一种改进型PSO-BP 算法在红外目标中的应用*

杜 珺，高九萍

（1.晋中职业技术学院，山西 晋中 030600；2.山西北方风雷工业集团有限公司，山西 侯马 043000）

0 引言

在军事侦察中，对目标的判断与识别十分重要，传统可见光目标识别受环境杂光、目标伪装等影响明显，往往无法有效区分目标、伪目标以及背景［1-3］。基于光学手段的目标识别主要分为主动型和被动型。主动型指采用主动光源完成对被测区域照射，进而获取目标图像，如激光光源等［4］。基于激光的主动型目标识别系统具有很强的指向性，具备精确定位及成像的能力，受环境干扰小，扫描式激光还可实现精度较高的目标形状信息［5］；被动型虽然识别效率不如主动型，但由于无源而更安全更隐蔽。通过采集待测区域的可见光、红外光或偏振光等完成对目标的图像重建，从而实现目标识别的目的。由于可见光无法全天候监测，偏振光受待测目标合作性影响显著，故基于光谱探测的目标识别技术备受追捧。

在同等光学成像设备基础上，目标识别概率与误检率主要取决于光谱数据处理算法，用于光谱数据处理的算法有很多，例如主成分分析［6］、偏最小二乘回归［7］、反向传输神经网络（BP，Back Propagation neural network）［8］、支持向量机［9］、粒子群优化（PSO，Particle Swarm Optimization）［10］、蚁群算法（ACO）［11］等。各种算法根据其不同的特点，适用于不同的应用场合，ANN 和PLS 多用于光谱特征明显或变化趋势显著的数据区分；BP 和SVM 对多组分光谱、混合光谱中非线性数据分类具有较好的应用效果；PSO 和ACO 则更适用于数据量较大的寻优计算与快速收敛问题。单一的处理算法往往无法完全满足实际问题中对光谱数据处理的需求，所以算法联用的例子也十分常见。

本文通过改进粒子群优化算法参数设置，并结合BP 神经网络联用的光谱数据处理算法，通过粒子信息共享提高光谱数据分类的优化效率，利用动态不敏感区的设计提高模型精度，最终，由PSO 高效的全局寻优能力实现对带调值的BP 神经网络输入层光谱信息的区分，提高算法目标识别的能力。

1 目标识别系统设计

目标识别系统采集待测区域内的红外图像，再通过改进型PSO-BP 算法将待测目标从背景谱中分离，并由光谱数据库中各类目标光谱特性实现对目标的种类判断与识别。整体目标识别系统如图1所示。

图1 目标识别系统示意图

系统通过聚束整形透镜组完成对待测区域红外光的收集，再将红外图像聚焦成像在CCD 上，最终将图像传给CPU 进行目标识别处理。处理过程中，通过改进型PSO-BP 算法对图像数据进行识别分析，在对比已知光谱数据库的基础上完成对目标种类的识别。设目标辐亮度和背景辐亮度分别为St和S0，则目标与背景辐射光谱可表示为Lt和L0，即

2 改进型PSO-BP 算法

改进型PSO-BP 算法是在PSO 对多组分光谱分离的基础上实现对BP 神经输入层数据的优化，从而提高光谱数据特征提取的有效性。在PSO 算法中，通过设置具有红外目标特性的变异规则提高光谱分类的指向性；在BP 神经网络中，通过将反馈权值设置为调值变量，从而根据不同区间段完成反馈收敛，消除局部最优的问题。该改进型算法可以解决传统BP 模型易陷入局部极值、训练周期长、稳定性差等缺点，提高光谱特征数据分类的准确性与收敛速度。

2.1 PSO-BP 算法

由于BP 神经网络具有对大数据量处理的能力，还有自学习、自适应、鲁棒性强的特点，故对多组分光谱数据处理具有一定优势。针对背景辐射变化、目标轮廓可能不完整等户外目标识别的复杂情况，采用BP 神经网络训练可以提高目标识别效率，降低伪目标误检概率。

整个视场内的光谱数据量很大，直接采用BP神经网络对原始光谱数据进行训练，不但运算速度慢，而且还会影响预测精度，故在训练前首先需要确定合适的波长位置和个数参数。以波长间相关系数及偏差为参考，有

PSO 算法是通过样本个体间信息交互实现最优解计算的，有

式中，N 为粒子总数，i∈N，j 为维度，σ 为权重；k、k+1 分别为相邻两次迭代数；Xij为粒子位置；Vij为粒子速度；Pij和Pgj分别为个体极值和群极值，c1和c2为两个特征波长的加速度因子。式（3）为BP 模型中更新粒子位置和速度提供了最优路径，提高了运算效率保证了运算精度。

2.2 改进型PSO-BP 算法

改进算法的主要创新之处在于针对PSO 算法设置参数的改进，通过主要拟识别目标的红外光谱特征设置粒子变异规则，实现种群的最优收敛。同时，针对红外目标识别运算过程中由于特征点分散而容易陷入局部极值收敛的问题，设计了权值调整型反馈参数，从而降低提前收敛的风险，将部分权值调整数据累计到下一次误差验算过程中，则实际权值调整有

其中，β 为调整系数，E（x）为全局误差。根据系统具体测试数据可知，算法中调整红外波长位置，在图像中从方向分别累加，最终引入调整因子后有：

其中，x 为训练次数，mc 为动量因子，δij为隐含层误差，η 为学习速率。

将改进型PSO 算法的优化参数导入具有调整参数的BP 神经网络模型，使BP 反馈信息过程中首先完成光谱数据参数的最优解逼近。通过适应度值、粒子速度与粒子位置完成对初始光谱数据优选的收敛控制，实现全局寻优的目的。通过将BP 模型中各层之间的连接权值以及阈值以粒子的形式实现编码，从而由粒子群位置替代，经过循环迭代最终获得最优种群粒子。解码过程中将BP 模型的全局最优解对应连接权值以及阈值定量，然后，在此基础上建立PSO-BP 算法模型。

图2 PSO-BP 算法流程图

改进型PSO-BP 算法流程如图2 所示。首先，构建一个3 层的BP 神经网络（每层包含5 个节点），然后初始化粒子群位置和粒子速度。每个粒子都对应BP 模型中的一个节点，而对于粒子群而言，其代表BP 模型中对应的连接权值以及阈值，再通过解码获得最终的BP 模型。为了完成改进型PSO-BP模型的构建，系统通过更新粒子群的位置和速度信息参数完成对最优解的逼近。粒子适应度F 函数可以表示为

式中，Li为目标辐射光谱测试值，Li'为目标辐射光谱预测值。由此循环完成粒子位置与速度的迭代，最终获得最优解。将改进型PSO 算法计算得到的最优种群粒子解码，进而完成BP 模型最优连接权值和阈值，完成模型构建。

3 实验

3.1 实验条件

采用Model-102F 型红外Fourier 成像光谱仪对明显目标a、隐蔽目标b 和伪目标c 进行探测实验，成像系统波长区间：3.5 μm～5.0 μm，最优分辨率为3.0 cm-1。实验中明显目标a 是停放在距离较近的无遮挡条件下的汽车，隐蔽目标b 是停放在远处的存在部分杂草遮挡的汽车，伪目标c 是放置在目标b附近的金属板。测试过程中，首先需要将汽车熄火静置2 h，使目标汽车与环境温度同温，减少由于发动机高温造成的红外辐射，主要针对目标不同反射界面的红外特性进行研究，获得的红外图像经二值化处理后得到图3。

图3 经二值化的目标红外图像

3.2 对比分析

图4 传统BP 算法识别结果

图5 PSO-BP 算法识别结果

改进型PSO-BP 算法中，首先针对特征波长位置与数量进行最优解计算，然后才完成在最优解基础上的收敛训练，从而提高系统目标识别效率。对粒子位置（Xij）和粒子速度（Vij）进行优化选取，通过图2 流程完成对光谱数据的循环优化处理，实现输入层数据的预选。对于同等特征波长数的输入端而言，采用改进型PSO-BP 算法的识别结果如图5（a）和（b）所示。

4 结论

本文设计了一种改进型PSO-BP 算法，通过粒子变异对PSO 算法进行优化，通过权值函数对收敛区间进行分段校正，从而实现了对全部数据的综合优化。最终，由设置粒子位置与速度完成对BP 模型输入层特征波长位置及数量的优化，从而提高系统模型光谱分类识别精度及收敛速度。与传统BP 模型相比，该算法优化得到的目标图像信噪比高、目标失真程度低，对伪目标抑制效果明显，在同等条件下收敛速度更快。可见该系统具有一定的优势。