胡思茹 馬福民 秦天奇 丁智泉

（1.四川航天電子設(shè)備研究所 成都 610100）（2.海軍裝備部駐西安地區(qū)軍事代表局 西安 710000）

1 引言

反艦導(dǎo)彈是當(dāng)今海戰(zhàn)十分重要的武器之一，其性能優(yōu)劣直接關(guān)系到國(guó)家的海防能力［1］。紅外成像技術(shù)以其在抗干擾能力、隱蔽性、全天時(shí)等方面的優(yōu)勢(shì)，在反艦導(dǎo)彈中占有重要地位。有關(guān)紅外圖像的目標(biāo)檢測(cè)、識(shí)別、跟蹤等技術(shù)，都是當(dāng)代武器裝備中不可或缺的技術(shù)手段［2～3］。

近年來(lái)，國(guó)內(nèi)外諸多學(xué)者在紅外目標(biāo)識(shí)別技術(shù)方面開(kāi)展了較多的分析研究工作。研究結(jié)果表明，在復(fù)雜環(huán)境條件下，利用單一特征描述目標(biāo)難以適應(yīng)所有場(chǎng)景變化，尤其是強(qiáng)魚(yú)鱗波下會(huì)出現(xiàn)大量虛警，利用多個(gè)具有互補(bǔ)性的特征對(duì)目標(biāo)進(jìn)行描述，能得到目標(biāo)的穩(wěn)定狀態(tài)，可以更好的適應(yīng)場(chǎng)景變化，得到魯棒的識(shí)別結(jié)果［4～6］。

然而，現(xiàn)有識(shí)別方法研究多基于公開(kāi)數(shù)據(jù)集，關(guān)于實(shí)測(cè)數(shù)據(jù)的目標(biāo)特性分析較少。本文利用紅外艦船目標(biāo)實(shí)測(cè)數(shù)據(jù)及暗室仿真視頻數(shù)據(jù)，基于島岸、島礁、魚(yú)鱗波等復(fù)雜環(huán)境嚴(yán)重惡化艦船目標(biāo)的識(shí)別性能的考慮，對(duì)幾種典型特征進(jìn)行統(tǒng)計(jì)分析，通過(guò)對(duì)紅外圖像中艦船目標(biāo)與背景的內(nèi)在屬性特征進(jìn)行深度研究，選擇線性不相關(guān)的可分特征向量，實(shí)現(xiàn)復(fù)雜環(huán)境下的紅外艦船目標(biāo)的識(shí)別。

2 目標(biāo)特征提取與分析

目標(biāo)識(shí)別一般分為圖像預(yù)處理、目標(biāo)檢測(cè)、特征提取及目標(biāo)分類(lèi)識(shí)別四個(gè)環(huán)節(jié)，其中，特征提取與選擇是紅外目標(biāo)識(shí)別的重要環(huán)節(jié)，選取特征的好壞直接決定了識(shí)別算法的有效性。目前，用于目標(biāo)識(shí)別的特征主要有三大類(lèi)：灰度統(tǒng)計(jì)特征、幾何特征和圖像紋理特征。對(duì)于每類(lèi)特征，本文依托紅外實(shí)測(cè)數(shù)據(jù)以及研發(fā)中心復(fù)合暗室平臺(tái)仿真數(shù)據(jù)，提取包括天空、海浪、目標(biāo)在內(nèi)的，共計(jì)約10000張不同類(lèi)型的切片圖像，構(gòu)成特征研究數(shù)據(jù)，統(tǒng)計(jì)分析各特征在艦船目標(biāo)識(shí)別中的適用性。

2.1 灰度統(tǒng)計(jì)特征

2.1.1 對(duì)比度特征

對(duì)比度是圖像黑與白的比值。比值越大，從黑到白的漸變層次就越多，從而色彩表現(xiàn)越豐富。紅外圖像中，平滑的背景，如平穩(wěn)海面區(qū)域和天空等，對(duì)比度相對(duì)較低；而黑白交替的魚(yú)鱗波，其對(duì)比度則較高。對(duì)比度特征的數(shù)學(xué)描述如式（1）所示：

其中，δ(i,j)是相鄰像素灰度差，Pδ(i,j)是相鄰像素灰度差為δ的像素分布概率。

紅外數(shù)據(jù)集的對(duì)比度統(tǒng)計(jì)分析結(jié)果如圖1所示，天空及平穩(wěn)海浪區(qū)域的對(duì)比度均值較低，魚(yú)鱗波等非平穩(wěn)區(qū)域的對(duì)比度均值較高，而目標(biāo)的對(duì)比度受所在環(huán)境影響，平穩(wěn)區(qū)域的目標(biāo)對(duì)比度較高，非平穩(wěn)的海浪環(huán)境則會(huì)弱化目標(biāo)的對(duì)比度，因此對(duì)比度可用于簡(jiǎn)單環(huán)境中的目標(biāo)識(shí)別，復(fù)雜環(huán)境下其有效性降低。

圖1 紅外數(shù)據(jù)集對(duì)比度統(tǒng)計(jì)分析

2.1.2 均值差分特征

均值差分特征為對(duì)某像素周?chē)鷥蓚€(gè)大小不同的鄰域分別求均值后求差。該特征能突出亮度變化較強(qiáng)、細(xì)節(jié)較豐富的區(qū)域，而抑制均值平穩(wěn)、細(xì)節(jié)較弱的區(qū)域。其數(shù)學(xué)定義如下：

其中，R(i,j)為均值差分圖像；L(i,j)為輸入圖像；N1和N2為不同的窗口大小。通過(guò)對(duì)一張圖像的所有像素點(diǎn)求均值差分并求平均，得到該圖的平均均值差分值。

紅外數(shù)據(jù)集的均值差分特征的統(tǒng)計(jì)分析結(jié)果如圖2所示，天空的均值差分值最低，海面區(qū)域較平穩(wěn)的情況下，目標(biāo)、海面以及天空的數(shù)值區(qū)域明顯，因此均值差分在海雜波較弱的情況下的分類(lèi)效果良好，隨著雜波增強(qiáng)，海浪與目標(biāo)的均值差分值差異不明顯，識(shí)別有效性降低。

圖2 紅外數(shù)據(jù)集均值差分統(tǒng)計(jì)分析

2.1.3 平均梯度特征

梯度指向標(biāo)量場(chǎng)增長(zhǎng)最快的方向，其長(zhǎng)度表征最大變化率，因此平均梯度可衡量物體細(xì)節(jié)反差，即求出一副圖片每個(gè)像素點(diǎn)的梯度幅度后求其平均值，平均梯度較大則說(shuō)明圖像像素變化較多。

紅外數(shù)據(jù)集的平均梯度特征的統(tǒng)計(jì)分析結(jié)果如圖3所示，天空、平穩(wěn)海浪區(qū)域以及目標(biāo)的平均梯度差異較明顯，可用平均梯度特征對(duì)其進(jìn)行區(qū)分，而目標(biāo)與魚(yú)鱗波區(qū)域的平均梯度值區(qū)分差異較小，無(wú)法使用該特征對(duì)其進(jìn)行區(qū)分。

圖3 紅外數(shù)據(jù)集平均梯度統(tǒng)計(jì)分析

2.2 幾何特征

2.2.1 長(zhǎng)寬比

長(zhǎng)寬比是目標(biāo)在成像靶面的長(zhǎng)度與寬度方向上所占像素?cái)?shù)的比值。由于艦船的設(shè)計(jì)通常具有一定的尺寸和大小，對(duì)紅外艦船目標(biāo)數(shù)據(jù)庫(kù)VAIS Database中的1242張不同視角的艦船長(zhǎng)寬比進(jìn)行統(tǒng)計(jì)分析，其長(zhǎng)寬比的范圍為1.11～8.78，因此長(zhǎng)寬比特征可用來(lái)剔除長(zhǎng)線狀的海天線，海岸線和長(zhǎng)條狀的海面背景雜波。

2.2.2 復(fù)雜度

復(fù)雜度表示目標(biāo)邊界像素點(diǎn)個(gè)數(shù)與整個(gè)目標(biāo)物體的像素點(diǎn)的比值，即目標(biāo)物體的周長(zhǎng)與輪廓包圍區(qū)域面積之比。目標(biāo)復(fù)雜度越大，則代表目標(biāo)邊界像素點(diǎn)個(gè)數(shù)占整個(gè)目標(biāo)像素點(diǎn)個(gè)數(shù)越多，表明整個(gè)目標(biāo)越狹長(zhǎng)。

2.2.3 圓形度

圓形度表示為目標(biāo)顆粒與圓的接近程度，即表示為目標(biāo)與圓的相似程度，圓形度越小，目標(biāo)顆粒與圓形的差距則越大，其數(shù)學(xué)公式為

2.2.4 Hu不變矩

矩特征主要表征了圖像區(qū)域的幾何特征，具有旋轉(zhuǎn)、平移、尺度等的不變性。矩特征充分利用了目標(biāo)區(qū)域內(nèi)部和邊界的大量信息，能夠更全面地反映目標(biāo)的本質(zhì)屬性，可作為紅外艦船目標(biāo)識(shí)別的一個(gè)重要特征［7］。

2.3 紋理特征

2.3.1 灰度共生矩陣

灰度共生矩陣是圖像紋理的常用表征方式，能夠描述圖像的紋理細(xì)節(jié)［8］?；叶裙采仃囃ㄟ^(guò)對(duì)圖像灰度級(jí)之間的二階聯(lián)合條件概率密度P(i,j|d,θ)的計(jì)算表示紋理，P(i,j|d,θ)表示在給定的空間距離d和方向θ時(shí)，以灰度級(jí)i為始點(diǎn)，出現(xiàn)灰度級(jí)j的概率。如圖4所示，為紅外圖像中艦船目標(biāo)與海雜波局部區(qū)域的共生矩陣對(duì)比圖。從圖中結(jié)果可知，紅外艦船目標(biāo)局部區(qū)域與海面雜波區(qū)域的灰度共生矩陣存在明顯差異。

圖4 紅外圖像紋理特征對(duì)比

根據(jù)共生矩陣可定義出以下幾種典型的紋理特征：能量即每個(gè)灰度共生矩陣元素的平方和，反映的是圖像灰度分布均勻程度和紋理粗細(xì)度；熵表示的是圖像中紋理的非均勻程度或復(fù)雜程度；對(duì)比度是灰度共生矩陣中像素值及其鄰域的對(duì)比情況，反映的是圖像的清晰度和紋理溝紋深淺的程度；自相關(guān)度量的是灰度共生矩陣元素在行或列方向上的相似程度，反映的是圖像紋理的一致性。

紅外數(shù)據(jù)集的灰度共生矩陣特征統(tǒng)計(jì)分析結(jié)果如圖5所示，天空與海浪、目標(biāo)的差異在所有特征值上均較明顯，而目標(biāo)局部區(qū)域由于受到周?chē)ｋs波影響，使得它與海浪的紋理差異在數(shù)值上差異較小，但實(shí)際使用中對(duì)海雜波干擾進(jìn)行抑制后，灰度共生矩陣特征將能更好應(yīng)用在分類(lèi)識(shí)別中。

圖5 數(shù)據(jù)集灰度共生矩陣特征統(tǒng)計(jì)分析

2.3.2 局部二進(jìn)制特征

局部二進(jìn)制（Local Binary Patterns，LBP）特征可以有效地識(shí)別目標(biāo)庫(kù)中包含的后驗(yàn)特征模式［9］，其定義示意圖如圖6所示，在3*3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂?，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，轉(zhuǎn)換為十進(jìn)制數(shù)后，即得到該窗口中心像素點(diǎn)的LBP值，并用該值來(lái)反映該區(qū)域的紋理信息。

LBP的數(shù)學(xué)表達(dá)式為

其中，(xc,yc)為中心像素的坐標(biāo)，p為鄰域的第p個(gè)像素，ip為鄰域像素的灰度值，ic為中心像素的灰度值，s(x)為符號(hào)函數(shù)。

圖6 LBP算子定義示意圖

對(duì)LBP進(jìn)行模式等價(jià)后，最終得到共10種類(lèi)型的LBP模式。如圖7所示，為幾種目標(biāo)與海雜波局部區(qū)域圖像及其對(duì)應(yīng)的LBP直方圖，相較于海雜波，艦船目標(biāo)的局部區(qū)域LBP特征中，多維第3種類(lèi)型的LBP模式，而海雜波無(wú)明顯峰值，區(qū)域內(nèi)幾種類(lèi)型的LBP模式分布均較多。

圖7 目標(biāo)、海雜波和干擾的LBP特征統(tǒng)計(jì)直方圖示意圖

2.4 特征選擇

雖然大量特征均可用于分類(lèi)識(shí)別，但特征數(shù)量與分類(lèi)器性能之間不存在正比關(guān)系，特征數(shù)量超過(guò)一定限度時(shí)，甚至可能出現(xiàn)分類(lèi)器性能變差的情況，因此需要在特征提取基礎(chǔ)上進(jìn)行選擇［10～11］。主成分分析（Principal Component Analysis，PCA）是一種常用的統(tǒng)計(jì)方法，它通過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，其具體使用方法如下。

式中 Λ 為對(duì)角陣，即 Λ=Diag[λ1λ1…λM]，其λi為C的特征根，U為奇異值分解中的左奇異陣，將U左乘到數(shù)據(jù)陣X上得：

此時(shí)P中各行是相互正交的，即為X的主分量。令pi=λiui，式（5）變?yōu)?/p>

3 目標(biāo)分類(lèi)識(shí)別

目標(biāo)識(shí)別是指將一類(lèi)目標(biāo)與其他類(lèi)目標(biāo)區(qū)別開(kāi)來(lái)。目前，較流行的識(shí)別方法主要有三大類(lèi)：基于特征的模板匹配，基于灰度的相關(guān)模板匹配和基于模型（知識(shí)）的自動(dòng)目標(biāo)識(shí)別，其中，基于模型的識(shí)別方法應(yīng)用較為廣泛［12］。支持向量機(jī)（Support Vector Machine，SVM）作為該類(lèi)方法中的一種，由于具有嚴(yán)密的推理以及樣本需求少的優(yōu)點(diǎn)，從而被大量研究使用。SVM的主要思想是在非線性情況下利用有限的樣本建立一個(gè)超平面作為最優(yōu)分類(lèi)面，使正例和反例樣本的分類(lèi)間隔最大化［13］。基于SVM的目標(biāo)識(shí)別過(guò)程包括訓(xùn)練和分類(lèi)：訓(xùn)練就是利用訓(xùn)練樣本得到最優(yōu)分類(lèi)函數(shù)的過(guò)程，分類(lèi)則是通過(guò)最優(yōu)分類(lèi)函數(shù)對(duì)待識(shí)別樣本進(jìn)行分類(lèi)的過(guò)程。

構(gòu)造最優(yōu)化問(wèn)題：

采用任一支持向量求解b*：

代入w*，b*，得到最優(yōu)分類(lèi)函數(shù)：

分類(lèi)時(shí)，只要將待分類(lèi)目標(biāo)的特征向量輸入最優(yōu)分類(lèi)函數(shù)，即可分類(lèi)結(jié)果。

4 實(shí)驗(yàn)仿真分析

本文通過(guò)紅外實(shí)測(cè)數(shù)據(jù)及部分暗室仿真紅外數(shù)據(jù)，仿真驗(yàn)證本文方法的有效性。首先單維特征SVM分類(lèi)識(shí)別結(jié)果如表1所示，單維特征的艦船目標(biāo)分類(lèi)識(shí)別正確率均不超過(guò)80%，使用全部特征進(jìn)行SVM分類(lèi)后，目標(biāo)識(shí)別正確率提高到87.71%。采用本文方法進(jìn)行SVM分類(lèi)識(shí)別后，最終魚(yú)鱗波區(qū)域的艦船目標(biāo)的識(shí)別率為82.86%，虛警率為3.8×10-3，其它區(qū)域艦船目標(biāo)識(shí)別率為95%，虛警率為1.47×10-3，平均識(shí)別率為89.95%。如圖8所示為實(shí)驗(yàn)代表結(jié)果，可以看出，本文方法具備小弱目標(biāo)及復(fù)雜背景下的艦船目標(biāo)識(shí)別能力。

表1 單維特征SVM分類(lèi)識(shí)別結(jié)果

圖8 實(shí)驗(yàn)代表結(jié)果

5 結(jié)語(yǔ)

本文通過(guò)對(duì)紅外圖像中艦船目標(biāo)、雜波等的內(nèi)在屬性特征進(jìn)行分析，將多個(gè)有效特征共同用于紅外艦船目標(biāo)的識(shí)別中，并采用PCA方法對(duì)提取特征進(jìn)行進(jìn)一步的選擇，降低特征向量維度，減少訓(xùn)練分類(lèi)過(guò)程中的運(yùn)算量，在此基礎(chǔ)上利用SVM完成艦船目標(biāo)的識(shí)別，最終提高了復(fù)雜環(huán)境下紅外艦船目標(biāo)識(shí)別能力。