基于矩與支持向量機的艦船目標識別方法*

徐 芳， 韓樹奎

(1.中國科學院 長春光學精密機械與物理研究所，吉林 長春 130033； 2.中國科學院大學，北京 100049；3.中國電力工程顧問集團 東北電力設計院有限公司，吉林 長春 130021)

0 引 言

艦船作為海上重要軍事目標和運輸載體，正確區分各類艦船目標在海上軍事監管、海洋漁業、運輸管理中具有深遠意義。一般，艦船有顏色[1,2]、紋理[3,4]、形狀[5,6]等特征，目標特征描述是艦船識別的關鍵，直接影響到分類器設計及識別結果的精確度，有效的特征選擇應兼顧目標的可區分性和方法的有效性。

為快速穩定地識別出各種姿態下的艦船目標，本文提出一種基于矩特征[7～9]描述子與支持向量機(support vector machine,SVM的艦船自動識別方法。根據航空攝影模型，本文構建了航拍場景包括不同俯仰、偏航、橫滾姿態下的7類艦船模型樣本庫，計算其相應矩特征，編程實現多類艦船目標分類器，并分析了訓練樣本數與測試數的變化對該分類系統識別精度的影響。

1 艦船目標矩特征提取

本文艦船識別系統包括輸入目標圖像，分割、提取多類艦船目標的矩特征構建向量表，基于SVM設計多類分類器，進行訓練與測試。

主要算法結構包括矩特征提取和SVM多類識別。實際圖像中，艦船目標主軸方向不定，分布位置隨機，大小存在差異，為使提取的特征能穩定地應對旋轉、平移和尺度拉伸等問題，本文使用HU矩作為艦船目標的特征描述子。

輸入艦船樣本圖像f(x,y)，圖像的p+q階幾何矩(標準矩)mpq定義為

(1)

式中M和N為圖像的寬度和高度，幾何矩mpq不具備平移不變性，將圖像坐標原點移至質心，可得到對圖像位移不變的中心矩，定義其p+q階中心矩μpq為

(2)

ηpq=μpq/(μ00)γ

(3)

(4)

則γ= [(p+q)/2]+1，[·]為取整運算。

利用代數不變理論，由歸一化二階和三階中心矩可構造如下7個對平移、尺度和旋轉變換下不變的矩

(5)

2 多類分類器設計

制定目標類標簽，用于后續分類識別，基于二分器SVM[10,11]，設計了一對一投票策略分類多類艦船目標，對于本文使用的7類艦船目標，設為A,B,C,D,E,F,G，并兩兩組成訓練集，即(A,B),(A,C),(A,D),(A,E),(B,C),(B,D),(B,E)等，得到21個(n類問題，為n(n-1)/2個)二分器，在測試時，把待測目標依次送入21個二分器中判斷，采用投票機制，過程如下：

1) 初始化：vote(A)=vote(B)=vote(C)=vote(D)=vote(E)=vote(F)=vote(G)=0。

2) 投票過程：如果使用訓練集(A,B)得到的分類器將目標判為A類，則vote(A)=vote(A)+1；否則vote(B)=vote(B)+1…依次類推。

3)最終判決：Max(vote(A),vote(B),…,vote(G))，一般取最大值所對應的類別。

3 實驗與結果分析

3.1 數據庫建立和矩值計算

為評估本文艦船識別系統的精度，構造艦船數據庫進行驗證。本文在3D MAX和SketchUp軟件上構建3D艦船模型。將其投影為二維樣本圖像，分辨率為200像素×200像素，3D MAX中艦船投影模型及艦船三維幾何方位如圖1所示。X為艦船的橫滾軸，Y為俯仰軸，Z為偏航軸。

圖1 3D MAX軟件和艦船姿態模型

將艦體沿偏航Z軸進行左右旋轉，每隔10°渲染1次圖像，旋轉范圍為-90°～90°，同一尺度下會有19幅圖像，變換另一尺度，再得到19幅圖像，得到Z軸變換方向下的38個樣本；將艦船沿著俯仰Y軸每隔5°旋轉1次，旋轉范圍為-20°～20°，2種尺度共16個樣本；將艦船沿著橫滾X軸每隔5°旋轉1次，旋轉范圍-15°～15°，2種尺度共12個樣本，每類艦船共可得66個樣本。7類艦船：沖鋒艇、導彈艦、帆船、護衛艦、巡洋艦、戰列艦、航母，構建的艦船數據庫樣本總共有7×66=462個。7類艦船實景和模型如圖2。

圖2 7類真實艦船目標及其三維模型俯視圖

對艦船樣本灰度化，根據閾值分割圖像，設像素灰度值大于30的為1；否則，為0，分割后的二值圖像如圖3。

圖3 對艦船目標分割處理

計算矩特征，如表1，對應的HU矩特征為：HU=[Hu1，Hu2，Hu3，Hu4，Hu5，Hu6，Hu7]，表1給出了訓練庫中每類艦船前兩幅圖像的矩值。

表1 7類艦船的HU矩值(絕對值)

圖4為圖像庫中每類艦船的66個樣本的第一個Hu矩和第二個Hu矩：Hu1和Hu2的曲線，共7類艦船目標。圖中曲線無大面積重合，說明目標類間分離較好，曲線的某些點處的彎曲度較大，說明該處的艦船姿態變化較大，導致該處的HU矩值與其他姿態艦船的矩值偏差大。

圖4 部分HU矩值曲線

3.2 分類結果

使用SVM對多類艦船目標進行分類以解決矩特征偏差大情況，本文從總艦船樣本庫中每類的66幅圖像中根據繞三軸旋轉的個數按比例隨機分別選出7，3，2幅共12幅艦船作為測試樣本，其余的54幅作為訓練樣本，同理繼續選出23個和33個艦船構建測試庫，其余的圖像作為訓練庫。將所得艦船的矩值特征預先構造成查找表，制作類標簽，將數據下載入分類器中進行訓練分類，錯誤代價系數C=100，徑向基函數(radial basis function,RBF)核自身的參數γ=0.007，在MATLAB環境下，得到基于SVM的艦船識別系統，如圖5。

圖5 SVM分類識別系統

識別準確率定義為：R=正確識別個數/測試總個數×100 %。得到表2的分類精度統計。

本文全部實驗處理器為Intel i3，主頻3.30 GHz，內存4.00 GB，實驗環境MATLAB 2010a，處理時間：計算每類66幅二值圖像的HU矩特征時間為25.8856 s；樣本數為378時訓練消耗時間為0.443 0 s；樣本數為301時訓練消耗時間為0.298 5 s；樣本數為231時訓練消耗時間為0.239 5 s，單幅圖像識別時間1.301 2 s。

3.3 結果分析

1)本文使用的矩特征提取方法可分性較強，不同類間計算結果區分較大，可以很好地代表每一類艦船目標的特征；2)訓練集的構造上，選取的樣本具有代表性，每一姿態都進行了取樣，訓練集的樣本數夠多，測試集中的樣本選取的個數與訓練集中樣本數都會本分類識別精度有影響；3)雖然在艦船樣本姿態變化時，把底部或者側部也計算入俯視視圖的不變矩中，但HU矩受影響較小。

4 實際遙感圖像測試

使用2組真實光學遙感圖像對本識別系統進行驗證，鹽田港鹽田區香港右邊海景路和九龍灣的艦船，先進行Grabcut[12]分割，二值化，第一組計算的HU矩值依次為：0.805 9，1.761 2，6.322 3，6.925 1，16.236 2，7.960 3，13.985 2，經SVM分類為航母。第二組HU矩值為：0.481 3，0.889 8，14.809 7，15.403 7，29.887 1，17.336 5，27.668 4，經SVM分類為護衛艦，識別結果如圖6所示。

5 結 論

所提方法識別精度高，穩定性好，方法靈活，可以通過前期處理，建立訓練集和測試集中樣本矩值特征查找表，便于快速進行查表訓練，提高效率，也可擴展到其他目標，便于實際工程應用。未來工作：1)尋找有效的目標分割算法，精確提取圖像中目標區域，便于后期特征提取；2)收集更多艦船樣本，在大樣本條件下進行增量學習，進一步提高遙感成像中艦船目標識別的有效性、準確性和實用性。