遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別研究

陳 燕

(中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051)

0 引 言

遠(yuǎn)洋船舶作為遠(yuǎn)洋運(yùn)輸?shù)闹饕d體，對(duì)其進(jìn)行目標(biāo)檢測(cè)與分類識(shí)別對(duì)于海洋生態(tài)環(huán)境保護(hù)、海洋交通與國(guó)防安全產(chǎn)生重要意義，遠(yuǎn)洋船舶目標(biāo)檢測(cè)中的圖像分類識(shí)別方法成為相關(guān)領(lǐng)域中的研究熱點(diǎn)。

周慧與等利用特征金字塔深度網(wǎng)絡(luò)定位船舶圖像，采用CNN網(wǎng)絡(luò)劃分船舶圖像類別。但該方法在實(shí)際應(yīng)用過(guò)程中需通過(guò)反復(fù)的實(shí)驗(yàn)確定CNN網(wǎng)絡(luò)參數(shù)，效率低且耗費(fèi)大量時(shí)間。王莉等在研究船舶圖像分類識(shí)別方法中，構(gòu)建約束稀疏表達(dá)線性編碼模型，依照相似度判斷函數(shù)，實(shí)現(xiàn)船舶圖像分別識(shí)別目的。但該方法在實(shí)際應(yīng)用過(guò)程中學(xué)習(xí)能力有限，導(dǎo)致最終所得分類結(jié)果具有一定誤差。針對(duì)這些問(wèn)題，研究遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別方法，使遠(yuǎn)洋船舶圖像分類的效果得到整體提升。

1 遠(yuǎn)洋船舶圖像分類識(shí)別方法

1.1 遠(yuǎn)洋船舶圖像特征提取

遠(yuǎn)洋船舶圖像特征提取是遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別的基礎(chǔ)。采用小波分析法提取遠(yuǎn)洋船舶圖像特征，獲取高頻或低頻系數(shù)。而遠(yuǎn)洋船舶圖像的大部分有效信息均存在于低頻系數(shù)內(nèi)，因此遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別過(guò)程中可將低頻系數(shù)作為分類的特征向量。若一維圖像信號(hào)()∈()于子空間V內(nèi)實(shí)施標(biāo)準(zhǔn)正交基展開，以表示尺度，由此得到：

式中，=〈,?〉。

以和分 別描述尺度與小波系數(shù)，則()可表示為：

遠(yuǎn)洋船舶圖像(,)是一種二維信號(hào)，所以需要構(gòu)建二維尺度函數(shù)，公式描述如下：

利用式(4)描述二維小波變換過(guò)程中的三組正交基函數(shù)：

1.2 雙向遞歸神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)洋船舶圖像分類識(shí)別

以表示隱含層，利用式(5)能夠描述單向遞歸神經(jīng)網(wǎng)絡(luò)的輸出y：

式中：W和b分別表示連接隱含層與輸出層的權(quán)重矩陣和輸出層偏差向量；W和W分別表示隱藏至隱含層的權(quán)重矩陣和連接輸出層與隱含層的權(quán)重矩陣，tan和b分別表示激活函數(shù)與隱含層偏差向量。

作為單向RNN的擴(kuò)展，BRNN內(nèi)包含2個(gè)隱含層，這兩者間依照相反的時(shí)間順序排序進(jìn)行連接。基于此，BRNN可使用過(guò)去的數(shù)據(jù)和未來(lái)的數(shù)據(jù)，表示前進(jìn)方向的非約束重量，由此得到的y可表示為：

式中，上標(biāo)表示后向隱藏的激活。

針對(duì)輸入與輸出的影響水平與隱含層學(xué)習(xí)率的控制來(lái)說(shuō)，BRNN內(nèi)的權(quán)重設(shè)定極為重要。線性回歸過(guò)程中經(jīng)由輸入與權(quán)重的乘積然后相加生成輸出：

式中：用于描述偏差，其主要功能為令輸出與神經(jīng)元輸入間實(shí)現(xiàn)平衡。

1.3 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化

權(quán)重與偏差作為BRNN分類器內(nèi)的2個(gè)關(guān)鍵參數(shù)，兩者對(duì)最終的分類結(jié)果產(chǎn)生直接影響。因此為了提升BRNN分類性能，采用粒子群算法這2個(gè)參數(shù)進(jìn)行優(yōu)化，改善BRNN不穩(wěn)定的缺陷，提升BRNN分類精度，基本流程如圖1所示。以權(quán)重為例，具體參數(shù)優(yōu)化步驟如下：

1 初始化粒子群相關(guān)超參數(shù)。初始化不同粒子的位置與速度，根據(jù)專家經(jīng)驗(yàn)設(shè)定權(quán)重值；將位置描述成網(wǎng)絡(luò)參數(shù)，以均方差描述適應(yīng)度值。

2 確定不同的適應(yīng)度值，并更新。若全局最優(yōu)粒子的適應(yīng)度值下降，低于所設(shè)定的閾值，那么將停滯計(jì)數(shù)器的數(shù)值提升1，相反，將停滯計(jì)數(shù)器清零。

3 確定是否符合收斂標(biāo)準(zhǔn)，若符合，則轉(zhuǎn)入步驟7。

4 如果停滯計(jì)數(shù)器的值不小于最大迭代次數(shù)，則轉(zhuǎn)入步驟6；相反轉(zhuǎn)入步驟5。

5 更新全部的速度與位置，轉(zhuǎn)入步驟2。

6 停滯計(jì)數(shù)器清零，更新慣性權(quán)重，同時(shí)二次初始化除外的剩余，轉(zhuǎn)入步驟2。

圖1 改進(jìn)粒子群算法的基本流程Fig. 1 Basic flow of improved particle swarm optimization algorithm

7 輸出作為BRNN內(nèi)權(quán)重的優(yōu)化結(jié)果，結(jié)束。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境

為驗(yàn)證本文所研究的遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別方法在遠(yuǎn)洋船舶圖像分類中的應(yīng)用效果，在Matlab軟件實(shí)時(shí)編程驗(yàn)證本文方法功性能。實(shí)驗(yàn)對(duì)象為來(lái)自不同時(shí)間、不同類別的遠(yuǎn)洋船舶目標(biāo)檢測(cè)圖片集，其中共包含1 034幅遠(yuǎn)洋船舶目標(biāo)檢測(cè)所用的圖像，其中共包含4個(gè)遠(yuǎn)洋船舶類別，不同遠(yuǎn)洋船舶類別圖像的數(shù)量與來(lái)源如表1所示。

表1 實(shí)驗(yàn)對(duì)象來(lái)源與構(gòu)成Tab. 1 Source and composition of experimental objects

2.2 最優(yōu)參數(shù)選擇

為了有效評(píng)價(jià)本文方法的性能，將Spearman相關(guān)系數(shù)與Pearson相關(guān)系數(shù)作為分析指標(biāo)，前者描述本文方法的準(zhǔn)確性，后者可分析本文方法的性能。2個(gè)分析指標(biāo)的取值范圍均為[0,1]，取值越接近1表示本文方法性能越好。在計(jì)算本文方法的Pearson相關(guān)系數(shù)前，需先進(jìn)行回歸分析，也就是對(duì)本文方法所得的分類結(jié)果與主觀分析所得的主觀分類結(jié)果之間進(jìn)行非線性映射。Spearman相關(guān)系數(shù)S與Pearson相關(guān)系數(shù)P的計(jì)算公式：

本文方法中BRNN分類器內(nèi)不同時(shí)間步長(zhǎng)對(duì)本文方法的應(yīng)用性能也同樣產(chǎn)生顯著影響，因此，對(duì)比BRNN分類器內(nèi)不同時(shí)間步長(zhǎng)條件下本文方法的S值與P值，所得結(jié)果如圖2所示。分析圖2能夠得到，在時(shí)間步長(zhǎng)為60的條件下，本文方法的S值與P值分別為0.974和0.972，均為不同時(shí)間步長(zhǎng)條件下的最大值。在此之后隨著時(shí)間 步長(zhǎng)的提升，本文方法的S值與P值都呈現(xiàn)不同程度地降低，由此可知本文方法中的時(shí)間步長(zhǎng)應(yīng)設(shè)定為60。

圖2 不同時(shí)間步長(zhǎng)條件下本文方法的應(yīng)用性能Fig. 2 Application performance of this method under different time steps

2.3 分類識(shí)別結(jié)果

采用本文方法對(duì)游艇類船舶和戰(zhàn)斗類船舶進(jìn)行分類識(shí)別，所得結(jié)果如圖3所示。分析圖3(a)能夠得到，采用本文方法能夠在包干若干船舶的圖像中有效分類識(shí)別出3艘游艇類；分析圖3(b)能夠得到采用本文方法能夠在包含艇艘船舶的圖像中有效分類識(shí)別出2艘戰(zhàn)斗類。以上實(shí)驗(yàn)結(jié)果充分說(shuō)明采用本文方法可有效實(shí)現(xiàn)不同類型遠(yuǎn)洋船舶圖像分別識(shí)別。

圖3 實(shí)驗(yàn)對(duì)象分類結(jié)果Fig. 3 Classification results of experimental objects

2.4 圖像分類識(shí)別精度測(cè)試

不同類別船舶圖像分類識(shí)別精度測(cè)試過(guò)程中，以S值與整體精度為評(píng)價(jià)指標(biāo)，同時(shí)以文獻(xiàn)[3]中基于特征金字塔模型的方法和文獻(xiàn)[4]中基于約束稀疏表達(dá)的方法為對(duì)比方法，分析本文方法與2種對(duì)比方法的S值與整體分類識(shí)別精度，所得結(jié)果如表2所示。分析表2得到，采用本文方法劃分實(shí)驗(yàn)對(duì)象類別過(guò)程中，本文方法的所得的S值與整體精度分別高于0.94%和97%，與2種對(duì)比方法相比均具有明顯優(yōu)勢(shì)，由此說(shuō)明本文方法與2種對(duì)比方法相比能夠得到更準(zhǔn)確的分類結(jié)果。

表2 分類精度分析Tab. 2 Classification accuracy analysis

3 結(jié) 語(yǔ)

本文提出遠(yuǎn)洋船舶目標(biāo)檢測(cè)中圖像分類識(shí)別方法，根據(jù)遠(yuǎn)洋船舶圖像特征，采用雙向遞歸神經(jīng)網(wǎng)絡(luò)對(duì)遠(yuǎn)洋船舶圖像進(jìn)行分類研究，并通過(guò)改進(jìn)粒子群算法優(yōu)化雙向遞歸神經(jīng)網(wǎng)絡(luò)，提升分類性能。實(shí)驗(yàn)結(jié)果顯示，本文方法在設(shè)定條件下能夠準(zhǔn)確劃分實(shí)驗(yàn)對(duì)象類別。