判標(biāo)準(zhǔn)具有可行性。實(shí)驗(yàn)利用不同訓(xùn)練集學(xué)習(xí)得到兩個(gè)不同字典D1、D2，冗余度為3，核函數(shù)的參數(shù)設(shè)置如表1所示。

表1 核函數(shù)參數(shù)設(shè)置表

實(shí)驗(yàn)結(jié)果如表2所示。

表2 索引準(zhǔn)確度結(jié)果表

可見(jiàn)，在索引字典的結(jié)構(gòu)下，基于RBF核構(gòu)造的字典準(zhǔn)確度最高，表明該核函數(shù)對(duì)圖像塊變換的高維向量有良好的聚類(lèi)效果。

聚類(lèi)類(lèi)別數(shù)的選擇對(duì)時(shí)間性能具有較大的影響，實(shí)驗(yàn)選擇了100個(gè)測(cè)試圖像塊，分別作用于原始字典、類(lèi)別數(shù)分別為2、5、20、100的核聚類(lèi)索引字典，時(shí)間開(kāi)銷(xiāo)如圖6所示。

圖6 系數(shù)求解耗時(shí)圖

可見(jiàn)，核索引字典對(duì)于提升稀疏求解算法的時(shí)間性能具有明顯的作用，且聚類(lèi)數(shù)K對(duì)改進(jìn)效果有很大的影響。由于實(shí)驗(yàn)1結(jié)果中，當(dāng)K=20時(shí)，算法時(shí)間開(kāi)銷(xiāo)最小，為此實(shí)驗(yàn)2中選擇K=20構(gòu)造索引字典。

4.2 實(shí)驗(yàn)2

實(shí)驗(yàn)測(cè)試集為某型戰(zhàn)機(jī)飛行視頻中的100幀連續(xù)圖像，對(duì)圖像中的飛機(jī)目標(biāo)進(jìn)行檢測(cè)，部分檢測(cè)結(jié)果如圖7所示。

圖7 飛機(jī)目標(biāo)檢測(cè)結(jié)果圖

顯然，基于多尺度分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)算法相比單尺度分類(lèi)器，獲得的飛機(jī)目標(biāo)區(qū)域更為精確。

為量化評(píng)價(jià)算法的有效性，實(shí)驗(yàn)從時(shí)間性能、命中率和誤檢率三個(gè)方面，對(duì)下列兩個(gè)條件下的算法性能進(jìn)行了比較：

1) 原測(cè)試圖像、單層字典、單尺度分類(lèi)器。

2) 多分辨率測(cè)試圖像、核索引字典、多尺度分類(lèi)器。

命中率與誤檢率的定義如下：

實(shí)驗(yàn)結(jié)果分別如圖8-圖10所示。

圖8 算法耗時(shí)圖

圖9 目標(biāo)檢測(cè)命中率

圖10 目標(biāo)檢測(cè)誤檢率

由表3所示，基于多尺度核索引分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)算法在時(shí)間性能上較單尺度算法有了很大的提升，經(jīng)過(guò)計(jì)算，單幀圖像完成目標(biāo)檢測(cè)的平均時(shí)耗降低至24.7%；優(yōu)化算法在精度上同樣有了一定程度的改進(jìn)：?jiǎn)螏瑘D像的平均命中率提高了3.4%，平均誤檢率降低了20.3%。

表3 目標(biāo)檢測(cè)算法評(píng)價(jià)對(duì)比

5 結(jié) 語(yǔ)

本文從優(yōu)化字典結(jié)構(gòu)、分類(lèi)器結(jié)構(gòu)兩個(gè)方面對(duì)基于稀疏表示的飛機(jī)目標(biāo)檢測(cè)算法進(jìn)行了優(yōu)化，實(shí)驗(yàn)表明：

1) 在字典結(jié)構(gòu)優(yōu)化上，基于RBF核索引字典的OMP算法在時(shí)間性能上有了較大程度的提升，且基于RBF核的硬C均值聚類(lèi)算法保證了字典原子聚類(lèi)的準(zhǔn)確度相比基于歐氏距離的算法有所提高。

2) 在分類(lèi)器優(yōu)化上，基于多尺度核索引分類(lèi)器的飛機(jī)目標(biāo)檢測(cè)算法相比基于單尺度分類(lèi)算法，時(shí)間性能及精度方面的表現(xiàn)均有了較大程度的提升。

[1] 王樹(shù)國(guó),黃勇杰,張生.可見(jiàn)光圖像中飛機(jī)目標(biāo)的特征選擇及提取[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2010,42(7):1056-1059.

[2] 趙蓓蕾.空中飛機(jī)目標(biāo)圖像增強(qiáng)與辨識(shí)研究[D].西南科技大學(xué),2014.

[3] 李科.自動(dòng)識(shí)別遙感光學(xué)圖像中飛機(jī)目標(biāo)的研究[D].長(zhǎng)沙:國(guó)防科技大學(xué),2005.

[4] 高琪琪.遙感圖像飛機(jī)目標(biāo)檢測(cè)與識(shí)別算法研究[D].南昌航空大學(xué),2015.

[5] Liu G,Sun X,Fu K,et al.Aircraft recognition in high-resolution satellite images using coarse-to-fine shape prior[J].IEEE Geoscience and Emote Sensing Letters,2013,10(3):573-577.

[6] 高仕博,程詠梅,肖利平,等.面向目標(biāo)檢測(cè)的稀疏表示方法研究進(jìn)展[J].電子學(xué)報(bào),2015,43(2):320-332.

[7] Mairal J,Bach F,Ponce J,et al.Discriminative learned dictionaries for local image analysis[C]//Computer Vision and Pattern Recognition,2008.CVPR 2008.IEEE Conference on.IEEE,2008:1-8.

[8] Wright J,Yang A Y,Ganesh A,et al.Robust Face Recognition via Sparse Representation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2009,31(2):210-227.

[9] He R,Zheng W S,Hu B G.Maximum Correntropy Criterion for Robust Face Recognition[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2011,33(8):1561.

[10] Yang M,Zhang L,Feng X,et al.Fisher Discrimination Dictionary Learning for sparse representation[C]//IEEE International Conference on Computer Vision,ICCV 2011,Barcelona, Spain, November.DBLP,2011:543-550.

[11] 李萍,王樂(lè),張波.改進(jìn)稀疏表示的飛機(jī)目標(biāo)識(shí)別算法[J].電光與控制,2016(7):50-54.

[12] 林煜東,和紅杰,尹忠科,等.基于稀疏表示的可見(jiàn)光遙感圖像飛機(jī)檢測(cè)算法[J].光子學(xué)報(bào),2014,43(9):196-201.

[13] Elad M.Sparse and redundant representations: from theory to applications in signal and image processing[M].Springer Publishing Company,Incorporated,2010.

[14] Skretting K,Engan K.Recursive least squares dictionary learning algorithm[J].IEEE Transactions on Signal Processing,2010,58(4):2121-2130.

[15] Mairal J,Bach F,Ponce J,et al.Online Learning for Matrix Factorization and Sparse Coding[J].Journal of Machine Learning Research,2010,11(1):19-60.

[16] Aharon M,Elad M,Bruckstein A.K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311-4322.

[17] Han Jiawei,Kamber M.數(shù)據(jù)挖掘:概念與技術(shù)[M].2版.范明,孟小峰,譯.機(jī)械工業(yè)出版社,2007.

OPTIMIZATIONANDSIMULATIONOFAIRCRAFTTARGETDETECTIONBASEDONMULTI-SCALEKERNELINDEXDICTIONARY

Chen Bin Zhao Jianjun Yang Libin Wang Yi

(DepartmentofWeaponScienceandTechnology,NAEI,Yantai264001,Shandong,China)

In order to improve the time performance and accuracy of aircraft target detection algorithm, we propose an aircraft target detection algorithm based on multi-scale kernel index dictionary. The algorithm is optimized from the construction of dictionary and classifies of object detection. First, the RBF kernel was introduced into the HCM algorithm to construct the indexed dictionary. Time performance was improved as well as the accuracy of clustering. Then, the multi-scale classifier was constructed based on the kernel index dictionary to further improve the efficiency and accuracy of the algorithm. As experiments show, after choosing a reasonable number of clusters, kernel-based indexed dictionary has decreased the time consumption of sparse solution. The accuracy of clustering has increased at the same time. Compared with the single scale dictionary, the algorithm based on the multi-scale kernel index dictionary reduces the time cost to 24.7%. In the respect of accuracy, the false detection rate decreased by an average of 20.3%, and the average hit rate increased by 3.4%. In conclusion, the proposed algorithm can satisfy the requirement of real-time application.

Aircraft target detection Kernel-based clustering Indexed dictionary Multiscale Sparse representation

2016-12-14。陳濱，博士生，主研領(lǐng)域：目標(biāo)檢測(cè)與跟蹤。趙建軍，教授。楊利斌，講師。王毅，講師。

TP391.41

A

10.3969/j.issn.1000-386x.2017.11.037