一種基于整體區域特征的地面飛機識別方法

王 威, 張連峰, 王 平, , 李元壘

WANG Wei1,2 , ZHANG Lianfeng3, WANG Ping2, LI Yuanlei3

1.長沙理工大學 計算機與通信工程學院,湖南 長沙 410114

2.國防科技大學 ATR國防重點實驗室,湖南 長沙 410073

3.海軍航空工程學院 青島分院,山東 青島 266041

1.School of Computer and Communication Engineering, Changsha University of Science & Technology, ChangSha 410114, China

2.ATR Key Lab, National University of Defense Technology, Changsha 410073, China

3.Qingdao Branch of Naval Aeronautical Engineering Institute, Qingdao 266041, China

1 引言

目標檢測識別問題，尤其是關于飛機等飛行器的檢測是國內外研究者一直關注的一個重要研究方向。隨著數據采集設備精度的提高和模式識別技術的發展，基于高分辨率遙感圖像的飛機目標的檢測已經從單純的目標檢測發展到目標具體類型與型號的分析識別。

飛機識別根據需要不同，可以分為空中飛機識別以及地面飛機識別兩類。在空中飛機識別方法中，由于飛機姿態以及成像角度的影響，需要綜合考慮相似變換、仿射變換、尺度變化、云霧等遮擋等因素。目前，有很多相關研究提出了一些有效地處理方法。在進行地面機場中的飛機識別，研究者更加關注在不同區域內飛機變化情況，如飛機的轉場、型號和數量的變化等等。Zhang Feng等[1]研究了如何利用小波時間不變量進行飛機目標識別。J.-W.Hsieh等[2]的方法則首先對遙感圖像進行預處理，并進行旋轉校正，分析飛機目標的對稱性，然后通過樣本訓練，通過層次化方法進行具體型號識別。劉剛等[3]分別計算飛機目標的Hu矩和歸一化轉動慣量來構成組合不變矩，同時結合分割圖像的面積比特征來實現飛機飛行姿態的識別。李興唐[4]提出了基于飛行器結構特征點和仿射變換的飛行器識別算法。杜鴻英等[5]則通過構造飛機圖像的模板庫，提出了兩種通過不變矩特征構造基本置信函數，然后運用D-S證據理論進行融合識別。朱旭鋒等[6]提出利用飛機圖像的仿射矩，Zernike 矩，小波矩，SIFT 特征點梯度模值，結合支持向量機組成分類器進行多分類器融合。王樹國等[7]提出了可見光圖像中飛機目標的 5 個典型識別特征的提取方法，最后利用模糊模式識別方法完成對飛機目標的識別。王劉莉等[8]提出了一種自適應核聚類算法。結合角點檢測方法，可以有效的識別模糊圖像中的多個飛機。李科等[9]首先建立機樣本圖像庫，然后提取訓練樣本庫中飛機圖像的特征量，進行實驗分類。

上述方法絕大多建立在圖像分割和二值化的基礎上，而遙感圖像由于成像條件等因素的約束致使理想化圖像分割變得困難而且不穩定。如果不能得到很好的圖像輪廓信息，會嚴重影響目標識別結果。因此，需要研究不受分割結果影響的識別方法。本文采用區域整體特征對地面機場中的某些大型飛機進行型號識別，從而避免了不穩定的圖像分割。首先對感興趣的飛機參數進行分析，然后在高頻信息增強Gabor濾波的基礎上，通過比較濾波結果的先驗信息進行飛機型號識別。

2 先驗信息分析

得到包含飛機目標的區域圖像后，首先需要對感興趣的飛機目標的先驗信息進行處理和管理。本文主要研究停放在機場中的大型飛機，目的是通過對地面停放飛機的識別，找出飛機型號數量的變化，為進一步分析和處理提供依據。圖1給出了幾種飛機的先驗圖像。

圖1 部分感興趣飛機型號的先驗圖像

在具體過程中，我們首先確定三個參數：機場所屬國家、圖像分辨率類型和區域大小。飛機所屬國家參數主要由成像設備給出的經緯度確定，這樣處理的好處是如果兩個國家的主要機型尺寸類似，也可以較好分辨。圖像分辨率則決定了飛機目標成像的大小。區域大小則根據分析確定，經過分析發現，一般戰斗機的大小為長度 20米左右，翼展也大多數在 20米以內，而大型運輸飛機則可能達到80多米。因此我們設置三種區域類型，分別是30*30，60*60，和 90*90。部分飛機外形尺寸如表1所示，表中對飛機真實型號進行了重新編號。

表1 部分飛機外形尺寸

得到飛機三個基本參數后，我們需要在區域上采集整體特征描述參數，將所有參數存儲到數據庫中作為先驗信息。在待檢測圖像中計算出特征描述參數后，通過和數據庫中的參數進行相似性比較來確定飛機型號。任務中采用Gabor濾波后的特征作為參數。在具體濾波過程中，由于我們主要關注的是目標的對稱邊緣區域，因此需要進行對稱邊緣的增強處理。同時，由于濾波具有方向性，要確定飛機的主軸方向。

3 目標主軸方向的確定

為了更準確的識別飛機，對飛機的定位進行修復顯得很有必要。飛機都是以它們機身為對稱軸，即使它們受到噪聲污染，或是有的飛機有較長的翅膀，仍能保持對稱。本文我們采用文獻[2]的方法確定飛機對稱軸。飛機對稱軸的確定方法如圖2所示。

對于飛機R，用φ(R)來表示的飛機對稱性。如果θaxis是R的體軸方向，則應該滿足以下公式：

Rθ由R通過旋轉角度θ確定，在這個等式中，如果兩個方向相差180度，則認為是相等。為了得到式（3），首先要計算對稱測量Φ(R)。

The application of HWENO-LW scheme and immersed boundary method

假設 HR(j)表示位置 j處的水平方向：

圖2 對稱軸確定方法

其中wR為R的寬度。由此得到第 j行中心坐標x：

因此，可以用{xR(j)}的偏差來表示R對稱性。XR的偏差為：

實際應用時，為了提高處理效率，可以采用由“粗”到“細”的方法：首先把可能的方向角范圍粗略地量化到一個較小的集合當中。在此基礎上，采用更小的量化閾值進行進一步量化尋找最佳角。

另外，用對稱的方法估計飛機的軸方向，并不能判斷機頭位置。根據分析，飛機的頭部占據的區域比它的尾巴要小，因此，可以根據兩端的面積判斷頭部方向。本文不進行圖像分割，但是主軸方向的確定仍然需要粗略計算灰度值較大的像素。

4 特征增強與提取

4.1 Gabor濾波

很多基于遙感圖像的飛機識別，都會采用對圖像分割得到二值化目標圖像，之后再進行檢測識別。因此對目標遙感圖像進行二值化處理成為關鍵環節，是后期識別檢測成敗與否的關鍵。然而由于諸多因素的影響，例如成像條件、噪聲等，使得從圖像中分割出包含飛機目標的精確區域很困難，這會直接影響后期識別檢測。鑒于此種影響，可以在整體區域上直接采用Gabor濾波，利用濾波結果進行判斷識別[10]。

對于二維高斯函數 f(x, y)：

其中，σ、（0,0）分別表示標準差和中心點，通過歐拉變化，可以得到進一步的關系：

其中ejws表示傾向于水平方向的波，在高斯包絡條件下，可得：

定義f為中心頻率，得到關系l=6σ/f，取一個角度θ，將其中的x, y通過以下方式進行取值：

實部定義為：

虛部定義為：

從上述公式中可以看出，f,θ, σ，為GaborR和GaborI三個參數。σ的取值大小和其能量是否分散有很大關系。針對每一個濾波器，進行運算中的卷積運算，可得Q(x, y)：

4.2 對稱高頻信息增強的Gabor濾波

上面介紹的Gabor濾波是在整幅圖像上進行的。然而，在基于形狀匹配的目標識別過程中，真正有重要作用的是目標中的邊緣等信息，也就是高頻信息。具體到飛機目標識別，則可以認為是關于對稱軸對稱的高頻信息，因此在目標對稱軸確定以后，可以用對稱高頻信息增強的方法進行Gabor濾波。

圖像可以分為低頻部分和高頻部分，因此對于圖像I，可以表示為 I=IL+IH。其中IL表示圖像中的低頻部分，IH表示圖像中的高頻部分。由于邊緣信息主要集中于圖像的高頻部分，與此同時，在我們研究的目標中，飛機目標具有對稱性，因此在確定好對稱抽之后，可以將目標高頻部分進一步劃分為對稱部分IHU和非對稱部分IHS，即圖像可以表示為：

為了更好的進行濾波，設定系數向量為：λ=[λ1, λ2, λ3]，則濾波后的圖像為：

5 實驗結果與分析

實驗采用由同一衛星得到的帶有經緯度和分辨率信息的遙感圖像為研究對象，對大型飛機目標進行識別研究。大型地面飛機目標大多數停放在機場中。根據任務需要，能夠停放大型飛機的機場在目標庫中都有經緯度等情報信息。為了從圖像中自動檢測出大型飛機所在的位置，在得到需要處理的光學圖像后，可以根據圖像中的經緯度信息，在事先制作的ROI（（Region Of Interest，感興趣區域）數據庫中查找與需要處理的光學圖像 A相匹配的ROI圖像，通過經緯度坐標進行圖像截取。由于采集圖像之間的時相不可能完全一致，因此首先應該進行灰度歸一化和仿射變換，然后進行背景減法二值化，得到粗略的結構信息。然后通過結構信息對目標進行初步篩選，找出疑似飛機的目標。最后，在需要處理的圖像A上進行對稱信息增強的Gabor濾波，進行識別。為了使識別結果更加準確，在初步篩過程中，我們還采集了分辨率、目標所在位置所屬國家、以及識別時使用的矩形框大小信息，也作為匹配特征使用。如：在美國勢力范圍內，不檢測蘇型飛機；在一米分辨率下，，因為我們感興趣的飛機長度都在 90像素以內，因此如果目標長寬超過90像素，則自動分辨出不是飛機目標。

因為實驗主要是為了驗證方法的有效性，因此實驗中采用固定參數λ=[0.5,0.8,1.5]，Gabor濾波器參數為（3，3，2π）。實驗流程如圖3所示。

圖3 飛機檢測識別流程圖

根據流程，我們進行了實驗。在進行結果判斷時，因為目標識別很難做到百分之百的肯定，所以采用相似度來衡量待檢測圖像和已有目標的匹配程度，相似度S的計算公式為：

其中為相似度，n為特征參數個數，而ωi為第i個參數的歸一化權值，試驗中采用平均權值實驗結果如圖4所示，在圖4中的上圖中，左邊是待處理的原始圖像，右邊是根據邊框大小剪裁的經過對稱軸確定后的目標區域。

實驗共采用96幅相關遙感圖像，在這些圖中共有256架不同型號的飛機。這些圖像是關于M國和R國的部分特定飛機場的不同季節和不同時相的遙感圖像，首先人工挑選50幅比較清晰的飛機圖像作為先驗信息的采集樣本，然后再所有圖像上進行分析識別。實驗結果中的部分參數如表2表3所示。其中共檢測出飛機235架，有189架正確，46架檢測錯誤。由此可得查全率（recall）為：91.79%，查準率（precision）為80.43%，基本達到了預期目的。在實驗中，我們并沒有和基于分割的方法進行比較，這是因為不同分割方法以及不同圖像類型對結果影響很大，方法之間不具有可比性。

圖4 飛機檢測識別結果

表2 部分飛機的濾波結果（實部）

表3 部分飛機的濾波結果（虛部）

6 結束語

本文研究了地面飛機目標的識別方法，實現了遙感圖像中的飛機目標的自動檢測識別并取得了較好的效果。需要進一步說明的是，本方法的研究是根據具體類型的遙感圖像展開的，在實驗過程中選擇的是滿足一定約束條件（如無遮擋，無云霧等）的圖像。針對更加復雜的情況，識別檢測效果會有較大的下降，針對上述復雜情況，還需要從理論和實驗方法上進一步研究。另外，由于開始時受樣本的限制，我們只采用數據庫管理的方式進行比較，隨著多時相實驗數據的增加，可以考慮利用分類器對數據進行分類識別。

[1]Zhang Feng，Liu Shang-qian，Wang Da-bao，Guan Wei.Aircraft recognition in infrared image using wavelet moment invariants [J], Image and Vision Computing, 2009，27:313-318.

[2]J.-W.Hsieh, J.-M.Chen, C.-H.Chuang and K.-C.Fan.Aircraft type recognition in satellite images [J], IEE Proc.-Vis.Image Signal Process, 2005，152（6）:308-315.

[3]劉剛，梁曉庚，張京國.基于紅外圖像的飛機目標關鍵攻擊部位識別[J], 計算機工程與應用, 2011，47（24）:174-177.

[4]李興唐, 曹立, 王思雯.仿射變換的飛行器識別[J], 光學精密工程, 2009, 17(2):402-408.

[5]杜鴻英, 郭雷, 李暉暉, 劉坤.基于不變矩與證據理論的飛機序列圖像識別[J], 計算機仿真, 2010, 27(2):92-95.

[6]朱旭鋒，馬彩文.基于多不變量和多分類器融合的飛機識別[J], 儀器儀表學報, 2011, 32(7):1621-1627.

[7]王樹國, 黃勇杰, 張生.可見光圖像中飛機目標的特征選擇及提取[J], 哈爾濱工業大學學報, 2010，42（7）:1056-1059.

[8]王劉莉,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.

[9]李科，王潤生，王程.一種用于飛機型號識別的樹分類器方法[J], 計算機工程與科學, 2006，28（11）:136-139.

[10]曾姝彥,張廣軍,李秀智.基于Gabor濾波器的圖像目標識別方法[J].北京航空航天大學學報,2006,36(8):954-957.