基于圖像特征的無人機(jī)型號識別

陳聰飛，龍澤凱，郝東來

（西京學(xué)院，西安 710123）

0 引言

近年來，隨著無人機(jī)技術(shù)的飛速發(fā)展，各種各樣的無人機(jī)出現(xiàn)在大眾視野。無人機(jī)的應(yīng)用擴(kuò)展到超視距范圍，在快遞、醫(yī)療緊急救援、協(xié)助交通管理、巡檢、農(nóng)業(yè)、物流、安防等多個(gè)領(lǐng)域獲得應(yīng)用［1］。從當(dāng)今的發(fā)展形勢上看，無人機(jī)將如同手機(jī)一樣伴隨人們的日常生活。無人機(jī)的出現(xiàn)給人們帶來諸多的便利，但危險(xiǎn)也隨之而來。最近幾年，有些不法分子利用無人機(jī)體型小、隱蔽性強(qiáng)、方便靈活等特點(diǎn)從事違法活動(dòng)。例如，不法分子利用無人機(jī)通過美國監(jiān)獄的圍墻來運(yùn)輸非法毒品。另外，無人機(jī)還被運(yùn)用在間諜襲擊方面，對國家和公共安全構(gòu)成了非常嚴(yán)重威脅?？紤]到無人機(jī)的安全和隱私問題，精準(zhǔn)打擊某些無人機(jī)型的黑飛現(xiàn)象，準(zhǔn)確分類各種無人機(jī)型對于保護(hù)國家安全和公共安全非常重要。

1 相關(guān)圖像特征介紹

圖像的特征提取是圖像分類不可缺少的一部分，比較經(jīng)典的特征提取算法有很多，比如：方向梯度直方圖（HOG）、尺度不變特征變換（SIFT）、加速穩(wěn)健特征（SURF，對SIFT的改進(jìn)）、高斯函數(shù)差分（DOG）、局部二值模式（LBP）等。因HOG具有幾何和光學(xué)轉(zhuǎn)化不變性、沒有旋轉(zhuǎn)和尺度不變性，所以HOG的計(jì)算量比較小。LBP具有灰度和旋轉(zhuǎn)不變性、簡單易算，其運(yùn)算速度比其他特征提取的算法快。綜合上述特點(diǎn)，本文選取HOG和LBP兩種特征提取的算法。

1.1 HOG特征提取

方向梯度直方圖（histogram of oriented gradi?ent，HOG），最先是由法國研究員Dalal等人提出的，顧名思義就是利用圖像局部的方向直方圖和梯度來確定特征。

1.1.1 提取原理

將一張頻譜圖按相同比例大小分成若干個(gè)塊（block），然后再將每一個(gè)塊按照同等比例分成若干個(gè)細(xì)胞單元（cell），計(jì)算細(xì)胞單元中各個(gè)像素點(diǎn)的方向和邊緣的梯度，最后逐層串聯(lián)所有特征得到圖像整體特征。

1.1.2 實(shí)現(xiàn)過程

（1）將頻譜圖灰度化，變成一個(gè)三維圖像。

（2）為了調(diào)節(jié)頻譜圖的對比程度、減少頻譜圖部分陰影、降低噪聲對頻譜圖的影響，必須將頻譜圖進(jìn)行歸一化處理。本文采用Gamma校正法進(jìn)行歸一化處理。

（3）獲取頻譜圖輪廓的信息，并且進(jìn)一步降低噪聲的影響就要計(jì)算頻譜圖中各個(gè)像素點(diǎn)梯度的大小和方向。

（4）將頻譜圖分割成很小的細(xì)胞單元（cells）。

（5）計(jì)算各個(gè)小細(xì)胞單元（cell）的方向梯度直方圖，就可以形成每個(gè)細(xì)胞單元的特征描述符（descriptor）。

（6）頻譜圖分成若干個(gè)block，每個(gè)塊包含多個(gè)cell，把block中的所有cell的特征descriptor串聯(lián)起來就能夠得到block的特征descriptor。

（7）最后將頻譜圖中的每個(gè)block的特征de?scriptor組合起來就得到該頻譜圖的特征descriptor。

HOG特征提取整體流程如圖1所示。

圖1 HOG特征提取整體流程

●窗口檢測。HOG把圖像通過窗口（window）和block進(jìn)行切分，并且以cell為基本單位對頻譜圖的像素值使用數(shù)學(xué)計(jì)算進(jìn)行處理。圖2是大疆精靈4頻譜圖的切分處理。

圖2 大疆精靈4頻譜圖的切分

其中，黑色線表示window劃分，紅色線表示block劃分，深紅色線表示cell劃分。

●頻譜圖歸一化。為了減少噪聲等因素對圖片處理的影響，所以將整個(gè)圖片進(jìn)行歸一化處理。歸一化Gamma壓縮公式為：

計(jì)算像素點(diǎn)梯度：假設(shè)圖像中像素點(diǎn)的坐標(biāo)為(x,y)，則其梯度為：

其中，H(x,y)表示該點(diǎn)的像素值；G x(x,y)表示水平方向梯度，即該像素點(diǎn)左側(cè)的像素值減去右側(cè)的像素值；G y(x,y)表示垂直方向梯度，即該像素點(diǎn)上方的像素值減去下方的像素值。像素點(diǎn)的梯度幅值和梯度方向（角度）公式為：

一張大疆精靈4頻譜圖的HOG特征圖像及特征直方圖如圖3所示。

圖3 大疆精靈4頻譜圖提取的HOG特征

從HOG特征圖像中可以看到有缺失和特征提取錯(cuò)誤的部分，這樣就會導(dǎo)致最終的準(zhǔn)確率較低，影響判斷結(jié)果。

1.2 LBP特征提取

局部二值模式（local binary pattern，LBP）是由T.Ojala［3］等人在1996年提出的一種簡單有效的特征描述算子，具有灰度和旋轉(zhuǎn)不變性，主要是用于提取圖像局部的紋理特征。將LBP定義在一個(gè)3×3的窗口內(nèi)，以中心像素值為定點(diǎn)，和周邊的8個(gè)灰度像素值相比，若周圍的像素值大于中心值，則將其置為1，否則置為0。以中心點(diǎn)左上角像素點(diǎn)為起始位順時(shí)針旋轉(zhuǎn)，這樣就可以獲得一個(gè)8位二進(jìn)制數(shù)，一般需要將二進(jìn)制數(shù)轉(zhuǎn)換成十進(jìn)制。這個(gè)數(shù)值就是這個(gè)中心像素點(diǎn)的LBP特征值。

圖4 LBP特征值

二進(jìn)制轉(zhuǎn)換為十進(jìn)制的公式為：

其中，xa和y a分別表示中心點(diǎn)的橫坐標(biāo)和縱坐標(biāo)，q代表中心點(diǎn)周圍的8個(gè)像素點(diǎn)，H(a)為中心像素值，H(q)為另外8個(gè)像素值，S(x)函數(shù)為：

一張大疆精靈4頻譜灰度圖提取的LBP特征圖像如圖5所示。

圖5 大疆精靈4頻譜圖提取的LBP特征

從得到的特征圖像可以看出圖像的輪廓信息比較清晰，這也是LBP的優(yōu)勢所在，但是圖像內(nèi)的詳細(xì)特征信息沒有真實(shí)的顯示出來。

1.3 HOG-LBP特征融合

在進(jìn)行特征融合之前，單獨(dú)使用HOG進(jìn)行頻譜圖的特征提取時(shí)發(fā)現(xiàn)提取到的特征圖有缺失的部分，最后得到的準(zhǔn)確率較低。LBP具有計(jì)算簡單、準(zhǔn)確率高等優(yōu)點(diǎn)，但是其對于復(fù)雜圖像，提取的特征不完整且準(zhǔn)確率較低［4］。針對于HOG和LBP兩種算法的優(yōu)缺點(diǎn)，提出將HOG和LBP兩種特征提取算法進(jìn)行特征融合來提高準(zhǔn)確率。特征融合技術(shù)既融合了多種特征的有效鑒別信息，又能消除大部分冗余的信息，從而實(shí)現(xiàn)了信息的有效壓縮，節(jié)約了信息存儲空間，有利于加快運(yùn)算速度和進(jìn)行信息的實(shí)時(shí)處理［5］。特征融合的方法有直方圖融合和特征矩陣融合，直方圖融合會出現(xiàn)橫縱坐標(biāo)不一致，導(dǎo)致有些特征無法顯現(xiàn)、特征不完整等情況，進(jìn)一步導(dǎo)致識別不準(zhǔn)確?；诖?，本文選用特征矩陣融合的方法。

具體實(shí)現(xiàn)步驟：

（1）將訓(xùn)練集和測試集的圖像設(shè)置成統(tǒng)一尺寸（本文設(shè)置的是256×256），方便后面的特征矩陣的融合。

（2）把所有的圖像進(jìn)行灰度化處理，是為了減少顏色對特征提取的影響。

（3）把訓(xùn)練集分別進(jìn)行HOG和LBP特征提取，并將得到的兩種特征矩陣通過矩陣串聯(lián)的方式進(jìn)行融合，必須保證兩種特征矩陣的行數(shù)一致，列數(shù)可以不一致。

（4）將測試集也做上一步處理。

圖6 特征融合流程

2 分類器訓(xùn)練及結(jié)果

目前，支持向量機(jī)（support vector machines，SVM）和AdaBoots是比較常用的圖像檢測分類算法。SVM是一個(gè)有監(jiān)督的學(xué)習(xí)模型，它的特點(diǎn)是在分類模型和模型參數(shù)的選擇上始終優(yōu)先結(jié)構(gòu)最小化，一般用于二類別分類問題［6］。后來在圖像二分類方法的基礎(chǔ)上又衍生了多分類的方法，它的特點(diǎn)就是構(gòu)建多個(gè)分類器、分類速度相對較快。本文是利用SVM的多分類的特點(diǎn)對無人機(jī)頻譜圖進(jìn)行分類。

分別用方向梯度直方圖算法、局部二值模式和本文的兩者融合的方法分別與SVM進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)所需的圖片尺寸設(shè)置為256×256，運(yùn)行在MATLAB R2018b環(huán)境中，AMD Ryzen 5 4600H with Radeon Graphics六核處理器和16 G內(nèi)存的電腦上。實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果

由表1可知，利用SVM進(jìn)行訓(xùn)練，HOG-LBP融合特征較HOG和LBP單獨(dú)特征提取能有效地提高準(zhǔn)確率，由于融合后的特征矩陣較大，所以耗時(shí)相對較長，但其準(zhǔn)確率高的優(yōu)點(diǎn)完全可以覆蓋其時(shí)間較長的缺點(diǎn)。

3 結(jié)語

本文提出的基于圖像特征的無人機(jī)型號識別是利用HOG和LBP特征矩陣融合的方法來實(shí)現(xiàn)的。特征矩陣的融合能夠有效地把圖像的所有特征信息整合起來，避免了特征信息遺漏的情況發(fā)生。從實(shí)驗(yàn)結(jié)果可以看出此方法準(zhǔn)確率高，可以達(dá)到很好的實(shí)驗(yàn)效果，能夠準(zhǔn)確地判別無人機(jī)型號，進(jìn)而打擊黑飛現(xiàn)象，保護(hù)國家安全和公共安全。