基于Hu矩與改進(jìn)PNN的飛機(jī)姿態(tài)識別算法

成杰+李新德??

摘要： 在軍事領(lǐng)域， 為了快速準(zhǔn)確識別出飛機(jī)飛行過程中的姿態(tài)， 提出一種基于Hu矩與改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)（IPNN）的新方法。 該方法對于無噪聲灰度化圖片， 先進(jìn)行二值化處理， 再計(jì)算圖像的Hu矩特征。 將飛機(jī)飛行的360°姿態(tài)按三視圖分為三個(gè)類別， 即正視圖、 側(cè)視圖、 俯視圖。 四維Hu矩作為PNN輸入， 三個(gè)視圖代表的三個(gè)類別作為PNN輸出， 構(gòu)建PNN網(wǎng)絡(luò)。 實(shí)驗(yàn)結(jié)果表明， 對于無噪聲圖片平均識別率可以達(dá)到91.2%以上； 對于有噪聲圖片平均識別率可以達(dá)到87.0%以上， 可見訓(xùn)練后的網(wǎng)絡(luò)具備良好的泛化能力。

關(guān)鍵詞： 飛機(jī)； 姿態(tài)； 概率神經(jīng)網(wǎng)絡(luò)； Hu矩； 分類

中圖分類號： TP391.41文獻(xiàn)標(biāo)識碼： A文章編號： 1673-5048（2017）01-0055-07[SQ0]

0引言

現(xiàn)代軍事活動(dòng)中， 通過定位飛機(jī)的姿態(tài)， 能夠更準(zhǔn)確地定位飛機(jī)的局部特征。 如在景象制導(dǎo)空空導(dǎo)彈制導(dǎo)中， 為了提高制導(dǎo)精度， 必須定位目標(biāo)的關(guān)鍵部位， 所以有必要對飛機(jī)飛行圖像進(jìn)行處理， 識別出螺旋漿、 機(jī)艙、 油箱等關(guān)鍵部位， 再向關(guān)鍵或軟弱部位發(fā)射導(dǎo)彈， 以達(dá)到增強(qiáng)毀傷的效果。 飛機(jī)關(guān)鍵部位的識別與飛機(jī)飛行的姿態(tài)有直接關(guān)系， 飛機(jī)飛行姿態(tài)不同， 關(guān)鍵部位也各有差異， 所以必須首先對飛機(jī)飛行的姿態(tài)進(jìn)行識別， 然后才能定位關(guān)鍵部位。

目前， 有不少學(xué)者對飛機(jī)飛行姿態(tài)的定位進(jìn)行了研究。 劉剛[1]等基于紅外圖像， 將飛機(jī)圖像分割成背景、 機(jī)身、 尾焰三部分， 通過計(jì)算一種組合矩， 同時(shí)結(jié)合面積比特征來實(shí)現(xiàn)姿態(tài)識別； 趙芹[2]等結(jié)合Hu矩與仿射不變矩， 提出一種有利于目標(biāo)特點(diǎn)的特征量和自動(dòng)識別算法； 荊文芳[3]則將矩特征與飛機(jī)目標(biāo)的紅外特征結(jié)合起來進(jìn)行識別； 涂建平[4-5]等通過對飛機(jī)目標(biāo)進(jìn)行骨架提取、 霍夫變換等過程， 檢測飛機(jī)機(jī)軸， 識別飛機(jī)機(jī)頭。 以上研究均取得了一定成果， 但對于飛機(jī)姿態(tài)的建模過于繁瑣， 對飛機(jī)局部特征定位有很大的局限性。

飛機(jī)在飛行過程中處于某一姿態(tài)是一個(gè)概率事件， 可以采用PNN模擬此過程， 通過訓(xùn)練后的PNN， 得到某一特定樣本處于某一姿態(tài)的概率， 可以更合理判定其類別。 為此， 提出一種基于Hu與IPNN的飛機(jī)姿態(tài)識別算法。 通過提取飛機(jī)圖片的四維Hu矩特征， 作為PNN的輸入， 經(jīng)過訓(xùn)練好的PNN， 得到最終的分類結(jié)果。

1研究理論

原始圖像經(jīng)過預(yù)處理， 得到二值化圖片， 提取圖像的特征， 經(jīng)過訓(xùn)練后的PNN， 得到最終的分類結(jié)果。 研究框架見圖1。

1.1矩

Hu矩作為識別的基本特征已廣泛應(yīng)用于圖像識別、 模板匹配、 邊緣檢測、 數(shù)字水印和圖像分析

PNN常用于分類問題， 輸入層輸入樣本的n維數(shù)據(jù)， 模式層計(jì)算輸入樣本到模式層數(shù)據(jù)中心的距離， 求和層計(jì)算輸入層映射到各類樣本的概率， 輸出層選取求和層最大概率所屬的類別作為最終的輸出類別[12-15]。

1.2.2PNN優(yōu)點(diǎn)

與 BP網(wǎng)絡(luò)、 RBF網(wǎng)絡(luò)等傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比， PNN具有以下特點(diǎn)[16]：

（1） 網(wǎng)絡(luò)學(xué)習(xí)過程簡單，訓(xùn)練速度快。 根據(jù)模式樣本的特征及網(wǎng)絡(luò)的外監(jiān)督信號（期望輸出）， 直接獲得網(wǎng)絡(luò)隱層單元的連接權(quán)值， 無需反復(fù)訓(xùn)練網(wǎng)絡(luò)， 各層神經(jīng)元的數(shù)目比較固定， 因而易于硬件實(shí)現(xiàn)[17-18]。

（2） 網(wǎng)絡(luò)的容錯(cuò)性好， 模式分類能力強(qiáng)，收斂性較好[19-20]。 網(wǎng)絡(luò)模式層采用徑向基的非線性映射函數(shù)， 考慮了不同類別模式樣本的交錯(cuò)影響， 而模式的輸出層又消除了不同類別模式樣本的交錯(cuò)影響[21]， 這樣構(gòu)成的各個(gè)類別模式間的判決分界面是滿足Bayes規(guī)則的最優(yōu)解[22]。

（3） 網(wǎng)絡(luò)的擴(kuò)充性能好，結(jié)構(gòu)設(shè)計(jì)靈活方便。 由于網(wǎng)絡(luò)學(xué)習(xí)過程簡單且穩(wěn)定性高， 允許增加或減少新的類別模式樣本而無需重新進(jìn)行長時(shí)間的訓(xùn)練學(xué)習(xí)[23-24]。

基于上述優(yōu)點(diǎn)， PNN已廣泛用于模式識別、 故障診斷與專家系統(tǒng)、 回歸擬合等領(lǐng)域。

1.2.3改進(jìn)的PNN

本文PNN網(wǎng)絡(luò)結(jié)構(gòu)大體與標(biāo)準(zhǔn)PNN一致， 改進(jìn)的地方是在求和單元層與輸出單元層之間加入學(xué)習(xí)層， 且為全連接， 見圖3。

2.3算法流程圖

本算法分為訓(xùn)練環(huán)節(jié)和測試環(huán)節(jié)。 訓(xùn)練環(huán)節(jié)中， 對于無噪聲灰度化圖片， 通過圖像預(yù)處理獲得二值化圖片后， 通過邊緣檢測， 獲得飛機(jī)的輪廓， 對飛機(jī)輪廓外接矩形總體計(jì)算四維Hu矩特征， 作為PNN訓(xùn)練集， 獲得訓(xùn)練好的PNN網(wǎng)絡(luò)。 測試環(huán)節(jié)中， 由單幀測試圖片， 經(jīng)過預(yù)處理、 二值化后提取四維Hu矩， 輸入訓(xùn)練好的PNN網(wǎng)絡(luò)， 獲得分類結(jié)果。 算法流程見圖6。

3實(shí)驗(yàn)分析

3.1實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)在Visual Studio 2013平臺(tái)下進(jìn)行， 安裝了開

3.2實(shí)驗(yàn)結(jié)果

每類飛機(jī)訓(xùn)練樣本有150個(gè)， 其中正視圖、 側(cè)視圖、 俯視圖的個(gè)數(shù)均為50個(gè)。 IPNN的輸入層神經(jīng)元個(gè)數(shù)為4個(gè)， 提取每個(gè)樣本的四維Hu矩特征作為IPNN的輸入； 模式層神經(jīng)元個(gè)數(shù)為150個(gè)， 提取150個(gè)訓(xùn)練樣本的Hu矩作為中心矢量； 求和層的神經(jīng)元個(gè)數(shù)為3個(gè)， 對應(yīng)于三視圖這3個(gè)類別； 學(xué)習(xí)層神經(jīng)元個(gè)數(shù)為3個(gè)； 輸出層為1個(gè)， 代表最終的輸出類別。 輸入的Hu特征均經(jīng)過歸一化處理， 學(xué)習(xí)層迭代次數(shù)為5 000次， 終止誤差為0.5。

采用五類飛機(jī)來驗(yàn)證算法的可靠性， 對于這五類飛機(jī)， 平均識別率可以達(dá)到90.4%， 最高可以達(dá)到91.2%， 說明從特征提取到PNN識別得出最終類別， 有一定的可靠性，實(shí)驗(yàn)結(jié)果如表1所示。

采用SVD特征時(shí)， 輸入神經(jīng)元的個(gè)數(shù)為300維， 終止誤差為0.2， 其他與采用Hu特征均一致。

3.4不同分類算法的比較

采用IPNN進(jìn)行分類， 在與BP與PNN的比較中可以看出， PNN分類能力比BP優(yōu)秀， 同時(shí)對PNN改進(jìn)后， 平均識別率提高了6%左右， 改進(jìn)的PNN相比傳統(tǒng)PNN的優(yōu)勢在于， 加入了學(xué)習(xí)層， 能夠在傳統(tǒng)PNN的基礎(chǔ)上， 加入自學(xué)習(xí)方法， 獲得合適的連接權(quán)值， 從而保證最終的分類結(jié)果更準(zhǔn)確， 更有效地提升了網(wǎng)絡(luò)的泛化能力。

BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為4個(gè)， 隱層神經(jīng)元個(gè)數(shù)為10個(gè)， 輸出層神經(jīng)元個(gè)數(shù)為3個(gè)， 最后取最大值作為最終類別， 采用BP算法學(xué)習(xí)第一層和第二層權(quán)值， 終止誤差為0.5， 迭代次數(shù)為5 000次。 標(biāo)準(zhǔn)PNN與IPNN除沒有學(xué)習(xí)層， 其他部分均一致， 各算法的比較結(jié)果如表3和圖9所示。

表3不同算法的比較結(jié)果

3.5遮擋實(shí)驗(yàn)

當(dāng)飛機(jī)在飛行的過程中， 不僅姿態(tài)上會(huì)發(fā)生很大的變化， 而且可能會(huì)因?yàn)橥饨缫蛩貙?dǎo)致紅外攝像機(jī)獲取的圖像發(fā)生部分遮擋的情況， 從而導(dǎo)致誤識別。 實(shí)驗(yàn)中， 考察出現(xiàn)遮擋時(shí)， 算法是否能正確對目標(biāo)進(jìn)行識別， 即考察算法在目標(biāo)遮擋時(shí)的魯棒性。 訓(xùn)練樣本庫與3.2節(jié)相同， 測試樣本庫是在原測試樣本庫的基礎(chǔ)上， 做隨機(jī)遮擋， 遮擋面積占原目標(biāo)面積的1/8， 1/4， 1/2， 3/4， 遮擋類型為矩形和圓形。 考察此時(shí)目標(biāo)的正確識別率。 矩形遮擋的識別結(jié)果如表4和圖10所示， 圓形遮擋的識別結(jié)果如表5和圖11所示。

3.6尺寸縮放實(shí)驗(yàn)

實(shí)驗(yàn)中， 考察隨著目標(biāo)縮小時(shí)， 算法是否能正確有效地對目標(biāo)進(jìn)行識別， 即考察算法在目標(biāo)縮小時(shí)的魯棒性。 訓(xùn)練樣本庫相同， 測試樣本庫是在原測試樣本庫的基礎(chǔ)上， 做一定的比例縮放， 分別縮小至原來的1/2，1/4，1/8，1/16，1/32，1/64。 考察此時(shí)目標(biāo)的正確識別率。 尺寸縮放識別結(jié)果如表6和圖12所示。

3.7噪聲實(shí)驗(yàn)

實(shí)際工程應(yīng)用中， 由于工程環(huán)境比仿真環(huán)境復(fù)雜， 必然會(huì)存在噪聲， 實(shí)驗(yàn)?zāi)康脑谟跍y試算法對于存在噪聲的圖片時(shí)目標(biāo)識別的準(zhǔn)確性。

實(shí)驗(yàn)步驟與3.2節(jié)大體一致， 但是對于訓(xùn)練樣本和測試樣本的每一幀圖片， 均加上噪聲， 原圖片與加噪聲后的圖片如圖13所示。 最終的實(shí)驗(yàn)結(jié)果如表7所示， 從表中可以看出， 加各類噪聲后， 平均識別率87.0%以上， 相對于無噪聲圖片的識別率存在下降， 但仍然有不錯(cuò)的識別率， 說明了算法的合理性。

4結(jié)論與展望

針對飛機(jī)姿態(tài)識別在軍事領(lǐng)域的廣泛應(yīng)用， 提出一種基于Hu矩與改進(jìn)PNN飛機(jī)姿態(tài)識別算法。 通過仿真實(shí)驗(yàn)， 證明了方法優(yōu)于BP和IPNN等方法， 同時(shí)在遮擋與縮放的情況下， 依然可以保持較高的識別率。 但算法僅僅是定位飛機(jī)的姿態(tài)， 局部特征點(diǎn)的尋找將是下一步的研究任務(wù)。

參考文獻(xiàn)：

[1] 劉剛， 梁曉庚， 張京國. 基于紅外圖像的飛機(jī)目標(biāo)關(guān)鍵攻擊部位識別[J]. 計(jì)算機(jī)工程與應(yīng)用， 2011， 47（24）： 174-177.

Liu Gang， Liang Xiaogeng， Zhan Jingguo. Recogniting Airplanes Key Attacking Part Based on Infrared Image[J]. Computer Engineering and Applications， 2011， 47（24）： 174-177. （in Chinese）

[2] 趙芹， 周濤， 舒勤. 飛機(jī)紅外圖像的目標(biāo)識別及姿態(tài)判斷[J].紅外技術(shù)， 2007， 29（3）： 167-169.

Zhao Qin， Zhou Tao， Shu Qin. Recognition and Pose Estimation of Airplane Infrared Image[J]. Infrared Technology， 2007， 29（3）： 167-169.（in Chinese）

[3] 荊文芳.飛機(jī)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.

Jing Wenfang. Research on Plane IR Imaging Detection， Recognition and Tracking Technology[D]. Xian： Northwestern Polytechnical University， 2006. （in Chinese）

[4] 涂建平， 彭應(yīng)寧， 莊志洪. 彈道終端飛機(jī)目標(biāo)紅外圖像瞄準(zhǔn)點(diǎn)識別方法[J].光學(xué)技術(shù)， 2003， 29（3）： 261-265.

Tu Jianping， Peng Yingning， Zhuang Zhihong. Research on Recognizing AimingPoint of Airplanes Infrared Sequence Images at Endgame[J]. Optical Technique， 2003， 29（3）： 261-265. （in Chinese）

[5] 賴海燕， 涂建平. 用于紅外成像GIF的目標(biāo)骨架提取算法[J]. 紅外技術(shù)， 2005， 27（2）： 147-150.

Lai Haiyan， Tu Jianping. The Application of Skeleton Extraction Algorithm to Infrared imaging GIF[J]. Infrared Technology， 2005， 27（2）： 147-150. （in Chinese）

[6] 楊偉東. 基于DSmT近似推理的飛機(jī)目標(biāo)識別算法的研究[D].南京： 東南大學(xué)， 2012.

Yang Weidong. A Research of the Algorithm of the Aircraft Target Recognition Based on DSMT Approximate Reasoning[D].Nanjing： Southeast University， 2012. （in Chinese）

[7] Hu M K. Visual Pattern Recognition by Moment Invariants[J]. IRE Transactions on Information Theory， 1962， 8（2）： 179-187.

[8] Pattanachai N， Covavisaruch N， Sinthanayothin C. Tooth Recognition in Dental Radiographs via Hus Moment Invariants[C]∥ International Conference on Electrical Engineering/Electronics， Computer， Telecommunications and Information Technology （ECTICON）， 2012： 1-4.

[9] Liu Yun， Yin Yanmin， Zhang Shujun. Hand Gesture Recognition Based on Hu Moments in Interaction of Virtual Reality[C]∥ Intelligent HumanMachine Systems and Cybernetics （IHMSC）， 2012： 145-148.

[10] Alghoniemy M， Tewfik A H. Image Watermarking by Moment Invariant[C]∥Internatianal Conference on Image Processing， 2000： 73-76.

[11] Specht D F. Probabilistic Neural Networks for Classification，Mapping or Associative Memory[C]∥IEEE International Conference on Neural Networks， San Dieg， California， 1988： 525-532.

[12] 張洪波. 基于主成分的概率神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷的研究[D]. 長沙： 湖南大學(xué)， 2008.

Zhang Hongbo. The Research of Fault Diagnosis of Analog Circuits Based on Principal Component Analysis and Probabilistic Neural Networks[D]. Changsha： Hunan University， 2008. （in Chinese）

[13] Li Chaofeng， Yang Maolong， Xu Lei， et al. A Comparative Study of Probabilistic Neural Network and BP Networks for Remote Sensing Image Classification[J]. Remote Sensing for Land & Resources， 2004， 16（4）： 11-13.

[14] Mao K Z， Tan K C， Ser W. Probabilistic Neural Network Structure Determination for Pattern Classification[J]. IEEE Transactions on Neural Networks， 2000， 11（4）： 1009-1016.

[15] Li Song， Li Xiuying， Wang Wenxu. Fault Diagnosis of Transformer Based on Probabilistic Neural Network[C]∥International Conference on Intelligent Computation Technology and Automation （ICICTA）， 2011： 128-131.

[16] Perera N， Rajapakse A D. Recognition of Fault Transients Using a Probabilistic NeuralNetwork Classifier[J]∥IEEE Transactions on Power and Energy Society， 2011， 26（1）： 410-419.

[17] Evagorou D， Kyprianou A， Lewin P L， et al.Feature Extraction of Partial Discharge Signals Using the Wavelet Packet Transform and Classification with a Probabilistic Neural Network[J]. Let Science Measurement and Technology， 2010， 4（3）： 177-192.

[18] Revett K， Gorunescu F， Gorunescn M， et al. A Breast Cancer Diagnosis System： A Combined Approach Using Rough Sets and Probabilistic Neural Networks[C]∥Internaltional Conference on Computer as a Tool， 2005.

[19] Xu W， Wang D， Zhou Z， et al. Fault Diagnosis of Power Transformers： Application of Fuzzy Set Theory， Expert Systems and Artificial Neural Networks[J]. IEEE Proceedings Science， Measurement and Technology， 1997， 144（1）： 39-44.

[20] Barbosa F R， Almeida O M， Braga A P S， et al. Application of an Artificial Neural Network in the Use of Physicochemical Properties as a Low Cost Proxy of Power Transformers DGA Data[J]. IEEE Transactions on Dielectrics and Electrical Insulation， 2012， 19（1）： 239-246.

[21] Nikolic N， Park Y S. Sancristobal M， et al. What Do Artificial Neural Networks Tell Us about the Genetic Structure of Populations？ The Example of European Pig Populations[J]. Genetics Research， 2009， 91（2）： 121-132.

[22] Murvai J， Vlahovicˇek K， Szepesvári C， et al. Prediction of Protein Functional Domains from Sequences Using Artificial Neural Networks[J]. Genome Research， 2001， 11（8）： 1410-1417.

[23] Ren Li， Wang Weipeng， Gao Yuzhen， et al. Typing SNP Based on the NearInfrared Spectroscopy and Artificial Neural Network[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy， 2009， 73（1）： 106-111.

[24] Tian Jinpeng， Shi Huichang.Study of Localization Scheme Base on Neural Network for Wireless Sensor Networks[C]∥ Let Conference on Wireless， Mobile and Sensor Networks， 2007： 64-67.