張旭艷,華宇寧,董 曄,郝永平,張 樂
(沈陽理工大學(xué) 兵器科學(xué)技術(shù)研究中心,沈陽 110159)
?
一種基于不變矩的紅外目標(biāo)識別算法
張旭艷,華宇寧,董曄,郝永平,張樂
(沈陽理工大學(xué) 兵器科學(xué)技術(shù)研究中心,沈陽 110159)
摘要:針對單一目標(biāo)特征量提取與識別存在的不足,提出了不變矩與紅外目標(biāo)幾何形態(tài)特征組成的聯(lián)合特征量,并選取歐氏距離作為目標(biāo)分類識別的判別準(zhǔn)則。實驗結(jié)果表明,聯(lián)合不變矩作為特征量滿足尺度不變性,且有很強的獨立性與可分性。在目標(biāo)識別分類的應(yīng)用中,其效果優(yōu)于不變矩特征識別。
關(guān)鍵詞:紅外圖像;目標(biāo)識別;不變矩;聯(lián)合特征向量;歐式距離
目標(biāo)識別的研究近幾十年來得到了很大的發(fā)展,比如經(jīng)典的統(tǒng)計模式識別、基于知識基識別、基于模型目標(biāo)識別等[1]。其中常用統(tǒng)計方法,包括基于像素匹配和基于特征匹配。像素匹配法計算量大,且對目標(biāo)的變形敏感,所以識別大都采用特征匹配法。特征匹配要求特征向量有很強的獨立性與可分性,且應(yīng)滿足尺度不變性。
本文在提取傳統(tǒng)不變矩特征量的基礎(chǔ)上,根據(jù)紅外圖像自身的特點,提取了表示目標(biāo)幾何形態(tài)的特征量。將不變矩與紅外特征共同組成的聯(lián)合特征向量作為最終特征量,對目標(biāo)進行識別分類。
1圖像處理
圖像預(yù)處理是為了更好地提取出目標(biāo)。本文對圖像進行簡單的處理:閾值分割和輪廓提取。
1.1閾值分割
閾值分割是一種代表性的圖像分割法。為了更好地提取目標(biāo)輪廓,常將分割后的目標(biāo)二值化,即
(1)
f(x,y)為圖像的灰度值,其中不同紅外圖像的閾值不同,適當(dāng)?shù)剡x取閾值可以提高識別的準(zhǔn)確性。
1.2輪廓提取
輪廓提取的目的是獲得圖像的外部輪廓,此特征對于進行圖像形狀分析、識別都有很重要的意義[2]。對二值化的目標(biāo)區(qū)域進行輪廓提取,其基本原理是掏空內(nèi)部點。假設(shè)背景是黑色,目標(biāo)區(qū)域為白色,判別如下:
內(nèi)部點, if某點像素值為白色, 且它的8鄰域也是白色邊緣點,其他ì?í????
(2)
將內(nèi)部點置為背景,由此循環(huán)可以掏空目標(biāo)得到其外部輪廓。
2不變矩與紅外特征提取
2.1不變矩的提取
矩反映物體灰度相對于質(zhì)心的統(tǒng)計分布,可以用不同階次矩來計算模板的位置、方向和尺度等參數(shù)[3]。不變矩是一種傳統(tǒng)的特征匹配法,具有尺度和角度不變性。
給定的二維數(shù)字函數(shù)f(x,y)的(p+q)階混合原點矩和中心距分別為
(3)
(4)
由于中心距upq對旋轉(zhuǎn)和尺度不變性不敏感,提取時需進行歸一化處理:
(5)
利用二階和三階中心矩可以導(dǎo)出個不變矩,且滿足特征不變性及可分性。計算過程如下:
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
(6)
[3(η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+
4η11[(η30+η12)+(η21+η03)]
φ7=(3η21-η03)(η30+η12)[(η30+η12)2-
3(η21-η03)2]+(3η21-η30)(η21+η03)
[3(η30+η12)2-(η21+η03)2]
由上式得到的計算結(jié)果變化范圍大,為了縮小數(shù)據(jù)范圍,對其進行數(shù)據(jù)壓縮。
(7)
2.2紅外特征量的提取
在分析目標(biāo)的特性和其與背景的關(guān)系的前提下,提出了紅外特征量。
(1)長寬比:因為所研究的目標(biāo)為剛性目標(biāo),其外形基本不變。
(2)目標(biāo)緊湊度:目標(biāo)緊湊度集中凸顯目標(biāo)的幾何特性,有很好的可區(qū)分性[4]。
(3)目標(biāo)復(fù)雜度:目標(biāo)復(fù)雜度代表紅外目標(biāo)的外部輪廓的復(fù)雜情況[5]。
以上特征體現(xiàn)了紅外目標(biāo)的幾何形狀和輪廓復(fù)雜度,比較全面地描述了目標(biāo)的特點。由文獻可知,紅外特征量基本上是穩(wěn)定的,因此它們可以作為目標(biāo)識別的依據(jù)[6]。
2.3判別準(zhǔn)則
提取出具有代表性的特征后,需要依據(jù)一定的準(zhǔn)則對樣本庫中的圖像進行特征值提取與分類。常用的判別依據(jù)為歐氏距離。
(8)
D(x,y)代表向量X與Y在歐式空間中的距離,如果向量X與Y屬于同一類型,則D(x,y)較小,反之越大。
3實驗結(jié)果
由于外界條件的限制,在提取特征量時,不能獲得足夠的特征值,影響識別精度;也有可能出現(xiàn)特征量的數(shù)目過多,出現(xiàn)多個特征量描述目標(biāo)的同一個細(xì)節(jié),識別過程費時且識別效果也會受影響[7]。針對以上情況,提取特征量時要從多角度出發(fā),在滿足識別精度與可靠性的前提下,減少特征值的數(shù)目,使識別過程快且準(zhǔn)。
為了滿足以上要求,要選取的特征值要具有很好的可分性和獨立性,對不明顯或者重復(fù)的目標(biāo)特征值應(yīng)該舍去。由于本文主要研究剛性目標(biāo),其對稱性等是不變的,所以取具有代表性的(φ1,φ2,φ3)作為不變性的特征量作為識別特征值的組成部分。
3.1特征向量提取
本文選取不變矩與紅外特性聯(lián)合組成的特征向量F=(p1,p2,p3,φ1,φ2,φ3)對目標(biāo)進行識別。圖1為實驗原圖像,圖2為放大后的原圖像。
圖1原圖像
表1為原圖像與放大后圖像的紅外特征提取結(jié)果。
表1 特征量的提取
由以上數(shù)據(jù)對比可得,放大后的圖像的特征向量與原始圖像的特征向量基本相等,由此說明聯(lián)合特征量可以作為紅外目標(biāo)識別的依據(jù)。
3.2識別分類
利用TC紅外熱像組件提取了幾張典型的紅外圖像,如圖3所示。
分別提取其不變矩和聯(lián)合特征量,計算過程數(shù)據(jù)與特征提取結(jié)果如表2~表5所示。
表2不變矩仿真數(shù)值
表3 聯(lián)合特征量仿真數(shù)值
圖3f作為待分類圖像,分別求與各類紅外圖像的歐式距離,通過判別準(zhǔn)則對待分類圖像進行準(zhǔn)確的分類。
由以上結(jié)果可以看出,以7個不變矩作為特征量,目標(biāo)類與偽目標(biāo)類的距離最小,判別結(jié)果錯誤;而以聯(lián)合特征向量作為識別特征量,其分類結(jié)果正確??梢钥闯雎?lián)合特征向量的選取具有很強的可分性,可以很好地進行目標(biāo)識別。
表4 變矩特征提取
表5 聯(lián)合特征量提取
利用TC紅外熱像組件提取100張紅外圖像,利用上述判別方法,應(yīng)用聯(lián)合特征向量對其進行分類判別。其識別精度本文用識別率表示。
其識別結(jié)果如表6所示。
表6 分類結(jié)果
由以上結(jié)果可以看出,以聯(lián)合特征向量為特征,以歐式距離為判別準(zhǔn)則,可以很有效地對圖像進行分類識別。
4結(jié)束語
為解決單獨特征量在提取和識別中存在的不足,本文采用傳統(tǒng)不變矩與紅外特征共同組成的聯(lián)合特征作為目標(biāo)識別的特征量。由紅外圖像與放大后圖像的特征值的對比,可以得出,聯(lián)合特征量滿足可分性、獨立性與可變性。對大量的紅外圖像進行特征量的提取與分類判別,實驗結(jié)果說明聯(lián)合特征向量在識別準(zhǔn)確度方面優(yōu)于不變矩識別。
參考文獻:
[1]趙小川.現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解[M].北京:北京航空航天大學(xué)出版社,2012:89-92.
[2]劉海波,沈晶,周長建.VisualC++數(shù)字圖像處理技術(shù)詳解[M].北京:機械工業(yè)出版社,2010:472-477.
[3]HU M K. Visual Pattern Recognition by Moment Invariants[J].IEEE Transactions on information theory,1962,8(2):179-187.
[4]荊文芳.飛機紅外圖像的檢測、識別與跟蹤技術(shù)研究[D].西安:西北工業(yè)大學(xué),2006:44-45.
[5]高炳像.紅外圖像目標(biāo)識別中的關(guān)鍵技術(shù)研究[D].杭州:杭州電子科技大學(xué),2012:1-2.
[6]楊耿.運動目標(biāo)的圖像識別與跟蹤研究[D].鎮(zhèn)江:江蘇大學(xué),2005:31-32.
[7]柳林霞,陳杰,竇麗華.不變矩理論及其在目標(biāo)識別中的應(yīng)用[J].火力與指揮控制,2003,28(2):13-15.
(責(zé)任編輯:馬金發(fā))
A Recognition Method for Infrared Image Based on Invariant Moments
ZHANG Xuyan,HUA Yuning,DONG Ye,HAO Yongping,ZHANG Le
(Shenyang Ligong University,Shenyang 110159,China)
Abstract:To overcome the shortage of extracting characteristics and recognizing target on one side,the combined characteristics vector is presented within invariant moments and geometry shape.Furthermore,target recognition is realized by using the distance as the judgment.Experimental results indicate that application of the combine invariant moments as the characteristics and the distance as the judgment can meet the invariant requirement,which has better recognition performance than traditional invariant moments on the using of target recognition.
Key words:infrared image;target recognition;invariant moments;combined characteristics;euclidean distance
中圖分類號:TP391
文獻標(biāo)志碼:A
文章編號:1003-1251(2016)02-0010-04
作者簡介:張旭艷(1990—),女,碩士研究生;通訊作者:華宇寧(1965—),女,教授,研究方向:信號與信息處理、虛擬儀器。
基金項目:國家863計劃資助項目(2009AA04Z167)
收稿日期:2014-12-16