一種新的紅外機動目標識別算法

李一波，齊萬旭

(沈陽航空航天大學自動化學院，遼寧沈陽110136)

1 引言

隨著紅外成像技術的發展，紅外目標識別技術已經被廣泛的應用［1］。許多模式識別方法已經成功的應用在了紅外目標識別技術中［2－3］。BP神經網絡因其具有很好的自組織、自學習，能對信息分布存儲且并行處理信息等優點而被廣泛的應用在模式識別領域。然而，傳統的BP神經網絡算法存在易陷入局部極小值、收斂速度慢等問題。一些研究者為了彌補BP神經網絡算法的不足，將一些群體智能算法與BP神經網絡算法相結合，在很大程度上改善了BP神經網絡算法的不足［4－5］。細菌覓食優化算法(bacteria foraging optimization algorithm，BFOA)［6］作為群體智能算法之一，自從被提出以來，因其具有并行搜索、易跳出局部極值等優點并且由于其構造的直觀性等特點，它已經被應用在許多工程領域［7－9］。然而，將基本的 B FOA 作為優化工具處理高維問題時，其收斂精度和速度都明顯下降。因此本文通過自適應BFOA優化BP 神經網絡來彌補BP神經網絡易陷入局部極小值、收斂速度慢等缺陷。

本文以坦克目標作為識別對象，通過大量的研究對比發現，在紅外圖像中，不同類型的坦克其履帶部分的結構類似，并且在實際戰場環境中，坦克的下部很容易被遮擋，因此不適合作為分類識別的特征信息。同時，紅外圖像與可見光圖像相比存在目標與背景灰度對比度低、目標輪廓不清晰等不足［10］。因此，本文通過去除坦克目標的下部分區域信息，根據目標在圖像中的左右兩個極點及其上部分的邊緣信息通過局部區域面積比構造特征向量，從而降低邊緣信息不精確的影響。通過本文提出的特征提取方法與優化BP神經網絡方法相結合，實現了對未被遮擋的目標和局部被遮擋的目標的有效識別。

2 細菌覓食優化BP神經網絡

2．1 細菌覓食優化算法

BFOA［6］是根據人體內大腸桿菌的生物行為提出的一種全局范圍內隨機搜索最優解的算法。細菌覓食行為包括尋找營養區域并決定是否進入這個區域搜索食物，決定繼續在當前區域搜索食物還是尋找其他營養更豐富的區域。細菌的整個生命過程中都在以游動和翻轉兩種方式交替的進行運動。細菌通過翻轉運動通常產生一個隨機的運動方向，但是這種隨機方向會傾向于偏向前面游歷過的區域，因此它是一種有偏向的隨機游動。BFOA根據細菌的覓食行為提出的主要通過趨向性操作、群聚操作、復制操作以及遷徙操作來迭代計算求解問題。下面對此四種操作加以簡述。

2．1．1 趨向性操作

通常情況下，細菌通過其表面的鞭毛在營養豐富的區域進行較多的游動，在營養較匱乏的區域進行較頻繁的翻轉。BFOA依據細菌的這種行為稱為趨向性行為。規定細菌種群的范圍為S，用N維向量 θi=［θi1，θi2，…，θiN］表示細菌個體i的位置信息，同時也是求解問題的一個候選解，則趨向性行為可表示為:

其中，θi(i，k，l)，i∈S 表示細菌種群 S 中細菌 i在經過了第j次趨向性操作第k次復制操作第l次遷徙操作后的位置信息;C(i)表示游動的單位步長;?(j)表示翻轉之后確定的一個隨機游動方向。

2．1．2 群聚操作

細菌在按照自身的方式移動的同時也受到種群中其他細菌個體對其發出的吸引和排斥信號，使其有向種群中心移動的趨勢同時也與其他個體保持一定的距離，這種細菌的群聚性在BFOA中表示為［11］:

其中，Jcc表示細菌個體受種群的影響值;P(j，k，l表示種群 S中所有個體的位置信息。dattract，ωattract，hrepellent和ωrepellent是表示吸引和排斥的參數值。

綜合考慮種群中第i個細菌自身的移動方式及受細菌種群影響兩方面因素經過一次趨向性操作得到更新的適應度函數值為:

2．1．3 復制操作

整個細菌種群的所有個體經過趨向性操作之后，計算并排列所有細菌個體的適應度值，淘汰掉種群中適應度值差的S/2個細菌個體，并復制適應度值好的S/2個細菌個體以保證種群總體數量的不變，被復制出來的新的細菌個體與適應度值好的S/2個細菌個體具有相同的位置信息。

2．1．4 遷徙操作

遷徙操作能夠有效地輔助趨向性操作，當細菌個體所處的環境不適宜其生存時，它將以一定的概率發生遷徙，即在解空間的其他位置產生新個體并且原個體消失。這樣保證了趨向性操作過程跳出局部最優解進行全局尋優。

2．2 BP 神經網絡

典型的BP神經網絡如圖1所示，有一個輸入層、一個輸出層并且至少有一個中間隱含層，每一層的各個節點都通過權值連接到下一層的所有節點。隱含層的多少沒有理論上的限定，但是通常情況下隱含層一般為一層或者兩成。

圖1 典型BP神經網絡結構

在BP神經網絡中通常選擇式(4)可微的Sigmoid函數最為輸出函數，通過等式(5)計算出神經網絡中期望輸出T與實際輸出O之間的方差E。

其中，M為輸出節點個數;N為訓練樣本個數。

BP神經網絡因其自身的非線性結構特點使其能夠以很小的誤差很好的逼近復雜的連續函數，并且具有很強的自學習能力，但是因為其通用梯度法修正權值，使其存在易陷入局部極小點，不能保證全局收斂，泛化能力不強等缺點［12］。

2．3 ABFO訓練BP神經網絡

鑒于上述傳統的BP神經網絡存在的缺點和不足，本文采用自適應趨向性步長的細菌覓食算法［13］訓練BP神經網絡(adaptive bacterial foraging optimization in BP neural network，ABFONN)，從而避免其陷入局部極小點的情況發生并且提高收斂速度。ABFONN模型由三維空間D={N，S，Tmax}構成，其中N是由BP神經網絡結構根據式(6)得到的所有連接權值及所有隱含層和輸出成層的閾值組成的元素個數為n的搜索空間向量，S取為能被2整除的種群規模向量，Tmax為趨化次數Nc、復制次數Nre與遷徙次數Ned的乘積，即為ABFONN的最大迭代次數。式(5)作為細菌的適應度函數。

其中，I為網絡中輸入節點數;H為網絡中隱含節點數;O為網絡中輸出節點數。

在ABFONN的隨機初始化步驟中向量N和向量S中的所有元素的值是由［0，1］內產生的隨機數。

圖2 ABFONN流程圖

圖2 所示為ABFONN流程圖，其中，Emin為網絡訓練的最小期望方差，Cinitial和εinitial為細菌個體的初始步長和初始精度目標，T為ABFONN從第一次到最大次Tmax的計數。

3 特征提取

文獻［14］利用機動目標的邊緣信息構建特征量，但是紅外圖像獲取過程中目標圖像衰減比較明顯，并且因機動目標發熱不均的特性等所致紅外圖像中目標的邊緣比較模糊，因此本文提出一種以目標的局部區域信息構造特征量的方法從而很大程度的降低了目標邊緣模糊對識別效果的影響。本文以坦克作為識別對象，通過對比不同類型坦克數據可知不同類型坦克的主車體部分結構類似，而車體上的炮塔部分外形差別明顯。本文根據不同類型坦克的結構特點并充分考慮到實際作戰戰場的環境復雜性，提出一類能有效識別局部被遮擋坦克目標的特征量。本文特征量的提取以圖3所示對圖4(a)中的坦克目標進行特征提取為例加以詳述。

圖3 特征提取方法

進行特征提取時，去除了坦克的主炮，因為不同類型的坦克其主炮類似并且通過戰場環境獲取的帶有強烈噪聲的圖像中很難精確的提取出主炮部分。圖3所示為圖4(a)中坦克去除主炮的二值圖像，并將特征提取的構建方法附加其上。圖3中所示，a點為目標區域的極左點，若存在橫坐標相同縱坐標不同的多個極點時，選取縱坐標值大的點作為極點，即選取的極點較其他相同橫坐標的點在目標上的位置更高，b點為目標區域的極右點，其選取的原則與取極左點相同。o點為直線段ab的中點，過o點作直線段ab的垂線交ab以上的目標邊緣于c點，c'點為直線段oc的中點，以c'點為頂點c'c為角平分線作直角分別交目標邊緣于f，g兩點，d點為/aoc的角平分線與目標邊緣的交點，d'為直線段od的中點，同樣以d'點為頂點d'd為角平分線作直角分別交目標邊緣于h，i兩點。用上述同樣的方式得到e點及直角je'k。

通過上述構造的線段及點建立體現全局特征的特征量。設整個坦克目標區域的面積為S，即S為目標區域像素點個數，局部區域 abca的面積為Sabca，同樣定義面積全局特征量定義為:

根據式(7)和式(8)建立的全局特征量和局部特征量組成特征向量為:

上述局部特征的建立僅僅需要目標的左右極點及兩極點上部的目標邊緣信息，因此即使目標的局部區域被遮擋也能建立完整的局部特征量，并且通過邊緣等信息建立的面積比值方法能很好的降低因目標邊緣模糊使信息不精確造成的影響。

4 實驗結果及分析

4．1 神經網絡訓練及測試

本文以某軍區實戰演習的坦克紅外圖像組成訓練樣本集和測試樣本集。訓練樣本集由兩種類型坦克組成，每類坦克選取80幅圖像，其中包括未被遮擋的坦克紅外圖像40幅，坦克局部被遮擋的紅外圖像40幅，另選取40幅帶有虛假目標的圖像。用于測試的樣本集有兩個，一個樣本集中選取未被遮擋的兩類目標圖像各60幅，另選取30幅帶有虛假目標的圖像，另一個樣本集選取局部被遮擋的兩類目標圖像各60幅，同樣選取30幅帶有虛假目標的圖像。樣本集的部分圖像如圖4所示。

實驗以MATLAB軟件編程實現，用ABFONN、基本的BFOA訓練BP神經網絡方法(BFONN)和標準BP網絡(BP-gd)進行訓練并通過測試比較。BP神經網絡的輸入節點根據本文提出的特征提取方法設置為10個，20個節點的單個隱含層，輸出節點3個。ABFONN的初始化參數如表1所示。設BFONN的固定步長C為0．1，其他參數與ABFONN相同。對3種算法進行20次獨立運行。同時，本文以文獻［14］中的特征提取方法，用4個全局特征量和12個局部特征量經過高斯分布歸一化組成一組特征向量，同樣以上述訓練樣本和測試樣本對ABFONN，BFONN和BP－gd進行訓練并測試，此時的網絡隱含層節點數設定為36個，輸出節點仍為3個，根據公式(6)設置在BFONN和ABFONN中的搜索空間維度N均為795，其他參數與表1相同。

表1 ABFONN的初始化參數

4．2 訓練及測試結果分析

表2所示為3種算法分別用文獻［14］和本文中的提取方法得到的特征向量經過20次運行后得到的迭代次數與訓練誤差的平均值。從表中可以看出，ABFONN在迭代次數上與BFONN和BP-gd相比具有明顯優勢，ABFONN的訓練誤差也明顯小于BP-gd。同時，通過表中兩種特征量的訓練結果比較可以看出，應用本文提出的特征提取方法用較少的迭代次數就能達到與文獻特征提取方法相同的訓練精度。

表2 3種算法迭代次數與訓練誤差(文獻方法/本文方法)

表3所示分別為用文獻［14］和本文中的特征提取方法得到的特征向量通過BP-gd，BFONN和ABFONN三種算法訓練的神經網絡對測試樣本進行測試得到的結果。從表中可以看出，經過ABFONN訓練得到的神經網絡對目標的識別效果要優于BFONN和BP-gd，本文的特征提取方法與文獻［14］中的方法相比在識別效果上為理想，不僅對未被遮擋的目標有更高的識別率，同時，對局部被遮擋目標也能有效的進行識別。

表3 文獻和本文的特征提取方法的識別結果(BP-gd/BFONN/ABFONN)

5 結論

通過實驗證明，本文應用的自適應步長BFOA對BP神經網絡進行訓練與BFONN和標準BP網絡相比，能通過更少的迭代次數得到更為精確的神經網絡。同時，經過實驗驗證，本文提出的特征提取方法應用于紅外機動目標的識別上也有較為理想的效果，并且對于目標存在局部被遮擋的情況也能有效的對其進行識別。實驗結果表明，本文提出的特征提取方法及識別方法應用在紅外機動目標識別中具有一定的實用價值。

［1］ Coutts-Lendon C A，Wright N A，Mieso E V，et al．The use of FT-IR imaging as an analytical tool for the characterization of drug delivery systems［J］．Journal of Con-，2003，93(3):223 －248．

［2］ Ge Fengwen．Application of SVM classifier in IR target recognition［J］．Physics Procedia，2012，24:2138 －2142．

［3］ Wang Xiaojian，Ma Ling，Fang Xiao，et al．Knowledgebased automatic recognition technology of radome from infrared images［J］．Proc of SPIE，2009，7383:1 －6．

［4］ Li Hui，Hu Caixia，Li Ying．Application of the purification ofmaterials based on GA －BP［C］//International Conference on Future Electrical Power and Energy Systems，2012:762－769．

［5］ Zhang Jingru，Zhang Jun，Lok TM，etal．A hybrid particle swarm optimization-back-propagation algorithm for feedforward neural network training［J］．Applied Mathematics and Computation，2007，185(2):1026 －1037．

［6］ Passino K M．Biomimicry of bacteria foraging for distributed optimization and control［J］．IEEE Control Systems Mag，2002:52 －67．

［7］ Tripathy M，Mishra S．Bacteria foraging-based to optimize both real power loss and voltage stability limit［J］．IEEE Transactions on Power Systems，2007，22(1):240 －248．

［8］ Kim D H，Cho JH．Adaptive tuning of PID controller for multi-variable system using bacterial foraging based optimization［C］//LNCS 3528:AWIC 2005，2005:231－235．

［9］ Chatterjee A，Matsuno F．Bacteria foraging techniques for solving EKF-based SLAM problems［C］//Proc International Control Conference(Control 2006)，Glasgow，UK，2006．

［10］ Sun Xinde，Bo Shukui，Li Lingling．Study of infrared image clutter suppression based on background estimation［J］．Laser ＆ Infrared，2011，41(5):586 －590．(in Chinese)孫新德，薄樹奎，李玲玲．基于背景估計的紅外圖像雜波抑制方法研究［J］．激光與紅外，2011，41(5):586－590．

［11］ Das S，Biswas A，Dasgupta S，etal．Bacterial foraging optimization algorithm:Theoretical foundations，analysis，and applications［J］．Foundations of Comput Intel，2009，3:23－55．

［12］ Chauvin Y，Rumelhart D E．Backpropagation:Theory，architectures and applications［M］．Erlbaum，Mahwah，NJ．1995:561．

［13］ Chen Hanning，Zhu Yunlong，Hu Kunyuan．Self-adaptation in bacterial foraging optimization algorithm［C］//2008 3rd International Conference on Intelligent System and Knowledge Engineering(ISKE 2008)，2008:1026 －1031．

［14］ Sun SG，Park H W．Automatic target recognition using boundary partitioning and invariant features in forwardlooking infrared images［J］．Optical Engineering，2003，42(2):524－533．