中低分辨?率遙感影像艦船目標識別方法?

劉星璇 饒世鈞 洪 俊

（1.海軍大連艦艇學院研究生管理大隊 大連 116018）

（2.海軍大連艦艇學院信息系統(tǒng)系 大連 116018）

1 引言

艦船目標識別是航天偵察信息支援海軍偵察預警的關鍵問題，有效利用衛(wèi)星數(shù)據(jù)信息，對執(zhí)行海軍遠海作戰(zhàn)任務、對目標實施精確跟蹤等具有重要的意義。目前，遙感圖像目標識別主要依靠人工判讀，效率低、成本高、時效性差，傳統(tǒng)模式已不能滿足當前作戰(zhàn)需求。

光學成像衛(wèi)星的分辨率與幅寬之間存在矛盾關系，高分辨率衛(wèi)星重訪時間長、圖像幅寬窄、算法復雜，很難滿足遠海偵察需求，而中低分辨率衛(wèi)星的覆蓋范圍較寬，具備對大范圍海域實施連續(xù)監(jiān)視的潛力［1，3］，但存在目標特征相對不明顯、紋理特征提取困難等問題。光學成像衛(wèi)星的傳感器主要有可見光、紅外、多光譜等，遙感圖像目標識別的方法，可概括為基于統(tǒng)計的方法、基于知識的方法、基于深度學習的方法和基于信息融合的方法。本文根據(jù)比較不同傳感器特點，分析并提出了適用于中低分辨率光學成像衛(wèi)星的目標識別方法，為其工程實現(xiàn)做鋪墊，提高遠海偵察預警能力。

2 艦船目標特征提取

光學成像衛(wèi)星遙感圖像的目標識別，首先進行輻射校正、幾何校正、去噪聲等預處理［2］，然后根據(jù)目標檢測算法提取 ROI（Region of Interest）區(qū)域，利用艦船目標特征進行篩選匹配，去除虛警，最后對真實目標所在區(qū)域進行分類識別［1，4］。艦船識別流程如圖1所示。

光學成像衛(wèi)星的傳感器主要有可見光、紅外、多光譜等類型，分別針對衛(wèi)星所載荷的傳感器不同進行特征分析。

2.1 基于可見光的目標特征提取

可見光的目標特征主要包括以下幾個方面：

1）不變矩特征：幾何的不變矩具有旋轉、平移、尺度等特性的不變特征，所以稱為Hu不變矩［5］，圖像f（x，y）的（p+q）階幾何矩定義為

其在統(tǒng)計學中被用來反映隨機變量的分布情況。圖像的灰度值可看作是一個二維或三維的密度分布函數(shù)，則不變矩的方法可用來對圖像進行分析［6］。

2）尺寸特征：艦長、艦寬、長寬比（L/B）、面積、周長等。艦船長寬比是衡量艦船目標類型的重要指標之一，也是區(qū)分各型軍用、商用艦艇的依據(jù)之一。由于軍艦需要高速航行，取得較大長寬比能夠減少航速帶來的阻力，也能減少對主機功率的需求，但為保證艦船穩(wěn)性，滿足武器發(fā)射精度，不同作戰(zhàn)任務的軍艦具有不同的艦船長寬比。

以美軍水面艦艇為例，其主要作戰(zhàn)艦艇長寬比如表1所示。

表1 美軍主要水面艦艇尺寸特征

軍艦在執(zhí)行任務時，存在偽裝商用雷達信號或關閉電子設備等情況，無法根據(jù)其雷達頻段、AIS系統(tǒng)等判別，其幾何特征為區(qū)分軍、民用艦船的關鍵。商船由于商用目的，通常對船艙容量、船舶穩(wěn)定性等具有要求，其長寬比相對要小很多，通常在4～6之間［7］。

3）形狀特征：艦首形狀、艦尾形狀、形狀復雜度、偏心率、圓形度、主軸長度等［8］。根據(jù)擔負任務不同，艦船的形狀差別也體現(xiàn)在艦首艦尾的形狀，其占艦船比例較大，通常能夠判別形狀。常見的艦首、艦尾形狀大致可如圖2所示。

4）紋理特征：標準偏差、熵、平滑度、分形維數(shù)等［8］。紋理特征是光學成像衛(wèi)星相對于SAR成像衛(wèi)星的優(yōu)勢，圖像分辨率越高，艦艇目標的紋理特征越明顯，包括艦艇上層建筑特征、尾跡特征等。通過對尾跡的解算，也可推算出艦船航行速度等，縮小目標范圍。

2.2 基于紅外的目標特征提取

紅外傳感器的目標識別，首先采取背景抑制，去除圖像中的背景和噪聲，再通過選取合適的閾值分割出潛在目標點，最后根據(jù)目標運動的連續(xù)性和規(guī)則性，剔除假目標，得到真實目標［9］。當前衛(wèi)星載荷的紅外傳感器主要應對彈道導彈的威脅。

由于衛(wèi)星技術水平的原因，美國偵察體系中，衛(wèi)星紅外對艦艇目標檢測與識別的研究較多［9］，多用于決策級特征融合的目標識別。

紅外傳感器能夠在大氣中接收一定波長的紅外線，例如，當艦船在水面航行時，由于開爾文尾跡與周圍海水之間的輻射溫差，尾跡具有紅外特征，但是在光照條件極強的情況下，艦船目標特征提取困難，目前，紅外特征多作為目標識別的參考因素。

2.3 基于多光譜的目標特征提取

多光譜傳感器能獲取多個單波段的光譜信息，并分別賦予RGB顏色，將其融合后獲取彩色影像。

由于物質對不同波段光譜的反射不同，能夠獲取更多精細特征，通過融合處理，提高識別準確率，但對空間分辨率要求較高。目前，多光譜傳感器普遍載荷于高分辨率成像衛(wèi)星，受其幅寬限制，時效性較差，不能滿足遠海偵察預警及目標識別需求。

2.4 中低分辨率光學圖像目標特征選擇

光學成像衛(wèi)星海上艦艇目標識別時，與紅外、多光譜相比，可見光圖像具有邊緣、紋理、幾何、灰度特征明顯的特點，衛(wèi)星分辨率與幅寬均可滿足當前遠海偵察預警的需求，因此，針對可見光的目標識別方法進行分析比較。

不同傳感器的光學成像衛(wèi)星目標特征對比，如表2所示。

表2 不同傳感器的光學成像衛(wèi)星目標特征對比

3 艦船目標分類識別方法

3.1 基于統(tǒng)計的目標識別

基于統(tǒng)計的目標識別，是利用給定的有限數(shù)量樣本集，通過機器學習和空間距離度量的特征匹配分類技術。引入了高緯度、更加全面的艦船特征，將特征空間劃分為幾個區(qū)域，與每一類別分別對應［10］。

由于不需要過多的人工經(jīng)驗和干預，通過基于數(shù)據(jù)驅動的機器學習理論獲得自適應分類準則，具有更好的魯棒性、通用性和廣闊的發(fā)展前景。常用的方法有k最近鄰法（k-Nearest Neighbor，KNN）、支持向量機（Support Vector Machine，SVM）、聚類算法（Clustering Algorithm）等分類方法。支持向量機具有準確率較高，并且能夠推廣到函數(shù)擬合等特點，是近些年在處理小樣本、非線性及高維模式識別中應用較廣泛的分類算法［11］。

3.2 基于知識的目標識別

基于知識的目標識別，即根據(jù)目標特征與周圍環(huán)境的關系，進行歸一化處理，建立艦船目標模型，與艦船模型庫進行匹配識別，主要特點是針對性強，算法效率高［12］。

基于知識的海上艦船目標識別的規(guī)則為，依據(jù)陸地掩膜，分析艦艇目標識別的大致海區(qū)范圍；運用形態(tài)學原理分析艦船尾跡方向，并進行解算，推算航向、航速；尾跡相反方向為艦首，提取其可辨性較高的形狀特征，通過對長寬比、輪廓、對比度、航速、海區(qū)范圍等特征進行歸一化處理后，進行艦船目標識別。

3.3 基于深度學習的目標識別

深度學習在計算機視覺領域應用廣泛，尤其體現(xiàn)在人臉識別、車輛識別、衛(wèi)星遙感圖像中。隨著網(wǎng)絡和技術的進步，基于大數(shù)據(jù)的目標識別，使得準確率也越來越高。其方法主要是基于卷積神經(jīng)網(wǎng)絡（CNN）的改進方法，流程如圖3所示。

目標識別中，神經(jīng)網(wǎng)絡包括輸入層、隱藏層、輸出層。輸入層是整張圖片的像素值，設定隱藏層的神經(jīng)元數(shù)量，輸出層的數(shù)量為能夠確定的目標范圍數(shù)量［13～14］。每個隱藏層神經(jīng)元分別進行反饋，若對應的權值高，則出現(xiàn)強烈響應，若輸出的結果中每個神經(jīng)元的反饋都接近于1，則基本確定該目標的類型。

卷積神經(jīng)網(wǎng)絡是每個卷基層都緊跟著一個用來求平均與二次提取的采樣層，這種特有的二次特征提取，減少了特征分辨率，避免了數(shù)據(jù)重建的冗余和復雜度，流程圖如圖4所示。

利用深度學習的方法，運算速度快、準確率高，但是在應用中，需要大量帶標簽的艦船數(shù)據(jù)進行監(jiān)督學習，艦艇數(shù)據(jù)庫的建立存在極大困難，尤其是對外軍艦艇的需求。

3.4 基于信息融合的目標識別

根據(jù)融合處理所處的不同階段與方法，圖像融合處理可以分為三個級別：像素級圖像融合、特征級圖像融合和決策級圖像融合。

決策級圖像融合，是指對每個圖像的特征信息進行分類、識別等處理，形成了相應的結果后，進行進一步的融合過程，最終的決策結果是全局最優(yōu)決策［15］。

基于模糊集的決策級融合采用不確定性推理技術，適用艦船目標識別，流程如圖5所示：

1）建立每個目標對于各個類的模糊集；

2）計算每個模糊集的模糊度；

3）得到歸一化權值；

4）采用證據(jù)組合規(guī)則進行融合；

5）從結果中選擇出最大置信度的類。

3.5 目標識別方法的比較與選擇

中低分辨率的遙感圖像與高分辨率圖像相比，艦船目標幾何、紋理特征相對不明顯，為滿足海軍偵察預警對目標識別的需求，結合當前衛(wèi)星現(xiàn)狀，需要對傳統(tǒng)的方法進行改進。對目標識別的方法進行分析，如表3所示。

基于神經(jīng)網(wǎng)絡的目標識別，對含標簽的艦艇數(shù)據(jù)庫的數(shù)據(jù)量要求極大，在條件滿足的情況下，優(yōu)先選擇基于深度學習的方法；在對小樣本的數(shù)據(jù)庫情況時，采取基于知識和信息融合相結合的方法。

首先，根據(jù)艦船目標的幾何特征、紋理特征、戰(zhàn)術特征等，建立艦艇模型數(shù)據(jù)庫，其次，提取遙感圖像中艦船目標特征，對艦尾特征進行解算，結合先驗信息比對，最后，對目標進行艦艇模型匹配，提出可能的目標范圍，實現(xiàn)中低分辨率的艦艇目標識別。為保證目標識別的準確率和運算速度，應當對提取的特征進行選擇，使其滿足作戰(zhàn)時效性需求。

表3 艦艇目標識別方法對比

4 結語

海上艦船目標識別是海軍偵察預警的關鍵技術，當前遙感圖像的判讀主要由人工進行，使偵察衛(wèi)星數(shù)據(jù)的時效性大大降低，無法滿足實戰(zhàn)要求。研究基于海軍偵察預警需求的遙感圖像目標識別方法，提出中低分辨率的光學成像衛(wèi)星目標識別方法，針對可見光傳感器的成像衛(wèi)星，提取其幾何特征、紋理特征、戰(zhàn)術特征等，利用基于知識和信息融合的目標識別方法，建立艦船目標模型進行匹配。改變當前主要由人工判讀的現(xiàn)狀，提高遙感圖像的解譯工作自動化程度，能夠極大提高海軍遠海作戰(zhàn)編隊的戰(zhàn)場感知能力，縮短應急反應時間，提高衛(wèi)星信息支援海軍遠海作戰(zhàn)的技術能力。

［1］周偉，關鍵，何友.光學遙感圖像低可觀測區(qū)域艦船檢測［J］.中國圖象圖形學報，2012，17（9）：1181-1187.

［2］王彥情，馬雷，田原.光學遙感圖像艦船目標檢測與識別綜述［J］.自動化學報，2011，37（9）：1029-1033.

［3］高立寧，畢福昆，龍騰，等.一種光學遙感圖像海面艦船檢測算法［J］.清華大學學報：自然科學版，2011，51（1）：105-110.

［4］蘇娟.遙感圖像獲取與處理［M］.北京：清華大學出版社.2014：198-199，215-219.

［5］尹方平.基于遙感圖像的艦船目標檢測及特征提取技術［J］.艦船科學技術.2014，12，36：113-114.

［6］苗慧，李向陽，宋光磊，劉鑫.光學遙感圖像艦船目標識別系統(tǒng)設計［J］.高分辨率對地觀測學術年會，2013：6-7.

［7］姬曉飛，秦寧麗.光學遙感圖像多目標檢測及識別算法設 計 與 實 現(xiàn)［J］. 計 算 機 應 用 ，2015，35（11）：3302-3307.

［8］杜春，孫即祥，李智勇，滕書華.光學遙感艦船目標識別方法［J］.計算機應用，2015，35（11）：3302-3307.

［9］Celine Heuze，Gisela K.Carvajal，Leif E.B.Eriksson，Monika Soja-Wozniak.Sea Surface Currents Estimated from Spaceborne Infrared Images Validated against Re?analysis Data and Drifters in the Mediterranean Sea，re?mote sensing.2017，9，422：1-12.

［10］邢坤.基于可見光遙感圖像的典型目標識別關鍵技術研究及其系統(tǒng)實現(xiàn)［D］.哈爾濱：哈爾濱工業(yè)大學，2010，5：97-104.

［11］HUANG Q，WU G，CHEN J．Automated remote sensing image classification method based on FCM and SVM［C］//Proceedings of the 2012 2nd International Confer?ence on Remote Sensing，Environment and Transporta?tion Engineering.Washington：IEEE Computer Society，2012：1-4.

［12］吳樊，王超，張紅，張波，張維勝.基于知識的中高分辨率光學衛(wèi)星遙感影像橋梁目標識別研究［J］.電子與信息學報，2006，28（4）：587-591.

［13］Zeiler，M.D.，F(xiàn)ergus，R.Visualizing and understanding convolutional networks.European conference on comput?er vision，2014，9：818-833.

［14］Henan W，Dejun L，Hongwei W，et al.Research on air?craft object recognition model based on Neural networks［C］//Proceedings of the 2012 International Conference on Computer Science and Electronics Engineering-Vol?ume 01.IEEE Computer Society，2012：160-163.

［15］何友，王國宏，關欣.信息融合理論及應用［M］.北京：電子工業(yè)出版社，2010：239-265，309-329，336-370.