基于多光谱的地面伤员识别技术实验研究

朱明明，雷 涛，夏娟娟，李 钊，张林媛，王健琪，路国华

（空军军医大学军事生物医学工程学系，西安710032）

0 引言

目前国际形势复杂多变，有战争就必定有伤员，而现代大规模杀伤性武器的使用更是导致伤员大量增加。伤员搜救是以人为本的重要体现，更是战时战斗力的重要保障[1]。研究表明，陆地各种伤员受伤后因未被及时发现而死亡的占死亡总数的76.2%，快速找到伤员，可使伤员死亡率降低2/3，在战场伤员搜救中更是有“白金10 min，黄金1 h”的救治理念[2-4]。然而，通往搜救现场的道路通常已被毁坏，且存在环境复杂危险、搜索范围大、人员分布不确定、人员特征不明显等情况，加之救护人员数量有限，采用传统的“一跟二看三问四听五找”（抢救人员紧跟进攻部队；注意观察战斗员状态；询问轻伤员，了解伤员分布情况；倾听联络信号伤员呼救声；按照作战方向寻找伤员）已经无法快速并准确搜索到受伤人员。如何快速有效地搜寻伤员成为战场伤员救治的首要问题，也是降低失踪、死亡率的首要因素。

从技术发展特征和使用方式来看，伤员搜寻技术可分为约束式和无约束式。现有约束式救生装备主要存在增加身体负荷、穿戴装置使用不便及电磁兼容难以满足武器装备战场环境要求等不足，对士兵战斗力有所影响[5-7]。因此，未来伤员搜寻技术必将注重无约束式发展，利用人体生命特征进行搜索，从而减轻伤员负担。目前，国内外无约束式搜寻技术主要采用无人机搭载RGB 高清相机和热红外成像仪进行低空搜寻[8-10]，但在战场环境战士大多穿着迷彩服、处于伪装条件下，依靠机载视觉载荷很难发现伤员。而热红外成像技术分辨力较差，受环境温度影响较大，在战场热源较多、环境温度大于30 ℃时，无法检测到人体热信号。多光谱目标识别技术具有抗伪装、抗干扰、实时等优点[11]，因而其在战场伤员搜寻中具有独特的优势。

多光谱技术将成像信息从可见光（390～780 nm）范围拓展到300～1 100 nm 波段，一般选择其中4～10个特征光谱进行数据处理，通过目标与背景光谱特性曲线之间的差别，提取特征将目标识别出来[12]。小型无人机搭载多光谱相机进行低空巡航可实现小尺度高精度遥感监测，因此在农业、林业、生态环保等领域应用广泛。其主要原理是根据植被中叶绿素、水分等含量不同影响冠层群体的反射光谱变化，从而反演出区域内植被的长势、病虫害、水分胁迫状况[13]。目前，已有多款商用多光谱无人机用于农业和环境监察领域，例如大疆推出的精灵4 多光谱版和搭载Parrot sequoia 多光谱相机的Parrot bluegrass 无人机[14-15]。然而，此类应用都是大范围区域化划分，环境越复杂，目标区域越小，种间相似度越高，识别精度越低。将现有商用多光谱无人机用于伪装于丛林中的迷彩服伤员搜寻，会因迷彩服与丛林的相似度较高，很难准确识别身着迷彩服的伤员。基于此，本文提出一种无人机搭载多光谱的地面伤员识别技术，以解决丛林中迷彩服伤员搜寻的难题。

1 材料与方法

1.1 材料

1.1.1 实验设备

（1）ATP9100 便携式地物光谱仪（奥谱天成）（以下简称“ATP9100”），波长范围300～1 100 nm，CCD（charge-coupled device）探测器像素2 048，可测量辐照度、光谱强度、反射率、吸光度，光谱分辨力1.4 nm，波长精度0.5 nm，信噪比＞800。使用ATP9100 分别对草地和迷彩服光谱强度、反射率信息进行多次检测采集，分析其光谱特性曲线，选取特征波段。

（2）M100 四旋翼无人机（DJI Matrice 100）（以下简称“M100”），质量2 355 g，最大起飞质量3 600 g，可搭载有效载荷1 245 g；最大航行速度22 m/s，最大可承受风速10 m/s，悬停精度垂直方向0.5 m、水平方向2.5 m，最大通信距离5 km，负载1 kg 时可悬停13 min。M100 作为无人机遥感平台的主体，主要负责搭载MS600 型通用多光谱相机（以下简称“MS600”）和大疆禅思Zenmuse X3 云台相机（以下简称“X3”）获取遥感影像，为后续图像处理提供了可靠基础。

（3）MS600，可实现6 个通道光谱图像数据的同步获取，质量仅170 g，包括相机主机、下行光传感器（downwelling light sensor，DLS）、GPS 模块，通过灰板辐射定标可获得精确反射率数据。MS600 设计紧凑、体积小，采用标准化接口设计，便于与无人机快速集成。DLS 模块可校正飞行过程中环境光的影响，为目标识别提供可靠数据。

（4）X3，Sony Exmor R CMOS 影像传感器，尺寸为1/2.3 in（1 in=25.4 mm），焦距3.57 mm，像素4 096×2 160。X3 主要提供无人机飞行时的高空视野，方便更精准地获取多光谱图像信息，也可对目标区域进行可见光图像拍摄，用于后期识别图像与原始可见光图像的对比。

1.1.2 实验对象及环境

由于林地迷彩服与丛林环境相似度较高，与城市迷彩服和荒漠迷彩服相比较，其多光谱识别难度最大。因此，本研究选择实验对象为林地迷彩服，对其进行多光谱识别，实验环境为草地环境（以马蹄金等杂草为主）。

1.1.3 实验设计

为方便数据采集、简化实验模型，实验设定为草地环境下对林地迷彩服的识别，具体设计如图1所示。首先，设定多光谱数据的采集条件，然后对识别目标和环境进行光谱强度和反射率数据采集，根据光谱曲线筛选特征谱段，再根据筛选的特征谱段选择合适的多光谱相机。其次，根据选择的多光谱相机搭建无人机多光谱遥感平台，在飞行高度100 m时进行多光谱图像采集，对采集图像采用图像配准、图像拼接、辐射定标等方法，生成一张16 bit TIFF格式的六合一反射率数据全景图。最后，将全景图像嵌入目标识别模型，结合筛选的光谱指数和纹理特征构建决策树算法，设置合理阈值，进行迷彩目标识别。

图1 实验设计示意图

1.2 方法

1.2.1 数据采集条件设定

为保证实验的严谨和测量的准确性，在光线较强时段（11：00—14：00）、高度50 cm、垂直方向进行数据采集，每组数据采集时间控制在10 min 以内。实验中发现云层遮蔽等环境因素引起的光线变化对光谱强度影响较大，为减少天气的影响，尽量选择晴天无云的环境进行测量，每隔0.5 h 校对1 次暗电流和标定板参考光谱[16]。

1.2.2 多光谱遥感图像采集

采集时间在11：00—14：00，天气晴，微风。在学校足球场进行初步测试，测区面积为90 m×120 m，测区以黄绿相间草地为主，在草地上铺设林地迷彩服伪装成伤员。M100 飞行高度100 m，此时MS600 地面分辨力为6.25 cm，幅宽80 m×60 m。为方便拼接，采用自动捕获模式，重叠率触发，航向重叠度80%，旁向重叠度75%，MS600 捕获图像最快间隔为1.5 s，则M100 航行速度可设置为8 m/s，最快6 s 可完成图像捕获。在M100 高度100 m 处使用X3 对目标区域进行拍摄，分别用X3 和多光谱进行目标识别。

1.2.3 识别率测试

为了测量无人机搭载多光谱识别目标的识别率，本研究使用4 套林地迷彩服，根据不同面积分别模拟立姿（约0.1 m2）、坐姿（约0.2 m2）、侧卧（约0.35 m2）、俯卧（约0.6 m2）4 种姿态。将这4 种姿态林地迷彩服放置在同一草地环境下，进行8 次多光谱遥感图像采集，经图像预处理后嵌入目标识别模型，统计实验结果，计算识别率（模型识别出目标数与目标总数之比）。

1.2.4 数据处理

1.2.4.1 图像配准

MS600 每次曝光可生成6 幅选定波段的单波段影像，此阶段主要是将此6 幅单波段图像合成1 个TIFF 格式的光谱强度数据文件，合成后每个像素点对应的是一串由6 个元素组成的光谱强度数组，为图像拼接做准备。首先选择5～10 组具有代表性的图像，根据相机参数（像元大小、焦距、校验模型Brown 等）完成内定向，此步骤可对获取的多光谱影像进行降噪处理，检验图像的完整性，并计算出每个像素点对应的GPS 坐标信息。然后进行空中三角测量自动转点，选取特征点，在图像拼接时将相邻图像间的特征点一一对应即可完成图像拼接，匹配完成后，删除粗差点。输出虚拟相机参数（包含航高等信息），根据虚拟相机参数对多光谱影像中不同光谱通道的图像进行图像配准，生成六合一的TIFF 格式光谱强度_Multi 数据文件。

1.2.4.2 图像拼接

使用无人机遥感技术进行伤员搜救具有低成本、高速、实时、易于获取等优势，但是由于无人机飞行高度低、摄像机视场角度小等原因，单幅图像覆盖面积小，需采集多幅图像进行拼接，以获取全景图像。获取全景图像是为了更好地观察伤员分布情况以及周围环境情况，为决策者提供决策依据，方便组织救援力量及规划救援路线。此外因为单幅图像幅宽较小，相邻2 幅图像之间的重叠度约80%，如果对每单幅图像进行逐一传输识别，会大大增加冗余度和计算量，且无人机遥感影像在运动中获取，经过图像拼接可纠正图像中的模糊点。图像配准完成后，同步进行空中三角测量和概略数字地表模型（digital surface model，DSM），完成从像空间坐标到物空间坐标点的转换，根据数字正射影像的空间分辨力和格网间距完成图像拼接。

1.2.4.3 辐射定标

对拼接后的单幅影像进行辐射定标，依次添加灰板原始图像，通过辐射校正，将多光谱影像的灰度值转换为目标区域的反射率，处理结束后生成16 bit TIFF 格式六合一反射率数据。

1.2.4.4 目标识别

将生成的16 bit TIFF 格式六合一反射率数据嵌入目标识别模型，进行自动化识别与定位。为克服单波段筛选的盲目性，可通过波段间运算构建敏感光谱指数，增强目标差异，最终构建模型进行目标提取。对不同波段的反射率赋予不同的加权值，突出地物之间的差异，根据公式计算形成光谱指数；利用基于灰度共生矩阵的纹理计算作为辅助手段，帮助剔除用反射率无法区分的特征，如形状、纹理特征等[17-18]。以光谱指数、纹理特征等参数为子节点构建决策树，设置合理阈值，完成目标识别。

2 结果

2.1 特征光谱波段筛选

林地迷彩服与草地环境光谱曲线如图2 所示。

分析光谱反射率曲线可知，林地迷彩服在400～500 nm 波段与草地环境光谱曲线走势一致，反射率较低且难以区分。550～560 nm 波段草地环境光谱曲线出现一个由叶绿素引起的反射峰，反射率远大于林地迷彩服，可作为辅助识别的有效手段。660～690 nm波段草地环境对光的反射率较低，有一个吸收峰，林地迷彩服反射率较高。710 nm 处草地环境反射率急剧上升并迅速达到顶峰，出现高反射率平台，此波段林地迷彩服与草地环境对比度高，特征明显，可作为特征识别。通过以上分析及初步论证，选取波段为绿波段、红波段、红边波段、近红外波段，详见表1，可识别出草地环境中的林地迷彩服。

表1 拟选取林地迷彩服识别特征波段单位：nm

2.2 数据处理结果

2.2.1 可见光目标识别

无人机航高100 m 时，从X3 拍摄的目标区域图像很难看出伪装伤员，林地迷彩服在草地背景下的隐蔽性较好，目视识别效果不理想。经过图像处理，调节对比度和亮度到最佳视觉效果，如图3 所示，可看出迷彩服大致轮廓。

图3 图像处理后的X3 云台相机拍摄影像

2.2.2 多光谱目标识别

无人机航高100 m 时，MS600 拍摄的目标识别结果如图4 所示，图中红色十字标记处即为自动识别目标位置。每张图片都自带GPS 定位信息，标定位置为图像的中心点GPS 位置，再根据地面分辨力每个像元的尺寸可算得每个像素点的GPS 定位信息。自动识别算法可有效提取迷彩伪装人员所在位置，但存在少许识别误差，当林地迷彩服面积≤0.1 m2时，多光谱无法识别林地迷彩服。进行8 次多光谱遥感图像采集，经统计计算可得多光谱识别林地迷彩服的识别率为80%±6%（均值±标准差）。

图4 林地迷彩服的多光谱目标识别结果

3 讨论

与现有伤员识别技术相比，本文提出的方法基于多光谱识别技术，可有效弥补战场环境下可见光和红外热成像技术的不足。通过实验分析找到合理的伪装识别特征波段，结合筛选的指数和纹理特征，构建决策树算法，设置合理阈值，进行迷彩目标识别，实验结果表明该方法可有效识别草地环境下的林地迷彩服。经过查阅文献，目前尚未发现利用多光谱识别伤员目标的类似研究，仅有针对伪装网、营地等大目标进行反伪装侦查的研究[11，19]，而本文采用的多光谱识别技术可识别出0.2 m2小目标的伪装伤员。

本文提出的识别方法虽能实现草地环境下林地迷彩服的识别，但识别率还有待提升。当林地迷彩服面积较小时，多光谱识别技术无法识别，分析可能由以下原因造成：（1）天气复杂多变，天气变化对光谱强度和反射率的影响较大。虽然已控制光谱数据采集和光谱遥感影像采集在晴天11：00—14：00 时间段，但每天的光线照度还是有所差别，后期将考虑采用相关环境补偿算法。（2）测试背景与实验背景草地环境的光谱曲线有所差异，为实验结果带来不确定性。此外，本次实验为简化实验模型，方便数据采集，选用足球场作为实验场地，但其背景单一，不能充分模拟战场环境。在后续研究中，将逐步增加场地环境的复杂性，提高识别模型的可靠性。为了提升伤员识别的准确率，可采用亚像素级的算法细化图像细节，进一步识别迷彩服上的血迹，还可定点抛投生物雷达模块测量目标的心率、呼吸和体动数据，进行伤情感知[20-21]，为战场环境处于伪装下的伤员的识别提供实验基础。