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、全天時等方面的優(yōu)勢，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、識別、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，國內(nèi)外諸多學(xué)者在紅外目標(biāo)識別技術(shù)方面開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)所有場景變化，尤其是強魚鱗波下會出現(xiàn)大量虛警，利用多個具有互補性的特征對目標(biāo)進行描述，能得到目標(biāo)的穩(wěn)定狀態(tài)，可以更好的適應(yīng)場景變化，得到魯棒的識別結(jié)果［4～6］。

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

2 目標(biāo)特征提取與分析

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

2.1 灰度統(tǒng)計特征

2.1.1 對比度特征

對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，對比度相對較低；而黑白交替的魚鱗波，其對比度則較高。對比度特征的數(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)集的對比度統(tǒng)計分析結(jié)果如圖1所示，天空及平穩(wěn)海浪區(qū)域的對比度均值較低，魚鱗波等非平穩(wěn)區(qū)域的對比度均值較高，而目標(biāo)的對比度受所在環(huán)境影響，平穩(wěn)區(qū)域的目標(biāo)對比度較高，非平穩(wěn)的海浪環(huán)境則會弱化目標(biāo)的對比度，因此對比度可用于簡單環(huán)境中的目標(biāo)識別，復(fù)雜環(huán)境下其有效性降低。

圖1 紅外數(shù)據(jù)集對比度統(tǒng)計分析

2.1.2 均值差分特征

均值差分特征為對某像素周圍兩個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、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。通過對一張圖像的所有像素點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效果良好，隨著雜波增強，海浪與目標(biāo)的均值差分值差異不明顯，識別有效性降低。

圖2 紅外數(shù)據(jù)集均值差分統(tǒng)計分析

2.1.3 平均梯度特征

梯度指向標(biāo)量場增長最快的方向，其長度表征最大變化率，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像素點的梯度幅度后求其平均值，平均梯度較大則說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其進行區(qū)分，而目標(biāo)與魚鱗波區(qū)域的平均梯度值區(qū)分差異較小，無法使用該特征對其進行區(qū)分。

圖3 紅外數(shù)據(jù)集平均梯度統(tǒng)計分析

2.2 幾何特征

2.2.1 長寬比

長寬比是目標(biāo)在成像靶面的長度與寬度方向上所占像素數(shù)的比值。由于艦船的設(shè)計通常具有一定的尺寸和大小，對紅外艦船目標(biāo)數(shù)據(jù)庫VAIS Database中的1242張不同視角的艦船長寬比進行統(tǒng)計分析，其長寬比的范圍為1.11～8.78，因此長寬比特征可用來剔除長線狀的海天線，海岸線和長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)邊界像素點個數(shù)與整個目標(biāo)物體的像素點的比值，即目標(biāo)物體的周長與輪廓包圍區(qū)域面積之比。目標(biāo)復(fù)雜度越大，則代表目標(biāo)邊界像素點個數(shù)占整個目標(biāo)像素點個數(shù)越多，表明整個目標(biāo)越狹長。

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)識別的一個重要特征［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^對圖像灰度級之間的二階聯(lián)合條件概率密度P(i,j|d,θ)的計算表示紋理，P(i,j|d,θ)表示在給定的空間距離d和方向θ時，以灰度級i為始點，出現(xiàn)灰度級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；對比度是灰度共生矩陣中像素值及其鄰域的對比情況，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)域由于受到周圍海雜波影響，使得它與海浪的紋理差異在數(shù)值上差異較小，但實際使用中對海雜波干擾進行抑制后，灰度共生矩陣特征將能更好應(yīng)用在分類識別中。

圖5 數(shù)據(jù)集灰度共生矩陣特征統(tǒng)計分析

2.3.2 局部二進制特征

局部二進制（Local Binary Patterns，LBP）特征可以有效地識別目標(biāo)庫中包含的后驗特征模式［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個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個點經(jīng)比較可產(chǎn)生8位二進制數(shù)，轉(zhuǎn)換為十進制數(shù)后，即得到該窗口中心像素點的LBP值，并用該值來反映該區(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)為符號函數(shù)。

圖6 LBP算子定義示意圖

對LBP進行模式等價后，最終得到共10種類型的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種類型的LBP模式，而海雜波無明顯峰值，區(qū)域內(nèi)幾種類型的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)計直方圖示意圖

2.4 特征選擇

雖然大量特征均可用于分類識別，但特征數(shù)量與分類器性能之間不存在正比關(guān)系，特征數(shù)量超過一定限度時，甚至可能出現(xiàn)分類器性能變差的情況，因此需要在特征提取基礎(chǔ)上進行選擇［10～11］。主成分分析（Principal Component Analysis，PCA）是一種常用的統(tǒng)計方法，它通過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)分類識別

目標(biāo)識別是指將一類目標(biāo)與其他類目標(biāo)區(qū)別開來。目前，較流行的識別方法主要有三大類：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）的自動目標(biāo)識別，其中，基于模型的識別方法應(yīng)用較為廣泛［12］。支持向量機（Support Vector Machine，SVM）作為該類方法中的一種，由于具有嚴(yán)密的推理以及樣本需求少的優(yōu)點，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超平面作為最優(yōu)分類面，使正例和反例樣本的分類間隔最大化［13］?；赟VM的目標(biāo)識別過程包括訓(xùn)練和分類：訓(xùn)練就是利用訓(xùn)練樣本得到最優(yōu)分類函數(shù)的過程，分類則是通過最優(yōu)分類函數(shù)對待識別樣本進行分類的過程。

構(gòu)造最優(yōu)化問題：

采用任一支持向量求解b*：

代入w*，b*，得到最優(yōu)分類函數(shù)：

分類時，只要將待分類目標(biāo)的特征向量輸入最優(yōu)分類函數(shù)，即可分類結(jié)果。

4 實驗仿真分析

本文通過紅外實測數(shù)據(jù)及部分暗室仿真紅外數(shù)據(jù)，仿真驗證本文方法的有效性。首先單維特征SVM分類識別結(jié)果如表1所示，單維特征的艦船目標(biāo)分類識別正確率均不超過80%，使用全部特征進行SVM分類后，目標(biāo)識別正確率提高到87.71%。采用本文方法進行SVM分類識別后，最終魚鱗波區(qū)域的艦船目標(biāo)的識別率為82.86%，虛警率為3.8×10-3，其它區(qū)域艦船目標(biāo)識別率為95%，虛警率為1.47×10-3，平均識別率為89.95%。如圖8所示為實驗代表結(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)識別能力。

表1 單維特征SVM分類識別結(jié)果

圖8 實驗代表結(jié)果

5 結(jié)語

本文通過對紅外圖像中艦船目標(biāo)、雜波等的內(nèi)在屬性特征進行分析，將多個有效特征共同用于紅外艦船目標(biāo)的識別中，并采用PCA方法對提取特征進行進一步的選擇，降低特征向量維度，減少訓(xùn)練分類過程中的運算量，在此基礎(chǔ)上利用SVM完成艦船目標(biāo)的識別，最終提高了復(fù)雜環(huán)境下紅外艦船目標(biāo)識別能力。