嵌入式SAR艦船目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)

林智莘 李璐 盧曉軍

摘 要：本設(shè)計(jì)采用將長(zhǎng)寬比、面積、灰度平均值作為目標(biāo)切片的特征提取方法，利用BP神經(jīng)網(wǎng)絡(luò)、K-近鄰分類(lèi)器實(shí)現(xiàn)了TerraSAR數(shù)據(jù)的艦船目標(biāo)分類(lèi)。基于Qt開(kāi)發(fā)工具在NVIDIA Jetson TX2嵌入式開(kāi)發(fā)平臺(tái)上實(shí)現(xiàn)了一套針對(duì)合成孔徑遙感圖像的艦船目標(biāo)快速識(shí)別與分類(lèi)系統(tǒng)，具備SAR圖像動(dòng)態(tài)載入、目標(biāo)快速識(shí)別與分類(lèi)、檢測(cè)結(jié)果實(shí)時(shí)顯示等功能，準(zhǔn)確率高達(dá)80%以上。

關(guān)鍵詞：合成孔徑雷達(dá)；艦船識(shí)別；艦船特征提?。籓penCV

中圖分類(lèi)號(hào)：TP39；TN409 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2018）01-00-03

0 引 言

合成孔徑雷達(dá)（Synthetic Aperture Radar， SAR）是一種可自動(dòng)獲取目標(biāo)的微波傳感器，能夠全天時(shí)、全天候?qū)崿F(xiàn)地面目標(biāo)的觀測(cè)。利用SAR圖像進(jìn)行艦船目標(biāo)檢測(cè)的研究與開(kāi)發(fā)在海洋遙感領(lǐng)域得到了廣泛重視，成為SAR數(shù)據(jù)海洋應(yīng)用的重要內(nèi)容之一，但SAR圖像目標(biāo)檢測(cè)與識(shí)別領(lǐng)域還存在許多尚未解決的問(wèn)題，因此開(kāi)展SAR圖像艦船目標(biāo)檢測(cè)與識(shí)別分類(lèi)研究意義重大。

1 理論基礎(chǔ)

1.1 SAR圖像艦船目標(biāo)特征分析

本文主要使用了SAR圖像的灰度統(tǒng)計(jì)特征和幾何特征來(lái)進(jìn)行艦船目標(biāo)的分類(lèi)與識(shí)別。描述目標(biāo)特征的最基本特征是幾何結(jié)構(gòu)，包括長(zhǎng)寬比、面積和質(zhì)量。

由于艦船的形狀和尺寸特征與實(shí)際形狀、尺寸相關(guān)，因此對(duì)不同的船舶目標(biāo)具有一定的區(qū)分能力。文中只考慮包含一個(gè)艦船目標(biāo)的目標(biāo)區(qū)域二值圖 B（m，n）。在B（m，n）中根據(jù)目標(biāo)的主軸方向找到目標(biāo)區(qū)域的外接矩形，該外接矩形長(zhǎng)邊的長(zhǎng)度L即為船舶目標(biāo)的長(zhǎng)度，外接矩形的短邊長(zhǎng)度W即為船舶目標(biāo)的寬度。

該區(qū)域的長(zhǎng)寬比定義為艦長(zhǎng)與艦寬之比：

SAR圖象中目標(biāo)的輪廓特征與其實(shí)際輪廓相關(guān)，包含了目標(biāo)長(zhǎng)寬等尺寸信息，因此具有較強(qiáng)的目標(biāo)區(qū)分能力。最常用的提取輪廓特征的方法是先對(duì)目標(biāo)區(qū)域進(jìn)行分割提取，然后根據(jù)目標(biāo)區(qū)域的內(nèi)點(diǎn)和外部點(diǎn)之間的差異提取目標(biāo)輪廓。

1.2 SAR圖像艦船目標(biāo)分類(lèi)器介紹

本次研究采用SAR圖像艦船目標(biāo)分類(lèi)器設(shè)計(jì)中經(jīng)常使用的兩種典型模式識(shí)別方法——K-近鄰分類(lèi)器和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行分類(lèi)。

1.2.1 K-近鄰分類(lèi)算法

K-近鄰分類(lèi)器也稱(chēng)為KNN分類(lèi)器，它不僅是目標(biāo)識(shí)別中常用的一種分類(lèi)器，也是最簡(jiǎn)單、最好理解的機(jī)器學(xué)習(xí)算法理論。KNN可有效進(jìn)行監(jiān)督學(xué)習(xí)，計(jì)算新數(shù)據(jù)的特征值并訓(xùn)練數(shù)據(jù)特征值之間的距離，然后選擇K個(gè)距離的特征值進(jìn)行分類(lèi)和鑒別。

KNN算法過(guò)程如下：

（1）選擇一種計(jì)算距離的方法， 計(jì)算出新數(shù)據(jù)的特征值和訓(xùn)練數(shù)據(jù)特征值之間的距離。

（2）按距離遞增排序，選取與當(dāng)前距離最小的K個(gè)點(diǎn)。

（3）對(duì)于離散分類(lèi)，將K個(gè)點(diǎn)中出現(xiàn)次數(shù)最多的類(lèi)別進(jìn)行預(yù)測(cè)分類(lèi)并返回。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)算法

BP神經(jīng)網(wǎng)絡(luò)是一種具有監(jiān)督功能的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，其突出特點(diǎn)在于信號(hào)會(huì)向前傳播，誤差向后傳播。在不斷交替?zhèn)鞑サ倪^(guò)程中完成對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的不斷調(diào)整，盡可能降低整個(gè)網(wǎng)絡(luò)的平方和誤差值，使網(wǎng)絡(luò)輸出結(jié)果與預(yù)期輸出結(jié)果相近。BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、n個(gè)隱層和一個(gè)輸出層構(gòu)成，圖1所示為一個(gè)三層BP網(wǎng)絡(luò)示意圖。

BP算法實(shí)現(xiàn)過(guò)程：

若網(wǎng)絡(luò)共包含m層，其中，第m層中第j個(gè)節(jié)點(diǎn)的輸出設(shè)為ymj，則y0j為第0層輸出，其值等于第j個(gè)節(jié)點(diǎn)的輸入Xj。Wmij表示從ym-1j到y(tǒng)mj的連接權(quán)值，m代表層號(hào)。

（1）隨機(jī)設(shè)置每個(gè)權(quán)重值，同時(shí)確保網(wǎng)絡(luò)不會(huì)被大的權(quán)重值影響。

（2）從訓(xùn)練數(shù)據(jù)集中取出一組數(shù)據(jù)對(duì)（Xk，Tk），并將輸入向量添加至m=0的輸入層（k表示向量類(lèi)號(hào)）：

（3）信號(hào)通過(guò)網(wǎng)絡(luò)向前傳播，可以使用如下公式計(jì)算從第一層開(kāi)始每一層中全部節(jié)點(diǎn)i的輸出ymj，直至計(jì)算完輸出層所有節(jié)點(diǎn)的輸出：

（4）使用如下公式計(jì)算輸出層每個(gè)節(jié)點(diǎn)的實(shí)際輸出和要求目標(biāo)值之差（Sigmod函數(shù)）：

（5）使用如下公式計(jì)算每層節(jié)點(diǎn)的誤差值，并按層次計(jì)算反傳錯(cuò)誤，直到計(jì)算出每層中所有節(jié)點(diǎn)的錯(cuò)誤值：

（6）利用加權(quán)修正公式（6）和關(guān)系公式（7）調(diào)整所有連接權(quán)。一般的訓(xùn)練速率系數(shù)η在0.01～1之間。

（7）返回步驟（2），對(duì)下一組輸入數(shù)據(jù)重復(fù)上述過(guò)程，持續(xù)到輸出誤差符合規(guī)定的標(biāo)準(zhǔn)為止。

2 系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)

2.1 系統(tǒng)總體設(shè)計(jì)方案

本系統(tǒng)的硬件平臺(tái)方案和工作流程圖分別如圖2和圖3所示。

先對(duì)輸入的經(jīng)過(guò)海陸分割的圖像進(jìn)行預(yù)處理，提高特征提取的效果后，再進(jìn)行特征提取，根據(jù)搭建的BP神經(jīng)網(wǎng)絡(luò)和KNN算法對(duì)目標(biāo)進(jìn)行分類(lèi)，最后根據(jù)輸出的結(jié)果，在原圖上標(biāo)記。

2.2 核心算法設(shè)計(jì)與實(shí)現(xiàn)

2.2.1 預(yù)處理

預(yù)處理的目的在于改善圖像數(shù)據(jù)的品質(zhì)，使得下一步特征提取更為容易。對(duì)于本次設(shè)計(jì)來(lái)說(shuō)，因?yàn)樾枰崛∨灤繕?biāo)的輪廓，而原圖中的灰度值變化范圍非常大，導(dǎo)致輪廓提取困難，因此需要先對(duì)圖像進(jìn)行膨脹、腐蝕和二值化等灰度變換處理，然后準(zhǔn)確利用矩形框架從原圖得到目標(biāo)切片。經(jīng)過(guò)預(yù)處理的圖像如圖4所示。

2.2.2 特征提取

在本次設(shè)計(jì)中，把艦船目標(biāo)的長(zhǎng)寬比、面積和目標(biāo)切片的灰度平均值等特征作為分類(lèi)與識(shí)別的依據(jù)。在提取長(zhǎng)寬特征時(shí)，對(duì)傳統(tǒng)的最小外接矩形方法進(jìn)行改進(jìn)，采用Hough變換與最小外接矩形相結(jié)合的方式。首先對(duì)圖像進(jìn)行Hough變換，提取艦船目標(biāo)主軸方向角，結(jié)合切片中心利用最小矩形目標(biāo)參數(shù)估計(jì)中的目標(biāo)-背景像素個(gè)數(shù)比最大（TBR）準(zhǔn)則，得到目標(biāo)的長(zhǎng)和寬，最終計(jì)算出艦船目標(biāo)切片的長(zhǎng)寬比，同時(shí)結(jié)合艦船目標(biāo)切片的灰度值信息，得到該目標(biāo)的灰度平均值。

2.2.3 目標(biāo)識(shí)別與分類(lèi)

本次設(shè)計(jì)通過(guò)BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器和K-近鄰分類(lèi)器分別實(shí)現(xiàn)對(duì)SAR艦船目標(biāo)的識(shí)別與分類(lèi)，將所有的艦船目標(biāo)分為大船、小船和非船三類(lèi)。這兩種分類(lèi)方法各有優(yōu)劣，實(shí)現(xiàn)的方法亦不同。BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器將分類(lèi)、識(shí)別過(guò)程分為“訓(xùn)練”和“識(shí)別”階段。在訓(xùn)練階段實(shí)現(xiàn)對(duì)整個(gè)網(wǎng)絡(luò)的訓(xùn)練，將150組特征信息（每類(lèi)各50個(gè)）輸入網(wǎng)絡(luò)建立一個(gè)特征模型；在識(shí)別與分類(lèi)階段，將提取出SAR艦船目標(biāo)的特征信息輸入網(wǎng)絡(luò)，得到一個(gè)最優(yōu)輸出。BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的原理示意圖如圖5所示。

K-近鄰分類(lèi)器先將150組（每類(lèi)各50個(gè)）特征信息及分類(lèi)信息讀入網(wǎng)絡(luò)，經(jīng)交叉驗(yàn)證誤差統(tǒng)計(jì)選擇法統(tǒng)計(jì)分析誤差后，將K值取8，然后再將需要識(shí)別的SAR艦船目標(biāo)特征信息輸入網(wǎng)絡(luò)，計(jì)算出輸入的新數(shù)據(jù)的特征值與訓(xùn)練數(shù)據(jù)特征值之間的距離，把8個(gè)點(diǎn)中出現(xiàn)次數(shù)最多的類(lèi)別作為預(yù)測(cè)分類(lèi)。

2.3 圖形界面設(shè)計(jì)

文中使用Qt完成了圖形界面的設(shè)計(jì)，該界面為使用者提供了一個(gè)可視化的操作界面。該界面由圖標(biāo)、顯示模塊、算法選擇模塊和功能按鈕組成。

顯示模塊用于顯示檢測(cè)算法的運(yùn)行時(shí)間、分類(lèi)結(jié)果、檢測(cè)結(jié)果的正確分類(lèi)率，整個(gè)處理界面有詳細(xì)的標(biāo)注，可以清楚看到大船、小船和非船的數(shù)量及識(shí)別的正確率。

在算法選擇模塊中，點(diǎn)擊knn和bp兩個(gè)單選框，可選擇BP神經(jīng)網(wǎng)絡(luò)分類(lèi)算法或K-近鄰分類(lèi)器算法。

功能按鈕由“打開(kāi)”“開(kāi)始”和“退出”按鈕組成，單擊“打開(kāi)”按鈕可以打開(kāi)圖像選擇界面；點(diǎn)擊“開(kāi)始”按鈕會(huì)運(yùn)行特征提取與分類(lèi)識(shí)別算法；點(diǎn)擊“退出”按鈕可結(jié)束程序的運(yùn)行。

界面會(huì)顯示處理前后的圖像。如果圖像較大，可以由滾動(dòng)條來(lái)控制圖像上下移動(dòng)，觀看全圖。單擊鼠標(biāo)左鍵并選擇要放大的區(qū)域，可以對(duì)處理前后的圖像進(jìn)行局部細(xì)節(jié)的同步5倍放大。SAR圖像特征提取與識(shí)別結(jié)果界面如圖6所示。

3 系統(tǒng)功能測(cè)試及性能分析

在對(duì)輸入的經(jīng)過(guò)海陸分割的SAR圖像進(jìn)行特征提取與識(shí)別分類(lèi)處理后，在原圖上對(duì)輸出艦船目標(biāo)的識(shí)別分類(lèi)結(jié)果進(jìn)行標(biāo)記，使用藍(lán)色方框標(biāo)記大的艦船目標(biāo)，使用綠色方框標(biāo)記小的艦船目標(biāo)，使用紅色方框標(biāo)記非艦船目標(biāo)。圖7～9 （左圖為BP神經(jīng)網(wǎng)絡(luò)分類(lèi)輸出，右圖為K-近鄰分類(lèi)器輸出）是對(duì)三幅SAR圖像分別使用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器和K-近鄰分類(lèi)器進(jìn)行艦船目標(biāo)識(shí)別分類(lèi)的分析與結(jié)果。

從圖7～9和表1、表2可以看出，BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的分類(lèi)結(jié)果明顯優(yōu)于K-近鄰分類(lèi)器分類(lèi)結(jié)果，但前者運(yùn)行時(shí)間較長(zhǎng)。同時(shí)，得益于硬件平臺(tái)在圖像處理方面得天獨(dú)厚的優(yōu)勢(shì)，大大降低了系統(tǒng)處理時(shí)間。但對(duì)目標(biāo)分類(lèi)并非完全正確，一方面是因?yàn)樵诶瞄_(kāi)閉形態(tài)學(xué)處理時(shí)，海陸分割的邊緣會(huì)有一些陸地塊被切割出來(lái)，一些陸地邊緣上的亮點(diǎn)會(huì)給艦船識(shí)別帶來(lái)干擾；另一方面在于對(duì)圖像進(jìn)行二值化處理過(guò)程中，存在海浪等環(huán)境因素使得艦船目標(biāo)的灰度值下降甚至被過(guò)濾掉，從而影響分類(lèi)結(jié)果。

4 結(jié) 語(yǔ)

對(duì)SAR圖像艦船進(jìn)行目標(biāo)特征提取和分類(lèi)識(shí)別一直是SAR應(yīng)用中的重要研究方向。本設(shè)計(jì)系統(tǒng)闡述了SAR圖像艦船目標(biāo)分類(lèi)識(shí)別的關(guān)鍵技術(shù)，完成了SAR圖像艦船目標(biāo)快速識(shí)別與分類(lèi)系統(tǒng)的設(shè)計(jì)。

該系統(tǒng)將NVIDIA Jetson TX2作為硬件平臺(tái)，能夠在一個(gè)友好的Qt界面上實(shí)現(xiàn)SAR圖像動(dòng)態(tài)載入、目標(biāo)快速識(shí)別與分類(lèi)、檢測(cè)結(jié)果實(shí)時(shí)顯示，實(shí)現(xiàn)了艦船目標(biāo)的特征提取，并分別利用BP神經(jīng)網(wǎng)絡(luò)和KNN分類(lèi)器對(duì)特征進(jìn)行了分類(lèi)。

在本次設(shè)計(jì)中，雖然已經(jīng)對(duì)SAR圖像艦船目標(biāo)特征提取和識(shí)別方法的分類(lèi)進(jìn)行了研究，但受時(shí)間和本人能力等因素的限制，系統(tǒng)還存在許多有待完善和擴(kuò)展的地方，主要包括以下兩方面：

（1）進(jìn)一步對(duì)程序進(jìn)行優(yōu)化，盡可能減少系統(tǒng)的運(yùn)行時(shí)間和識(shí)別與分類(lèi)效果；

（2）考慮選擇其他特征分類(lèi)與識(shí)別算法，如SVM分類(lèi)器，考慮利用不同分類(lèi)器之間的信息互補(bǔ)設(shè)計(jì)一個(gè)組合分類(lèi)器。

參考文獻(xiàn)

[1]甄勇，劉偉，陳建宏，等.高分辨率SAR圖像艦船目標(biāo)幾何結(jié)構(gòu)特征提取[J].信號(hào)處理，2016，32（4）：424-429.

[2]蔣明哲.SAR圖像艦船檢測(cè)與分類(lèi)方法研究[D].合肥：合肥工業(yè)大學(xué)，2016.

[3]李德勝，孟祥偉，張顥，等.SAR圖像艦船目標(biāo)長(zhǎng)寬特征提取技術(shù)[J].艦船科學(xué)技術(shù)，2016，38（5）：115-119.

[4]張建強(qiáng)，高世家，趙霽紅.艦船RCS特征提取與GA-BP神經(jīng)網(wǎng)絡(luò)分類(lèi)研究[J].艦船科學(xué)技術(shù)，2016，38（3）：125-130.

[5]李德勝，孟祥偉，張顥，等.基于PCA算法的SAR圖像艦船目標(biāo)長(zhǎng)寬特征提取[J].船電技術(shù)，2015，35（9）：1-5.

[6]陳文婷.SAR圖像艦船目標(biāo)特征提取與分類(lèi)識(shí)別方法研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2012.

[7]曹峰.SAR圖像艦船目標(biāo)檢測(cè)與鑒別技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2012.

[8]山鵬. SAR圖像艦船目標(biāo)檢測(cè)及特征提取方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2012.