帥通 孫康 師本慧 陳金勇

（中國(guó)電子科技集團(tuán)公司第五十四研究所，石家莊050081）

面向亞米級(jí)遙感圖像的艦船目標(biāo)自動(dòng)識(shí)別方法

帥通 孫康 師本慧 陳金勇

（中國(guó)電子科技集團(tuán)公司第五十四研究所，石家莊050081）

隨著光學(xué)遙感技術(shù)的發(fā)展，空間分辨率不斷提高，為艦船目標(biāo)自動(dòng)識(shí)別提供了數(shù)據(jù)基礎(chǔ)，但是目前缺失成熟的技術(shù)方法來實(shí)現(xiàn)對(duì)艦船型號(hào)的自動(dòng)識(shí)別。本文基于經(jīng)典的局部不變性特征提取算子SIFT，提出了一種艦船目標(biāo)的自動(dòng)識(shí)別算法，主要包括特征提取、特征描述、特征匹配和目標(biāo)確認(rèn)等步驟，通過相同型號(hào)目標(biāo)和不同型號(hào)目標(biāo)在特征匹配時(shí)表現(xiàn)出的差異性來對(duì)目標(biāo)匹配結(jié)果進(jìn)行判別，從而基于目標(biāo)庫(kù)實(shí)現(xiàn)對(duì)未知目標(biāo)型號(hào)的識(shí)別。實(shí)驗(yàn)結(jié)果顯示，基于構(gòu)建的目標(biāo)切片庫(kù)，該自動(dòng)識(shí)別流程能夠?qū)Ω信d趣艦船目標(biāo)進(jìn)行有效識(shí)別，總識(shí)別率達(dá)92%，其中軍用艦船目標(biāo)識(shí)別率高達(dá)100%，這與同一型號(hào)軍用艦船表面的布局具有高度的一致性有關(guān)。該方法為艦船目標(biāo)的自動(dòng)精細(xì)識(shí)別提供了一種新的思路，具有廣泛的應(yīng)用潛力。

亞米級(jí)；遙感；艦船目標(biāo)；自動(dòng)識(shí)別

一、引言

遙感技術(shù)具有大范圍、多時(shí)相、高動(dòng)態(tài)的探測(cè)特點(diǎn)，在艦船目標(biāo)探測(cè)和識(shí)別中具有獨(dú)特的優(yōu)勢(shì)，能夠?yàn)楹Ｉ辖煌ūO(jiān)測(cè)、漁業(yè)監(jiān)測(cè)、海上應(yīng)急救援、出入境監(jiān)控等提供快速、準(zhǔn)確的信息支持。

發(fā)展前期，由于遙感影像空間分辨率不足，主要用于對(duì)艦船目標(biāo)的檢測(cè)，且以SAR數(shù)據(jù)為主，主要是因?yàn)楣鈱W(xué)遙感圖像易受氣象條件影響所致。隨著空間探測(cè)技術(shù)的發(fā)展，遙感影像空間分辨率也在不斷提高，國(guó)外軍事衛(wèi)星、商業(yè)衛(wèi)星等早已達(dá)到亞米級(jí)分辨率，而我國(guó)隨著高分專項(xiàng)的逐步推進(jìn)，也正在逐步邁入高分辨率對(duì)地觀測(cè)時(shí)代。這不僅為資源調(diào)查、環(huán)境監(jiān)測(cè)、目標(biāo)探測(cè)以及目標(biāo)識(shí)別等需求提供了大量的遙感數(shù)據(jù)，也將促使艦船目標(biāo)遙感探測(cè)技術(shù)從艦船目標(biāo)檢測(cè)向艦船目標(biāo)型號(hào)自動(dòng)識(shí)別發(fā)展。光學(xué)圖像因其具有成像直觀、目標(biāo)幾何細(xì)節(jié)保留清晰等優(yōu)點(diǎn)，在對(duì)艦船目標(biāo)進(jìn)行進(jìn)一步分類、解譯和確認(rèn)時(shí)具有更大的優(yōu)勢(shì)。

受限于數(shù)據(jù)源的問題，目前基于高分辨率光學(xué)遙感圖像進(jìn)行艦船型號(hào)自動(dòng)識(shí)別的研究很少，尚未形成完善、可靠的目標(biāo)識(shí)別流程。對(duì)艦船目標(biāo)型號(hào)的自動(dòng)識(shí)別，不能僅依賴于艦船目標(biāo)的長(zhǎng)度、寬度、面積、長(zhǎng)寬比等幾何參量，而應(yīng)結(jié)合艦船內(nèi)部亞目標(biāo)或特征點(diǎn)的分布信息，通過艦船上的布局構(gòu)造信息來對(duì)艦船型號(hào)實(shí)現(xiàn)自動(dòng)識(shí)別。本受機(jī)器視覺相關(guān)研究的啟發(fā)，擬基于局部不變性特征來實(shí)現(xiàn)對(duì)艦船目標(biāo)型號(hào)的自動(dòng)識(shí)別。

局部不變性特征是一種基于尺度空間的，對(duì)圖像平移、旋轉(zhuǎn)、縮放及灰度線性變化能夠進(jìn)行不變性描述的圖像局部特征點(diǎn)描述方法，在人臉識(shí)別、指紋識(shí)別等領(lǐng)域取得了廣泛應(yīng)用。光學(xué)遙感圖像中的艦船目標(biāo)可能來源于不同的傳感器，具有不同的分辨率，相同型號(hào)目標(biāo)也可能顯示出不同的尺度、指向、位置、輻亮度，因此該算法適用于艦船型號(hào)的自動(dòng)識(shí)別。局部不變性特征已經(jīng)發(fā)展了很多算法，其中以SIFT（Scale Invariant Feature Transform）算法最為經(jīng)典，它是一種高效的圖像局部不變性特征點(diǎn)的檢測(cè)算法,且已經(jīng)在遙感圖像配準(zhǔn)等遙感圖像處理領(lǐng)域表現(xiàn)出優(yōu)異的性能。

綜上所述，本文擬基于經(jīng)典的局部不變性特征提取算法SIFT開展艦船目標(biāo)型號(hào)識(shí)別研究，為基于高分辨率光學(xué)遙感數(shù)據(jù)的艦船目標(biāo)自動(dòng)識(shí)別提供解決思路。

二、艦船目標(biāo)庫(kù)的構(gòu)建

本研究從開放平臺(tái)Google Earth上截取不同類型的高分辨率艦船切片構(gòu)成一個(gè)小型的艦船目標(biāo)切片庫(kù)，包含軍民各類船只共計(jì)切片26幅，如圖 1所示，用于驗(yàn)證基于局部不變性特征的艦船目標(biāo)識(shí)別算法的效果。結(jié)合艦船長(zhǎng)度、寬度數(shù)據(jù)以及艦船幾何形狀，通過人工解譯的方法可以判定圖1中三個(gè)黑框內(nèi)的艦船切片屬于同一型號(hào)艦船，尤其是黑框2和黑框3內(nèi)的艦船具有非常一致的艦船形狀和布局，而黑框1內(nèi)的兩個(gè)集裝箱運(yùn)輸船，并沒有太明顯的一致性紋理特征，但從長(zhǎng)度、寬度以及用途上可以判斷為同一類型船只。

三、艦船目標(biāo)自動(dòng)識(shí)別算法

基于局部不變性特征的艦船目標(biāo)自動(dòng)識(shí)別主要包括SIFT特征提取、特征描述、特征匹配和目標(biāo)確認(rèn)四個(gè)步驟，分別描述如下：

3.1 SIFT特征的提取

在尺度空間中對(duì)SIFT特征點(diǎn)進(jìn)行檢測(cè)，能夠保證檢測(cè)到的局部特征點(diǎn)具備尺度不變性的特質(zhì)。高斯卷積核是唯一的線性變化核，因此尺度空間被定義為：

其中 G(x,y,)是在尺度下的高斯函數(shù)卷積核：

SIFT算法在尺度空間檢測(cè)特征點(diǎn)，首先將某一尺度相鄰的兩個(gè)高斯尺度空間圖像進(jìn)行相減，得到對(duì)應(yīng)高斯差的響應(yīng)值圖像D(x,y,)。再對(duì)響應(yīng)值圖像的非最大值進(jìn)行抑制，同時(shí)在尺度空間和位置上對(duì)特征點(diǎn)進(jìn)行定位。

通過同一組內(nèi)各高斯差相鄰層之間的比較來對(duì)特征點(diǎn)進(jìn)行搜索。每個(gè)采樣點(diǎn)需與其同一尺度以及相鄰尺度下的所有相鄰點(diǎn)進(jìn)行比較，看它是否比這些點(diǎn)的值大，以此尋找尺度空間的極值點(diǎn)。通過以上流程對(duì)尺度空間的特征點(diǎn)進(jìn)行檢測(cè)，可以得到它所在的尺度和位置。

3.2 SIFT特征的描述

對(duì)SIFT特征點(diǎn)進(jìn)行描述主要包括特征點(diǎn)主方向和特征矢量?jī)刹糠帧?/p>

確定特征點(diǎn)的主方向，能夠保證對(duì)特征點(diǎn)特征向量的描述保持旋轉(zhuǎn)不變性，主方向可以利用特征點(diǎn)周圍區(qū)域像素的梯度幅值大小及方向分布的特性得到。

具體計(jì)算方法如下：對(duì)以特征點(diǎn)為中心的鄰近區(qū)域進(jìn)行采樣，并對(duì)鄰域像素中每個(gè)梯度方向的累加值進(jìn)行統(tǒng)計(jì)。其中，在對(duì)梯度方向直方圖進(jìn)行統(tǒng)計(jì)時(shí)，為降低距離特征點(diǎn)較遠(yuǎn)處像元值的影響，采用高斯模板對(duì)每個(gè)梯度值進(jìn)行加權(quán)處理，模板參數(shù)設(shè)為所在尺度的1.5倍。在統(tǒng)計(jì)的梯度方向直方圖中檢索其中的峰值，峰值所對(duì)應(yīng)的梯度方向即作為該特征點(diǎn)的主方向。

為保證提取特征具備旋轉(zhuǎn)不變性，將圖像坐標(biāo)方向旋轉(zhuǎn)到特征點(diǎn)對(duì)應(yīng)主方向，再以特征點(diǎn)為中心取一個(gè)16×16的區(qū)域。然后將這個(gè)區(qū)域再劃分為4×4個(gè)小區(qū)域，每個(gè)小區(qū)域的大小為4×4個(gè)像素，在每個(gè)小區(qū)域塊中計(jì)算8個(gè)梯度方向的統(tǒng)計(jì)直方圖。

對(duì)以上16個(gè)小區(qū)域塊中的8方向梯度值按照位置進(jìn)行排序，構(gòu)成一個(gè)128 維（16×8）的特征向量，該特征向量即為SIFT特征點(diǎn)的描述子，此時(shí)構(gòu)建的描述子已經(jīng)去除了尺度、旋轉(zhuǎn)等幾何形變因素對(duì)特征描述的影響，然后將描述子的長(zhǎng)度進(jìn)行歸一化，以降低輻照度對(duì)特征描述的影響。

3.3 特征匹配

對(duì)特征點(diǎn)進(jìn)行匹配主要包括特征匹配和匹配對(duì)提純兩部分。

特征匹配的原理可以描述為：令樣本圖像內(nèi)的特征點(diǎn)集為基準(zhǔn)集{pi}，i=1,…,n，令待識(shí)別目標(biāo)圖像內(nèi)的特征點(diǎn)集為目標(biāo)集{qj}，j=1,…,m。對(duì)目標(biāo)集中每一個(gè)qj，在基準(zhǔn)集中總能找到距離最近的pi，則qj和pi可組成一組數(shù)據(jù)匹配對(duì)。進(jìn)行特征匹配的方法主要可以分為兩種：一種是線性掃描法，也稱為窮舉法，是將目標(biāo)集中的點(diǎn)與基準(zhǔn)集逐一進(jìn)行距離比較求取最近匹配對(duì)，因此無需數(shù)據(jù)預(yù)處理，操作相對(duì)簡(jiǎn)單，但搜索效率偏低；第二種是建立數(shù)據(jù)索引，然后再進(jìn)行快速匹配，可以大大加快檢索的速度，但建立索引結(jié)構(gòu)需要比較高昂的代價(jià)，如Kd-樹（K-dimension Tree）等。本研究數(shù)據(jù)量不大,因此采用第一種算法進(jìn)行匹配。

即使匹配對(duì)中兩個(gè)特征點(diǎn)的距離是最近的，但由于誤差的存在也并不能確定它們指向一致的目標(biāo)位置，因此需要對(duì)匹配對(duì)進(jìn)行篩選，剔除錯(cuò)誤的匹配對(duì)。通常能夠正確匹配的兩幅圖像存在透視變換關(guān)系，則正確的匹配對(duì)的變換關(guān)系應(yīng)具有一致性。本研究采用經(jīng)典的隨機(jī)抽樣一致性RANSAC（Random Sample consensus）算法對(duì)匹配結(jié)果進(jìn)行提純，它實(shí)現(xiàn)簡(jiǎn)單，性能良好。RANSAC算法的核心思想是首先創(chuàng)建一個(gè)誤差判斷模型，然后隨機(jī)抽取一定符合條件的數(shù)據(jù)（本研究初始抽樣4對(duì)），通過誤差判斷模型反復(fù)地迭代、測(cè)試（本研究迭代次數(shù)為2000），最終找到一個(gè)誤差最小的模型，用來區(qū)分一致性數(shù)據(jù)和非一致性數(shù)據(jù)，達(dá)到匹配對(duì)提純的目的。

將相同型號(hào)艦船目標(biāo)和不同型號(hào)艦船目標(biāo)分別進(jìn)行SIFT特征點(diǎn)匹配，效果如圖2和圖3所示?？梢钥闯鰞上嗤吞?hào)艦船的匹配點(diǎn)提取準(zhǔn)確，局部細(xì)節(jié)特征匹配精準(zhǔn)，匹配對(duì)具有高度的一致性；而不同型號(hào)艦船目標(biāo)的匹配結(jié)果非常雜亂，且匹配對(duì)數(shù)很少。由于在利用隨機(jī)抽樣一致性算法進(jìn)行匹配對(duì)提純時(shí)，初始設(shè)置抽樣數(shù)為4，所以匹配結(jié)果的誤差基數(shù)為4，即將不同目標(biāo)進(jìn)行強(qiáng)制匹配，則匹配對(duì)數(shù)一般也會(huì)在4個(gè)以上。

3.4 目標(biāo)確認(rèn)

根據(jù)待識(shí)別目標(biāo)和目標(biāo)庫(kù)切片的匹配結(jié)果進(jìn)行艦船目標(biāo)型號(hào)的確認(rèn)。將待識(shí)別目標(biāo)同目標(biāo)庫(kù)的艦船切片進(jìn)行依次匹配，并記錄匹配對(duì)數(shù)，鎖定匹配對(duì)數(shù)最大的艦船切片作為最佳匹配切片。由于匹配誤差的存在，并不是最佳匹配切片就是目標(biāo)識(shí)別的最終結(jié)果，本研究根據(jù)目標(biāo)匹配算法需求設(shè)定匹配閾值N。若最大匹配對(duì)數(shù)大于匹配閾值N，則認(rèn)為該最佳匹配切片為目標(biāo)識(shí)別最終結(jié)果，待識(shí)別目標(biāo)具有同最佳匹配切片相一致的艦船型號(hào)和屬性；若最大匹配對(duì)數(shù)小于等于匹配閾值N，則認(rèn)為目標(biāo)庫(kù)中沒有與待識(shí)別目標(biāo)相同型號(hào)的艦船目標(biāo)。

具體流程如圖 所示。

四、艦船目標(biāo)識(shí)別結(jié)果

基于圖1所示的艦船目標(biāo)切片庫(kù)，任意取出一個(gè)目標(biāo)作為待識(shí)別目標(biāo)，剩余切片作為目標(biāo)切片庫(kù)，將待識(shí)別目標(biāo)同目標(biāo)庫(kù)中的其他切片依次進(jìn)行匹配，用來進(jìn)行目標(biāo)識(shí)別算法的驗(yàn)證，則共有待識(shí)別目標(biāo)26個(gè)，每個(gè)待識(shí)別目標(biāo)匹配運(yùn)算25次，共計(jì)650次，耗時(shí)1237秒，平均每次SIFT特征匹配和判定輸出共計(jì)耗時(shí)1.9秒。由于RANSAC提純算法隨機(jī)抽樣誤差基數(shù)為4，考慮存在一定的錯(cuò)誤匹配誤差，本研究將匹配閾值N設(shè)定為誤差基數(shù)的2倍，即N=8。

最終艦船目標(biāo)的識(shí)別結(jié)果如表1所示。可見，26個(gè)艦船目標(biāo)的自動(dòng)識(shí)別結(jié)果正確24個(gè)，錯(cuò)誤2個(gè)，正確識(shí)別率為92%。自動(dòng)識(shí)別錯(cuò)誤的12號(hào)和13號(hào)艦船目標(biāo)為集裝箱運(yùn)輸船，其船體絕大部分被集裝箱覆蓋，僅在船頭、邊緣和船尾有部分船體暴露，很難獲取局部不變性特征，這可能是導(dǎo)致自動(dòng)識(shí)別失敗的主要原因。而軍用艦船目標(biāo)（編號(hào)2、3、4、7、8）全部自動(dòng)被識(shí)別出來，識(shí)別率高達(dá)100%。

五、結(jié)論

本文基于經(jīng)典的局部不變性特征SIFT提取算法，對(duì)其在高分辨率遙感圖像艦船目標(biāo)型號(hào)識(shí)別中的應(yīng)用開展了研究分析。結(jié)果表明，本文基于SIFT算子提出的艦船目標(biāo)識(shí)別算法能夠有效對(duì)艦船型號(hào)進(jìn)行匹配和識(shí)別，總正確識(shí)別率高達(dá)92%，其中針對(duì)軍用艦船的識(shí)別率高達(dá)100%，這主要是由于同一型號(hào)軍用艦船的表面布局具有高度的一致性所致。

除應(yīng)用在對(duì)艦船目標(biāo)的自動(dòng)識(shí)別領(lǐng)域外，本文提出的方法還可以應(yīng)用到車輛、飛機(jī)等其他目標(biāo)的遙感圖像自動(dòng)識(shí)別領(lǐng)域，或目標(biāo)跟蹤領(lǐng)域。隨著高分辨率遙感數(shù)據(jù)的推廣，本方法也具有非常廣闊的應(yīng)用前景。

同時(shí)，本文艦船目標(biāo)識(shí)別的算法也表現(xiàn)出了一定的局限性，如在識(shí)別效率有限的前提下，能夠識(shí)別的艦船型號(hào)是有限的，所要識(shí)別的艦船目標(biāo)型號(hào)必須包含在目標(biāo)庫(kù)中，因此本方法通常應(yīng)用到對(duì)感興趣的若干目標(biāo)進(jìn)行識(shí)別和跟蹤上，而無法對(duì)場(chǎng)景中的所有目標(biāo)（如無關(guān)緊要的艦船目標(biāo)）都進(jìn)行型號(hào)識(shí)別，但可以做出不屬于感興趣目標(biāo)的判斷。此外，通過選用更加高效的局部不變形特征提取算法或者特征匹配算法也能夠在一定程度上提高識(shí)別效率，拓展可識(shí)別目標(biāo)的范圍。