帥通 孫康 師本慧 陳金勇

（中國電子科技集團公司第五十四研究所，石家莊050081）

面向亞米級遙感圖像的艦船目標自動識別方法

帥通 孫康 師本慧 陳金勇

（中國電子科技集團公司第五十四研究所，石家莊050081）

隨著光學遙感技術的發(fā)展，空間分辨率不斷提高，為艦船目標自動識別提供了數(shù)據基礎，但是目前缺失成熟的技術方法來實現(xiàn)對艦船型號的自動識別。本文基于經典的局部不變性特征提取算子SIFT，提出了一種艦船目標的自動識別算法，主要包括特征提取、特征描述、特征匹配和目標確認等步驟，通過相同型號目標和不同型號目標在特征匹配時表現(xiàn)出的差異性來對目標匹配結果進行判別，從而基于目標庫實現(xiàn)對未知目標型號的識別。實驗結果顯示，基于構建的目標切片庫，該自動識別流程能夠對感興趣艦船目標進行有效識別，總識別率達92%，其中軍用艦船目標識別率高達100%，這與同一型號軍用艦船表面的布局具有高度的一致性有關。該方法為艦船目標的自動精細識別提供了一種新的思路，具有廣泛的應用潛力。

亞米級；遙感；艦船目標；自動識別

一、引言

遙感技術具有大范圍、多時相、高動態(tài)的探測特點，在艦船目標探測和識別中具有獨特的優(yōu)勢，能夠為海上交通監(jiān)測、漁業(yè)監(jiān)測、海上應急救援、出入境監(jiān)控等提供快速、準確的信息支持。

發(fā)展前期，由于遙感影像空間分辨率不足，主要用于對艦船目標的檢測，且以SAR數(shù)據為主，主要是因為光學遙感圖像易受氣象條件影響所致。隨著空間探測技術的發(fā)展，遙感影像空間分辨率也在不斷提高，國外軍事衛(wèi)星、商業(yè)衛(wèi)星等早已達到亞米級分辨率，而我國隨著高分專項的逐步推進，也正在逐步邁入高分辨率對地觀測時代。這不僅為資源調查、環(huán)境監(jiān)測、目標探測以及目標識別等需求提供了大量的遙感數(shù)據，也將促使艦船目標遙感探測技術從艦船目標檢測向艦船目標型號自動識別發(fā)展。光學圖像因其具有成像直觀、目標幾何細節(jié)保留清晰等優(yōu)點，在對艦船目標進行進一步分類、解譯和確認時具有更大的優(yōu)勢。

受限于數(shù)據源的問題，目前基于高分辨率光學遙感圖像進行艦船型號自動識別的研究很少，尚未形成完善、可靠的目標識別流程。對艦船目標型號的自動識別，不能僅依賴于艦船目標的長度、寬度、面積、長寬比等幾何參量，而應結合艦船內部亞目標或特征點的分布信息，通過艦船上的布局構造信息來對艦船型號實現(xiàn)自動識別。本受機器視覺相關研究的啟發(fā)，擬基于局部不變性特征來實現(xiàn)對艦船目標型號的自動識別。

局部不變性特征是一種基于尺度空間的，對圖像平移、旋轉、縮放及灰度線性變化能夠進行不變性描述的圖像局部特征點描述方法，在人臉識別、指紋識別等領域取得了廣泛應用。光學遙感圖像中的艦船目標可能來源于不同的傳感器，具有不同的分辨率，相同型號目標也可能顯示出不同的尺度、指向、位置、輻亮度，因此該算法適用于艦船型號的自動識別。局部不變性特征已經發(fā)展了很多算法，其中以SIFT（Scale Invariant Feature Transform）算法最為經典，它是一種高效的圖像局部不變性特征點的檢測算法,且已經在遙感圖像配準等遙感圖像處理領域表現(xiàn)出優(yōu)異的性能。

綜上所述，本文擬基于經典的局部不變性特征提取算法SIFT開展艦船目標型號識別研究，為基于高分辨率光學遙感數(shù)據的艦船目標自動識別提供解決思路。

二、艦船目標庫的構建

本研究從開放平臺Google Earth上截取不同類型的高分辨率艦船切片構成一個小型的艦船目標切片庫，包含軍民各類船只共計切片26幅，如圖 1所示，用于驗證基于局部不變性特征的艦船目標識別算法的效果。結合艦船長度、寬度數(shù)據以及艦船幾何形狀，通過人工解譯的方法可以判定圖1中三個黑框內的艦船切片屬于同一型號艦船，尤其是黑框2和黑框3內的艦船具有非常一致的艦船形狀和布局，而黑框1內的兩個集裝箱運輸船，并沒有太明顯的一致性紋理特征，但從長度、寬度以及用途上可以判斷為同一類型船只。

三、艦船目標自動識別算法

基于局部不變性特征的艦船目標自動識別主要包括SIFT特征提取、特征描述、特征匹配和目標確認四個步驟，分別描述如下：

3.1 SIFT特征的提取

在尺度空間中對SIFT特征點進行檢測，能夠保證檢測到的局部特征點具備尺度不變性的特質。高斯卷積核是唯一的線性變化核，因此尺度空間被定義為：

其中 G(x,y,)是在尺度下的高斯函數(shù)卷積核：

SIFT算法在尺度空間檢測特征點，首先將某一尺度相鄰的兩個高斯尺度空間圖像進行相減，得到對應高斯差的響應值圖像D(x,y,)。再對響應值圖像的非最大值進行抑制，同時在尺度空間和位置上對特征點進行定位。

通過同一組內各高斯差相鄰層之間的比較來對特征點進行搜索。每個采樣點需與其同一尺度以及相鄰尺度下的所有相鄰點進行比較，看它是否比這些點的值大，以此尋找尺度空間的極值點。通過以上流程對尺度空間的特征點進行檢測，可以得到它所在的尺度和位置。

3.2 SIFT特征的描述

對SIFT特征點進行描述主要包括特征點主方向和特征矢量兩部分。

確定特征點的主方向，能夠保證對特征點特征向量的描述保持旋轉不變性，主方向可以利用特征點周圍區(qū)域像素的梯度幅值大小及方向分布的特性得到。

具體計算方法如下：對以特征點為中心的鄰近區(qū)域進行采樣，并對鄰域像素中每個梯度方向的累加值進行統(tǒng)計。其中，在對梯度方向直方圖進行統(tǒng)計時，為降低距離特征點較遠處像元值的影響，采用高斯模板對每個梯度值進行加權處理，模板參數(shù)設為所在尺度的1.5倍。在統(tǒng)計的梯度方向直方圖中檢索其中的峰值，峰值所對應的梯度方向即作為該特征點的主方向。

為保證提取特征具備旋轉不變性，將圖像坐標方向旋轉到特征點對應主方向，再以特征點為中心取一個16×16的區(qū)域。然后將這個區(qū)域再劃分為4×4個小區(qū)域，每個小區(qū)域的大小為4×4個像素，在每個小區(qū)域塊中計算8個梯度方向的統(tǒng)計直方圖。

對以上16個小區(qū)域塊中的8方向梯度值按照位置進行排序，構成一個128 維（16×8）的特征向量，該特征向量即為SIFT特征點的描述子，此時構建的描述子已經去除了尺度、旋轉等幾何形變因素對特征描述的影響，然后將描述子的長度進行歸一化，以降低輻照度對特征描述的影響。

3.3 特征匹配

對特征點進行匹配主要包括特征匹配和匹配對提純兩部分。

特征匹配的原理可以描述為：令樣本圖像內的特征點集為基準集{pi}，i=1,…,n，令待識別目標圖像內的特征點集為目標集{qj}，j=1,…,m。對目標集中每一個qj，在基準集中總能找到距離最近的pi，則qj和pi可組成一組數(shù)據匹配對。進行特征匹配的方法主要可以分為兩種：一種是線性掃描法，也稱為窮舉法，是將目標集中的點與基準集逐一進行距離比較求取最近匹配對，因此無需數(shù)據預處理，操作相對簡單，但搜索效率偏低；第二種是建立數(shù)據索引，然后再進行快速匹配，可以大大加快檢索的速度，但建立索引結構需要比較高昂的代價，如Kd-樹（K-dimension Tree）等。本研究數(shù)據量不大,因此采用第一種算法進行匹配。

即使匹配對中兩個特征點的距離是最近的，但由于誤差的存在也并不能確定它們指向一致的目標位置，因此需要對匹配對進行篩選，剔除錯誤的匹配對。通常能夠正確匹配的兩幅圖像存在透視變換關系，則正確的匹配對的變換關系應具有一致性。本研究采用經典的隨機抽樣一致性RANSAC（Random Sample consensus）算法對匹配結果進行提純，它實現(xiàn)簡單，性能良好。RANSAC算法的核心思想是首先創(chuàng)建一個誤差判斷模型，然后隨機抽取一定符合條件的數(shù)據（本研究初始抽樣4對），通過誤差判斷模型反復地迭代、測試（本研究迭代次數(shù)為2000），最終找到一個誤差最小的模型，用來區(qū)分一致性數(shù)據和非一致性數(shù)據，達到匹配對提純的目的。

將相同型號艦船目標和不同型號艦船目標分別進行SIFT特征點匹配，效果如圖2和圖3所示?？梢钥闯鰞上嗤吞柵灤钠ヅ潼c提取準確，局部細節(jié)特征匹配精準，匹配對具有高度的一致性；而不同型號艦船目標的匹配結果非常雜亂，且匹配對數(shù)很少。由于在利用隨機抽樣一致性算法進行匹配對提純時，初始設置抽樣數(shù)為4，所以匹配結果的誤差基數(shù)為4，即將不同目標進行強制匹配，則匹配對數(shù)一般也會在4個以上。

3.4 目標確認

根據待識別目標和目標庫切片的匹配結果進行艦船目標型號的確認。將待識別目標同目標庫的艦船切片進行依次匹配，并記錄匹配對數(shù)，鎖定匹配對數(shù)最大的艦船切片作為最佳匹配切片。由于匹配誤差的存在，并不是最佳匹配切片就是目標識別的最終結果，本研究根據目標匹配算法需求設定匹配閾值N。若最大匹配對數(shù)大于匹配閾值N，則認為該最佳匹配切片為目標識別最終結果，待識別目標具有同最佳匹配切片相一致的艦船型號和屬性；若最大匹配對數(shù)小于等于匹配閾值N，則認為目標庫中沒有與待識別目標相同型號的艦船目標。

具體流程如圖 所示。

四、艦船目標識別結果

基于圖1所示的艦船目標切片庫，任意取出一個目標作為待識別目標，剩余切片作為目標切片庫，將待識別目標同目標庫中的其他切片依次進行匹配，用來進行目標識別算法的驗證，則共有待識別目標26個，每個待識別目標匹配運算25次，共計650次，耗時1237秒，平均每次SIFT特征匹配和判定輸出共計耗時1.9秒。由于RANSAC提純算法隨機抽樣誤差基數(shù)為4，考慮存在一定的錯誤匹配誤差，本研究將匹配閾值N設定為誤差基數(shù)的2倍，即N=8。

最終艦船目標的識別結果如表1所示?？梢?，26個艦船目標的自動識別結果正確24個，錯誤2個，正確識別率為92%。自動識別錯誤的12號和13號艦船目標為集裝箱運輸船，其船體絕大部分被集裝箱覆蓋，僅在船頭、邊緣和船尾有部分船體暴露，很難獲取局部不變性特征，這可能是導致自動識別失敗的主要原因。而軍用艦船目標（編號2、3、4、7、8）全部自動被識別出來，識別率高達100%。

五、結論

本文基于經典的局部不變性特征SIFT提取算法，對其在高分辨率遙感圖像艦船目標型號識別中的應用開展了研究分析。結果表明，本文基于SIFT算子提出的艦船目標識別算法能夠有效對艦船型號進行匹配和識別，總正確識別率高達92%，其中針對軍用艦船的識別率高達100%，這主要是由于同一型號軍用艦船的表面布局具有高度的一致性所致。

除應用在對艦船目標的自動識別領域外，本文提出的方法還可以應用到車輛、飛機等其他目標的遙感圖像自動識別領域，或目標跟蹤領域。隨著高分辨率遙感數(shù)據的推廣，本方法也具有非常廣闊的應用前景。

同時，本文艦船目標識別的算法也表現(xiàn)出了一定的局限性，如在識別效率有限的前提下，能夠識別的艦船型號是有限的，所要識別的艦船目標型號必須包含在目標庫中，因此本方法通常應用到對感興趣的若干目標進行識別和跟蹤上，而無法對場景中的所有目標（如無關緊要的艦船目標）都進行型號識別，但可以做出不屬于感興趣目標的判斷。此外，通過選用更加高效的局部不變形特征提取算法或者特征匹配算法也能夠在一定程度上提高識別效率，拓展可識別目標的范圍。