陳世偉，楊小岡，張勝修，王雪梅

(第二炮兵工程大學(xué)303教研室，陜西西安710025)

1 引言

目標(biāo)自動識別是成像末制導(dǎo)過程中的一個關(guān)鍵環(huán)節(jié)，也是當(dāng)前的一個技術(shù)難點，尤其是對于地面復(fù)雜背景下的目標(biāo)識別，存在目標(biāo)形態(tài)各異、背景復(fù)雜，特征描述困難，模板圖像不宜制作等諸多困難［1］。宋丹等［2］提出了一種基于仿射梯度方向直方圖特征的目標(biāo)識別算法，具備很好的旋轉(zhuǎn)不變性和錯切不變性，但是對目標(biāo)信息保障要求過高。楊校余、張?zhí)煨虻龋?］以及劉婧等［4］均以目標(biāo)的三維模型為基礎(chǔ)來制作匹配模板圖像。這些方法通常只適用于背景較為簡單、高大、顯著目標(biāo)，而背景復(fù)雜、遠(yuǎn)距離、低矮、存在遮擋等情況下的目標(biāo)則很難或者不能直接識別。針對這一問題，李志軍等［5］提出了一種相對定位方法。其思想是在制定末制導(dǎo)策略時，選擇對直接目標(biāo)附近的高大、顯著、容易識別的“相對定位目標(biāo)”進(jìn)行識別，進(jìn)而利用它與直接目標(biāo)之間在實時圖中的相對位置關(guān)系對直接目標(biāo)進(jìn)行相對定位。但是，該方法的運用也存在一些問題:相對定位目標(biāo)的選取數(shù)量和質(zhì)量人工很難把握;對于選取的目標(biāo)進(jìn)行識別依然存在諸多困難。

針對上述問題，本文提出一種新的基于最穩(wěn)定極值區(qū)域的相對定位目標(biāo)選取與識別方法。具體流程如圖1所示，首先根據(jù)目標(biāo)區(qū)域航拍偵察得到的基準(zhǔn)圖像進(jìn)行MSER特征區(qū)域提取，再通過一定策略自適應(yīng)選取相對顯著的特征區(qū)域作為相對定位目標(biāo)，再利用仿射橢圓對MSER特征區(qū)域進(jìn)行擬合，制成基準(zhǔn)數(shù)據(jù)模板。當(dāng)飛行器按照預(yù)定航跡進(jìn)入末制導(dǎo)目標(biāo)自動識別階段時，對實時圖采用同樣的方法進(jìn)行MSER區(qū)域提取擬合，并與基準(zhǔn)數(shù)據(jù)模板進(jìn)行規(guī)則化處理，然后根據(jù)互相關(guān)性準(zhǔn)則提取確定基準(zhǔn)數(shù)據(jù)模版和實時圖像間匹配的MSER特征區(qū)域?qū)?，最后根?jù)雙層匹配矯正策略剔除誤匹配，從而實現(xiàn)相對定位目標(biāo)的檢測識別。

圖1 相對定位目標(biāo)選取與識別算法流程圖Fig.1 Flow diagram of image selection and recognition

2 相對定位目標(biāo)自適應(yīng)選取算法

2.1 特征區(qū)域的提取與擬合

2004年，J.Matas等人在研究寬基線圖像匹配問題時借鑒分水嶺思想提出了最穩(wěn)定極值區(qū)域算法［6］。該方法具有良好的穩(wěn)定性、抗噪性和仿射不變性，計算簡單高效。2005年，K.Mikolajczyk等人對六種主要的仿射無關(guān)局部特征點檢測子進(jìn)行了比較［7］，其中一個很重要的比較結(jié)果就是使用MSER方法檢測出的局部在視角變換、尺度變換、光照變換、圖像壓縮和圖像模糊這五種情況下在重現(xiàn)性和區(qū)分性方面處于領(lǐng)先的位置。

下面給出MSER區(qū)域特征提取的具體步驟:

(1)預(yù)處理。對輸入的灰度影像采用Bin－Sort算法，按灰度值對所有像元進(jìn)行降序或升序排序;

(2)極值區(qū)域合并與選取?；谏喜脚判蚝蟮挠跋袷褂煤喜ⅲ檎?Union－Find)算法構(gòu)造部件樹，并詳細(xì)記錄像素是否放入操作域地圖(Operating Region Map，ORM)中，在ORM中的位置以及合并－查找索引。在形成的部件樹上，從某個節(jié)點開始向上搜索分支，同時利用閾值對灰度影像進(jìn)行二值化聚類操作，不斷查找與合并極值區(qū)域，并根據(jù)適當(dāng)?shù)呐袥Q條件進(jìn)行極值區(qū)域的選取;

(3)MSER區(qū)域檢測。通過上步可以獲得該圖像所對應(yīng)的全部極值區(qū)域序列，針對每一個極值區(qū)域序列，計算區(qū)域變化率q(i)=|Qi+△－Qi－△|/|Qi|。當(dāng)且僅當(dāng) q(i)在 i*處取得局部極小值時，極值區(qū)域Qi才被作為最大值穩(wěn)定區(qū)域提取出來。此時，僅提取出了最小灰度MSER+，為提取最大灰度的MSER－，需要將原始圖像灰度值進(jìn)行反轉(zhuǎn):I反=Imax－I，重復(fù)步驟(2)、(3)，提取出MSER－。

最穩(wěn)定極值區(qū)域作為一種不規(guī)則的仿射不變區(qū)域，這不利于特征描述操作。通常需要對這些不規(guī)則的特征區(qū)域進(jìn)行擬合，如橢圓擬合、多邊形擬合、凸包圍擬合等。由于特征區(qū)域協(xié)方差矩陣的特征值和特征向量唯一確定一個橢圓，因此這里采用橢圓擬合方法。

2.2 相對定位目標(biāo)自適應(yīng)選取策略

根據(jù)相對定位原理［8］，理論上只要識別出一個相對定位目標(biāo)就可以對直接目標(biāo)進(jìn)行定位計算。考慮到飛行中獲得的實時圖與提前偵察獲得的基準(zhǔn)圖之間會有一定的變化，提取后的MSER特征區(qū)域不可能完全相同，其中一些特征區(qū)域并不適合作為相對定位目標(biāo)。另外，還需要有一定數(shù)量的相對定位目標(biāo)，這樣才能保證有較高的識別概率。因此，如何自動選取相對定位目標(biāo)非常關(guān)鍵。如果設(shè)置固定的面積閾值，一方面可能會造成符合條件的特征區(qū)域過少甚至沒有，另一方面可能造成特征區(qū)域過多從而增加后續(xù)的匹配識別工作量。從識別的角度分析，相對定位目標(biāo)應(yīng)該具備面積較大、特征顯著、目標(biāo)附近、數(shù)量適當(dāng)?shù)忍攸c。因此，這里采用比例選取、總量控制、就近取點的策略來選取相對定位目標(biāo)。具體方法如下，首先計算每一個特征區(qū)域的選擇權(quán)重指數(shù)，然后將所有特征區(qū)域按選擇權(quán)重指數(shù)從大到小排序，最后取前十個作為相對定位目標(biāo)。選擇權(quán)重指數(shù)λi可以通過公式(1)得出:

其中，Si為特征區(qū)域面積;Li特征區(qū)域擬合橢圓中心與直接目標(biāo)中心的距離。

3 相對定位目標(biāo)的匹配識別

3.1 MSER 特征匹配

為了便于關(guān)聯(lián)特征間進(jìn)行特征匹配，需要將提取的MSER特征區(qū)域進(jìn)行規(guī)則化處理，即將不同尺寸的橢圓擬合區(qū)域映射為某個固定大小的圓形區(qū)域，從而消除尺度縮放和平移等因素的影響?；ハ嚓P(guān)性在早期模板匹配中有較好的應(yīng)用，但是不能抗旋轉(zhuǎn)、扭曲等畸變影響，而歸則化后的MSER區(qū)域原理上可以消除扭曲變形、尺度大小和旋轉(zhuǎn)方向上的差異。針對MSER區(qū)域這一優(yōu)點，引入特征區(qū)域之間的互相關(guān)性指標(biāo)corr作為匹配量度。兩個特征區(qū)域之間的互相關(guān)性指標(biāo)可以通過式(2)得出:

式中，MSERm(i，j)，MSERn(i，j)分別代表兩幅圖像中的MSER區(qū)域的灰度值。

由于在基準(zhǔn)圖上設(shè)定的相對定位點數(shù)量有限，且互相關(guān)性指標(biāo)計算簡單，因此采用窮盡搜索法來尋找實時圖上的匹配特征區(qū)域。

3.2 雙層匹配矯正

當(dāng)特征區(qū)域之間灰度信息區(qū)別明顯時，直接采用相關(guān)性指標(biāo)，設(shè)置恰當(dāng)?shù)拈撝禃r即表示實現(xiàn)正確匹配。但對于復(fù)雜地面建筑物圖像，出現(xiàn)區(qū)域灰度信息接近的概率很高，因此會出現(xiàn)一對多的誤匹配情況。針對這個問題，文獻(xiàn)［9］中采用RANSAC算法［10］來消除誤匹配。但是，RANSAC算法計算參數(shù)的迭代次數(shù)沒有上限，尋找這樣的支撐點集需要的迭代次數(shù)非常高，將會浪費很多的時間。針對以上不足，文中設(shè)計了一種雙層匹配識別策略。首先對匹配特征對進(jìn)行預(yù)檢測，即利用位置權(quán)重指數(shù)μ來消除大量的誤匹配情況，對于每組一對多匹配，只取權(quán)重指數(shù)最大的一對，然后再采用RANSAC算法進(jìn)一步剔除誤匹配特征對，最后實現(xiàn)相對定位目標(biāo)的精確匹配識別。這種雙層匹配矯正策略既能減少RANSAC算法的迭代次數(shù)加快速度，又能進(jìn)一步保證識別精度。位置權(quán)重指數(shù)μ可由公式(3)計算得出:

其中，corr為互相關(guān)性指標(biāo);d*為每對匹配特征區(qū)域擬合橢圓中心的2－范數(shù)。

4 實驗結(jié)果與分析

4.1 實驗結(jié)果的評價指標(biāo)

根據(jù)相對定位原理，在相對定位目標(biāo)識別過程中如果誤識別個數(shù)大于或等于正確識別個數(shù)時，理論上將不能正確定位直接目標(biāo)。因此，本文以相對誤識別率RERP作為單次識別實驗的評價指標(biāo)，來反映直接目標(biāo)的定位精度;將絕對誤識別率AERP作為多次識別實驗的評價指標(biāo)，來考察算法的魯棒性［11－12］。

其中，Ni為第i次單次識別實驗中的誤識別個數(shù);Mi為正確識別個數(shù);Oi為不能識別的個數(shù)。

4.2 實驗結(jié)果及分析

實驗環(huán)境為:Intel酷睿1.7 G處理器，4G內(nèi)存，Windows 8操作系統(tǒng)，MatlabR2014a計算平臺。實驗選取10組不同類型的復(fù)雜地面場景圖像采用MSER特征和SIFT特征進(jìn)行相對定位目標(biāo)的選取與識別對比實驗。表1給出本次實驗的對比結(jié)果。可以看采用SIFT特征算法的誤識別率和平均耗時都高于本文算法。

表1 誤識別率統(tǒng)計結(jié)果Tab.1 Statistic result of error recognition probability

圖2和圖3分別為利用可見光和紅外前視圖像進(jìn)行相對定位目標(biāo)識別仿真實驗的結(jié)果。其中，圖中左半部分為基準(zhǔn)圖，右半部分為實時圖，用橢圓表示提取的特征區(qū)域?；鶞?zhǔn)圖中用本文算法在直接目標(biāo)(矩形框)周圍自適應(yīng)選取的10個特征區(qū)域作為相對定位目標(biāo)。圖2中實時圖與基準(zhǔn)圖存在較大的視角差異和一定的旋轉(zhuǎn)變換，實時圖共提取了18個特征區(qū)域，采用本文算法進(jìn)行匹配識別，正確識別出7個相對定位目標(biāo)，沒有誤識別，實驗測重考察算法的抗旋轉(zhuǎn)畸變能力。圖3中基準(zhǔn)圖和實時圖存在較大的尺度差異，并帶有一定的橫向偏差，實時圖共提取了61個特征區(qū)域，最終正確識別出6個相對定位目標(biāo)，沒有誤識別。實驗主要考察算法的抗尺度變化能力。

圖2 可見光圖像識別Fig.2 Recognition of optical images

圖3 紅外圖像識別實驗Fig.3 Recognition of infrared images

5 結(jié)論

本文提出了一種新的相對定位目標(biāo)選取與識別方法。算法利用具有仿射不變性的MSER特征區(qū)域作為相對定位目標(biāo)，根據(jù)MSER特征的選擇權(quán)重指數(shù)自適應(yīng)選取具有較好顯著特性的區(qū)域作為相對定位目標(biāo)，解決了成像末制導(dǎo)相對定位技術(shù)中相對定位目標(biāo)選取質(zhì)量難于控制的問題?；贛SER特征選取的相對定位目標(biāo)對尺度變化和圖像旋轉(zhuǎn)具有不變性，解決了基準(zhǔn)圖像與實時圖像之間可能存在尺度和旋轉(zhuǎn)角度差異而造成的誤識別問題。根據(jù)互相關(guān)性準(zhǔn)則進(jìn)行有效的特征粗匹配，利用雙層匹配矯正策略剔除誤匹配，實現(xiàn)了對相對定位目標(biāo)的準(zhǔn)確識別。實驗結(jié)果表明，針對復(fù)雜地面建筑場景，該方法的相對誤識別率最大為0.125，絕對誤識別率僅為0.028?；緷M足相對定位技術(shù)的要求，為相對定位技術(shù)在成像末制導(dǎo)上的應(yīng)用提供了有利的條件。

［1］ MING Delie，TIAN Jinwen.Automatic infrared condensing tower target recognition using gradient vector features［J］.Journal of Astronautics，2010，31(4):1190－1194.(in Chinese)明德烈，田金文.紅外前視對一類特殊建筑目標(biāo)識別技術(shù)研究［J］.宇航學(xué)報，2010，31(4):1190－1194.

［2］ SONG Dan，TANG Linbo，ZHAO Baojun.The object recognition algorithm based on affine histogram of oriented gradient［J］.Journal of Electronics ＆ Information Technology，2013，35(6):1429－1434.(in Chinese)宋丹，唐林波，趙保軍.基于仿射梯度方向直方圖特征的目標(biāo)識別算法［J］.電子與信息學(xué)報，2013，35(6):1429－1434.

［3］ YANG Xiaoyu，ZHANG Tianxu，LU Ying.Building recognition based on geometric modeling FLIR images sequences［J］.Journal of Infrared，Millimeter，and Terahertz Waves，2009，30(5):468－483.

［4］ LIU Jing，SUN Jiyin，ZHU Junlin，et al.FLIR scene matching algorithm for complex ground target［J］.Application Research of Computers，2010，27(1):350－352.(in Chinese)劉婧，孫繼銀，朱俊林，等.復(fù)雜地面目標(biāo)前視紅外景象匹配算法［J］.計算機應(yīng)用研究，2010，27(1):350－352.

［5］ LI Zhijun，LIU Yang，CHEN Zengping，et al.Relative positioning technology of FLIR ground targets in terminal guidance［J］.Infrared and Laser Engineering，2012，41(11):2861－2864.(in Chinese)李志軍，劉洋，陳曾平，等.前視紅外地面固定目標(biāo)末制導(dǎo)相對定位技術(shù)［J］.紅外與激光工程，2012，41(11):2861－2864.

［6］ Matas J，Chum O，Urban M，et al.Robust wide－baseline stereo from maximally stable external regions［J］.Image Vision Computing，2004，22(10):761－767.

［7］ K Mikolajczyk，T Tuytelaars，et al.A comparison of affine region detectors.IJCV，2005，65(1－2):43－72.

［8］ ZHANG Guangjun，WEI Zhenzhong.A novel calibration approach to structured light 3D vision inspection［J］.Optics ＆ Laser Technology，2002，34(5):373－380.

［9］ CHEN Bin，ZHAO Yigong，et al.A new approach to scene matching during electro－optical imaging terminal guidance［J］.Acta Optica Sinica，2010，30(1):163－165.(in Chinese)陳冰，趙亦工，等.一種新的光電成像末制導(dǎo)景象匹配方法［J］.光學(xué)學(xué)報，2010，30(1):163－165.

［10］ R Hartley，A Zisserman.Multiple view geometry in computer vision［M］.2nded.Cambridge:Cambridge University Press，2003:290－293.

［11］ ZHANG Shengchong，CAI Jun，et al.Algorithm to reduce false alarm of IR small targets detection in complex background［J］.Laser ＆ Infrared，2015，45(2):221－224.(in Chinese)張晟翀，蔡軍，等.復(fù)雜背景下減少紅外小目標(biāo)檢測虛警率的算法［J］.激光與紅外，2015，45(2):221－224.

［12］ CHENG Xiangzheng，ZHAO Wei，et al.Registration method between high－low resolution images based on calibration information［J］.Laser ＆ Infrared，2015，45(2):214－220.(in Chinese)程相正，趙威，等.基于標(biāo)定信息的高低分辨率圖像配準(zhǔn)方法［J］.激光與紅外，2015，45(2):214－220.