【《基于无人机目标的特征提取及目标识别算法探析案例》5300字】

基于无人机目标的特征提取及目标识别算法分析案例目录TOC\o"1-3"\h\u26490基于无人机目标的特征提取及目标识别算法分析案例 1144221.1红外图象识别概述 1140111.2无人机目标特征提取及目标的检测识别 378911.2.1红外辐射图像统计特征提取 3230741.2.2红外辐射图像几何特征提取 5136021.2.3目标多特征决策融合识别 616091.3基于模糊理论的目标多特征识别算法 644951.3.1建立元素集 7174071.3.2建立目标识别的模糊输出评价集 8324031.3.3建立模糊规则 91.1红外图象识别概述在基于红外目标图像进行识别时，一般主要是基于目标特征的识别方法和基于图像匹配模板的目标识别方法，在这两种方法的基础上衍生出了基于特征提取与图像分割的识别技术、基于先验知识建模的目标识别方法、基于先验知识建模的目标识别方法等几种目标识别算法。这三种方法前两种属于基于特征识别的范畴，而第三种则属于模式识别的方法。1）基于特征提取与图像分割的识别技术此技术是对图像进行分割后的基础上提取目标的特征，从而对目标进行识别。对目标进行图像分割是基于图像的亮度、颜色与纹理信息等将图像分割成不同区域，从而实现对图像中的感兴趣区域的有效分割。图像分割技术作为目标识别中的重要的一部分，其分割算法效果的好坏将直接决定着后续目标区域特征提取与识别的准确程度。图像分割算法一般为阈值判别法、基于像素聚类法、基于区域的方法这三种。2）基于先验知识建模的目标识别方法基于先验知识建模的目标识别方法主要分为三个步骤：第一步：在以获取的待建立的模型的约束条件，提取和归纳待识别目标的可靠特征。第二步：基于构建的约束条件下对所需要用于识别的特征进行训练。最终获取可靠的识别模型；第三步：对待识别的目标图像进行有模型的约束条件下的，完成基于特征假设的推理与判断，最终获得对待识别的目标图像中的目标识别结果。基于这一类的目标识别方法，是自顶向下进行的算法思路，可将整体过程划分为四个不同的层次结构，分别是提取特征层、描述层、语义层和知识显示层等。提取特征层意即对输入的待测目标图像中的点、线、面等最基本的特征进行相应提取；而对于将由特征提取层获取得到的特征向量进行更一进步的描述则被称为描述层，由此形成一定的形状、纹理等要素；而再进一步的将描述的语义要素与目标特性进行对应映射的过程则可被称为语义层，比应用圆形、矩形等简单纹理等，一起组成推理判断过程中的的字典；相应的在知识显示层中对知识的构建、管理以及推断则可通过判断各语义概念间的联系来共同完成的。基于机器学习智能目标识别。机器学习的应用，标志着人工智能技术的高度发展，同时也成为计算机领域最有影响力的技术之一[52]。机器学习的目的是为了使机器进行相应的学习和对已知事件训练，由认知事件才能准确的对新事件进行预测。相对于图像的目标识别来说，机器学习则是通过学习、分析和总结大量样本目标（即分类器）来获取特定目标的完整性恶的描述，最终可实现对待测图像中的目标进行准确识别。传统的机器学习方法主要包括决策树，分类器（K最近邻分类器、贝叶斯分类器），SVM，Adaboosting，集成学习以及神经网络等。基于对目标识别算法研究，本文结合红外探测系统对无人机目标探测背景，提出一种基于目标多特征的无人机目标识别方法，该方法首先由红外成像探测系统对待测区域进行扫描获取待测区域内目标的红外辐射图像，并结合目标探测的环境对获取的红外图像进行预处理以滤除图像相应的噪声并对目标进行相应增强；基于预处理后的目标应用自动阈值分割算法对红外图像中的目标区域进行分割，尽可能的保留空域中感兴趣的区域；接着基于图像分割的结果，提取目标的相应的全局特征以及局部特征，由于所获取的图像为红外图像结合目标的红外辐射的特性提取了目标的灰度直方图这一统计特征，同时根据分割后的感兴趣区域的面积以及最小外接矩形的几何特征，又进一步提取了感兴趣区域与最小外接矩形的面积之比特征以及感兴趣区域最小外接矩形的高(H)与长(L)之比特征；基于上述三类特征，利用其分别对目标进行识别，获取各自的识别概率，为进一步提高对目标识别精度，对种识别结果再次进行决策识别，以避免但特征造成的目标误报现象，最后对目标识别判定并上报目标的一些位置信息，以便实现对无人机目标反制打击。如图1.1为基于多特征的无人机目标识别流程框图。图1.1基于多特征的无人机目标识别流程框图1.2无人机目标特征提取及目标的检测识别在第三章中以利用自动阈值分割算法对获取的红外图像进行了阈值分割，获取了红外图像中辐射较大的区域（该区域包含了无人机目标所在的区域），为进一步对目标进行识别判定，本小节在第三章分割后的蜂群无人机图像的基础上提取目标的特征，并在特征的基础上对目标进行检测识别。1.2.1红外辐射图像统计特征提取在无人机目标的红外辐射图像中，不同目标的红外辐射灰度值的分布存在不同的规律，所以统计红外图像中的灰度值分布情况可作为无人机目标的特征进行提取，由于在第3.3.2小节中由基于自动阈值的图像分割处理获取的最终图像为二值图像，难以体现目标辐射特征的分布情况，所以将二值化的图像中的目标区域映射到原始图像中，以尽可能的保留目标的辐射信息。通过对强辐射区域进行与原始图像灰度值的映射，获得无人机目标红外图像在分割状态下的红外图像，如图1.2(a)所示的图像。该映射关系的公式如式1.1所示。 (1.1)式1.1中为原始的红外图像的像素点，为阈值分割分割的二值图像的像素点。该公式是通过图像中“1”值的判别来完成与原始图像的映射。通过原始图像的映射的红外图像为灰度图像，在灰度图像中可通过提取图像的灰度直方图来描述图像的全局变量，由图像的灰度直方图所提取的特征具有旋转、缩放和位移不变性[53]，但其不足之处时是不能够有效地反应图像的空间信息，如图1.2(b)表示的是一幅无人机图像的灰度直方图。图1.2生成无人机目标的灰度直方图在灰度图像的定义中通常时将灰度图像的灰度直方图就是一定灰度等级的进行离散化，可以用公式1.2表灰度直方图的函数意义。 (4-2)公式1.2中表示灰度等级，表示所划分的图像的灰度级种类数，是图像中在灰度级为这一等级下的所有像素总个数，为图像中所有的像素的总数[40]。公式（4-1）描述的是图像中的某一灰度级的像素的个数占图像总像素的百分比，即图像中具有的灰度级i的像素出现的频率。其横坐标是灰度级，纵坐标是该灰度出现的频率[40]。在进行目标识别时，通常需要把红外图像的直方图转换为具有统计量特征的图像进行识别，这些统计量通常称为直方图的统计特征。一般用均值、方差、歪斜度、峰态、能量以及熵这几类来反映图像的直方图特征：1）均值：主要反映一幅图像的平均灰度值。 (4-3)2）方差：主要反映一幅图像的灰度值的离散分布情况[41]。 (4-4)3）歪斜度：主要反映的是图像直方图分布的不对称情况，如果歪斜度越大表示表示直方图分布越不对称，反之越则对称[41]。 (1.5)4）峰态：主要反映的是图像的灰度分布在接近均值情况下的大致状态，可用于评判图像的灰度分布在平均灰度附近的集中情况。当峰态值越小，表示其越集中；反之，表示则表示越分散[41]。 (1.6)5）能量：反映图像灰度分布的均匀程度，灰度分布越均匀则时能量就越大，反之则较小。 (1.7)6）熵：体现直方图灰度分布的均匀性。 (1.8)在本文中为充分反映蜂群无人机目标的红外图像的灰度分布情况，选取在去除图像背景情况下的目标图像也即映射的红外图像为灰度图像，这样更能体现出所测目标的统计特征情况，本文选取灰度直方图统计量特征中的方差、歪斜度、峰态、能量、作为一组特征对目标进行识别判定可由获取的灰度图像特征中的方差，歪斜度特征，峰态特征。能量，则目标灰度直方图统计量特征可由向量表示。将待测目标的灰度直方图统计量特征与真实目标中的灰度直方图统计量特征所对应的标准的四个参数作差。 (1.9)选取式中、、以及可四个参量进行等级划分：如对等级划分：a等级、b等级、c等级，其他参量同上进行划分。对四特征参量模糊化，建立相应的输入输出隶属度函数以及规则，可应用模糊推理论并在基于目标统计特征的基础上获取目标的识别率。1.2.2红外辐射图像几何特征提取红外成像探测系统对空中无人机目标进行扫描时，由于其“低慢小”的特点造成了探测系统的视场角特别大，所以获取的无人机姿态的种类不会太多，多以如图1.2(a)的姿态形式存在，在相应姿态下获取的图像信息中无人机目标在图像的面积信息，因其与探测器探测距离的远近而存在不同的差异，故面积特征不足以描述目标的特征。在这里由分割后的目标区域引入其最小外接矩形特征。如图1.3无人机目标最小矩形特征所示，目标区域的最小外接矩形特征的长（L）和高（H）在目标姿态固定的情况下，其比值关系也是相应不变的，同样在同类目标的对应姿态下其目标区域与其最小外接矩形的面积之比也存在稳定不变的关系。图1.3无人机目标最小矩形特征基于上述的分析研究，所以选取最小外接矩形特征的长（L）和高（H）之比以及目标区域与其最小外接矩形的面积之比作为目标的几何特征和来对目标进行检测识别。在求取两类特征的基础上应首先提取目标的面积以及最小外接矩形的长（L）、高（H）、面积。在此基于3.3.2小节中由基于自动阈值的图像分割处理获取的最终图像为二值图像的基础上提取相应特征。求出前面获取的二值图像中求取某一连通域中非零点的个数即为该目标区域点的个数，也即该区域目标的面积； (1.10)由于图1.3可知，在对图像分割后所获得的区域可能不止一个区域，尤其对于蜂群无人机目标，其最终分割出的目标区域一定会存在，故对其分别提取可获得该图像的感兴趣目标面积特征，同样每一目标区域应用格雷厄姆法去计算出目标图像的凸壳，并以旋转或投影的方式得到目标的最小面积矩形，同时得到最小矩形的长（L）和高（H）值。所以可得每个目标的面积和长（L）和高（H）比值。 (1.11) (1.12)在此基础上可得到目标区域与其最小外接矩形的面积之比，最终可得两类几何特征和。表1.1为从无人机目标中提取的目标几何特征参量。表1.1无人机目标几何特征参量最小矩形面积()目标面积()最小矩形长高比()目标面积与最小矩形面积之比()475220570.48480.43281006710.67003402231.17640.6558与目标特征一样，几何特征和同样通过对比真目标参数库内相应的特征建立输入输出模糊隶属度函数，应用模糊推理理论分别求出目标的识别率和。1.2.3目标多特征决策融合识别为进一步提高目标识别的可靠性，在基于三类特征识别的基础上，结合三类特征的识别结果，应用模糊识别原理，分别建立基于三种识别概率的输入输出隶属度函数，并由相应的规则将系统在三种特征识别的基础上对识别概率融合，求出目标最终识别概率。1.3基于模糊理论的目标多特征识别算法模糊逻辑理论最早是在1965年由美国著名系统理论专家加利福尼亚大学的L.A.Zadeh(1965)教授提出，并建立了模糊集合论[43]，模糊集合论的概念，是将边界不清晰的事物应用具体或确定的数学方法去描述的一种数学方法。在经典的集合认知中，通常是将客观事物的函数用“是或不是”的这一概念笼统的去表述。但是在很多具体的事物用“0”或“1”来进行表示时，对这些事物的描述就不是那么准确了。模糊集合论就是将笼统的“0”或“1”的表述扩展到了闭区间更精确的描述事物。将这一思想扩展应用到实际的工程应用中是对模糊逻辑理论上的创举。基于模糊识别的模糊集方法是在模糊理论的基础下对传统模式识别方法（即统计方法和句法方法）的进行一步的完善和补充，其完成对一些模糊事物的准确识别判定[71]。通过对大量的信息进行目标识别并根据标准数据库的对应参数进行对比，应用模糊理论对目标特征信息进行判别[71]。本文结合无人机目标的红外图像的成像特点，通过获取相应的图像处理获取分别获取了目标的统计特征以及几何特征，并结合相应特征分别对目标识别。最后结合各分识别结果应用模推理算法对目标进行决策识别。分别通过建立元素集、评价集、建立相应的模糊规则最后实现对目标的决策判别。为实现对获取的无人机目标的红外图像，对红外图像中的目标进行识别，在本节基于前面获取的目标特征基础上建立相应的元素集，对特征进行相应的量化。结合获取的真实目标参数库建立相应的模糊评价集。在建立的模糊规则的基础上完成对目标判别。1.3.1建立元素集设集合为元素集，又可被称为论域，由一般元素用来表示，在的子集由隶属度函数表征，它的值域为。表示隶属于的程度大小，越趋近于1，表示隶属于的程度愈大。从目标中提取了个特征参量，可建立个元素集，每个特征参量可划分三个等级，故每个元素集可设置三个子集。 (1.13) (1.14) (1.15)图1.8输入隶属度函数1.3.2建立目标识别的模糊输出评价集设置目标的识别率的论域是，其中的是论域上的五个子集，分别表示“极高”、“高”、“中等”、“一般”、“低”。建立其相应的模糊输出的隶属度函数： (1.16) (1.17) (1.18) ( 1.19) (1.20)图1.9输出隶属度函数1.3.3建立模糊规则 (1.21)模糊规则用连接，故使用最小操作，计算触发的规则中最小标量输出： (