張旭艷，華宇寧，董　曄，郝永平，張　樂

(沈陽理工大學(xué) 兵器科學(xué)技術(shù)研究中心，沈陽 110159)

?

一種基于不變矩的紅外目標(biāo)識(shí)別算法

張旭艷，華宇寧，董曄，郝永平，張樂

(沈陽理工大學(xué) 兵器科學(xué)技術(shù)研究中心，沈陽 110159)

摘要：針對(duì)單一目標(biāo)特征量提取與識(shí)別存在的不足，提出了不變矩與紅外目標(biāo)幾何形態(tài)特征組成的聯(lián)合特征量，并選取歐氏距離作為目標(biāo)分類識(shí)別的判別準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明，聯(lián)合不變矩作為特征量滿足尺度不變性，且有很強(qiáng)的獨(dú)立性與可分性。在目標(biāo)識(shí)別分類的應(yīng)用中，其效果優(yōu)于不變矩特征識(shí)別。

關(guān)鍵詞：紅外圖像；目標(biāo)識(shí)別；不變矩；聯(lián)合特征向量；歐式距離

目標(biāo)識(shí)別的研究近幾十年來得到了很大的發(fā)展，比如經(jīng)典的統(tǒng)計(jì)模式識(shí)別、基于知識(shí)基識(shí)別、基于模型目標(biāo)識(shí)別等[1]。其中常用統(tǒng)計(jì)方法，包括基于像素匹配和基于特征匹配。像素匹配法計(jì)算量大，且對(duì)目標(biāo)的變形敏感，所以識(shí)別大都采用特征匹配法。特征匹配要求特征向量有很強(qiáng)的獨(dú)立性與可分性，且應(yīng)滿足尺度不變性。

本文在提取傳統(tǒng)不變矩特征量的基礎(chǔ)上，根據(jù)紅外圖像自身的特點(diǎn)，提取了表示目標(biāo)幾何形態(tài)的特征量。將不變矩與紅外特征共同組成的聯(lián)合特征向量作為最終特征量，對(duì)目標(biāo)進(jìn)行識(shí)別分類。

1圖像處理

圖像預(yù)處理是為了更好地提取出目標(biāo)。本文對(duì)圖像進(jìn)行簡(jiǎn)單的處理：閾值分割和輪廓提取。

1.1閾值分割

閾值分割是一種代表性的圖像分割法。為了更好地提取目標(biāo)輪廓，常將分割后的目標(biāo)二值化，即

(1)

f(x,y)為圖像的灰度值，其中不同紅外圖像的閾值不同，適當(dāng)?shù)剡x取閾值可以提高識(shí)別的準(zhǔn)確性。

1.2輪廓提取

輪廓提取的目的是獲得圖像的外部輪廓，此特征對(duì)于進(jìn)行圖像形狀分析、識(shí)別都有很重要的意義[2]。對(duì)二值化的目標(biāo)區(qū)域進(jìn)行輪廓提取，其基本原理是掏空內(nèi)部點(diǎn)。假設(shè)背景是黑色，目標(biāo)區(qū)域?yàn)榘咨袆e如下：

內(nèi)部點(diǎn), if某點(diǎn)像素值為白色, 且它的8鄰域也是白色邊緣點(diǎn),其他ì?í????

(2)

將內(nèi)部點(diǎn)置為背景，由此循環(huán)可以掏空目標(biāo)得到其外部輪廓。

2不變矩與紅外特征提取

2.1不變矩的提取

矩反映物體灰度相對(duì)于質(zhì)心的統(tǒng)計(jì)分布，可以用不同階次矩來計(jì)算模板的位置、方向和尺度等參數(shù)[3]。不變矩是一種傳統(tǒng)的特征匹配法，具有尺度和角度不變性。

給定的二維數(shù)字函數(shù)f(x,y)的(p+q)階混合原點(diǎn)矩和中心距分別為

(3)

(4)

由于中心距upq對(duì)旋轉(zhuǎn)和尺度不變性不敏感，提取時(shí)需進(jìn)行歸一化處理：

(5)

利用二階和三階中心矩可以導(dǎo)出個(gè)不變矩，且滿足特征不變性及可分性。計(jì)算過程如下：

φ1=η20+η02

φ3=(η30-3η12)2+(3η21-η03)2

φ4=(η30+η12)2+(η21+η03)2

(6)

[3(η30+η12)2-(η21+η03)2]

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11[(η30+η12)+(η21+η03)]

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-

3(η21-η03)2]+(3η21-η30)(η21+η03)

[3(η30+η12)2-(η21+η03)2]

由上式得到的計(jì)算結(jié)果變化范圍大，為了縮小數(shù)據(jù)范圍，對(duì)其進(jìn)行數(shù)據(jù)壓縮。

(7)

2.2紅外特征量的提取

在分析目標(biāo)的特性和其與背景的關(guān)系的前提下，提出了紅外特征量。

(1)長(zhǎng)寬比：因?yàn)樗芯康哪繕?biāo)為剛性目標(biāo)，其外形基本不變。

(2)目標(biāo)緊湊度：目標(biāo)緊湊度集中凸顯目標(biāo)的幾何特性，有很好的可區(qū)分性[4]。

(3)目標(biāo)復(fù)雜度：目標(biāo)復(fù)雜度代表紅外目標(biāo)的外部輪廓的復(fù)雜情況[5]。

以上特征體現(xiàn)了紅外目標(biāo)的幾何形狀和輪廓復(fù)雜度，比較全面地描述了目標(biāo)的特點(diǎn)。由文獻(xiàn)可知，紅外特征量基本上是穩(wěn)定的，因此它們可以作為目標(biāo)識(shí)別的依據(jù)[6]。

2.3判別準(zhǔn)則

提取出具有代表性的特征后，需要依據(jù)一定的準(zhǔn)則對(duì)樣本庫中的圖像進(jìn)行特征值提取與分類。常用的判別依據(jù)為歐氏距離。

(8)

D(x,y)代表向量X與Y在歐式空間中的距離，如果向量X與Y屬于同一類型，則D(x,y)較小，反之越大。

3實(shí)驗(yàn)結(jié)果

由于外界條件的限制，在提取特征量時(shí)，不能獲得足夠的特征值，影響識(shí)別精度；也有可能出現(xiàn)特征量的數(shù)目過多，出現(xiàn)多個(gè)特征量描述目標(biāo)的同一個(gè)細(xì)節(jié)，識(shí)別過程費(fèi)時(shí)且識(shí)別效果也會(huì)受影響[7]。針對(duì)以上情況，提取特征量時(shí)要從多角度出發(fā)，在滿足識(shí)別精度與可靠性的前提下，減少特征值的數(shù)目，使識(shí)別過程快且準(zhǔn)。

為了滿足以上要求，要選取的特征值要具有很好的可分性和獨(dú)立性，對(duì)不明顯或者重復(fù)的目標(biāo)特征值應(yīng)該舍去。由于本文主要研究剛性目標(biāo)，其對(duì)稱性等是不變的，所以取具有代表性的(φ1，φ2，φ3)作為不變性的特征量作為識(shí)別特征值的組成部分。

3.1特征向量提取

本文選取不變矩與紅外特性聯(lián)合組成的特征向量F=(p1,p2,p3,φ1,φ2,φ3)對(duì)目標(biāo)進(jìn)行識(shí)別。圖1為實(shí)驗(yàn)原圖像，圖2為放大后的原圖像。

圖1原圖像

表1為原圖像與放大后圖像的紅外特征提取結(jié)果。

表1　特征量的提取

由以上數(shù)據(jù)對(duì)比可得，放大后的圖像的特征向量與原始圖像的特征向量基本相等，由此說明聯(lián)合特征量可以作為紅外目標(biāo)識(shí)別的依據(jù)。

3.2識(shí)別分類

利用TC紅外熱像組件提取了幾張典型的紅外圖像，如圖3所示。

分別提取其不變矩和聯(lián)合特征量，計(jì)算過程數(shù)據(jù)與特征提取結(jié)果如表2～表5所示。

表2不變矩仿真數(shù)值

表3　聯(lián)合特征量仿真數(shù)值

圖3f作為待分類圖像，分別求與各類紅外圖像的歐式距離，通過判別準(zhǔn)則對(duì)待分類圖像進(jìn)行準(zhǔn)確的分類。

由以上結(jié)果可以看出，以7個(gè)不變矩作為特征量，目標(biāo)類與偽目標(biāo)類的距離最小，判別結(jié)果錯(cuò)誤；而以聯(lián)合特征向量作為識(shí)別特征量，其分類結(jié)果正確?？梢钥闯雎?lián)合特征向量的選取具有很強(qiáng)的可分性，可以很好地進(jìn)行目標(biāo)識(shí)別。

表4　變矩特征提取

表5　聯(lián)合特征量提取

利用TC紅外熱像組件提取100張紅外圖像，利用上述判別方法，應(yīng)用聯(lián)合特征向量對(duì)其進(jìn)行分類判別。其識(shí)別精度本文用識(shí)別率表示。

其識(shí)別結(jié)果如表6所示。

表6　分類結(jié)果

由以上結(jié)果可以看出，以聯(lián)合特征向量為特征，以歐式距離為判別準(zhǔn)則，可以很有效地對(duì)圖像進(jìn)行分類識(shí)別。

4結(jié)束語

為解決單獨(dú)特征量在提取和識(shí)別中存在的不足，本文采用傳統(tǒng)不變矩與紅外特征共同組成的聯(lián)合特征作為目標(biāo)識(shí)別的特征量。由紅外圖像與放大后圖像的特征值的對(duì)比，可以得出，聯(lián)合特征量滿足可分性、獨(dú)立性與可變性。對(duì)大量的紅外圖像進(jìn)行特征量的提取與分類判別，實(shí)驗(yàn)結(jié)果說明聯(lián)合特征向量在識(shí)別準(zhǔn)確度方面優(yōu)于不變矩識(shí)別。

參考文獻(xiàn)：

[1]趙小川.現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解[M].北京：北京航空航天大學(xué)出版社，2012：89-92.

[2]劉海波，沈晶，周長(zhǎng)建.VisualC++數(shù)字圖像處理技術(shù)詳解[M].北京：機(jī)械工業(yè)出版社，2010：472-477.

[3]HU M K. Visual Pattern Recognition by Moment Invariants[J].IEEE Transactions on information theory,1962,8(2):179-187.

[4]荊文芳.飛機(jī)紅外圖像的檢測(cè)、識(shí)別與跟蹤技術(shù)研究[D].西安：西北工業(yè)大學(xué)，2006：44-45.

[5]高炳像.紅外圖像目標(biāo)識(shí)別中的關(guān)鍵技術(shù)研究[D].杭州：杭州電子科技大學(xué)，2012：1-2.

[6]楊耿.運(yùn)動(dòng)目標(biāo)的圖像識(shí)別與跟蹤研究[D].鎮(zhèn)江：江蘇大學(xué)，2005：31-32.

[7]柳林霞，陳杰，竇麗華.不變矩理論及其在目標(biāo)識(shí)別中的應(yīng)用[J].火力與指揮控制，2003，28(2)：13-15.

(責(zé)任編輯：馬金發(fā))

A Recognition Method for Infrared Image Based on Invariant Moments

ZHANG Xuyan，HUA Yuning，DONG Ye，HAO Yongping，ZHANG Le

(Shenyang Ligong University，Shenyang 110159，China)

Abstract：To overcome the shortage of extracting characteristics and recognizing target on one side,the combined characteristics vector is presented within invariant moments and geometry shape.Furthermore,target recognition is realized by using the distance as the judgment.Experimental results indicate that application of the combine invariant moments as the characteristics and the distance as the judgment can meet the invariant requirement,which has better recognition performance than traditional invariant moments on the using of target recognition.

Key words：infrared image;target recognition;invariant moments;combined characteristics;euclidean distance

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1003-1251(2016)02-0010-04

作者簡(jiǎn)介：張旭艷(1990—)，女，碩士研究生；通訊作者：華宇寧(1965—)，女，教授，研究方向：信號(hào)與信息處理、虛擬儀器。

基金項(xiàng)目：國(guó)家863計(jì)劃資助項(xiàng)目(2009AA04Z167)

收稿日期：2014-12-16