（电路与系统专业论文）基于gabor小波的目标识别方法研究.pdf

摘要 论文围绕g a b o r 小波在图像空间域频率域所表现出来的多分辨率特性，重 点研究了基于g a b o r 小波的目标识别方法，并且通过实验，实现了目标与模型 的正确匹配。 g a b o r 小波是一种图像的多分辨率描述，通过g a b o r 小波的幅度、频率和相 位特征，可以较好地描述目标图像。采用g a b o r 小波的方法进行目标识别具有以 f 特点： 1 ) 它不要求得到目标图像十分清楚的形状与轮廓信息，而这些信息一般都不能 轻易地获得； 2 ) 它允许由于观察视角、目标比例、目标姿态和环境变化所引起的适度目标变 形，目标的变形程度由模型的几何约束来测量； 3 ) 通过模型的多尺度g a b o r 小波描述可以识别不同尺度的目标； 4 1 通过基于g a b o r 幅度、频率和相位的描述，可以正确估计目标与模型间的匹 配结果。 。 论文在输入目标图像g a b o r 小波分解的基础上，首先采用无监督的h o p f i e l d 神经网络，通过松弛迭代算法来训练网络，并且对目标图像的g a b o r 小波特征 进行聚类，以得到感兴趣的目标区域；接着，在不知道目标形状和轮廓信息的 前提下，根据模型g a b o r 网格的排列算法，找到图像中目标的位置和尺度；然 后在此基础上，通过一种基于模型g a b o r 网格的弹性匹配算法，实现目标图像 与模型图像之间的相互匹配，从而获得目标的识别结果。( 该方法通过动态调整 模型g a b o r 网格的拓扑结构，使目标图像的g a b o r 小波特征与模型g a b o r 网格 各个节点所包含的小波特征之间获得最大的匹配似然度，它对变尺度的目标以 及存在一定程度变形的目标，都可以进行识别，因此具有一定的鲁棒性和容错 性。”一、一 一系列实验结果表明，在不知道目标形状和轮廓信息的前提下，当建立了 目标模型之后，对于不同尺度下的目标以及由于某种原因造成一定程度变形的 日标，通过最后的匹配评估，得到的识别结果令人满意。 关键字：目标图像，g a b o r 小波，模型网格，弹性匹配，目标识别，匹配评估 n 一一垒! 堕型一 a b s t r a c t t h i sp a p e ri sm a i n l yc o n c e m e da b o u tt h eo b j e c tr e c o g n i t i o na p p r o a c hb a s e do n t h eg a b o rw a v e l e t b e c a u s eo ft h em u l t i r e s o l u t i o nf e a t u r et h eg a b o rw a v e l e t d i s p l a y e di ns p a t i a l f r e q u e n c yd o m a i n so fi m a g e s as e r i e so fe x p e r i m e n th a sb e e n m a d ea n dn l ec o r r e c tm a t c h i n gb e t w e e na no b j e c ti m a g ea n dam o d e lg a b o rg r i di s a c h i e v e d t h eg a b o rw a v e l e ti sak i n do fm u l t i r e s o l u t i o nr e p r e s e n t a t i o no fi m a g e s u s i n g g a b o rm a g n i t u d e ，g a b o rf r e q u e n c y ，a n dg a b o rp h a s e ，w ec a nr e p r e s e n tt h eo b j e c t i m a g ew e l l a n dt h eo b j e c tr e c o g n i t i o na p p r o a c hb a s e do nt h eg a b o rw a v e l e th a s s u c hf e a t u r e sa sf o l l o w s ： 1 ) i td o e sn o tn e e de x p l i c i to b j e c ts h a p ef e a t u r e sa n dc o n t o u r sw h i c h c a r ln o tb ee a s i l y d e t e c t e d ； 2 ) i tc a nt o l e r a t es o m eo b j e c td i s t o r t i o n sd u et ov i e w i n gg e o m e t r y ，s c a l e ，a s p e c ta n d e n v i r o n m e n t a l l yi n d u c e dd e v i a t i o n a n dt h ed i s t o r t i o n sc a nb em e a s u r e db yt h e g e o m e t r yc o n s t r a i n to f t h em o d e l s ； 3 ) i t c a n r e c o g n i z e m u l t i - s c a l e o b j e c t sb y t h em u l t i s c a l eg a b o rw a v e l e t r e p r e s e n t a t i o no f t h em o d e l s ； 4 ) i tc a ne v a l u a t et h em a t c h i n gr e s u l tb e t w e e no b j e c t s a n d m o d e l st h r o u g h g a b o rm a g n i t u d e ，g a b o r 丹e q u e n c y ，a n dg a b o rp h a s e b a s e do nt h eg a b o rw a v e l e td e c o m p o s i t i o n ( g w d ) o ft h eo b j e c ti m a g e ，f i r s tw e u s ea nu n s u p e r v i s e dh o p f i e l dn e u r a ln e t w o r kt oc l u s t e rt h eg a b o rw a v e l e tf e a t u r e s ( g w f ) o ft h eo b j e c ti m a g ea n dg e tt h er e g i o n o f - i n t e r e s t i n gt h r o u g har e l a x a t i o n t r a i n i n gp r o c e d u r eo ft h en e t w o r ki t e r a t i v e l y ；t h e nw i t h o u tt h eo b j e c ts h a p ea n d c o n t o u r ，w ec a ng e tt h ep o s i t i o na n dt h es c a l eo ft h eo b j e c tu s i n gm o d e lg a b o r 鲥d p l a c e m e n ta l g o r i t h m ；o nt h ea b o v eb a s i s ，w ec a nf i n a l l ya c h i e v et h em a t c h i n g b e t w e e nt h eo b j e c ta n dt h em o d e la n dg e tt h er e c o g n i t i o nr e s u l tt h r o u g haf l e x i b l e m a t c h i n ga p p r o a c hb a s e do nt h em o d e lg a b o rg r i d b yd y n a m i c l ya d j u s t i n gt h e t o p o l o g yo ft h em o d e lg a b o rg r i dt om a k et h es i m i l a r i t ym e a s u r eb e t w e e nt h eg w d o ft h ei m a g ea n dt h eg w fo ft h em o d e lt h eb i g g e s t ，t h ea p p r o a c hc a nh a n d l ea n d r e c o g n i z eo b j e c t sw i t hd i f f e r e n ts c a l e sa n do b j e c t sw i t hs o m ed i s t o r t i o n s s oi ti s r o b u s ta n de r r o r t o l e r a t e dt oac e r t a i ne x t e n t a l t h o u g hw ed on o tk n o wt h eo b j e c ts h a p ea n dc o n t o u r ，b u ta f t e re s t a b l i s h i n gt h e s u i t a b l em o d e lb a s eo ft h eo b j e c t s ，t h ep r o b l e ms u c ha so b j e c t sw i t hd i f f e r e n ts c a l e s o ro b j e c td i s t o r t i o n sf r o mt h ee n v i r o n m e n t a lc h a n g e sc a l lb es o l v e d as e r i e so f e x p e r i m e n tr e s u l t ss h o wt h eb e t t e rp e r f o r r n a n c e k e y w o r d s ：o b j e c ti m a g e ，o a b o rw a v e l e t ，m o d e lg r i d ，f l e x i b l em a t c h i n g ， o b j e c tr e c o g n i t i o n ，e v a l u a t i o no f m a t c h i n g i u 盟亘一 普士 刖苦 在大量军事领域和一些民用领域中，目标识别都有着十分广泛的应用，其 领域包括导弹防御系统、防空预警系统、火力控制系统、空中地面交通管制系 统等等。为此，各国尤其是技术发达国家均投入了大量的人力物力用于目标识 别系统的研究，以寻找各种快速而有效的目标识别方法。目前，在这一领域中 已经取得了大量的成果。 传统的目标识别系统，由于受到所获得目标信息量的限制，因此对它的研 究是寻找从单一目标信息中提取有效目标特征的各种方法，以及寻找和改进有 效的识别算法等。随着新技术、新思想的不断涌现，基于多种目标信息源数据 融合的目标识别技术，成为近年来目标识别问题研究的一个新的热点【l ，1 8 】。这种 目标识别技术能利用目标多种信息之间的互补性，获取关于目标更完备的信 息，并且通过相应的数据融合处理，能够提高目标识别系统的各项技术性能。 论文对基于g a b o r 小波的目标识别方法进行了研究，并且对内容做了如下 的安排：第一章简要描述了目标识别领域的发展概况，并且提出了本文目标识 翱方法的系统流程；第二章描述并构造了一组g a b o r 小波滤波器，将目标的g a b o r 小波特征( 幅度、频率和相位特征) 作为目标的识别处理特征：为了更有效地 获取目标的感兴趣区域，第三章提出了利用无监督的h o p f i e l d 神经网络对目标 的g a b o r 小波特征进行聚类，以实现目标区域的分割，实验结果表明，由于g a b o r 小波特征能够反映目标的一些本质特征，因此可以得到良好的分割效果；第四 章在有效提取目标感兴趣区域的基础上，采用了一种基于g a b o r 小波分解的目标 初始匹配的方法，通过计算模型g a b o r 网格与目标图像g a b o r 小波分解之间的相 似性测度。从而实现模型o a b o r 网格与目标图像之间的快速初始匹配，克服了穷 尽搜索等方法存在的计算量过大等缺陷；在第五章目标图像的g a b o r 小波分解与 模型g a b o r 网格之间弹性匹配的基础上，根据第六章的匹配评估准则，可以得到 最终的匹配识别结果：第七章为本文的结论。 论文通过基于g a b o r 小波的目标识别方法，实现了对多尺度目标、变形目 标的弹性匹配识别。实验结果表明，当目标图像与模型图像之间，存在一定程 度的位移变化、尺度变化和旋转变化时，或者当目标图像与模型图像之间，由 于姿态改变而引起目标一定程度的变形时，在采用了基于g a b o r 小波的弹性匹配 算法以后，由匹配评估得到的匹配识别结果较好，表明该方法具有良好的鲁棒 性和容错性。 第一章概述 1 1目标识别的研究意义 目标识别是现代军事和许多民用领域中的一项重要研究内容。通常是采用 单传感器来获得目标的可识别特征，但是由于单传感器系统只能提供识别对象 的部分信息，并且它所提取的特征往往是待识别目标的不完全描述，所以人们 转而寻求其它更好的方法。 在这种情况下，运用数据融合技术的多传感器系统应运而生。由于多传感 器系统可以从不同信源综合信息来克服单传感器的缺陷，因此利用多传感器系 统提取的不同传感器数据之间的互补和冗余，比单传感器提取的信息能更完全 地描述目标，有利于提高正确的识别概率；通过使用不同传感器的冗余信息可 以提高目标识别系统的鲁棒稳定性；一种传感器的信息错误不会导致整个系统 的错误。因此为了获得精确的目标属性姿态估计，采用多传感器信息融合，已 成为一个新的、重要的研究方向和技术趋势，是当今目标识别系统必不可少的 一个组成部分 1 , l s l 。 1 2 单传感器下的目标识别系统 在单传感器目标识别系统中，通常采用的传感器是雷达或成像传感器( 如 各种目标探测雷达、红外热成像传感器或可视电视等) 。单传感器信号的处理 过程可分为三个阶段：第一个阶段称为预处理阶段，主要由数据采集构成。数 据采集包括信号预处理与a d 采样等过程；第二个阶段称为特征提取阶段，由 目标特征信息的分离构成，它是将目标的某种属性观测值从传感器信号中分离 出来，分离后的数据直接对应于某种目标属性；第三个阶段称为目标识别阶段， 系统根据提取出的目标特征数据，综合形成针对目标的描述，再通过适当的目 标判决方法，从而完成目标的识别等各项任务。单传感器目标识别系统的框图 如图1 1 所示。 图1 - 1 单传感器目标识别系统框图 蔓二童塑垄一 1 3 多传感器数据融合下的目标识别系统 近年来由于世界上一些地区的军事冲突不断，使得各国在军事领域中的研 究不断深入。其中多传感器数据融合领域倍受各国的重视，许多技术发达国家 对此进行了大量的研究，并且将该领域的最新研究成果成功地应用于军事领域 巾，其中包括防御系统和非防御系统等。防御系统的应用包括：自动目标识别 ( a t r ) 系统，特殊射线检测( s e i ) 系统，敌我属性识别( i f f n ) ，态势分析与威胁估 计系统，智能武器系统等。非防御系统包括：机器人，现场维护，环境监测及 机械诊断等。 多传感器数据融合系统的目的是：通过处理多传感器数据或多种仿真数据 以及多种相关的校准数据，以得到比单传感器更准确的参考信息。比如在自动 f j 标识别系统中，利用多传感器系统可观察一个潜在目标的多个特性，如红外 线光谱，可视图像，电磁场异常等特性，然后在此基础上进行多种特征数据的 融合以确定目标的身份。由于使用多传感器，扩大了观察目标的视野，因而提 高了目标识别的可靠性。例如侦察一个地面上的坦克，在可视图像特征( 尺寸、 形状特征) 的基础上，还可以检测其红外线光谱，或者利用声学探测器来检测其 发动机噪声特性，或者利用震动探测器来检测其经过地面所造成的震动特性。 | j 此可见，多传感器数据融合比单传感器检测能提供更多的特殊识别信息，因 而识别精度高。正是由于多传感器数据融合具有上述优点，因此随着新型传感 器及微处理器技术的迅速发展，多传感器数据融合的应用将更加广阔。 虽然其应用领域极广，但是在不同的应用领域，它们的处理过程基本相似。 多传感器信号综合处理过程可分为如下两个阶段 2 2 】： 第一个阶段称为融合前处理，由数据采集与信息分离两步构成，如图1 2 ( a ) 所示。数据采集包括信号处理与a d 采样等过程。信息分离是将某种目标 的属性观测值从某一传感器信号中分离出来，从而使分离后的每一项数据 均直接对应于某种目标属性： 第二个阶段称为信息融合，在特征级与目标级上分两步进行，如图1 2 ( b ) 所示。因为不同传感器信号经信息分离出来的几项数据可能表示目标的同 一种特征，所以系统首先将这些数据合成为该目标特征的致性描述，即 在特征级上进行信息融合；然后在目标级上，将关于目标特征描述的这个 特征信息的集合再综合为针对目标的描述，从而完成识别等各项任务。 2 整二童堡堕一 数据采集 泉姑i 数据1 原始数据2 原始数据r 信息分离 特征数据1 特征数据2 特征数据n i f 特征级上的信息融台f 1 f 目标级上的信息融合i 目标的识别与分类 a 融合前处理阶段 b 信息融合阶段 图1 2 多传感器数据融合的目标识别系统框图 多传感器信息融合不仅是一个信息处理的理论概念，同时也是一个系统概 念。无论是单层融合还是多层融合，多传感器信息融合系统都必须具有以下主 要功能模块： 1 ) 传感器信息的协调管理 用于将多传感器信息统一在一个共同的时空参考系，把同一层次的各类信 息转化成同一种表达形式，即实现数据配准。然后把各传感器对相同目标或环 境的观测信息进行关联，即信息关联，在目标跟踪领域也称为数据关联； 2 ) 多传感器信息优化合成 依据一定的优化准则，在各个不同的层次上合成多源信息； 3 ) 多传感器协调管理 包括传感器的有效性确定、事件预测、传感器的任务分配和排序、传感器 工作模式和探测区域的控制等功能。 多传感器数据融合处理根据由多传感器获得的数据，从原始传感器数据中 提取有用信息，比如用不同的时域和频域技术处理传感器数据，包括滤波器、 转换器以及特征识别，以提取最多的可用信息并对其进行分析，从而获得一致 性的结论( 如目标的位置和速度，估计参数，识别信息等) 。多传感器数据融合处 理各项功能模块的具体说明如表1 所示 功能模块说明实现方法 读取传感器数读取真实传感器数据或仿真数据按数据文件读取，生成仿 据 真数据，读取校准数据 预处理技术对传感器数据进行预处理线性最小平方，光谱密度 分析，a r m a 处理， f f l m f t 小波变换 第一章概述 特征提取单传感器信号的特征提取 线性最小平方，光谱峰值 分析，溷值分析 识别确定单传感器所测得的物体的可 阀值分析，神经网络模 识别属性 型，k 值最近邻域法 数据关联关联多传感器数据，即用于测量物 生成假设，评估假设，选 体各个属性的一组传感器数择假设 状态估计融合数据参数以估计一个未知的卡尔曼滤波，扩展的卡尔 状态矢量x ，即估计最接近观测值曼滤波，非线性最小平方 y 的值 多传感器识别 融合多传感器的各属性数据，以估贝叶斯准则，神经网络模 计未知物体或目标的身份，即决策型，k 值最近邻域法，逻 级估计辑模板，表决法，融合 表1 - 1多传感器数据融合处理的功能模块 1 4 传感器数据融合与目标识别的结合方式 对于从传感器获得的信息，有的方法是先融合后识别，还有的是先识别后融 合，但是为了提高信息融合的质量，还可以采用“识别融合识别”的形式，这 种识别与融合手段的组合，其目的是对故障信息做进一步比较和二次识别，因 此可以减小噪声干扰，提高目标识别的精度。以下为三种融合识别组合方式【2 3 】： 1 ) 一般的融合方式选择( 数据层融合) 图1 - 3 ( a ) 所示是一般的融合方式选择，属于数据层融合，其不足是当传感器 信息源的种类和数量较少时，融合效果不佳。 2 ) 多识别方法族( 特征层融合) 图i - 3 ( b ) 是充分发挥各种识别方法( 线性或非线性) 对识别各种复杂设备故障 信息群的长处，根据信号特点发挥不同的识别手段如分形( 分数维) 、神经网络f 有 监督或无监督) 、模糊数学、统计特征( 方根幅值) 、快速傅立叶变换f f t 、时序模 型a r ( n ) 等方法的联合优势，即采用识别方法族的思想。这属于特征层融合，当 原始信息源较少时，可用多种识别方法的结合来弥补信息源少的不足。 3 ) 多方法融合和二次识别( 决策层融合) 图1 - 3 ( c ) 是进一步采用多方法融合和二次识别的思想，充分利用现有的各种 信息融合构架对复杂信息的特殊作用，例如神经网络良好的容错性、自适应性 和并行处理能力，模糊聚类对于信息群模糊边界和不完备信息样本的宽容性， 小波变换对于不同精度信息群的映射作用等，以对付具有非平稳局部突变性质 的复杂设备故障信号，其实质是决策层融合。 4 传感器信息源 x 1x 2x 3 一一一x n ，l 融合构架 y 融舍识别 输出z a 融合识别构架 传惑器信息源 x 1x 2x 3 一一一 只另4 方法族通道 12i3 | _ 一i n 一次识别信息源 y 2y 3一一y n 融合构架 y ，l l 融合坝别l 输出z 传感器信息源 x 1x 2x 3 一一一x n 识别方法族 辞书 二次融合识别 b 识别融合构架c 识别融合识别构架 图1 3 三类融合识别构架 1 5 本文的方法 为了通过自适应信息融合以提高目标识别的效果，通常人们首先从雷达等跟 踪搜索传感器获取目标的时空位置、运动参数和目标方位信息，然后以此来引 导红外传感器或其它传感器实时对准目标，以进一步获取目标的红外图像信息 或其它方面的信息，最后结合目标的先验知识，对目标的航迹和目标的形状、 姿态作出正确的估计。 1 5 0 目标识别的特征分类 一般的目标识别方法主要是根据目标的如下一些特征来进行识别的： 1 ) 形状结构特征：只有当目标图像具有较高的对比度，并且目标在一定距离范 围内时，才可以获得目标的形状结构特征，一般来说目标的形状结构特征 都是基于二值图像来获取的，这些二值图像都是经过图像分割处理之后得到 的物体区域图像，或者是经过边缘提取处理所得到的物体边界。而对于形状 结构特征的表示又有两种方式：一类是数字特征表示，另一类是用字符串和 图等表示的句法语言等 2 , 1 1 , 2 1 】； 2 ) 运动特征：通过建立目标运动模型，可以获得目标的运动特征，从而对运动 目标进行检测和识别，但是目标运动模型的建立一般比较困难。对于运动目 标的检测，大致又分为两种方法：特征识别法和基于运动的识别法 2 4 , 2 8 。特 征识别法包括两个步骤： 苎二兰型l 一 a 一是从相继两幅或多幅不同时刻的图像中抽取特征( 如角特征点、特征线 等) ，并且建立对应； b 二是依据这些特征之间的对应来计算物体的结构( 形状、位置等) 和运动。 其优点是可以获取三维运动信息，对目标运动速度无限制，主要难点在于确 定和提取特征。而基于运动的识别法与它有很大不同，它把运动作为目标的首 要特征，一般采用的方法有提取光流场，帧间差分，减背景等1 2 川； 3 ) 灰度分布特征：在原始物体图像的基础上，分析物体表面灰度变化的规律， 可以获得物体的纹理特征等灰度分布特征。对于纹理特征的获取与分析，主 要有以下一些方法l 2 5 j ： a 基于算子的图像纹理特征提取：最有名的通过算子推导出的纹理特征是 l a w s 纹理能量测量。用一个小的( 如：5 5 ) 的算子模板和图像进行卷 积，对卷积后图像每个象素的邻域进行统计量计算( 如：邻域内的方差 等) 。将此统计量作为原始图像中对应象素点的纹理特征值，在此特征值 的基础上进行纹理分割； b 基于统计方法的纹理特征提取：基于灰度空间共发矩阵提取纹理特征的 方法已经有了很长的研究历史，它是一种重要的纹理分析方法。灰度共 发矩阵定义了一系列的特征值如：能量( 角度二阶矩) 、熵、自相关、局 部平稳度、惯性矩、聚类萌、聚类突等。这些特征已经被证明可以成功 地用于纹理分割及纹理分析； c 基于模型方法的纹理分割技术：由于分形维数和人们感觉的粗糙度有很 强的相关性，根据这个相关性以及分形生成的纹理的自然表现，可以用 分形函数来描述纹理模型，并且以分形维数作为纹理分割的纹理特征。 一般来说，纹理不是分形的，但是在某些特定的尺度范围内，可以看作 是分形模型；而随机场模型是以概率模型来描述纹理的随机过程，它们 对随机数据( 纹理的灰度信息) 或随机特征进行统计运算来估计纹理模型 的参数。通过对图像进行分块处理，在每个分块中估计模型参数，然后 对一系列的模型参数进行聚类，形成和纹理类型数一致的几类模型参 数，再由估计的模型参数对灰度图像进行逐点的最大后验概率估计，以 确定象素点最可能归属的概率： d 基于纹理结构的特征提取及分割方法：结构纹理分析和分割方法假设纹 理由精确定义的纹理基元组成，但是由于很多纹理违背这条假设，因此 结构方法的应用受到了很大程度的限制； e 基于空频域特征的分割技术：在纹理分割方法中统计方法被证明优于频 域技术，这是由于频域技术缺乏空间域的分辨性。但是空间频域技术拥 6 苎二童煎垄一 有空间和频域两方面的分辨性，某些性能优于统计方法。空间频域方法 可以表示空间局部区域频域的分布情况，克服了传统傅立叶( f o u r i e r ) 方法的不足，并且这种方法在频域和空间域都有较高的分辨率，和人的 视觉方式有相似性。 综上所述，没有那一种特征能够完全地描述一个物体的特征，并且以上这些 特征大多不能反映目标的本质特征，特别是当目标的姿态发生变化或者周围环 境发生变化时，它们就会随之而改变。 1 5 i 目标的g a b o r 小波特征 由于环境变化容易引起目标图像的变化，因此采用一般的图像处理方法，直 接从目标图像中提取目标的轮廓和外形是难以做到的。近年来的研究表明：g a b o r 小波提供了多精度、多通道表现图像空间域频率域特性的机制，较好地反映了 型i 物视觉神经元的感受野 3 , 6 1 。与其它方法相比，g a b o r 小波方法是一种多分辨 率的描述，并且能够较好地解决上述由于环境变化而引起的图像变化问题，对 此已有充分的理论依据并且能够有效地实现，所以采用它来进行目标的识别可 以获得较好的结果l l5 1 6 ，”j 。 通过g a b o r 小波的幅度、频率、相位特征来表示目标图像的特征，其中用 g a b o r 幅度响应表示目标图像的信号能量，并用于目标与模型间的匹配；g a b o r 小波的频率特征可以用来估计目标与模型间的相似性测度和尺度变化：g a b o r 小 波的相位特征可以用来评估模型与目标间的匹配结果。根据g a b o r 小波描述中不 同的局部特征，通过目标与模型库中某一模型的匹配可以实现目标的识别。 另外，采用g a b o r 小波的方法进行基于模型的目标识别还具有以下特点： 1 ) 对于目标图像，它不需要有十分清楚的目标形状与轮廓信息，而这些信息一 般都不能轻易地获得： 2 ) 它可以允许由于观察视角、目标比例、目标姿态和环境变化所引起的适度物 体变形，物体形状特征的变形程度由模型描述的几何约束条件来测量； 3 ) 通过物体模型的多尺度g a b o r 小波描述来估计物体的尺度，因此可以识别不 同尺度的物体： 4 ) 通过局部的基于g a b o r 相位的描述，可以精确估计物体与模型间的匹配结 果，因此g a b o r 幅度、频率、相位可用来进行模型g a b o r 网格的排列，物体 与模型之间的弹性匹配，物体尺度变化的处理以及用于匹配的调整与评估； 5 ) 一般情况下的目标识别，常常会出现待识别目标被遮挡的问题，这是一个不 容回避和忽视的重要问题，一种较新的方法是采用g a b o r 网格腐蚀与修复技 术来处理待识别目标被遮挡问题。通过网格排列算法进行初始匹配，从而迅 7 苎= 童堕堕一 速找到输入图像中的目标位置和尺度，并且对模型g a b o r 网格实施弹性变 形，同时根据被遮挡目标的先验知识，对覆盖在目标被遮挡部分的g a b o r 网 格实施腐蚀与修复，从而实现目标与模型的精确匹配。 1 5 2 目标识别系统的流程 本文所采用的基于g a b o r 小波的目标识别方法，其系统框图如图1 - 4 所示。 模 g a b o r制黼h 筒r 嚣h 嚣脊鞣卜 型 模型 目 小 网格匹配 标网 波 的弹结果 图 分 格 性匹评估 像 剖目摸g 超r 譬卜 排 解 配 歹| | 图1 4 基于g a b o r 小波的目标识别系统框图 该目标识别系统的一般流程如下所述：首先对输入的目标图像或模型图像进 行g a b o r 小波分解，其中模型图像的g a b o r 小波分解用于建立目标的g a b o r 小波 模型库，它是由目标模型的g a b o r 网格构成，网格的各个节点之中包含有该位置 处图像象素的g a b o r 小波特征；而目标图像的g a b o r 小波分解则通过一个 h o p f i e l d 神经网络分类器，从而实现目标图像的区域分割，以获得我们所需要的 感兴趣的目标区域；接着，根据目标g a b o r 小波模型库中的模型g a b o r 网格以及 感兴趣的目标区域，通过比例、平移和旋转变换可以将模型g a b o r 网格覆盖在感 兴趣的目标区域上，即模型网格排列，实现模型网格与目标区域的初始匹配， 为下一步的弹性匹配作准备：随后由模型g a b o r 网格依据弹性匹配算法进行弹性 变形，从而实现模型g a b o r 网格与目标图像的弹性匹配；最后，再根据相应的评 估准则对匹配结果做出正确的评估，以实现对目标的识别。 1 6目标识别技术的进一步发展 1 6 0 高性能传感器技术 根据未来的需要，美国等技术发达国家先后制订了一系列实时准确收集情报 的传感器研究开发计划。下面简要介绍其中雷达、光学和音响传感器的情况【2 6 】。 、 雷达 对雷达提出的主要要求是不仅能探测地面和空间目标，而且要能探测地下 箜二童燮l 一 和丛林隐蔽目标，并且能对这些目标进行分类和识别。根据上述要求，将开展 下列课题研究： 1 提高在严重干扰环境下探测小型目标的能力 利用低频超视距( o t h ) 雷达穿透丛林和地面探测目标，利用高频地波探测低 空巡航导弹；利用空间、时间自适应处理技术和外部发射源的移动平台探测严 重杂波中的目标：使用新算法( 如知识库技术和复数假说检测) 跟踪目标；用合成 孔径雷达探测静止目标： 2 提高分辨力和图像质量 在高海况杂波环境下对潜望镜进行有效探测：使用超商分辨力技术的逆合成 孔径雷达；为进行低角度跟踪，采用超宽频带降低多通路影响的技术。 二：、光电传感器 与雷达相比，光电传感器具有可提供高质量图像情报的优点，而且可广泛 用于飞机、舰艇和车辆等各种平台。开发光电传感器的广义目标是提供低价格 传感器，以满足对战术目标实施探测、识别交战、机动与损伤评估等要求，特 别是对战区弹道导弹的探测、识别和跟踪能力。为此将开展以下的课题研究： 可用于现有武器系统平台的小型低功耗多功能主动传感器( 以激光为基础) 及小 型高效激光源：开发低成本个人用传感器系统；利用多传感器系统，在提高性 能、降低成本前提下减小传感器尺寸；采用共用系统或分散型孔径系统提高情 报采集速率；为减少对空间分辨力的依赖，进行传感器融合的信号处理。 除了上述几点外，主要还有如下五个重点发展方向：被动光电传感器、主 动光电传感器、多功能传感器组、信号处理、建模与仿真。 三、音响传感器 它的开发目标是提高主动( 有源) 声纳的识别能力：以及开发适应多杂波沿海 环境的低虚警率、可以正确进行目标分类的高增益被动主动声纳系统；最终将 上述探测能力扩大到更远的战术距离。 1 6 1多传感器信息融合以及抗干扰技术 全天候、强适应性、高精度、高电子对抗以及抗干扰能力是未来信息处理 技术的总趋势，解决好各信源数据融合的问题，使每个传感器或信息源发挥最 佳作用，将是其中的关键。研究符合实际情况的数据智能融合算法，是实现最 优化多传感器系统的必然选择。在这些算法中，不同传感器数据的加权系数、 融合结构、融合模型将通过对环境、目标、干扰以及跟踪阶段等的综合分析与 判断来决定1 2 。 信息处理系统抗干扰的先决条件是在各种干扰中识别出有效的目标信息， 9 这就要在处理算法中充分考虑各种有源、无源干扰及地海杂波等的特性，如果 目标信号被干扰压制，有时还应根据威胁数据库正确分析、判别各种信号的威 胁等级，转而实施对最高威胁源的攻击。总之，信息处理必须具备智能选择滤 波、抑制、躲避、被动跟踪干扰源的能力。 另外，图像处理和识别的算法将在今后一段时期得到迅速发展，为实现高 分辨率、高抗干扰能力，大规模图像的处理技术将有大的突破。今后将在图像 补偿算法、优化或快速算法、多传感器数据融合算法等方面加强研究；优化或 快速算法的研究将在充分研究实际目标、环境特征的基础上进行；对于运动目 标、静止目标或空中、地面、海上目标来说，处理算法的特点都不相同。如对 宅中目标，仅考虑目标的旋转、平移、缩放不变的处理准则是不够的，因为目 标是在三维空间运动，还可能有沿各方向的转弯和翻滚。因此，综合各种信息 源的信息以及必要的先验知识将是提高抗干扰能力的一个有效手段。 1 6 2 自动目标识别技术( a t r 技术) a t r 技术是军事民用领域智能化程度的一个重要标志，是成像制导和高分 辨武器系统中的一项关键技术，近年来许多国家都将a t r 技术列为重点研究课 题，但是目前还只能实现在不太复杂的背景和较简单的作战条件下的a t r 系统 p ”。造成a t r 实现困难的主要难题可能包括：复杂的背景、多种形式的干扰、 1 益成熟的隐身技术、不断增长的目标机动性和灵活性。a t r 技术涉及了模式 识别、图像匹配、匹配滤波、人工智能等多个专业领域，而且面对条件的模糊 性和不确定性，将可能导致这些专业领域在理论上出现新的发展或分支。例如， 1 标像的闪烁和自然环境的影响将促使在图像匹配和匹配滤波中加入模糊分析 的成份，目标的复杂运动( 翻转、旋转等) 将可能引出全视角图像分析的新思路。 a t r 技术除了要解决现存的问题外，还将随着技术的进步不断应付新出现的问 题，因此a t r 今后要走的路还很远。 总而言之，目标识别是机器视觉系统中的一个关键部分，在绝大多数情况 下，要求识别系统具有不变性f 即平移、旋转及比例不变性) 的识别能力。一般来 说，目标识别的精度主要取决于目标特征的选择和所使用的分类器。与传统的 识别方法相比，遗传算法、人工神经网络、小波变换、分形几何等最新理论成 果在目标识别中的应用已显示出明显的优势 1 9 , 2 0 , 2 9 , 3 0 】，今后在这方面的研究将更 加广泛和深入。 0 第二章g a b o r 小波滤波器 在图像处理与计算机视觉领域，图像分割是一项困难而又重要的技术 1 6 g ，2 5 1 。在某种意义上，对于目标识别任务而言，图像分割结果的好坏直接影响 到目标识别的结果。一般而言，影响图像分割结果的因素主要有目标特征的选 取以及图像分割方法这两个方面，其中目标特征选择的是否准确，对分割结果 将起至关重要的作用。由于g a b o r 小波变换较好地描述了生物视觉神经元的感受 野问题【3 1 ，根据特定的视觉需要可相应地调整它的空间与频率采样特性，从而获 得我们感兴趣的目标特征，所以适合用于图像的分析与处理。 较早将g a b o r 小波变换技术应用于图像分割的a kj a i n 等人【l2 j 结合非线性 变换技术和均方差聚类技术，实现了对多种纹理的分割；x i n gw u 等人i l 刨将 g a b o r 小波变换技术用于红外目标的识别，取得了鲁棒的效果：p p r a g h u 等人 【】将g a b o r 小波变换技术与无监督神经网络技术联系在一起，对纹理图像进行 分割，也得到了良好的结果。 g a b o r 小波是这样一组相似的g a b o r 函数，它们相互之间有不同的相移、比 例尺度以及旋转方向：g a b o r 函数在空间一频率域同时进行测量，并且在这两种 域中都是局部的变换，具有明显的方向选择特性和频率选择特性；另外，g a b o r 函数有许多的自由度，允许通过调整空间与频谱特性来满足特定的视觉需要。 由于它可以较好地模拟人类视觉系统某些方面的特点，并且具有一些非常吸引 人的计算特性：如上述在空间域和频率域同时具有最优的局部化特点等，通过 改变g a b o r 小波的形状、带宽、中心频率和方向参数，我们可以设计一组g a b o r 小波滤波器来采样一幅图像的整个频率域，因此g a b o r 小波滤波器可以用来解决 各种图像处理与计算机视觉难题1 4 ，5 ，9 l 。 2 1 二维g a b o r 函数 1 9 4 6 年，g a b o r 在其名著“t h e o r yo f c o m m u n i c a t i o n ”中提出了一维的初等 函数族，后人称之为g a b o r 函数族。为了进一步描述生物视觉神经元的感受野， d a u g m a n 于1 9 8 0 年最早提出了一组具有不同参数的2 。dg a b o r 滤波器，这样 组滤波器可以捕捉到显著的空间局部调制特性，方向选择特性，空间频率选择 特性以及9 0 度相移关系等，因此用来模拟生物视觉神经元的感受野，可以得到 非常好的效果p j 。图2 - 1 所示为其中三个具有不同调制频率和调制方向的2 d g a b o r 滤波器，它们在空间域的脉冲响应函数g ( x ，y ) ( 图2 1 a 、b 、c ) 和它们 相应的2 - d 傅立叶变换f ( u ，v ) ( 图2 1 a 、b 、c7 ) ，其中a 、a 的调制频率 知调制方向分别为z 1 6 和1 3 5 。b 、b 的调制频率和调制方向分别为z 1 6 和 o 。，c 、c t 的调制频率和调制方向分别为石，1 6 和4 5 。；a 、a 7 为三维坐标图表 示，b 、b ，为三维网格图表示，c 、c 为二维灰度图表示。 c g 3 ( x ，y ) c7 f 3 ( u ，v ) 图2 - 1三个2 - dg a b o r 滤波器的空间域脉冲响应函数6 ( x ，y ) 及其2 - d 傅立叶变换f ( u ，v ) 一组2 do a b o r d 滤波器，在空间域的脉冲响应函数g ( x ，y ) 和它相应的2 - d 傅立叶变换f ( u ，v ) 的一般形式如下： g ( x ，y ) = e x p ( - n ( x x o ) 2 口2 + 一y o ) 2 2 】) e x p ( - 2 用 u o ( x - x o ) + v o ( y - y o ) ) ( 2 1 ) m ，v ) = e x p ( 叫堕+ 尘菩】) e x p ( - 2 卿加强m 渺一啪 1 2 可以看出2 - dg a b o r 小波滤波器的脉冲响应函数o ( x ，y ) 和它相应的2 - d 傅立 叶变换f ( u ，v ) 具有非常相似的函数形式，2 d 傅立叶变换的平移、相似和调制特 性分别由位置参数( ，y o ) 、比例参数( a ，) 和调制参数( “o ，v o ) 反映出 来。 显然，利用2 - d g a b o r 基本函数族的各个参数，可以直接捕捉到诸如视觉空 f b l ( ，y 。) 、空间维数( a ，f 1 ) 、所选择的方向和空间频率( 可以通过将 ( “。，v 。) 参数转换为极坐标下的形式来获得) 以及相对于所选方向和空间频率 的调制带宽( 由u 。，v 。和口，共同确定) 中所表现出来的局部主要神经生理 特性。总之，这种描述便于提取出图像的局部2 - d 频谱信息( 纹理、尺度、调 制轴等) ，而且并不会丢失2 d 空间位置信息和各种度量之间的关系信息。 2 2 二维g a b o r 小波滤波器 由于目标图像表现出准周期性的统计特征，并且目标图像中有不同的主要频 率和其它一些次要频率分量，其频带宽度一般较窄；而g a b o r 小波是一组窄带带 通滤波器，在空间域和频率域均有较好的分辨能力，有明显的方向选择和频率 选择特性。我们所采用的二维g a b o r 函数，它的脉冲响应函数表达式i l6 】如下： g 。脚) - e x p - 石+ 忙舯h 小v 。娜 “= 饥c o s o ，v = 啡s i n 0 ， ( 2 - 3 ) 计 盎咖s i n 蚍ol l x - x , ， 其中( t ，y ，) 为椭圆高斯窗的空间质心，它控制高斯窗的空间位置；o 为高斯窗的尺度因子，它控制滤波器的尺度大小和带宽；o 【为高斯窗的纵横比， 它与旋转参数九( 一般设为0 1 ) 控制空间窗口的形状和频谱带宽；嘶与曰， ( k ，1 n ) 分别为调制频率与调制方向，实验中我们针对不同的目标图像选择适 当的。和0 1 ，使g a b o