唐小佩, 楊小岡, 劉云峰, 任世杰

(1.火箭軍工程大學，西安 710025； 2.火箭軍駐成都地區(qū)軍事代表室，成都 610036)

0 引言

近年來計算機視覺相關技術發(fā)展迅猛，其中圖像識別技術成為研究的熱點課題，廣泛應用于社會管理、商業(yè)交易、軍事任務等領域。尤其在軍事上，戰(zhàn)場態(tài)勢瞬息萬變，迅速精準識別敵方目標在現(xiàn)代戰(zhàn)爭中是決定勝敗的關鍵，因此，大力發(fā)展圖像識別技術成為未來部隊戰(zhàn)斗力生成的關鍵環(huán)節(jié)。遙感圖像飛機目標識別作為圖像識別在軍事領域的典型運用，對于信息化戰(zhàn)爭中偵察敵方軍力部署，有效打擊飛機目標具有重要意義。

近年來，研究人員針對機場飛機目標的識別問題進行了廣泛而深入的研究，取得了一些成果。文獻[1]采用優(yōu)化組合不變矩識別飛機目標，運用支持向量機(Support Vector Machine,SVM)完成識別飛機的任務，該方法可以克服采用單一特征無法有效充分描述目標的缺陷，但是特征融合困難，抗噪性能較差；文獻[2]提出了一種基于尺度不變特征和奇異值分解算法融合的紅外飛機目標識別方法，該方法得到的尺度不變特征和奇異值具有對光照、位置和旋轉較好的不變性,但實時性差，無法保證較高識別率；文獻[3]給出了以視覺對稱性以及顯著性兩項檢測為基礎的飛機識別算法，能夠快速準確識別遙感圖像飛機目標，但由于一些干擾物如車輛也具有對稱性，所以存在一定的誤差；文獻[4]提出了一種由粗到精的策略，在粗匹配階段使用圖像的邊緣信息獲取備選目標，精匹配階段利用形狀特征完成對候選目標的匹配，雖說能夠有效識別出遙感圖像中的目標飛機，但由于此算法的識別精度由先驗目標的形狀分割及姿態(tài)數(shù)據(jù)決定，魯棒性較差。

深度學習技術是近幾年的熱點話題，在學術界和工業(yè)界都產(chǎn)生了巨大影響。通過構建與人腦類似的多層模型結構，對獲取的數(shù)據(jù)逐層提取特征，能夠較好地形成從底層信號至高層語義的對應關系，具備極強的從少量樣本中總結數(shù)據(jù)集本質特征的能力[5]。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)作為在圖像處理領域常用的深度學習架構，目前已經(jīng)成功應用于手寫字體識別、醫(yī)學圖像分割、人臉識別等方面，充分證明了CNN提取圖像原始特征的強大性能和良好效果[6]。

本文正是基于CNN強大的圖像特征提取能力，并針對飛機停機位置存在陰影的問題,結合Canny算子獲取飛機邊緣輪廓特征的思路，最后經(jīng)SVM分類器實現(xiàn)飛機目標識別。與傳統(tǒng)的飛機識別方法相比，具有以下優(yōu)點：

1) 無需進行繁雜的預處理和人工設置卷積核，過程更加簡單；

2) 對于圖像旋轉、縮放、扭曲具有良好魯棒性；

3) 針對飛機特征提取結果，強化了圖像的邊緣輪廓特征，得到了原始圖像的最優(yōu)特征。

1 飛機圖像的特征提取

特征提取環(huán)節(jié)是圖像識別過程中最為關鍵的環(huán)節(jié)，本環(huán)節(jié)對識別的準確性起著決定作用。好的特征具有以下3個特性[7]。

1) 能區(qū)分。不同類型飛機目標的特征有顯著差異。

2) 不變性。相同類型的飛機目標特征類似，無顯著變化。

3) 魯棒性。具有良好的抗圖像旋轉、縮放、扭曲的特性。

1.1 深度卷積神經(jīng)網(wǎng)絡特征提取

圖1所示為本文所用的CNN結構，其提取特征過程包括逐層建立網(wǎng)絡、網(wǎng)絡訓練以及提取特征3個主要階段。

圖1 深度卷積神經(jīng)網(wǎng)絡結構Fig.1 Deep convolutional neural network structure

構建網(wǎng)絡：7層網(wǎng)絡結構，輸入層I1是像素大小為200×200的圖像；C2為卷積層，包含6張像素大小為196×196的特征圖像，經(jīng)由輸入圖像與6個像素大小為5×5的卷積核以及偏置項bi卷積而得到；S3為降采樣層，通過對輸入圖片像素大小為2×2范圍之內的4個數(shù)實施加權平均，隨后經(jīng)由sigmoid激活函數(shù)獲取得到6張像素大小為98×98的特征圖像，以便縮減圖像冗余，有效處理數(shù)據(jù)；C4為卷積層，卷積之后得到8張像素大小為94×94的特征圖像。對其進行降采樣處理即可得到S5，8張像素大小為47×47的圖像；F6為全連接層，它把上一層所得到的特征圖像組合成列向量，即為特征向量，隨后再用BP算法完成參數(shù)調整并最終獲得結果O7。

下面分別為卷積層和降采樣層的算式[6]。

假設第l層為卷積層，第l+1層為降采樣層，卷積層算式為

(1)

降采樣層算式為

(2)

描述池化層l第j個神經(jīng)元降采樣后的輸出。式中：w為連接權重;down()為降采樣函數(shù);b為加性偏置;f為激活函數(shù)。常見操作通常為針對圖像輸入的多種n×n塊內全部像素求和,如此一來，圖像輸出都能夠變小n倍。

CNN的訓練過程如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡訓練過程Fig.2 Training process of convolutional neural network

CNN的訓練過程主要包含下述兩個階段。

1) 正向傳播階段。將訓練數(shù)據(jù)經(jīng)輸入層傳入隱藏層，經(jīng)過處理后再傳到輸出層，最后由輸出層輸出結果。

2) 反向傳播階段。求解正向傳播結果與正確結果之差，用最小化誤差方法反向傳播誤差，前一層各神經(jīng)元根據(jù)誤差對權重進行更新。

通過卷積實現(xiàn)特征提取，已有大量實驗驗證了通過CNN能夠有效獲取原始圖像特征。但是傳統(tǒng)的CNN只用了最后輸出層的特征，實際上卷積中獲取的特征圖像同樣能夠全面描述原始圖像。本文正是利用了這些特征，提高了特征的表現(xiàn)力，圖3所示為利用CNN提取特征的過程。CNN訓練結束之后，將卷積過程中所得圖像的全部特征有效提取出并獲得特征向量，最后經(jīng)SVM進行識別。

圖3 深度卷積神經(jīng)網(wǎng)絡特征提取過程Fig.3 Feature extraction process of deep convolutional neural network

1.2 Canny邊緣輪廓特征提取

Canny算子[8]是一種一階微分算子，有很多優(yōu)化后的新形式[9-10]，不過傳統(tǒng)算法是對像素大小為2×2的鄰域范圍中求解有限差分繼而得到梯度幅值。Canny算子算法實現(xiàn)的方式如下所述。

1) 首先使用2D高斯濾波模板完成圖像卷積過程，去除其中可能存在的噪聲。

2) 對圖像進行濾波處理之后所獲結果的各像素，分別求解梯度方向及大小。求得能夠使用像素大小為2×2的模板，作為對x,y兩個不同方向的一階偏微分近似值，即

(3)

(4)

由此得到梯度的大小M和方向θ分別為

(5)

(6)

基于梯度方向，能夠獲取與此方向相鄰的像素為

3210x0123

3) 針對所獲梯度幅值實施極大值抑制處理。如果某個像素的灰度值不都大于其梯度方向上前后兩個像素的灰度值，那么將該像素置為0，即不是邊緣點。幅值陣列M越大，則其圖像梯度值必定越高，不過僅憑此仍然無法確知邊緣，還需要對屋脊帶進行細化，才能夠獲得細化邊緣。

4) 閾值化和邊緣連接。對已經(jīng)完成非極大值抑制處理所獲幅值實施雙閾值化，去除其中偽邊緣。

圖4所示為Canny算子的處理流程。

圖4 Canny算子處理流程Fig.4 Processing flow of Canny operator

機場飛機遙感圖像多數(shù)是在有充分光線情況下獲取的，所以目標飛機可能因為光照角度不同而在與此目標連接的特定位置區(qū)域出現(xiàn)陰影,如圖5所示。

圖5 機場飛機遙感圖像Fig.5 Remote sensing image of aircraft at the airport

分析機場獲得的大量遙感圖像后，發(fā)現(xiàn)在目標和陰影間存在的過渡區(qū)域中特征灰度有顯著躍升特點。運用Matlab內嵌的improfile函數(shù)對遙感圖像進行掃描,重點獲取其中飛機目標，得到圖6的灰度分布曲線圖。

由于陰影區(qū)域內部的灰度分布有下述趨勢，也就是與目標較近的區(qū)域通常有較低灰度值，而與其較遠的區(qū)域則通常有較高灰度值，AB間灰度值較低的區(qū)域即為陰影區(qū)域，其中，A距離目標更遠,因此灰度值更高，B距離目標更近,因此灰度值更低，C即為與此陰影鄰接區(qū)域的像素，該點灰度值與兩側相比高出許多。據(jù)此特征可知，設定這個陰影內有最小灰度值點為參照點，譬如在N×N區(qū)域內檢索獲取灰度值出現(xiàn)躍變的點,即灰度值超過A點的位置。如未搜索到，則擴大模版繼續(xù)搜尋，直至找到滿足條件的點如C點，將此C點界定為種子點,用區(qū)域生長辦法對圖像進行分割處理。區(qū)域生長理論中核心內容是把性質類似的像素連通形成特定區(qū)域，本算法實施過程分4步概述如下。

圖6 陰影區(qū)域灰度分布Fig.6 Gray distribution of shadow area

1) 設定種子點。將C點即陰影區(qū)域灰度值發(fā)生躍變的點設為種子點。

2) 以一定規(guī)則搜索相鄰區(qū)域。本文基于目標灰度值分布具有相似性的規(guī)則搜索相鄰區(qū)域，灰度值同種子點灰度值低于閾值T，T=10。

3) 生長。運用種子點的貫通及鄰接兩個特性，根據(jù)相似性規(guī)則進行生長。

4) 終止策略。當不再有像素滿足加入該區(qū)域的生長規(guī)則時，區(qū)域停止生長。用前述生長技術進行分割獲得目標，然后進行形態(tài)學處理，腐蝕圖像后再對其進行膨脹處理，就能夠得到連通性較好的目標區(qū)域。圖7即為圖5所示飛機目標的分割過程。

獲得飛機輪廓邊緣以后,以主成分分析(Principal Component Analysis,PCA)方法獲得主軸方向上邊緣輪廓上兩點之間連線，假設把主軸平均分割出k+1份，從等分點出發(fā)與主軸垂直的方向引出直線與輪廓相交，逐個求取交點間歐氏距離，并形成一維向量L=[d1,d2,d3,…,dk]，即為飛機目標的特征向量。

圖7 遙感圖像目標分割Fig.7 Object segmentation of remote sensing image

2 實驗部分

2.1 整體框架

總結本文提出的飛機識別方法，形成如圖8所示的飛機識別系統(tǒng)。

圖8 飛機識別系統(tǒng)Fig.8 Aircraft recognition system

訓練階段：首先，把訓練樣本輸入CNN得到預訓練網(wǎng)絡結構，再進行樣本特征的提?。黄浯?，將得到的特征進行歸一化，PCA降維；最后，結合所獲標簽及特征，對SVM分類器進行訓練。

測試階段：將測試樣本輸入已經(jīng)訓練好的CNN，提取特征并進行歸一化以及降維等處理，再經(jīng)訓練階段得到的SVM分類器獲取結果。

2.2 數(shù)據(jù)集和實驗環(huán)境

本文所使用遙感圖像數(shù)據(jù)來自于谷歌地球軟件，為了提高實驗的準確性和可靠性，人為提取并且標記其中戰(zhàn)斗機、轟炸機和客機的圖像，定義為訓練以及后續(xù)測試所用樣本，樣本中600張用于訓練，285張用于測試，而且全部圖像的分辨率像素大小均至少為200×200，部分圖像如圖9所示。

圖9 部分機場遙感圖像樣本Fig.9 Part of the airport remote sensing image samples

實驗通過Matlab R2014a軟件完成，Windows7操作系統(tǒng)，Intel Core i7-4790K CPU，主頻4.00 GHz，內存容量16 GB，使用LIBSVM工具箱和RBF核函數(shù)，而懲罰系數(shù)C以及Gamma參數(shù)通過網(wǎng)格尋優(yōu)獲取。

2.3 實驗結果及分析

首先將數(shù)據(jù)集中所有彩色圖像進行灰度化，考慮到篇幅限制，只給出卷積過程中部分特征圖像,如圖10所示。

圖10 深度卷積神經(jīng)網(wǎng)絡部分特征圖像Fig.10 Part of the feature images of CNN

表1主要提供了不同特征對應的識別率，表2主要提供了實驗過程中所用的部分特征參數(shù)，其中，A為邊緣輪廓特征，B為深度卷積神經(jīng)網(wǎng)絡提取特征。對表1進行分析可知，如果單獨使用B深度卷積神經(jīng)網(wǎng)絡提取的特征，準確率為93.33%；而使用A邊緣輪廓特征的準確率為88.07%；如果同時使用A和B，則識別飛機正確率能夠達到94.39%。因為類型不同的多個飛機，機型必有差別，運用Canny能夠有效獲取各類飛機邊緣輪廓的特征，因此能夠把不同類型的飛機區(qū)分開。結合上述提取特征的兩種辦法，即可得到深度特征，因此能夠更加有效地識別飛機目標。

表1 不同特征的識別率比較

表2 特征參數(shù)

3 結束語

本文建立了一個7層CNN結構對機場遙感圖像進行訓練，運用CNN提取飛機目標的深度特征，針對飛機停機位置存在陰影的問題,利用Canny算子獲得準確邊緣特征，再使用SVM分類器識別不同類型飛機。由于單一特征描述存在局限，不能全面展現(xiàn)圖像所有特征，本研究將兩個有效特征結合，使得飛機識別的正確率提高至94.39%。當然本研究仍有很多不足需要改進，譬如怎樣挑選核函數(shù)，怎樣完成參數(shù)設定等仍待進一步研究。

參 考 文 獻

[1] ZHU X F,MA C W.The study of combined invariants optimization method on aircraft recognition[C]//Symposium on Photonics and Optoelectronics,2011:1-4.

[2] 李萍，張波，尚怡君.基于紅外圖像和特征融合的飛機目標識別方法[J].電光與控制,2016,23(8):92-96.

[3] LI W,XIANG S M,WANG H B,et al.Robust airplanes detection in satellite images[C]//The 8th IEEE International Conference on Image Processing,2011:2821-2824.

[4] 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 Remote Sensing Letters, 2013, 10(3):573-577.

[5] JI Z,LIU Q,NIE L H,et al.Texture classification with convolutional neural network[J].Journal of Frontiers of Computer Science & Technology,2016,10(3):389-397．

[6] 鄧柳.基于深度深度卷積神經(jīng)網(wǎng)絡的車型識別[D].成都:西南交通大學,2015.

[7] 曹婷.一種基于改進深度卷積神經(jīng)網(wǎng)絡的目標識別方法研究[D].長沙：湖南大學,2016.

[8] CANNY J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[9] LO T Y,SIM K S,TSO C P,et al.Improvement to the scanning electron microscope image adaptive Canny optimization colorization by pseudo-mapping[J].Scanning, 2014,35(6):530-539.

[10] 馮珂，朱敏，鐘煜，等.一種改進的Canny邊緣檢測AGT算法[J].計算機應用與軟件,2012,29(3):265-266,300.