嵌入式SAR舰船目标识别系统设计

林智莘 李璐 卢晓军

摘 要：本设计采用将长宽比、面积、灰度平均值作为目标切片的特征提取方法，利用BP神经网络、K-近邻分类器实现了TerraSAR数据的舰船目标分类。基于Qt开发工具在NVIDIA Jetson TX2嵌入式开发平台上实现了一套针对合成孔径遥感图像的舰船目标快速识别与分类系统，具备SAR图像动态载入、目标快速识别与分类、检测结果实时显示等功能，准确率高达80%以上。

关键词：合成孔径雷达；舰船识别；舰船特征提取；OpenCV

中图分类号：TP39；TN409 文献标识码：A 文章编號：2095-1302（2018）01-00-03

0 引 言

合成孔径雷达（Synthetic Aperture Radar， SAR）是一种可自动获取目标的微波传感器，能够全天时、全天候实现地面目标的观测。利用SAR图像进行舰船目标检测的研究与开发在海洋遥感领域得到了广泛重视，成为SAR数据海洋应用的重要内容之一，但SAR图像目标检测与识别领域还存在许多尚未解决的问题，因此开展SAR图像舰船目标检测与识别分类研究意义重大。

1 理论基础

1.1 SAR图像舰船目标特征分析

本文主要使用了SAR图像的灰度统计特征和几何特征来进行舰船目标的分类与识别。描述目标特征的最基本特征是几何结构，包括长宽比、面积和质量。

由于舰船的形状和尺寸特征与实际形状、尺寸相关，因此对不同的船舶目标具有一定的区分能力。文中只考虑包含一个舰船目标的目标区域二值图 B（m，n）。在B（m，n）中根据目标的主轴方向找到目标区域的外接矩形，该外接矩形长边的长度L即为船舶目标的长度，外接矩形的短边长度W即为船舶目标的宽度。

该区域的长宽比定义为舰长与舰宽之比：

SAR图象中目标的轮廓特征与其实际轮廓相关，包含了目标长宽等尺寸信息，因此具有较强的目标区分能力。最常用的提取轮廓特征的方法是先对目标区域进行分割提取，然后根据目标区域的内点和外部点之间的差异提取目标轮廓。

1.2 SAR图像舰船目标分类器介绍

本次研究采用SAR图像舰船目标分类器设计中经常使用的两种典型模式识别方法——K-近邻分类器和BP神经网络分类器进行分类。

1.2.1 K-近邻分类算法

K-近邻分类器也称为KNN分类器，它不仅是目标识别中常用的一种分类器，也是最简单、最好理解的机器学习算法理论。KNN可有效进行监督学习，计算新数据的特征值并训练数据特征值之间的距离，然后选择K个距离的特征值进行分类和鉴别。

KNN算法过程如下：

（1）选择一种计算距离的方法， 计算出新数据的特征值和训练数据特征值之间的距离。

（2）按距离递增排序，选取与当前距离最小的K个点。

（3）对于离散分类，将K个点中出现次数最多的类别进行预测分类并返回。

1.2.2 BP神经网络分类算法

BP神经网络是一种具有监督功能的多层神经网络学习方法，其突出特点在于信号会向前传播，误差向后传播。在不断交替传播的过程中完成对BP神经网络权值和阈值的不断调整，尽可能降低整个网络的平方和误差值，使网络输出结果与预期输出结果相近。BP神经网络由一个输入层、n个隐层和一个输出层构成，图1所示为一个三层BP网络示意图。

BP算法实现过程：

若网络共包含m层，其中，第m层中第j个节点的输出设为ymj，则y0j为第0层输出，其值等于第j个节点的输入Xj。Wmij表示从ym-1j到ymj的连接权值，m代表层号。

（1）随机设置每个权重值，同时确保网络不会被大的权重值影响。

（2）从训练数据集中取出一组数据对（Xk，Tk），并将输入向量添加至m=0的输入层（k表示向量类号）：

（3）信号通过网络向前传播，可以使用如下公式计算从第一层开始每一层中全部节点i的输出ymj，直至计算完输出层所有节点的输出：

（4）使用如下公式计算输出层每个节点的实际输出和要求目标值之差（Sigmod函数）：

（5）使用如下公式计算每层节点的误差值，并按层次计算反传错误，直到计算出每层中所有节点的错误值：

（6）利用加权修正公式（6）和关系公式（7）调整所有连接权。一般的训练速率系数η在0.01～1之间。

（7）返回步骤（2），对下一组输入数据重复上述过程，持续到输出误差符合规定的标准为止。

2 系统详细设计与实现

2.1 系统总体设计方案

本系统的硬件平台方案和工作流程图分别如图2和图3所示。

先对输入的经过海陆分割的图像进行预处理，提高特征提取的效果后，再进行特征提取，根据搭建的BP神经网络和KNN算法对目标进行分类，最后根据输出的结果，在原图上标记。

2.2 核心算法设计与实现

2.2.1 预处理

预处理的目的在于改善图像数据的品质，使得下一步特征提取更为容易。对于本次设计来说，因为需要提取舰船目标的轮廓，而原图中的灰度值变化范围非常大，导致轮廓提取困难，因此需要先对图像进行膨胀、腐蚀和二值化等灰度变换处理，然后准确利用矩形框架从原图得到目标切片。经过预处理的图像如图4所示。

2.2.2 特征提取

在本次设计中，把舰船目标的长宽比、面积和目标切片的灰度平均值等特征作为分类与识别的依据。在提取长宽特征时，对传统的最小外接矩形方法进行改进，采用Hough变换与最小外接矩形相结合的方式。首先对图像进行Hough变换，提取舰船目标主轴方向角，结合切片中心利用最小矩形目标参数估计中的目标-背景像素个数比最大（TBR）准则，得到目标的长和宽，最终计算出舰船目标切片的长宽比，同时结合舰船目标切片的灰度值信息，得到该目标的灰度平均值。

2.2.3 目标识别与分类

本次设计通过BP神经网络分类器和K-近邻分类器分别实现对SAR舰船目标的识别与分类，将所有的舰船目标分为大船、小船和非船三类。这两种分类方法各有优劣，实现的方法亦不同。BP神经网络分类器将分类、识别过程分为“训练”和“识别”阶段。在训练阶段实现对整个网络的训练，将150组特征信息（每类各50个）输入网络建立一个特征模型；在识别与分类阶段，将提取出SAR舰船目标的特征信息输入网络，得到一个最优输出。BP神经网络分类器的原理示意图如图5所示。

K-近邻分类器先将150组（每类各50个）特征信息及分类信息读入网络，经交叉验证误差统计选择法统计分析误差后，将K值取8，然后再将需要识别的SAR舰船目标特征信息输入网络，计算出输入的新数据的特征值与训练数据特征值之间的距离，把8个点中出现次数最多的类别作为预测分类。

2.3 图形界面设计

文中使用Qt完成了图形界面的设计，该界面为使用者提供了一个可视化的操作界面。该界面由图标、显示模块、算法选择模块和功能按钮组成。

显示模块用于显示检测算法的运行时间、分类结果、检测结果的正确分类率，整个处理界面有详细的标注，可以清楚看到大船、小船和非船的数量及识别的正确率。

在算法选择模块中，点击knn和bp两个单选框，可选择BP神经网络分类算法或K-近邻分类器算法。

功能按钮由“打开”“开始”和“退出”按钮组成，单击“打开”按钮可以打开图像选择界面；点击“开始”按钮会运行特征提取与分类识别算法；点击“退出”按钮可结束程序的运行。

界面会显示处理前后的图像。如果图像较大，可以由滚动条来控制图像上下移动，观看全图。单击鼠标左键并选择要放大的区域，可以对处理前后的图像进行局部细节的同步5倍放大。SAR图像特征提取与识别结果界面如图6所示。

3 系统功能测试及性能分析

在对输入的经过海陆分割的SAR图像进行特征提取与识别分类处理后，在原图上对输出舰船目标的识别分类结果进行标记，使用蓝色方框标记大的舰船目标，使用绿色方框标记小的舰船目标，使用红色方框标记非舰船目标。图7～9 （左图为BP神经网络分类输出，右图为K-近邻分类器输出）是对三幅SAR图像分别使用BP神经网络分类器和K-近邻分类器进行舰船目标识别分类的分析与结果。

从图7～9和表1、表2可以看出，BP神经网络分类器的分类结果明显优于K-近邻分类器分类结果，但前者运行时间较长。同时，得益于硬件平台在图像处理方面得天独厚的优势，大大降低了系统处理时间。但对目标分类并非完全正确，一方面是因为在利用开闭形态学处理时，海陆分割的边缘会有一些陆地块被切割出来，一些陆地边缘上的亮点会给舰船识别带来干扰；另一方面在于对图像进行二值化处理过程中，存在海浪等环境因素使得舰船目标的灰度值下降甚至被过滤掉，从而影响分类结果。

4 结 语

对SAR图像舰船进行目标特征提取和分类识别一直是SAR应用中的重要研究方向。本设计系统阐述了SAR图像舰船目标分类识别的关键技术，完成了SAR图像舰船目标快速识别与分类系统的设计。

该系统将NVIDIA Jetson TX2作为硬件平台，能够在一个友好的Qt界面上实现SAR图像动态载入、目标快速识别与分类、检测结果实时显示，实现了舰船目标的特征提取，并分别利用BP神经网络和KNN分类器对特征进行了分类。

在本次设计中，虽然已经对SAR图像舰船目标特征提取和识别方法的分类进行了研究，但受时间和本人能力等因素的限制，系统还存在许多有待完善和扩展的地方，主要包括以下两方面：

（1）进一步对程序进行优化，尽可能减少系统的运行时间和识别与分类效果；

（2）考虑选择其他特征分類与识别算法，如SVM分类器，考虑利用不同分类器之间的信息互补设计一个组合分类器。

参考文献

[1]甄勇，刘伟，陈建宏，等.高分辨率SAR图像舰船目标几何结构特征提取[J].信号处理，2016，32（4）：424-429.

[2]蒋明哲.SAR图像舰船检测与分类方法研究[D].合肥：合肥工业大学，2016.

[3]李德胜，孟祥伟，张颢，等.SAR图像舰船目标长宽特征提取技术[J].舰船科学技术，2016，38（5）：115-119.

[4]张建强，高世家，赵霁红.舰船RCS特征提取与GA-BP神经网络分类研究[J].舰船科学技术，2016，38（3）：125-130.

[5]李德胜，孟祥伟，张颢，等.基于PCA算法的SAR图像舰船目标长宽特征提取[J].船电技术，2015，35（9）：1-5.

[6]陈文婷.SAR图像舰船目标特征提取与分类识别方法研究[D].长沙：国防科学技术大学，2012.

[7]曹峰.SAR图像舰船目标检测与鉴别技术研究[D].长沙：国防科学技术大学，2012.

[8]山鹏. SAR图像舰船目标检测及特征提取方法研究[D].哈尔滨：哈尔滨工程大学，2012.