高分遙感艦船目標(biāo)SIFT特征的提取與匹配

帥通，師本慧，張霞，陳金勇，劉翔

（1.中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081；2.中國(guó)科學(xué)院 遙感與數(shù)字地球研究所，北京 100101）

高分遙感艦船目標(biāo)SIFT特征的提取與匹配

帥通1，師本慧1，張霞2，陳金勇1，劉翔1

（1.中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081；2.中國(guó)科學(xué)院 遙感與數(shù)字地球研究所，北京 100101）

隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，光學(xué)遙感圖像分辨率不斷提高，使得利用艦船局部特征進(jìn)行艦船的精細(xì)識(shí)別成為可能?；诮?jīng)典的SIFT特征提取算法對(duì)高分辨率光學(xué)遙感圖像中的艦船目標(biāo)進(jìn)行了特征點(diǎn)提取、特征點(diǎn)描述和特征匹配研究，通過(guò)同一類(lèi)型艦船目標(biāo)切片的匹配實(shí)驗(yàn)，結(jié)果表明SIFT算法可以有效用于遙感圖像艦船切片的特征點(diǎn)提取和匹配，證明了該算法在高分辨率遙感圖像中艦船目標(biāo)精細(xì)識(shí)別的應(yīng)用潛力。

高分辨率；遙感；艦船；SIFT；特征提??；特征匹配

0 引言

利用遙感圖像對(duì)艦船目標(biāo)進(jìn)行檢測(cè)和識(shí)別對(duì)水運(yùn)交通、海上應(yīng)急救助、漁業(yè)監(jiān)測(cè)、非法入境監(jiān)控等方面具有重要意義［1］。隨著對(duì)地觀測(cè)技術(shù)及相關(guān)光電技術(shù)的迅猛發(fā)展，遙感圖像不論是成像質(zhì)量還是分辨能力都隨之取得了長(zhǎng)足進(jìn)步，光學(xué)遙感已經(jīng)步入高分辨率時(shí)代，對(duì)艦船目標(biāo)的判別也在從目標(biāo)檢測(cè)向目標(biāo)識(shí)別的方向轉(zhuǎn)變。

在艦船目標(biāo)識(shí)別初期，主要利用艦船的形狀特征、灰度特征和紋理特征等全局特征對(duì)艦船類(lèi)型進(jìn)行判別［2，3］，隨著光學(xué)遙感圖像分辨率的進(jìn)一步提高，艦船目標(biāo)的細(xì)節(jié)特征更加清晰，充分利用艦船目標(biāo)的局部特征將有助于艦船目標(biāo)的精細(xì)識(shí)別。

尺度不變特征變換（Scale Invariant Feature Transform，SIFT）是一種高效的圖像特征點(diǎn)檢測(cè)算法［4］，已經(jīng)成為最為經(jīng)典的局部特征描述子之一，在機(jī)器視覺(jué)和圖像配準(zhǔn)等領(lǐng)域取得了廣泛應(yīng)用［5，6］，但是受遙感數(shù)據(jù)源的限制，其在遙感圖像識(shí)別領(lǐng)域的應(yīng)用鮮有報(bào)道。SIFT算法在高斯差分金字塔圖像中尋找目標(biāo)特征點(diǎn)，再以其為中心提取具有平移、旋轉(zhuǎn)和縮放等不變性的局部特征向量描述子。通過(guò)將待識(shí)別艦船目標(biāo)與樣本目標(biāo)圖像的SIFT局部特征向量進(jìn)行匹配，可以用于艦船目標(biāo)的識(shí)別，主要包括特征點(diǎn)提取、特征點(diǎn)描述和特征匹配等步驟。

本研究基于SIFT算法對(duì)高分辨率光學(xué)遙感圖像中艦船目標(biāo)的局部特征進(jìn)行提取與匹配研究，為艦船目標(biāo)精細(xì)識(shí)別奠定技術(shù)基礎(chǔ)。其中，高分辨率遙感光學(xué)圖像艦船目標(biāo)從Google Earth中截取。

1 SIFT特征點(diǎn)提取

在尺度空間中完成SIFT特征點(diǎn)的檢測(cè)，能夠使檢測(cè)到的局部特征點(diǎn)具有尺度不變性。文獻(xiàn)［7］證明高斯卷積核是唯一的線性變化核，因此尺度空間的定義為：

式中，G（x，y，σ）是在尺度σ下的高斯函數(shù)卷積核，

σ值越小，圖像越清晰，則對(duì)應(yīng)于圖像細(xì)節(jié)信息；σ值越大，圖像越模糊，則對(duì)應(yīng)于圖像的概貌特征。

SIFT算法在某一尺度上檢測(cè)特征點(diǎn)，首先將2個(gè)相鄰高斯尺度空間的圖像相減，得到一個(gè)高斯差（Difference of Gaussians，DoG）的響應(yīng)值圖像D(x，y，σ)。再對(duì)響應(yīng)值圖像進(jìn)行非最大值抑制，在位置空間和尺度空間中對(duì)特征點(diǎn)進(jìn)行定位。其中，

DoG通過(guò)高斯差分金字塔來(lái)構(gòu)建，假設(shè)圖像金字塔共O組，每組有S層，則下一組的圖像由上一組圖像降采樣得到，對(duì)于每一組的S層圖像而言，上一層的高斯濾波尺度都是下一層的k倍。

對(duì)特征點(diǎn)的搜索通過(guò)同一組內(nèi)各DoG相鄰層之間的比較來(lái)完成。每一個(gè)采樣點(diǎn)要和它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)的值大或者小，以此尋找尺度空間的極值點(diǎn)。如圖1所示，中間的檢測(cè)點(diǎn)和它相鄰的26個(gè)點(diǎn)進(jìn)行比較，包括同尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18個(gè)點(diǎn)，以確保檢測(cè)到的是極值點(diǎn)。

圖1 極值點(diǎn)在尺度空間的檢測(cè)

通過(guò)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。但得到的位置比較粗糙，定位不是很準(zhǔn)確。某些特征點(diǎn)的極值響應(yīng)比較弱，且包括一些位于邊緣處的特征點(diǎn)，需要進(jìn)行消除。對(duì)特征點(diǎn)準(zhǔn)確定位，可以通過(guò)擬和二次函數(shù)來(lái)精確確定特征點(diǎn)的位置，能夠達(dá)到亞像素級(jí)的精度，以此可以增強(qiáng)特征匹配的穩(wěn)定性，提高對(duì)噪聲的抗干擾能力。

2 SIFT特征點(diǎn)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2部分。

2.1 特征點(diǎn)主方向

確定特征點(diǎn)的主方向，能夠保證特征點(diǎn)的特征向量具有旋轉(zhuǎn)不變性，可以利用特征點(diǎn)周?chē)鷧^(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)為中心的鄰域進(jìn)行采樣，并統(tǒng)計(jì)鄰域像素中每個(gè)梯度方向的累加值。用直方圖對(duì)梯度統(tǒng)計(jì)結(jié)果進(jìn)行顯示，直方圖的范圍是0～360°，每10°代表一個(gè)方向，共計(jì)36個(gè)方向。在計(jì)算梯度方向直方圖時(shí)，用一個(gè)參數(shù)為所在尺度1.5倍的高斯模板對(duì)各個(gè)梯度值進(jìn)行加權(quán)，以降低距離特征點(diǎn)較遠(yuǎn)處的像素對(duì)主方向的影響，如圖2中圓形所示，中心向邊緣方向的權(quán)值逐漸減小。對(duì)得到的梯度方向直方圖查找其中的峰值，峰值所處的方向即代表了該特征點(diǎn)的主方向。

圖2 特征點(diǎn)主方向確定示意

如果在梯度直方圖中另有某個(gè)峰值的大小超過(guò)主峰值80%，則保留這個(gè)方向作為該特征點(diǎn)的輔助方向，以此可增強(qiáng)特征點(diǎn)主方向的魯棒性。因此一個(gè)特征點(diǎn)可能會(huì)被指定具有多個(gè)方向，一個(gè)主方向以及一個(gè)以上輔方向。

圖3顯示為高分辨率遙感圖像艦船目標(biāo)切片中隨機(jī)選取的100個(gè)特征點(diǎn)的位置、尺度和主方向，其中圓圈中心是特征點(diǎn)位置，圓圈半徑表示特征點(diǎn)尺度，線段方向指示特征點(diǎn)的主方向。

圖3 SIFT特征點(diǎn)的位置、尺度及主方向展示

2.2 特征點(diǎn)特征矢量

為保證提取特征具有旋轉(zhuǎn)不變性，將圖像坐標(biāo)軸旋轉(zhuǎn)為特征點(diǎn)主方向，并以特征點(diǎn)為中心取一個(gè)16×16的區(qū)域。圖4左圖中，中央點(diǎn)表示當(dāng)前特征點(diǎn)的位置，每個(gè)方格表示所在尺度空間中特征點(diǎn)鄰域的像素點(diǎn)，箭頭方向表示對(duì)應(yīng)像素梯度方向，箭頭長(zhǎng)度表示梯度大小。

為避免由于特征點(diǎn)位置的微小變化導(dǎo)致整個(gè)特征描述子發(fā)生較大變化情況的發(fā)生，讓遠(yuǎn)離特征點(diǎn)中心位置的梯度值影響盡可能小。通過(guò)對(duì)整個(gè)窗口進(jìn)行高斯加權(quán)運(yùn)算來(lái)實(shí)現(xiàn)，即用模板大小等于描述子寬度一半的高斯函數(shù)進(jìn)行加權(quán)運(yùn)算。如圖4所示，圓圈代表高斯加權(quán)的范圍，越遠(yuǎn)離特征點(diǎn)的像素，權(quán)值越小，對(duì)梯度方向的貢獻(xiàn)也越小。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（如圖4右圖所示），箭頭的長(zhǎng)度表示該方向上所有梯度總和的大小。

圖4 特征矢量的生成方法示意

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，形成一個(gè)16×8＝128維的特征向量，該特征向量即為SIFT特征點(diǎn)的描述子，此時(shí)構(gòu)建的描述子特征向量已經(jīng)去除了尺度、旋轉(zhuǎn)等幾何形變因素的影響，然后將描述子的長(zhǎng)度進(jìn)行歸一化，以進(jìn)一步去除光照對(duì)特征描述的影響。

SIFT特征點(diǎn)的特征矢量描述結(jié)果如圖5所示，白色方框的大小表示特征點(diǎn)尺度，方框內(nèi)箭頭表示特征矢量。

圖5 隨機(jī)選取100個(gè)特征點(diǎn)進(jìn)行特性矢量描述

3 特征匹配

令一幅圖像中的特征點(diǎn)描述子集為目標(biāo)集｛qj｝，j＝1，2，…，m，另一幅圖像中的特征點(diǎn)描述子集為基準(zhǔn)集｛pi｝，i＝1，2，…，n。特征匹配就是對(duì)每個(gè)qj，在基準(zhǔn)集中找到與其距離最近的pi，則qj和pi就構(gòu)成一個(gè)特征匹配對(duì)＜qj，pi＞。

進(jìn)行特征匹配的方法主要可以分為2種：①線性掃描法，也稱(chēng)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(wú)需數(shù)據(jù)預(yù)處理，操作相對(duì)簡(jiǎn)單，但搜索效率偏低；②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(shù)（K－dimension Tree）等［8］。相關(guān)研究發(fā)現(xiàn)，當(dāng)需要匹配特征點(diǎn)數(shù)低于2 000時(shí)窮舉法效率較高，特征點(diǎn)數(shù)大于2 000時(shí)，Kd-樹(shù)算法效率較高［9］。本文采用窮舉法對(duì)艦船目標(biāo)和艦船樣本進(jìn)行匹配，匹配結(jié)果如圖6所示。2艘艦船雖然船上裝載物品有所差異，但二者主體結(jié)構(gòu)一致，屬于同一類(lèi)型艦船。

圖6 SIFT局部特征匹配結(jié)果

即使匹配對(duì)中2個(gè)數(shù)據(jù)點(diǎn)的距離最近，但由于誤差的存在也并不意味著它們對(duì)應(yīng)相同的目標(biāo)區(qū)域，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)。本文采用經(jīng)典的隨機(jī)抽樣一致性RANSAC（Random Sample consensus）算法進(jìn)行匹配對(duì)的提純，它實(shí)現(xiàn)簡(jiǎn)單，性能良好［10］。

通常能夠進(jìn)行匹配的2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。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)（本文是選擇4組），通過(guò)誤差判斷模型反復(fù)地迭代、測(cè)試，最終找到一個(gè)誤差最小的模型，用來(lái)區(qū)分一致性數(shù)據(jù)和非一致性數(shù)據(jù)。圖6經(jīng)過(guò)匹配對(duì)提純后的匹配結(jié)果如圖7所示。

圖7 RANSAC匹配對(duì)提純后匹配結(jié)果

4 結(jié)束語(yǔ)

基于SIFT算法對(duì)高分辨率光學(xué)遙感圖像中艦船目標(biāo)進(jìn)行了特征點(diǎn)的提取與匹配研究。通過(guò)上述SIFT特征點(diǎn)提取、特征描述以及特征匹配，可以看出兩艦船的匹配點(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，因此可以利用SIFT算法進(jìn)行待識(shí)別艦船目標(biāo)和艦船樣本的匹配，從而達(dá)到通過(guò)圖像匹配進(jìn)行艦船目標(biāo)精細(xì)識(shí)別的目的。本文的研究成果為艦船目標(biāo)識(shí)別奠定了技術(shù)基礎(chǔ)，后期將在此基礎(chǔ)上針對(duì)該算法應(yīng)用中的魯棒性、時(shí)效性、識(shí)別精度等問(wèn)題繼續(xù)開(kāi)展深入研究。

［1］陳韜亦，陳金勇，趙和鵬.基于Ecogniton的光學(xué)遙感圖像艦船目標(biāo)檢測(cè)［J］.無(wú)線電工程，2013，43（11）：11－14.

［2］裴洪飛.航空?qǐng)D像中艦船目標(biāo)識(shí)別技術(shù)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2010.

［3］于 鵬.高分辨率可見(jiàn)光遙感圖像艦船目標(biāo)識(shí)別方法研究［D］.長(zhǎng)春：吉林大學(xué)，2011.

［4］LOWE D.Distinctive Image Features from Scale-invariant Keypoints［J］.International Journal of Computer Vision，2004，60（2）：91－110.

［5］黃 燦.基于局部特征的車(chē)輛識(shí)別［D］.上海：上海交通大學(xué)，2010.

［6］王云飛.基于SIFT和歸一化互信息的SAR圖像配準(zhǔn)算法研究［D］.西安：西安電子科技大學(xué)，2014.

［7］LINDEBERG T.Detecting Salient Blob-like Image Struc-tures and their Scales with a Scale-space Primal Sketch：a Method for Focus-of-attention［J］.International Journal of Computer Vision，1993，11（3）：283－318.

［8］王永明，王貴錦.圖像局部不變性特征與描述［M］.北京：國(guó)防工業(yè)出版社，2010.

［9］朱佳文，屈新原，高小偉.基于CSIFT算法的UAV影像配準(zhǔn)技術(shù)研究［J］.首都師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，34（4）：69－74.

［10］FISHER M，BOLLEs R.A Random Sample Consensus：A Paradigm Formodel Fitting with Application to Image Analysis and AutomatedCartography［J］.Communication Association Machine，1981，24（6）：381－395.

Extraction and Matching of Ship SIFT Features of High-Resolution Remote Sensing Images

SHUAI Tong1，SHI Ben-hui1，ZHANG Xia2，CHEN Jin-yong1，LIU Xiang1
（1．The 54th Research Institute of CETC，Shijiazhuang Hebei 050081，China；2．Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100101，China）

Along with the development of earth observation technology，the spatial resolution of optical remote sensing image is becoming increasingly high，which leads to the possibility of identifying ships using the local features of ship slices.The feature extrac-tion，description and matching of ship slices of high-resolution optical remote sensing images are studied using the classical SIFT meth-od.The ship matching experiment of the same type shows that the SIFT method is valid for feature extraction and matching of ship slices，and it demonstrates the application potential of this method in ship identification of high-resolution remote sensing images.

high-resolution；remote sensing；ship；SIFT；feature extraction；feature matching

TP751

A

1003－3106（2015）11－0048－04

10.3969／j.issn.1003－3106.2015.11.13

帥 通，師本慧，張 霞，等.高分遙感艦船目標(biāo)SIFT特征的提取與匹配［J］.無(wú)線電工程，2015，45（11）：48－51.

帥 通男，（1986—），博士。主要研究方向：遙感圖像處理及應(yīng)用。

2015-08-17

師本慧男，（1965—），研究員。主要研究方向：航天地面應(yīng)用和測(cè)控。