遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別研究

陳 燕

(中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051)

0 引 言

遠(yuǎn)洋船舶作為遠(yuǎn)洋運(yùn)輸?shù)闹饕d體，對其進(jìn)行目標(biāo)檢測與分類識別對于海洋生態(tài)環(huán)境保護(hù)、海洋交通與國防安全產(chǎn)生重要意義，遠(yuǎn)洋船舶目標(biāo)檢測中的圖像分類識別方法成為相關(guān)領(lǐng)域中的研究熱點(diǎn)。

周慧與等利用特征金字塔深度網(wǎng)絡(luò)定位船舶圖像，采用CNN網(wǎng)絡(luò)劃分船舶圖像類別。但該方法在實(shí)際應(yīng)用過程中需通過反復(fù)的實(shí)驗(yàn)確定CNN網(wǎng)絡(luò)參數(shù)，效率低且耗費(fèi)大量時間。王莉等在研究船舶圖像分類識別方法中，構(gòu)建約束稀疏表達(dá)線性編碼模型，依照相似度判斷函數(shù)，實(shí)現(xiàn)船舶圖像分別識別目的。但該方法在實(shí)際應(yīng)用過程中學(xué)習(xí)能力有限，導(dǎo)致最終所得分類結(jié)果具有一定誤差。針對這些問題，研究遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別方法，使遠(yuǎn)洋船舶圖像分類的效果得到整體提升。

1 遠(yuǎn)洋船舶圖像分類識別方法

1.1 遠(yuǎn)洋船舶圖像特征提取

遠(yuǎn)洋船舶圖像特征提取是遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別的基礎(chǔ)。采用小波分析法提取遠(yuǎn)洋船舶圖像特征，獲取高頻或低頻系數(shù)。而遠(yuǎn)洋船舶圖像的大部分有效信息均存在于低頻系數(shù)內(nèi)，因此遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別過程中可將低頻系數(shù)作為分類的特征向量。若一維圖像信號()∈()于子空間V內(nèi)實(shí)施標(biāo)準(zhǔn)正交基展開，以表示尺度，由此得到：

式中，=〈,?〉。

以和分 別描述尺度與小波系數(shù)，則()可表示為：

遠(yuǎn)洋船舶圖像(,)是一種二維信號，所以需要構(gòu)建二維尺度函數(shù)，公式描述如下：

利用式(4)描述二維小波變換過程中的三組正交基函數(shù)：

1.2 雙向遞歸神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)洋船舶圖像分類識別

以表示隱含層，利用式(5)能夠描述單向遞歸神經(jīng)網(wǎng)絡(luò)的輸出y：

式中：W和b分別表示連接隱含層與輸出層的權(quán)重矩陣和輸出層偏差向量；W和W分別表示隱藏至隱含層的權(quán)重矩陣和連接輸出層與隱含層的權(quán)重矩陣，tan和b分別表示激活函數(shù)與隱含層偏差向量。

作為單向RNN的擴(kuò)展，BRNN內(nèi)包含2個隱含層，這兩者間依照相反的時間順序排序進(jìn)行連接?；诖?，BRNN可使用過去的數(shù)據(jù)和未來的數(shù)據(jù)，表示前進(jìn)方向的非約束重量，由此得到的y可表示為：

式中，上標(biāo)表示后向隱藏的激活。

針對輸入與輸出的影響水平與隱含層學(xué)習(xí)率的控制來說，BRNN內(nèi)的權(quán)重設(shè)定極為重要。線性回歸過程中經(jīng)由輸入與權(quán)重的乘積然后相加生成輸出：

式中：用于描述偏差，其主要功能為令輸出與神經(jīng)元輸入間實(shí)現(xiàn)平衡。

1.3 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化

權(quán)重與偏差作為BRNN分類器內(nèi)的2個關(guān)鍵參數(shù)，兩者對最終的分類結(jié)果產(chǎn)生直接影響。因此為了提升BRNN分類性能，采用粒子群算法這2個參數(shù)進(jìn)行優(yōu)化，改善BRNN不穩(wěn)定的缺陷，提升BRNN分類精度，基本流程如圖1所示。以權(quán)重為例，具體參數(shù)優(yōu)化步驟如下：

1 初始化粒子群相關(guān)超參數(shù)。初始化不同粒子的位置與速度，根據(jù)專家經(jīng)驗(yàn)設(shè)定權(quán)重值；將位置描述成網(wǎng)絡(luò)參數(shù)，以均方差描述適應(yīng)度值。

2 確定不同的適應(yīng)度值，并更新。若全局最優(yōu)粒子的適應(yīng)度值下降，低于所設(shè)定的閾值，那么將停滯計數(shù)器的數(shù)值提升1，相反，將停滯計數(shù)器清零。

3 確定是否符合收斂標(biāo)準(zhǔn)，若符合，則轉(zhuǎn)入步驟7。

4 如果停滯計數(shù)器的值不小于最大迭代次數(shù)，則轉(zhuǎn)入步驟6；相反轉(zhuǎn)入步驟5。

5 更新全部的速度與位置，轉(zhuǎn)入步驟2。

6 停滯計數(shù)器清零，更新慣性權(quán)重，同時二次初始化除外的剩余，轉(zhuǎn)入步驟2。

圖1 改進(jìn)粒子群算法的基本流程Fig. 1 Basic flow of improved particle swarm optimization algorithm

7 輸出作為BRNN內(nèi)權(quán)重的優(yōu)化結(jié)果，結(jié)束。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境

為驗(yàn)證本文所研究的遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別方法在遠(yuǎn)洋船舶圖像分類中的應(yīng)用效果，在Matlab軟件實(shí)時編程驗(yàn)證本文方法功性能。實(shí)驗(yàn)對象為來自不同時間、不同類別的遠(yuǎn)洋船舶目標(biāo)檢測圖片集，其中共包含1 034幅遠(yuǎn)洋船舶目標(biāo)檢測所用的圖像，其中共包含4個遠(yuǎn)洋船舶類別，不同遠(yuǎn)洋船舶類別圖像的數(shù)量與來源如表1所示。

表1 實(shí)驗(yàn)對象來源與構(gòu)成Tab. 1 Source and composition of experimental objects

2.2 最優(yōu)參數(shù)選擇

為了有效評價本文方法的性能，將Spearman相關(guān)系數(shù)與Pearson相關(guān)系數(shù)作為分析指標(biāo)，前者描述本文方法的準(zhǔn)確性，后者可分析本文方法的性能。2個分析指標(biāo)的取值范圍均為[0,1]，取值越接近1表示本文方法性能越好。在計算本文方法的Pearson相關(guān)系數(shù)前，需先進(jìn)行回歸分析，也就是對本文方法所得的分類結(jié)果與主觀分析所得的主觀分類結(jié)果之間進(jìn)行非線性映射。Spearman相關(guān)系數(shù)S與Pearson相關(guān)系數(shù)P的計算公式：

本文方法中BRNN分類器內(nèi)不同時間步長對本文方法的應(yīng)用性能也同樣產(chǎn)生顯著影響，因此，對比BRNN分類器內(nèi)不同時間步長條件下本文方法的S值與P值，所得結(jié)果如圖2所示。分析圖2能夠得到，在時間步長為60的條件下，本文方法的S值與P值分別為0.974和0.972，均為不同時間步長條件下的最大值。在此之后隨著時間 步長的提升，本文方法的S值與P值都呈現(xiàn)不同程度地降低，由此可知本文方法中的時間步長應(yīng)設(shè)定為60。

圖2 不同時間步長條件下本文方法的應(yīng)用性能Fig. 2 Application performance of this method under different time steps

2.3 分類識別結(jié)果

采用本文方法對游艇類船舶和戰(zhàn)斗類船舶進(jìn)行分類識別，所得結(jié)果如圖3所示。分析圖3(a)能夠得到，采用本文方法能夠在包干若干船舶的圖像中有效分類識別出3艘游艇類；分析圖3(b)能夠得到采用本文方法能夠在包含艇艘船舶的圖像中有效分類識別出2艘戰(zhàn)斗類。以上實(shí)驗(yàn)結(jié)果充分說明采用本文方法可有效實(shí)現(xiàn)不同類型遠(yuǎn)洋船舶圖像分別識別。

圖3 實(shí)驗(yàn)對象分類結(jié)果Fig. 3 Classification results of experimental objects

2.4 圖像分類識別精度測試

不同類別船舶圖像分類識別精度測試過程中，以S值與整體精度為評價指標(biāo)，同時以文獻(xiàn)[3]中基于特征金字塔模型的方法和文獻(xiàn)[4]中基于約束稀疏表達(dá)的方法為對比方法，分析本文方法與2種對比方法的S值與整體分類識別精度，所得結(jié)果如表2所示。分析表2得到，采用本文方法劃分實(shí)驗(yàn)對象類別過程中，本文方法的所得的S值與整體精度分別高于0.94%和97%，與2種對比方法相比均具有明顯優(yōu)勢，由此說明本文方法與2種對比方法相比能夠得到更準(zhǔn)確的分類結(jié)果。

表2 分類精度分析Tab. 2 Classification accuracy analysis

3 結(jié) 語

本文提出遠(yuǎn)洋船舶目標(biāo)檢測中圖像分類識別方法，根據(jù)遠(yuǎn)洋船舶圖像特征，采用雙向遞歸神經(jīng)網(wǎng)絡(luò)對遠(yuǎn)洋船舶圖像進(jìn)行分類研究，并通過改進(jìn)粒子群算法優(yōu)化雙向遞歸神經(jīng)網(wǎng)絡(luò)，提升分類性能。實(shí)驗(yàn)結(jié)果顯示，本文方法在設(shè)定條件下能夠準(zhǔn)確劃分實(shí)驗(yàn)對象類別。