張嘉文,史金光,徐東輝,劉佳佳

(1.南京理工大學(xué) 能源與動力工程學(xué)院,江蘇 南京 210094;2.遼沈工業(yè)集團(tuán)有限公司 研發(fā)中心設(shè)計二所,遼寧 沈陽 110045)

電視末制導(dǎo)炮彈利用物體所反射的光,在導(dǎo)引頭內(nèi)部的電視攝像機(jī)中成像。其對目標(biāo)的尋找方式主要分為兩種:遙控式和自尋的式。遙控式需要炮彈將攝取的圖像通過無線電傳回地面控制站,由控制人員選擇目標(biāo)物體后再傳回彈上完成目標(biāo)的識別。這種方式簡化了彈上設(shè)備,降低了目標(biāo)識別的技術(shù)難度且能夠保持較高的命中精度。但遙控式在圖像信號傳輸?shù)恼麄€過程中由于無線電信號易受干擾,極易暴露地面人員位置,給地面控制站帶來極大威脅。自尋的式具有完全的自主性,在發(fā)射前由地面人員將目標(biāo)圖像裝載入導(dǎo)引頭內(nèi)的圖像處理器中,當(dāng)炮彈進(jìn)入末制導(dǎo)階段,圖像處理器對搜索到的每一幀圖像進(jìn)行處理后,與存儲的目標(biāo)圖像模板進(jìn)行匹配完成目標(biāo)識別。本文以自尋的式電視末制導(dǎo)炮彈為研究對象,對其目標(biāo)識別問題進(jìn)行研究。自尋的式末制導(dǎo)炮彈對于圖像處理過程中的清晰度和準(zhǔn)確度有著較高的要求,具有抗電磁干擾、跟蹤精度高等優(yōu)點(diǎn),已成為國內(nèi)外研究的熱點(diǎn)。

目標(biāo)識別首先要進(jìn)行的是圖像分割,即將物體從背景中分離出來。經(jīng)典的分割方法是利用閾值分割,它對于有顯著波谷和波峰的直方圖圖像效果明顯。對于復(fù)雜背景下的艦船,海面和艦船往往有難以區(qū)分的前景和背景,這使得圖像的直方圖不具備良好的波峰波谷特點(diǎn),因此文獻(xiàn)[1]提出了基于圖像復(fù)雜度的圖像分割方法,具有對圖像進(jìn)行降噪濾波的作用,保證了以圖像復(fù)雜度為依據(jù)進(jìn)行閾值選取的準(zhǔn)確性和有效性。文獻(xiàn)[2]針對光學(xué)遙感圖像艦船目標(biāo)類間差異小的問題,提出了一種基于全局-局部特征聯(lián)合的艦船目標(biāo)細(xì)粒度識別方法,設(shè)計了雙分支特征提取與融合模型。文獻(xiàn)[3]研究了基于深度學(xué)習(xí)方法的可見光圖像艦船目標(biāo)檢測與識別,總結(jié)了適用的可見光圖像艦船數(shù)據(jù)集與針對艦船目標(biāo)的網(wǎng)絡(luò)優(yōu)化方法。文獻(xiàn)[4]針對可見光圖像中的艦船目標(biāo)檢測與識別問題,提出了一種通過計算圖像各通道全局對比度特征值,融合并進(jìn)行分塊壓縮后得到顯著圖以實(shí)現(xiàn)對艦船圖像顯著特征的檢測識別。文獻(xiàn)[5]針對傳統(tǒng)不變矩高階矩易受噪聲干擾的問題,提出一種采用無冗余復(fù)數(shù)不變矩和多項(xiàng)式曲線擬合的艦船目標(biāo)圖像識別算法。文獻(xiàn)[6]針對低分辨率艦船遙感圖像目標(biāo)識別過程易受氣象因素影響的問題,提出將待識別圖像劃分為等大小的單元塊進(jìn)行識別的方法。文獻(xiàn)[7]通過建立影響硬件處理平臺,提出霧天多艦船模糊圖像關(guān)聯(lián)模式識別系統(tǒng)設(shè)計,實(shí)現(xiàn)對艦船模糊圖像的高精度關(guān)聯(lián)模式識別輸出。文獻(xiàn)[8]針對港口云霧和海浪天氣對艦船圖像識別的影響,設(shè)計了一個基于卷積神經(jīng)網(wǎng)絡(luò)的艦船識別統(tǒng)計系統(tǒng)。文獻(xiàn)[9]首先對圖像進(jìn)行形態(tài)學(xué)分水嶺分割,再經(jīng)過去噪等操作提取艦船所在區(qū)域,采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí),實(shí)現(xiàn)對艦船的自動識別。文獻(xiàn)[10]根據(jù)海上紋理特征的可變性,提出分層算法,對感興趣區(qū)域的目標(biāo)艦船進(jìn)行檢測。文獻(xiàn)[11]采用自適應(yīng)遺傳算法搜索最優(yōu)閾值結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse coupled neural network,PCNN)模型來完成圖像分割。文獻(xiàn)[12]建立了一個用偽導(dǎo)數(shù)反向傳播學(xué)習(xí)算法訓(xùn)練的前饋型卷積脈沖神經(jīng)網(wǎng)絡(luò)模型,將卷積神經(jīng)網(wǎng)絡(luò)和脈沖神經(jīng)元相結(jié)合實(shí)現(xiàn)圖像識別系統(tǒng)的設(shè)計。

通過對圖像分割和識別算法的研究發(fā)現(xiàn):閾值分割的諸多改進(jìn)方法對于前景包含單個目標(biāo)艦船的情況有較好的效果,而對于前景包含多只艦船的復(fù)雜背景情況往往無法得到清晰的分割結(jié)果。原因在于當(dāng)視場中出現(xiàn)n個需要分割的物體時,需要n-1個閾值,對于海上艦船,由于其前景與背景相似度較高,直方圖不能很清晰地體現(xiàn)n-1個波谷。研究還發(fā)現(xiàn),邊緣梯度算子在提取視場中單個或多個物體邊緣時具有良好的效果。因此,針對包含多只艦船的復(fù)雜海上背景,本文提出一種結(jié)合閾值和邊緣梯度算子的分割方法。隨著神經(jīng)網(wǎng)絡(luò)算法、遺傳算法等新型算法的發(fā)展,更多的研究人員將其應(yīng)用到模板匹配領(lǐng)域,取得了一定的成果。對于電視末制導(dǎo)炮彈,考慮到實(shí)時性和算法復(fù)雜度等問題,新型算法與傳統(tǒng)算法相比往往耗時較長。因此,本文選用傳統(tǒng)算法中快速的加速穩(wěn)健特征(Speed-up robust features,SURF)算法尋找特征點(diǎn)實(shí)現(xiàn)目標(biāo)匹配,同時對于匹配過程發(fā)生的誤匹配問題,采用M估計采樣一致性算法提高匹配準(zhǔn)確度。

1 圖像分割

電視導(dǎo)引頭對單幀圖像進(jìn)行處理,當(dāng)視場內(nèi)出現(xiàn)多只艦船時需要多個不同的閾值來進(jìn)行分割。如果把圖像作為整體來尋找合適的分割閾值,由于其灰度直方圖通常只會出現(xiàn)一個有效的波谷,使得分割變得困難。因此首先對圖像進(jìn)行預(yù)處理,將整幅圖像分割為3×3幅子圖像,然后以每幅子圖像為對象,利用合適的邊緣梯度算子尋找閾值進(jìn)行圖像分割。

1.1 邊緣梯度算子

邊緣檢測的目的是檢測圖像中邊緣特性發(fā)生變化的位置。對于本文研究對象來說,圖像中不同的艦船灰度不同,邊界處會有較為明顯的灰度變化。為了達(dá)到尋找邊緣的目的,可以運(yùn)用數(shù)學(xué)中一階導(dǎo)數(shù)的概念。對函數(shù)f(x)在點(diǎn)x處導(dǎo)數(shù)的近似值有以下定義:把f(x+?x)展開為x的泰勒級數(shù),令?x=1,且只保留此級數(shù)的線性項(xiàng),則依據(jù)式(1),函數(shù)f(x)的梯度▽f為

(1)

若為一幅數(shù)字量圖像在(x,y)位置處尋找邊緣,同理可用梯度▽f來表示,如式(2)所示。不同的是,這個梯度包含兩個變量,如式(3)和式(4)所示

(2)

(3)

(4)

gx和gy是邊緣梯度算子,考慮到中心點(diǎn)對兩端數(shù)據(jù)的影響,以及攜帶有關(guān)邊緣方向信息的多少,通常選用大小為3×3的模板來近似偏導(dǎo)數(shù),如圖1所示。對于像素點(diǎn)z5處x和y方向的梯度大小gx和gy的近似公式如下

圖1 3×3模板圖

(5)

(6)

由式(5)和式(6)可知,3×3模板區(qū)域中的第三行和第一行之差近似為x方向的導(dǎo)數(shù),第三列和第一列之差近似為y方向的導(dǎo)數(shù)。用圖2的兩個模板對原圖進(jìn)行卷積操作實(shí)現(xiàn)邊緣檢測,這兩個模板稱為Prewitt梯度算子。對式(5)和式(6)的中心系數(shù)乘以一個權(quán)值2,則變?yōu)镾obel梯度算子,如圖3所示,變換公式如式(7)和式(8)所示

圖2 Prewitt邊緣梯度算子

圖3 Sobel邊緣梯度算子

(7)

(8)

除此之外,還有Roberts梯度算子、坎尼算子、高斯拉普拉斯(Laplacian-of-Gaussian,LoG)梯度算子等。如果想要借助艦船邊緣信息來進(jìn)行圖像分割,首先應(yīng)選擇合適的邊緣梯度算子,將圖像中多只艦船的邊緣清晰地勾勒出來。然而在這個過程中,會把海波的邊緣也檢測出來,對艦船的邊緣形成干擾。為此,需要對圖像進(jìn)行濾波以達(dá)到降噪平滑,減少海波的影響。采用以上提到的邊緣梯度算子依次對處理后的圖像進(jìn)行邊緣檢測,結(jié)果如圖4(a)—(e)所示。

圖4 幾種邊緣檢測算子的艦船邊緣提取效果對比

通過圖4幾種邊緣檢測結(jié)果的比較可以看出:坎尼和LoG梯度算子對海波非常敏感,Roberts和Sobel梯度算子也有許多海波點(diǎn)的噪聲,Prewitt算子雖然邊緣不連續(xù)但較好地擺脫了海波的影響,比較完整地呈現(xiàn)了艦船的邊緣,因此本文選用Prewitt模板作為閾值尋找的基礎(chǔ)。

1.2 閾值確定

首先利用Prewitt算子求出子圖像的邊緣梯度算子σxy,公式如下

σxy=|f(x+1,y-1)+f(x+1,y)+f(x+1,y+1)-

f(x-1,y-1)-f(x-1,y)-f(x-1,y+1)|+

|f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)-

f(x-1,y-1)-f(x,y-1)-f(x+1,y-1)|

(9)

邊緣梯度算子對子圖像做卷積之后,前景和背景灰度值變化大的點(diǎn)得到較大的σxy值,反之則得到較小的σxy值。如果將所有點(diǎn)的σxy值相加求均值,作為圖像的分割閾值,對圖像邊緣的刻畫是模糊的。為了更加準(zhǔn)確地刻畫圖像中艦船邊緣的情況,引入權(quán)值概念,將σxy作為權(quán)值,與點(diǎn)f(x,y)相乘以保留邊緣的強(qiáng)弱特征,再將每個點(diǎn)的乘積相加,求得的加權(quán)平均值作為子圖的閾值,公式如下

(10)

依據(jù)式(11)將子圖中每一點(diǎn)的像素值與閾值T比較,將灰度圖像轉(zhuǎn)換為二值圖像,如圖5所示。

圖5 采用本文方法得到的艦船二值圖像

(11)

為更好地說明本文所提圖像分割方法的有效性,將其與最大類間方差法進(jìn)行對比。圖6是用經(jīng)典最大類間方差法進(jìn)行圖像分割后的結(jié)果。通過對比可看到,運(yùn)用本文所提圖像分割算法可以將3只艦船清楚地從背景中分割出來,并很好地保留了艦船細(xì)節(jié),較好地消除了海波對尋找目標(biāo)特征點(diǎn)的干擾,為之后的目標(biāo)識別奠定了一個良好的基礎(chǔ)。

圖6 最大類間方差法得到的艦船二值圖像

2 目標(biāo)匹配

2.1 特征點(diǎn)算法選擇

自尋的電視末制導(dǎo)炮彈在發(fā)射前,地面人員將目標(biāo)艦船圖像裝入電視導(dǎo)引頭的圖像處理器中,當(dāng)導(dǎo)引頭啟動工作后,就進(jìn)入了圖像匹配識別階段[13]。圖像匹配的目的是為兩幅不同圖像中的相同目標(biāo)物體建立對應(yīng)關(guān)系?？紤]到炮彈導(dǎo)引頭的滾轉(zhuǎn)、偏航和俯仰性質(zhì),需要尋找一種對于炮彈旋轉(zhuǎn)平移以及圖像中光線變化、場景縮放和噪聲不敏感的特征來描述艦船。基于特征點(diǎn)的圖像匹配算法主要由特征點(diǎn)和描述子組成,主要有高斯差分(Different-of-Gaussian,DoG)算子、最大穩(wěn)定極值區(qū)域(Maximally stable extremely region,MSER)、Harris角點(diǎn)檢測等[14,15],而由David Lowe教授提出的尺度不變特征變換(Scale invariant feature transform,SIFT)算法以及改進(jìn)的SURF算法均可對場景中涉及的視角縮放、旋轉(zhuǎn)等問題保持良好的穩(wěn)定性。對于特征點(diǎn)檢測:SIFT選擇一個變化尺度為σ的二維高斯函數(shù)G(x,y,σ)與原圖像f(x,y)卷積后形成多層空間,根據(jù)不同尺度下的高斯模糊圖像的差異尋找局部極值點(diǎn),即特征點(diǎn);SURF的優(yōu)勢在于將SIFT中的高斯濾波器替代為Hessian矩陣來檢測特征點(diǎn),利用積分圖大幅提高了運(yùn)算速度,這點(diǎn)與炮彈要求的快速性契合。因此,本文選用SURF來檢測艦船的特征點(diǎn)。圖像匹配的本質(zhì)是對來自相同場景但不同視點(diǎn)獲得的的兩幅圖像中的同一物體建立對應(yīng)的幾何關(guān)系,這種對應(yīng)的幾何關(guān)系是一個秩為2的3×3矩陣,也叫基本矩陣,因此求解對應(yīng)幾何關(guān)系問題就轉(zhuǎn)化為求解基本矩陣問題[16]。

求解基本矩陣首先通過SURF算法建立彈載圖像和電視導(dǎo)引頭攝取圖像特征點(diǎn)之間的匹配集合。SURF算法在提取特征點(diǎn)位置時易受到圖像噪聲干擾,造成錯誤匹配現(xiàn)象。為此,本文采用M估計采樣一致性算法來剔除誤匹配。

2.2 M估計采樣一致性算法

算法的核心思想是通過抽樣檢驗(yàn)的方法將匹配集合中誤差較大的匹配點(diǎn)刪除,生成一個符合誤差標(biāo)準(zhǔn)的內(nèi)點(diǎn)集,然后對內(nèi)點(diǎn)集中的所有匹配點(diǎn)通過線性方法獲得最小二乘解。M估計利用加權(quán)最小二乘法的思想,將與所估計模型偏差大的點(diǎn)視為外點(diǎn),降低與模型偏差大的點(diǎn)的權(quán)重,抑制異常點(diǎn)對結(jié)果的影響,獲得較為穩(wěn)定的估計值,不易受強(qiáng)影響點(diǎn)的影響。具體步驟如下:

(1)分別對彈載目標(biāo)圖像和電視導(dǎo)引頭實(shí)時處理的單幀圖像采用SURF算法提取特征點(diǎn),建立匹配集合;

(2)隨機(jī)地在匹配集合中選取8對匹配點(diǎn),并計算基本矩陣F;

(4)統(tǒng)計這8對匹配點(diǎn)在當(dāng)前基本矩陣F下的匹配程度;

(5)重復(fù)步驟(2)至(4)m次;

(6)選擇匹配程度最高的基本矩陣F來刪除誤匹配點(diǎn),得到內(nèi)點(diǎn)集,即最終匹配結(jié)果。

由以上步驟可見,首先需要找到一個標(biāo)準(zhǔn)去判斷步驟(3)所述的正常點(diǎn),消除異常匹配點(diǎn);其次針對每組匹配點(diǎn)的距離平方找到一個合適的閾值去判斷基本矩陣F的匹配程度。

所謂匹配異常點(diǎn)即為Sampson距離超過規(guī)定誤差標(biāo)準(zhǔn)的點(diǎn),常用式(12)的方法來判斷異常匹配點(diǎn)

(12)

Sampson距離誤差的標(biāo)準(zhǔn)差σ與圖像信息、特征點(diǎn)檢測算法和匹配算法的特征有關(guān),在一般情況下σ的值是未知的,需要根據(jù)匹配點(diǎn)的情況進(jìn)行估計。如果匹配點(diǎn)中沒有異常匹配,則誤差標(biāo)準(zhǔn)差為非線性最小二乘法最小化殘差的標(biāo)準(zhǔn)偏差;如果存在異常匹配,則可以通過在所有匹配點(diǎn)中尋找Sampson距離平方的中位數(shù)確定誤差標(biāo)準(zhǔn)差,如式(14)所示。

確定了正常匹配點(diǎn)之后,M估計器的目標(biāo)就是將誤差di的對稱正定函數(shù)p(di)的總和最小化,并滿足在di=0處有唯一最小值,即尋求關(guān)于誤差函數(shù)的最小化。γi是滿足式p(di)=(γidi)2的匹配點(diǎn)誤差距離平方的權(quán)重,引入權(quán)重這個概念是為了降低不在內(nèi)點(diǎn)集中的特征點(diǎn)對基本矩陣F的影響。依據(jù)經(jīng)典的加權(quán)方案,γi滿足以下關(guān)系

(13)

式中:σ可以根據(jù)di中值找到的最大似然估計來確定,公式如下

(14)

綜上所述,可以獲得判斷匹配程度的基本矩陣F,將此過程重復(fù)多次,尋找匹配程度最高的基本矩陣F,得到其內(nèi)點(diǎn)集并確定特征點(diǎn)之間的最終匹配關(guān)系。

本文針對海上目標(biāo)艦船的識別問題,在MATLAB仿真平臺上對分割得到的實(shí)時海上艦船分布情況與彈載圖像處理器中的目標(biāo)艦船進(jìn)行匹配,并對比不同旋轉(zhuǎn)角度下加入消除誤匹配算法前后的匹配情況,直觀展示其對特征點(diǎn)誤匹配的改善,如圖7和圖8所示。

圖7 無旋轉(zhuǎn)時,加入消除誤匹配算法前后SURF匹配結(jié)果對比圖

圖8 左側(cè)彈載目標(biāo)圖像旋轉(zhuǎn)20°時SURF匹配結(jié)果對比圖

通過兩組不同條件下的仿真對比可知,在目標(biāo)艦船匹配過程中,M估計采樣一致性算法有效改善了誤匹配現(xiàn)象,證明了此算法無論在圖像正常匹配還是有旋轉(zhuǎn)條件下的匹配中,均可達(dá)到減少錯誤匹配的目的,在SURF的基礎(chǔ)上大大提升了目標(biāo)艦船匹配的準(zhǔn)確性。

3 結(jié)束語

本文針對電視末制導(dǎo)炮彈在導(dǎo)引頭視場內(nèi)出現(xiàn)多只艦船的復(fù)雜海上背景時,圖像分割和匹配存在的問題,提出一種將經(jīng)典閾值分割和Prewitt邊緣梯度算子結(jié)合的方法進(jìn)行目標(biāo)艦船的匹配。此方法可以較為完整地將多只艦船分割,同時較好地保留船只細(xì)節(jié),為提取特征點(diǎn)打下一個良好的基礎(chǔ)。由于特征點(diǎn)選取方法多樣,考慮到炮彈自身的旋轉(zhuǎn)和在接近目標(biāo)過程中,導(dǎo)引頭視場帶來的尺度縮放變化等問題,選用穩(wěn)定而快速、具有尺度不變特性的SURF算法提取特征點(diǎn)。在彈載圖像和導(dǎo)引頭處理的單幀圖像之間的特征點(diǎn)匹配過程中,因?yàn)樵肼暤扔绊憰a(chǎn)生誤匹配,采用M估計采樣一致性算法得到基本矩陣F來剔除錯誤匹配。數(shù)值仿真表明,本文提出的識別算法可有效實(shí)現(xiàn)多個艦船輪廓的清晰分割,且在匹配過程中,M估計采樣一致性算法可較好地剔除誤匹配,提高了特征點(diǎn)匹配的準(zhǔn)確度。