基于多特征组合的红外舰船目标识别技术∗

胡思茹 马福民 秦天奇 丁智泉

（1.四川航天电子设备研究所 成都 610100）（2.海军装备部驻西安地区军事代表局 西安 710000）

1 引言

反舰导弹是当今海战十分重要的武器之一，其性能优劣直接关系到国家的海防能力［1］。红外成像技术以其在抗干扰能力、隐蔽性、全天时等方面的优势，在反舰导弹中占有重要地位。有关红外图像的目标检测、识别、跟踪等技术，都是当代武器装备中不可或缺的技术手段［2～3］。

近年来，国内外诸多学者在红外目标识别技术方面开展了较多的分析研究工作。研究结果表明，在复杂环境条件下，利用单一特征描述目标难以适应所有场景变化，尤其是强鱼鳞波下会出现大量虚警，利用多个具有互补性的特征对目标进行描述，能得到目标的稳定状态，可以更好的适应场景变化，得到鲁棒的识别结果［4～6］。

然而，现有识别方法研究多基于公开数据集，关于实测数据的目标特性分析较少。本文利用红外舰船目标实测数据及暗室仿真视频数据，基于岛岸、岛礁、鱼鳞波等复杂环境严重恶化舰船目标的识别性能的考虑，对几种典型特征进行统计分析，通过对红外图像中舰船目标与背景的内在属性特征进行深度研究，选择线性不相关的可分特征向量，实现复杂环境下的红外舰船目标的识别。

2 目标特征提取与分析

目标识别一般分为图像预处理、目标检测、特征提取及目标分类识别四个环节，其中，特征提取与选择是红外目标识别的重要环节，选取特征的好坏直接决定了识别算法的有效性。目前，用于目标识别的特征主要有三大类：灰度统计特征、几何特征和图像纹理特征。对于每类特征，本文依托红外实测数据以及研发中心复合暗室平台仿真数据，提取包括天空、海浪、目标在内的，共计约10000张不同类型的切片图像，构成特征研究数据，统计分析各特征在舰船目标识别中的适用性。

2.1 灰度统计特征

2.1.1 对比度特征

对比度是图像黑与白的比值。比值越大，从黑到白的渐变层次就越多，从而色彩表现越丰富。红外图像中，平滑的背景，如平稳海面区域和天空等，对比度相对较低；而黑白交替的鱼鳞波，其对比度则较高。对比度特征的数学描述如式（1）所示：

其中，δ(i,j)是相邻像素灰度差，Pδ(i,j)是相邻像素灰度差为δ的像素分布概率。

红外数据集的对比度统计分析结果如图1所示，天空及平稳海浪区域的对比度均值较低，鱼鳞波等非平稳区域的对比度均值较高，而目标的对比度受所在环境影响，平稳区域的目标对比度较高，非平稳的海浪环境则会弱化目标的对比度，因此对比度可用于简单环境中的目标识别，复杂环境下其有效性降低。

图1 红外数据集对比度统计分析

2.1.2 均值差分特征

均值差分特征为对某像素周围两个大小不同的邻域分别求均值后求差。该特征能突出亮度变化较强、细节较丰富的区域，而抑制均值平稳、细节较弱的区域。其数学定义如下：

其中，R(i,j)为均值差分图像；L(i,j)为输入图像；N1和N2为不同的窗口大小。通过对一张图像的所有像素点求均值差分并求平均，得到该图的平均均值差分值。

红外数据集的均值差分特征的统计分析结果如图2所示，天空的均值差分值最低，海面区域较平稳的情况下，目标、海面以及天空的数值区域明显，因此均值差分在海杂波较弱的情况下的分类效果良好，随着杂波增强，海浪与目标的均值差分值差异不明显，识别有效性降低。

图2 红外数据集均值差分统计分析

2.1.3 平均梯度特征

梯度指向标量场增长最快的方向，其长度表征最大变化率，因此平均梯度可衡量物体细节反差，即求出一副图片每个像素点的梯度幅度后求其平均值，平均梯度较大则说明图像像素变化较多。

红外数据集的平均梯度特征的统计分析结果如图3所示，天空、平稳海浪区域以及目标的平均梯度差异较明显，可用平均梯度特征对其进行区分，而目标与鱼鳞波区域的平均梯度值区分差异较小，无法使用该特征对其进行区分。

图3 红外数据集平均梯度统计分析

2.2 几何特征

2.2.1 长宽比

长宽比是目标在成像靶面的长度与宽度方向上所占像素数的比值。由于舰船的设计通常具有一定的尺寸和大小，对红外舰船目标数据库VAIS Database中的1242张不同视角的舰船长宽比进行统计分析，其长宽比的范围为1.11～8.78，因此长宽比特征可用来剔除长线状的海天线，海岸线和长条状的海面背景杂波。

2.2.2 复杂度

复杂度表示目标边界像素点个数与整个目标物体的像素点的比值，即目标物体的周长与轮廓包围区域面积之比。目标复杂度越大，则代表目标边界像素点个数占整个目标像素点个数越多，表明整个目标越狭长。

2.2.3 圆形度

圆形度表示为目标颗粒与圆的接近程度，即表示为目标与圆的相似程度，圆形度越小，目标颗粒与圆形的差距则越大，其数学公式为

2.2.4 Hu不变矩

矩特征主要表征了图像区域的几何特征，具有旋转、平移、尺度等的不变性。矩特征充分利用了目标区域内部和边界的大量信息，能够更全面地反映目标的本质属性，可作为红外舰船目标识别的一个重要特征［7］。

2.3 纹理特征

2.3.1 灰度共生矩阵

灰度共生矩阵是图像纹理的常用表征方式，能够描述图像的纹理细节［8］。灰度共生矩阵通过对图像灰度级之间的二阶联合条件概率密度P(i,j|d,θ)的计算表示纹理，P(i,j|d,θ)表示在给定的空间距离d和方向θ时，以灰度级i为始点，出现灰度级j的概率。如图4所示，为红外图像中舰船目标与海杂波局部区域的共生矩阵对比图。从图中结果可知，红外舰船目标局部区域与海面杂波区域的灰度共生矩阵存在明显差异。

图4 红外图像纹理特征对比

根据共生矩阵可定义出以下几种典型的纹理特征：能量即每个灰度共生矩阵元素的平方和，反映的是图像灰度分布均匀程度和纹理粗细度；熵表示的是图像中纹理的非均匀程度或复杂程度；对比度是灰度共生矩阵中像素值及其邻域的对比情况，反映的是图像的清晰度和纹理沟纹深浅的程度；自相关度量的是灰度共生矩阵元素在行或列方向上的相似程度，反映的是图像纹理的一致性。

红外数据集的灰度共生矩阵特征统计分析结果如图5所示，天空与海浪、目标的差异在所有特征值上均较明显，而目标局部区域由于受到周围海杂波影响，使得它与海浪的纹理差异在数值上差异较小，但实际使用中对海杂波干扰进行抑制后，灰度共生矩阵特征将能更好应用在分类识别中。

图5 数据集灰度共生矩阵特征统计分析

2.3.2 局部二进制特征

局部二进制（Local Binary Patterns，LBP）特征可以有效地识别目标库中包含的后验特征模式［9］，其定义示意图如图6所示，在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，转换为十进制数后，即得到该窗口中心像素点的LBP值，并用该值来反映该区域的纹理信息。

LBP的数学表达式为

其中，(xc,yc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，s(x)为符号函数。

图6 LBP算子定义示意图

对LBP进行模式等价后，最终得到共10种类型的LBP模式。如图7所示，为几种目标与海杂波局部区域图像及其对应的LBP直方图，相较于海杂波，舰船目标的局部区域LBP特征中，多维第3种类型的LBP模式，而海杂波无明显峰值，区域内几种类型的LBP模式分布均较多。

图7 目标、海杂波和干扰的LBP特征统计直方图示意图

2.4 特征选择

虽然大量特征均可用于分类识别，但特征数量与分类器性能之间不存在正比关系，特征数量超过一定限度时，甚至可能出现分类器性能变差的情况，因此需要在特征提取基础上进行选择［10～11］。主成分分析（Principal Component Analysis，PCA）是一种常用的统计方法，它通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，其具体使用方法如下。

式中 Λ 为对角阵，即 Λ=Diag[λ1λ1…λM]，其λi为C的特征根，U为奇异值分解中的左奇异阵，将U左乘到数据阵X上得：

此时P中各行是相互正交的，即为X的主分量。令pi=λiui，式（5）变为

3 目标分类识别

目标识别是指将一类目标与其他类目标区别开来。目前，较流行的识别方法主要有三大类：基于特征的模板匹配，基于灰度的相关模板匹配和基于模型（知识）的自动目标识别，其中，基于模型的识别方法应用较为广泛［12］。支持向量机（Support Vector Machine，SVM）作为该类方法中的一种，由于具有严密的推理以及样本需求少的优点，从而被大量研究使用。SVM的主要思想是在非线性情况下利用有限的样本建立一个超平面作为最优分类面，使正例和反例样本的分类间隔最大化［13］。基于SVM的目标识别过程包括训练和分类：训练就是利用训练样本得到最优分类函数的过程，分类则是通过最优分类函数对待识别样本进行分类的过程。

构造最优化问题：

采用任一支持向量求解b*：

代入w*，b*，得到最优分类函数：

分类时，只要将待分类目标的特征向量输入最优分类函数，即可分类结果。

4 实验仿真分析

本文通过红外实测数据及部分暗室仿真红外数据，仿真验证本文方法的有效性。首先单维特征SVM分类识别结果如表1所示，单维特征的舰船目标分类识别正确率均不超过80%，使用全部特征进行SVM分类后，目标识别正确率提高到87.71%。采用本文方法进行SVM分类识别后，最终鱼鳞波区域的舰船目标的识别率为82.86%，虚警率为3.8×10-3，其它区域舰船目标识别率为95%，虚警率为1.47×10-3，平均识别率为89.95%。如图8所示为实验代表结果，可以看出，本文方法具备小弱目标及复杂背景下的舰船目标识别能力。

表1 单维特征SVM分类识别结果

图8 实验代表结果

5 结语

本文通过对红外图像中舰船目标、杂波等的内在属性特征进行分析，将多个有效特征共同用于红外舰船目标的识别中，并采用PCA方法对提取特征进行进一步的选择，降低特征向量维度，减少训练分类过程中的运算量，在此基础上利用SVM完成舰船目标的识别，最终提高了复杂环境下红外舰船目标识别能力。