劉星璇 饒世鈞 洪 俊

（1.海軍大連艦艇學(xué)院研究生管理大隊(duì) 大連 116018）

（2.海軍大連艦艇學(xué)院信息系統(tǒng)系 大連 116018）

1 引言

艦船目標(biāo)識(shí)別是航天偵察信息支援海軍偵察預(yù)警的關(guān)鍵問(wèn)題，有效利用衛(wèi)星數(shù)據(jù)信息，對(duì)執(zhí)行海軍遠(yuǎn)海作戰(zhàn)任務(wù)、對(duì)目標(biāo)實(shí)施精確跟蹤等具有重要的意義。目前，遙感圖像目標(biāo)識(shí)別主要依靠人工判讀，效率低、成本高、時(shí)效性差，傳統(tǒng)模式已不能滿(mǎn)足當(dāng)前作戰(zhàn)需求。

光學(xué)成像衛(wèi)星的分辨率與幅寬之間存在矛盾關(guān)系，高分辨率衛(wèi)星重訪時(shí)間長(zhǎng)、圖像幅寬窄、算法復(fù)雜，很難滿(mǎn)足遠(yuǎn)海偵察需求，而中低分辨率衛(wèi)星的覆蓋范圍較寬，具備對(duì)大范圍海域?qū)嵤┻B續(xù)監(jiān)視的潛力［1，3］，但存在目標(biāo)特征相對(duì)不明顯、紋理特征提取困難等問(wèn)題。光學(xué)成像衛(wèi)星的傳感器主要有可見(jiàn)光、紅外、多光譜等，遙感圖像目標(biāo)識(shí)別的方法，可概括為基于統(tǒng)計(jì)的方法、基于知識(shí)的方法、基于深度學(xué)習(xí)的方法和基于信息融合的方法。本文根據(jù)比較不同傳感器特點(diǎn)，分析并提出了適用于中低分辨率光學(xué)成像衛(wèi)星的目標(biāo)識(shí)別方法，為其工程實(shí)現(xiàn)做鋪墊，提高遠(yuǎn)海偵察預(yù)警能力。

2 艦船目標(biāo)特征提取

光學(xué)成像衛(wèi)星遙感圖像的目標(biāo)識(shí)別，首先進(jìn)行輻射校正、幾何校正、去噪聲等預(yù)處理［2］，然后根據(jù)目標(biāo)檢測(cè)算法提取 ROI（Region of Interest）區(qū)域，利用艦船目標(biāo)特征進(jìn)行篩選匹配，去除虛警，最后對(duì)真實(shí)目標(biāo)所在區(qū)域進(jìn)行分類(lèi)識(shí)別［1，4］。艦船識(shí)別流程如圖1所示。

光學(xué)成像衛(wèi)星的傳感器主要有可見(jiàn)光、紅外、多光譜等類(lèi)型，分別針對(duì)衛(wèi)星所載荷的傳感器不同進(jìn)行特征分析。

2.1 基于可見(jiàn)光的目標(biāo)特征提取

可見(jiàn)光的目標(biāo)特征主要包括以下幾個(gè)方面：

1）不變矩特征：幾何的不變矩具有旋轉(zhuǎn)、平移、尺度等特性的不變特征，所以稱(chēng)為Hu不變矩［5］，圖像f（x，y）的（p+q）階幾何矩定義為

其在統(tǒng)計(jì)學(xué)中被用來(lái)反映隨機(jī)變量的分布情況。圖像的灰度值可看作是一個(gè)二維或三維的密度分布函數(shù)，則不變矩的方法可用來(lái)對(duì)圖像進(jìn)行分析［6］。

2）尺寸特征：艦長(zhǎng)、艦寬、長(zhǎng)寬比（L/B）、面積、周長(zhǎng)等。艦船長(zhǎng)寬比是衡量艦船目標(biāo)類(lèi)型的重要指標(biāo)之一，也是區(qū)分各型軍用、商用艦艇的依據(jù)之一。由于軍艦需要高速航行，取得較大長(zhǎng)寬比能夠減少航速帶來(lái)的阻力，也能減少對(duì)主機(jī)功率的需求，但為保證艦船穩(wěn)性，滿(mǎn)足武器發(fā)射精度，不同作戰(zhàn)任務(wù)的軍艦具有不同的艦船長(zhǎng)寬比。

以美軍水面艦艇為例，其主要作戰(zhàn)艦艇長(zhǎng)寬比如表1所示。

表1 美軍主要水面艦艇尺寸特征

軍艦在執(zhí)行任務(wù)時(shí)，存在偽裝商用雷達(dá)信號(hào)或關(guān)閉電子設(shè)備等情況，無(wú)法根據(jù)其雷達(dá)頻段、AIS系統(tǒng)等判別，其幾何特征為區(qū)分軍、民用艦船的關(guān)鍵。商船由于商用目的，通常對(duì)船艙容量、船舶穩(wěn)定性等具有要求，其長(zhǎng)寬比相對(duì)要小很多，通常在4～6之間［7］。

3）形狀特征：艦首形狀、艦尾形狀、形狀復(fù)雜度、偏心率、圓形度、主軸長(zhǎng)度等［8］。根據(jù)擔(dān)負(fù)任務(wù)不同，艦船的形狀差別也體現(xiàn)在艦首艦尾的形狀，其占艦船比例較大，通常能夠判別形狀。常見(jiàn)的艦首、艦尾形狀大致可如圖2所示。

4）紋理特征：標(biāo)準(zhǔn)偏差、熵、平滑度、分形維數(shù)等［8］。紋理特征是光學(xué)成像衛(wèi)星相對(duì)于SAR成像衛(wèi)星的優(yōu)勢(shì)，圖像分辨率越高，艦艇目標(biāo)的紋理特征越明顯，包括艦艇上層建筑特征、尾跡特征等。通過(guò)對(duì)尾跡的解算，也可推算出艦船航行速度等，縮小目標(biāo)范圍。

2.2 基于紅外的目標(biāo)特征提取

紅外傳感器的目標(biāo)識(shí)別，首先采取背景抑制，去除圖像中的背景和噪聲，再通過(guò)選取合適的閾值分割出潛在目標(biāo)點(diǎn)，最后根據(jù)目標(biāo)運(yùn)動(dòng)的連續(xù)性和規(guī)則性，剔除假目標(biāo)，得到真實(shí)目標(biāo)［9］。當(dāng)前衛(wèi)星載荷的紅外傳感器主要應(yīng)對(duì)彈道導(dǎo)彈的威脅。

由于衛(wèi)星技術(shù)水平的原因，美國(guó)偵察體系中，衛(wèi)星紅外對(duì)艦艇目標(biāo)檢測(cè)與識(shí)別的研究較多［9］，多用于決策級(jí)特征融合的目標(biāo)識(shí)別。

紅外傳感器能夠在大氣中接收一定波長(zhǎng)的紅外線，例如，當(dāng)艦船在水面航行時(shí)，由于開(kāi)爾文尾跡與周?chē)Ｋg的輻射溫差，尾跡具有紅外特征，但是在光照條件極強(qiáng)的情況下，艦船目標(biāo)特征提取困難，目前，紅外特征多作為目標(biāo)識(shí)別的參考因素。

2.3 基于多光譜的目標(biāo)特征提取

多光譜傳感器能獲取多個(gè)單波段的光譜信息，并分別賦予RGB顏色，將其融合后獲取彩色影像。

由于物質(zhì)對(duì)不同波段光譜的反射不同，能夠獲取更多精細(xì)特征，通過(guò)融合處理，提高識(shí)別準(zhǔn)確率，但對(duì)空間分辨率要求較高。目前，多光譜傳感器普遍載荷于高分辨率成像衛(wèi)星，受其幅寬限制，時(shí)效性較差，不能滿(mǎn)足遠(yuǎn)海偵察預(yù)警及目標(biāo)識(shí)別需求。

2.4 中低分辨率光學(xué)圖像目標(biāo)特征選擇

光學(xué)成像衛(wèi)星海上艦艇目標(biāo)識(shí)別時(shí)，與紅外、多光譜相比，可見(jiàn)光圖像具有邊緣、紋理、幾何、灰度特征明顯的特點(diǎn)，衛(wèi)星分辨率與幅寬均可滿(mǎn)足當(dāng)前遠(yuǎn)海偵察預(yù)警的需求，因此，針對(duì)可見(jiàn)光的目標(biāo)識(shí)別方法進(jìn)行分析比較。

不同傳感器的光學(xué)成像衛(wèi)星目標(biāo)特征對(duì)比，如表2所示。

表2 不同傳感器的光學(xué)成像衛(wèi)星目標(biāo)特征對(duì)比

3 艦船目標(biāo)分類(lèi)識(shí)別方法

3.1 基于統(tǒng)計(jì)的目標(biāo)識(shí)別

基于統(tǒng)計(jì)的目標(biāo)識(shí)別，是利用給定的有限數(shù)量樣本集，通過(guò)機(jī)器學(xué)習(xí)和空間距離度量的特征匹配分類(lèi)技術(shù)。引入了高緯度、更加全面的艦船特征，將特征空間劃分為幾個(gè)區(qū)域，與每一類(lèi)別分別對(duì)應(yīng)［10］。

由于不需要過(guò)多的人工經(jīng)驗(yàn)和干預(yù)，通過(guò)基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)理論獲得自適應(yīng)分類(lèi)準(zhǔn)則，具有更好的魯棒性、通用性和廣闊的發(fā)展前景。常用的方法有k最近鄰法（k-Nearest Neighbor，KNN）、支持向量機(jī)（Support Vector Machine，SVM）、聚類(lèi)算法（Clustering Algorithm）等分類(lèi)方法。支持向量機(jī)具有準(zhǔn)確率較高，并且能夠推廣到函數(shù)擬合等特點(diǎn)，是近些年在處理小樣本、非線性及高維模式識(shí)別中應(yīng)用較廣泛的分類(lèi)算法［11］。

3.2 基于知識(shí)的目標(biāo)識(shí)別

基于知識(shí)的目標(biāo)識(shí)別，即根據(jù)目標(biāo)特征與周?chē)h(huán)境的關(guān)系，進(jìn)行歸一化處理，建立艦船目標(biāo)模型，與艦船模型庫(kù)進(jìn)行匹配識(shí)別，主要特點(diǎn)是針對(duì)性強(qiáng)，算法效率高［12］。

基于知識(shí)的海上艦船目標(biāo)識(shí)別的規(guī)則為，依據(jù)陸地掩膜，分析艦艇目標(biāo)識(shí)別的大致海區(qū)范圍；運(yùn)用形態(tài)學(xué)原理分析艦船尾跡方向，并進(jìn)行解算，推算航向、航速；尾跡相反方向?yàn)榕炇祝崛∑淇杀嫘暂^高的形狀特征，通過(guò)對(duì)長(zhǎng)寬比、輪廓、對(duì)比度、航速、海區(qū)范圍等特征進(jìn)行歸一化處理后，進(jìn)行艦船目標(biāo)識(shí)別。

3.3 基于深度學(xué)習(xí)的目標(biāo)識(shí)別

深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用廣泛，尤其體現(xiàn)在人臉識(shí)別、車(chē)輛識(shí)別、衛(wèi)星遙感圖像中。隨著網(wǎng)絡(luò)和技術(shù)的進(jìn)步，基于大數(shù)據(jù)的目標(biāo)識(shí)別，使得準(zhǔn)確率也越來(lái)越高。其方法主要是基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的改進(jìn)方法，流程如圖3所示。

目標(biāo)識(shí)別中，神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層、輸出層。輸入層是整張圖片的像素值，設(shè)定隱藏層的神經(jīng)元數(shù)量，輸出層的數(shù)量為能夠確定的目標(biāo)范圍數(shù)量［13～14］。每個(gè)隱藏層神經(jīng)元分別進(jìn)行反饋，若對(duì)應(yīng)的權(quán)值高，則出現(xiàn)強(qiáng)烈響應(yīng)，若輸出的結(jié)果中每個(gè)神經(jīng)元的反饋都接近于1，則基本確定該目標(biāo)的類(lèi)型。

卷積神經(jīng)網(wǎng)絡(luò)是每個(gè)卷基層都緊跟著一個(gè)用來(lái)求平均與二次提取的采樣層，這種特有的二次特征提取，減少了特征分辨率，避免了數(shù)據(jù)重建的冗余和復(fù)雜度，流程圖如圖4所示。

利用深度學(xué)習(xí)的方法，運(yùn)算速度快、準(zhǔn)確率高，但是在應(yīng)用中，需要大量帶標(biāo)簽的艦船數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)，艦艇數(shù)據(jù)庫(kù)的建立存在極大困難，尤其是對(duì)外軍艦艇的需求。

3.4 基于信息融合的目標(biāo)識(shí)別

根據(jù)融合處理所處的不同階段與方法，圖像融合處理可以分為三個(gè)級(jí)別：像素級(jí)圖像融合、特征級(jí)圖像融合和決策級(jí)圖像融合。

決策級(jí)圖像融合，是指對(duì)每個(gè)圖像的特征信息進(jìn)行分類(lèi)、識(shí)別等處理，形成了相應(yīng)的結(jié)果后，進(jìn)行進(jìn)一步的融合過(guò)程，最終的決策結(jié)果是全局最優(yōu)決策［15］。

基于模糊集的決策級(jí)融合采用不確定性推理技術(shù)，適用艦船目標(biāo)識(shí)別，流程如圖5所示：

1）建立每個(gè)目標(biāo)對(duì)于各個(gè)類(lèi)的模糊集；

2）計(jì)算每個(gè)模糊集的模糊度；

3）得到歸一化權(quán)值；

4）采用證據(jù)組合規(guī)則進(jìn)行融合；

5）從結(jié)果中選擇出最大置信度的類(lèi)。

3.5 目標(biāo)識(shí)別方法的比較與選擇

中低分辨率的遙感圖像與高分辨率圖像相比，艦船目標(biāo)幾何、紋理特征相對(duì)不明顯，為滿(mǎn)足海軍偵察預(yù)警對(duì)目標(biāo)識(shí)別的需求，結(jié)合當(dāng)前衛(wèi)星現(xiàn)狀，需要對(duì)傳統(tǒng)的方法進(jìn)行改進(jìn)。對(duì)目標(biāo)識(shí)別的方法進(jìn)行分析，如表3所示。

基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別，對(duì)含標(biāo)簽的艦艇數(shù)據(jù)庫(kù)的數(shù)據(jù)量要求極大，在條件滿(mǎn)足的情況下，優(yōu)先選擇基于深度學(xué)習(xí)的方法；在對(duì)小樣本的數(shù)據(jù)庫(kù)情況時(shí)，采取基于知識(shí)和信息融合相結(jié)合的方法。

首先，根據(jù)艦船目標(biāo)的幾何特征、紋理特征、戰(zhàn)術(shù)特征等，建立艦艇模型數(shù)據(jù)庫(kù)，其次，提取遙感圖像中艦船目標(biāo)特征，對(duì)艦尾特征進(jìn)行解算，結(jié)合先驗(yàn)信息比對(duì)，最后，對(duì)目標(biāo)進(jìn)行艦艇模型匹配，提出可能的目標(biāo)范圍，實(shí)現(xiàn)中低分辨率的艦艇目標(biāo)識(shí)別。為保證目標(biāo)識(shí)別的準(zhǔn)確率和運(yùn)算速度，應(yīng)當(dāng)對(duì)提取的特征進(jìn)行選擇，使其滿(mǎn)足作戰(zhàn)時(shí)效性需求。

表3 艦艇目標(biāo)識(shí)別方法對(duì)比

4 結(jié)語(yǔ)

海上艦船目標(biāo)識(shí)別是海軍偵察預(yù)警的關(guān)鍵技術(shù)，當(dāng)前遙感圖像的判讀主要由人工進(jìn)行，使偵察衛(wèi)星數(shù)據(jù)的時(shí)效性大大降低，無(wú)法滿(mǎn)足實(shí)戰(zhàn)要求。研究基于海軍偵察預(yù)警需求的遙感圖像目標(biāo)識(shí)別方法，提出中低分辨率的光學(xué)成像衛(wèi)星目標(biāo)識(shí)別方法，針對(duì)可見(jiàn)光傳感器的成像衛(wèi)星，提取其幾何特征、紋理特征、戰(zhàn)術(shù)特征等，利用基于知識(shí)和信息融合的目標(biāo)識(shí)別方法，建立艦船目標(biāo)模型進(jìn)行匹配。改變當(dāng)前主要由人工判讀的現(xiàn)狀，提高遙感圖像的解譯工作自動(dòng)化程度，能夠極大提高海軍遠(yuǎn)海作戰(zhàn)編隊(duì)的戰(zhàn)場(chǎng)感知能力，縮短應(yīng)急反應(yīng)時(shí)間，提高衛(wèi)星信息支援海軍遠(yuǎn)海作戰(zhàn)的技術(shù)能力。

［1］周偉，關(guān)鍵，何友.光學(xué)遙感圖像低可觀測(cè)區(qū)域艦船檢測(cè)［J］.中國(guó)圖象圖形學(xué)報(bào)，2012，17（9）：1181-1187.

［2］王彥情，馬雷，田原.光學(xué)遙感圖像艦船目標(biāo)檢測(cè)與識(shí)別綜述［J］.自動(dòng)化學(xué)報(bào)，2011，37（9）：1029-1033.

［3］高立寧，畢福昆，龍騰，等.一種光學(xué)遙感圖像海面艦船檢測(cè)算法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，51（1）：105-110.

［4］蘇娟.遙感圖像獲取與處理［M］.北京：清華大學(xué)出版社.2014：198-199，215-219.

［5］尹方平.基于遙感圖像的艦船目標(biāo)檢測(cè)及特征提取技術(shù)［J］.艦船科學(xué)技術(shù).2014，12，36：113-114.

［6］苗慧，李向陽(yáng)，宋光磊，劉鑫.光學(xué)遙感圖像艦船目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)［J］.高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)，2013：6-7.

［7］姬曉飛，秦寧麗.光學(xué)遙感圖像多目標(biāo)檢測(cè)及識(shí)別算法設(shè) 計(jì) 與 實(shí) 現(xiàn)［J］. 計(jì) 算 機(jī) 應(yīng) 用 ，2015，35（11）：3302-3307.

［8］杜春，孫即祥，李智勇，滕書(shū)華.光學(xué)遙感艦船目標(biāo)識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用，2015，35（11）：3302-3307.

［9］Celine Heuze，Gisela K.Carvajal，Leif E.B.Eriksson，Monika Soja-Wozniak.Sea Surface Currents Estimated from Spaceborne Infrared Images Validated against Re?analysis Data and Drifters in the Mediterranean Sea，re?mote sensing.2017，9，422：1-12.

［10］邢坤.基于可見(jiàn)光遙感圖像的典型目標(biāo)識(shí)別關(guān)鍵技術(shù)研究及其系統(tǒng)實(shí)現(xiàn)［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2010，5：97-104.

［11］HUANG Q，WU G，CHEN J．Automated remote sensing image classification method based on FCM and SVM［C］//Proceedings of the 2012 2nd International Confer?ence on Remote Sensing，Environment and Transporta?tion Engineering.Washington：IEEE Computer Society，2012：1-4.

［12］吳樊，王超，張紅，張波，張維勝.基于知識(shí)的中高分辨率光學(xué)衛(wèi)星遙感影像橋梁目標(biāo)識(shí)別研究［J］.電子與信息學(xué)報(bào)，2006，28（4）：587-591.

［13］Zeiler，M.D.，F(xiàn)ergus，R.Visualizing and understanding convolutional networks.European conference on comput?er vision，2014，9：818-833.

［14］Henan W，Dejun L，Hongwei W，et al.Research on air?craft object recognition model based on Neural networks［C］//Proceedings of the 2012 International Conference on Computer Science and Electronics Engineering-Vol?ume 01.IEEE Computer Society，2012：160-163.

［15］何友，王國(guó)宏，關(guān)欣.信息融合理論及應(yīng)用［M］.北京：電子工業(yè)出版社，2010：239-265，309-329，336-370.