基于局部和整體特征的飛機識別方法

摘 要： 隨著衛星圖片分辨率的提高，為了更準確的對機場區域飛機進行識別，首先對圖像分割得到待處理的有限識別區域，然后采用局部特征和整體特征對圖像中各區域進行判定，排除干擾區域。同時為了減少飛機識別時間，用圖像配準方法將測試飛機方向固定，這樣飛機庫中不需要全方位的飛機圖片，大大減少了飛機數量，減小了計算復雜度。實驗結果表明該方法在飛機識別中有較好的識別效果。

關鍵詞： 飛機識別； 局部特征； 整體特征； 飛機圖片

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2013）14?0044?04

Aircraft recognition method according to local and global features

LI Yu， WU Zeng?yin

（Xi’an Institute of Space Radio Technology， Xi’an 710071， China）

Abstract： With the improvement of the satellite image resolution， in order to distinguish the aircrafts in the airport more accurately， the limited recognition area is got first through image segmentation， and then each area of the image is judged accor?

ding to the local feature and global feature in the image， so as to suppress the interference region. For the sake of reducing aircraft recognition time， the image matching methods is used to fix the plane direction so that all?around airplane images are not needed， thus the number of aircraft images and calculation complexity are greatly reduced. The experimental results show that this method has a good recognition effect in the identification of aircraft.

Keywords： aircraft recognition； local feature； overall feature； aircraft picture

0 引 言

目標定位的準確性是識別系統的重要指標，其中飛機在圖片中的識別具有重要的軍事意義。

近年來，機器視覺領域不斷發展，有大量的識別方法相繼出現，文獻[1]提取了Hu矩、Zernike 矩特征，并用支持向量機作為工具得到了較好的識別效果。文獻[2]在提取不變矩特征的基礎上，根據飛機的結構特殊性，引入了飛機的角點特征，在圖中成功識別出目標。文獻[3]通過核聚類算法將圖像中背景角點和飛機角點分為兩類，在模糊圖像識別領域中有較高的優越性。

本文首先根據位移，旋轉，尺度不變形，對形態學處理后的圖像進行角點提取，由于機頭、機翼、機尾處角點特征明顯，根據角點個數與區域面積比值對區域進行判別，然后再對判別后的有效區域進行局部特征和全局特征提取，對飛機區域識別。最后在建立的飛機庫中進行類型識別，得到實驗結果。

1 圖像預處理

圖像預處理[4?6]是圖像識別的第一步，經過處理后的圖像更容易提取出目標的特征，減小噪聲和無關物體對識別過程的影響。由于灰度圖像和彩色圖像同時可以呈現圖像的色度以及亮度等級的特征，而對灰度圖像的計算量遠小于彩色圖像，所以通常把圖像轉化為灰度圖像再進行處理。

1.1 中值濾波

采用中值濾波對灰度化圖像進行處理，可以平滑噪聲，提取邊緣信息，中值濾波的原理就是把圖像中某點的像素值用該點鄰域的像素平均值代替，圖1為北京機場的一幅圖片，圖2為中值濾波對圖像處理后的結果。

1.2 形態學圖像處理

中值濾波后的圖像邊緣信息更加明顯，將圖像二值化后得到圖像如圖3所示，以下是形態學圖像處理的步驟：

（1）首先飛機內部有明顯的瑕疵，導致飛機不是一個連通的區域，因此采用形態學處理中膨脹操作解決此問題。

圖1 原圖像

圖2 中值濾波后的圖像

圖3 二值化后的圖像

（2）為了使飛機保持原有的形狀規模不變，再對飛機進行腐蝕操作，如圖4所示，飛機內部基本是一個連通體，內部干擾點被去除。

圖4 形態學圖像處理后的圖像

1.3 角點提取

飛機的輪廓比較特殊，可以近似看成一個多邊形。角點是其重要的特征，飛機結構中機頭、機翼、機尾部位都具有明顯的凹凸性，導致飛機角點分布有一定規律，而且考慮到飛機結構的對稱性，飛機角點在區域對稱軸左右數量基本是一致的。下面根據角點特征對圖像中有效區域進行提取。

（1）首先去除圖像中與邊緣相連的圖案以及面積較小的干擾點，對得到的圖像提取角點得到其輪廓區域。

（2）用區域生長法分別提取這些區域。

（3）區域對稱軸（主軸）提取時采用細化的方法，如圖5所示。細化后圖像關于主軸基本對稱，統計主軸兩側角點個數和，若，則作為有效候選區域，本文中取4。

圖5 主軸提取方法

（4）保留判定為有效多邊形的區域，如圖6所示。

圖6 角點提取后的圖像

2 特征分析

飛機在一幅圖像中的位置，角度，大小都是未知的，因此根據飛機的先驗知識對飛機進行特征參數提取，得到圖像中飛機信息。飛機的結構是其區別于一般物體的重要特征，再加上圓度，周長面積比的約束，可以很好地將飛機和其他圖形區分開。

2.1 區域提取

將圖5中有效區域提取出來，如圖7所示。用區域生長法提取出各個區域，得到圖8的8幅小圖像。

圖7 保留有效區域后的圖

2.2 特征提取

飛機的輪廓圍成的考慮到飛機機尾所占區域較小，容易受到干擾斑點影響，因此在提取角度時選取飛機質心區域附近的一對銳角和一對鈍角。

圖8 區域生長法提取的圖像

步驟如下：

（1）根據飛機輪廓確定飛機質心。

（2）以質心為圓心，機翼寬度為半徑確定一個圓，在此圓內，圖形對稱軸即為飛機主軸，與主軸相交的是機翼，相交點在主軸中間區域。用隨機Hough變換搜索主軸和機翼的邊界，根據得到的直線的分布，確定主軸和機翼的位置。

（3）每兩條相交邊界圍成一個角度，首先任意尋找邊界上兩點，可確定每個邊界對應直線斜率，設兩條邊界對應斜率分別為，，對應角度為和，則，，即為兩條相交邊界的夾角。由以上步驟可提取大小相等的2對角，其中接近機頭的一般為鈍角，圖9中，1，2對應一對鈍角，3，4對應另一對角。滿足此角度條件則初步判定為飛機。

圖9 飛機結構圖

上面的角度特征反映了飛機的局部特征，接下來用圓形度、周長面積比、矩形度體現飛機的整體特征。

圓形度定義為：；

周長面積定義為：；

矩形度定義為：。

其中：為目標周長；為目標面積；為外接矩形面積。當目標為圓時，圓形度有最小值，目標區域越復雜，圓形度對應越大，本文用反映圖像的圓形度特征。

對圖7中分別提取圖像的圓形度、周長面積比、矩形度，統計結果如表1所示。

表1整體特征參數

一般飛機的圓度在20～80之間，周長面積比在1.02～1.08之間，矩形度在0.5～0.7之間。滿足以上局部特征和整體特征信息的圖形則判定為飛機。在圖7中的8幅小圖像中只有g，h滿足成為飛機的約束條件。

2.3 性能分析

根據圖像局部特征以及全局特征對飛機進行判定，可排除多種形狀干擾，準確識別飛機，為了驗證此方法有較好的魯棒性，對多副機場區域圖像進行測試，圖10是對其中兩幅機場圖像的識別結果，左邊為原圖像，右邊為檢測到的飛機區域，可見此方法針對飛機檢測有較好的性能。

圖10 飛機識別效果圖

3 飛機識別

用支持向量機作為工具進行識別時，不僅有較好的分類性能[7?9]，而且通過PCA方法降維處理可以減小計算復雜度，同時經過圖像配準，飛機庫不再需要全方位的冗余圖片，節省了計算時間，通過提取飛機圖像的主成分對讀入的測試圖片進行識別[10]，實驗結果表明算法有較好的識別效果。

3.1 圖像配準

由于攝像機與飛機形成的方位是多變、未知的。為了進行全方位的飛機識別，首先根據飛機輪廓信息對飛機進行配準，固定飛機的方向。

這樣飛機庫只需存儲有限方位的圖片，大大減少了識別所用時間。配準時在機頭、機尾以及兩個機翼分別選擇一個參考點，如圖11所示。對圖7中的配準結果如圖12所示，飛機機頭方向朝上。

圖11 參考點選取

圖12 配準前后的圖像

3.2 飛機庫的建立

本文飛機庫中有6類飛機，由于已經有了上一步的配準，不需要全方位的飛機圖片，建立飛機庫時在-15°～15°之間旋轉，生成36張飛機圖片。圖片均為165×187分辨率灰度圖，用MOSAnICk建立圖像庫如圖13所示。

圖13 飛機庫

3.3 類型識別

本文中飛機識別時選用rbf核函數對應支持向量機類別劃分，對飛機庫中圖片進行訓練建模，對滿足飛機條件的g，h圖像，識別結果如圖14，圖15所示，類別劃分正確。

4 結 語

本文將分割后的圖像局部特征以及整體特征結合用于飛機識別，可準確分離機場中飛機區域，實驗結果表明此方法有較好的魯棒性。下一步工作首先繼續完善飛機的局部特征和整體特征，得到更準確的飛機信息，其次要增加飛機庫中飛機種類，對更多飛機進行識別。

圖14 圖像g的識別效果

圖15 圖像h的識別效果

參考文獻

[1] 侯一民，倫向敏.基于矩與角點特征的飛機目標識別[J].計算機工程與應用，2008，44（16）：179?181.

[2] 孫貝.基于矩特征提取的圖像識別算法研究[D].太原：太原理工大學，2010.

[3] 王鵬偉，吳秀清，余珊.基于角點特征和自適應核聚類算法的目標識別[J].計算機工程，2007，33（6）：179?181.

[4] 劉莉，吳秀清.牛宗標模糊圖像中的飛機識別方法[J].計算機仿真，2006，23（3）：164?166.

[5] 李迎春.航空圖片目標識別算法研究[D].長春：吉林大學，2001.

[6] 王福生，齊國清.二值圖像中目標物體輪廓的邊界跟蹤算法[J].大連海事大學學報，2006，32（l）：62?65.

[7] 鄭南.遙感圖像中飛機目標的識別分類算法研究[D].長春：吉林大學，2007.

[8] 張洪鉞，郭紅濤，楊雪勤.基于主動輪廓法的復雜背景下飛機圖像的輪廓提取[J].航天控制，2003（3）：26?34.

[9] 徐大琦，倪國強，許廷發.中高分辨力遙感圖像中飛機目標自動識別算法研究[J].光學技術，2006，32（6）：855?862.

[10] 劉文萍，陳維軍，吳立德.遙感圖像中機場目標的圖像分割方法[J].紅外與毫米波學報，1999，18（1）：73?76.