基于Hu矩與改進PNN的飛機姿態識別算法

成杰+李新德??

摘要： 在軍事領域， 為了快速準確識別出飛機飛行過程中的姿態， 提出一種基于Hu矩與改進的概率神經網絡（IPNN）的新方法。 該方法對于無噪聲灰度化圖片， 先進行二值化處理， 再計算圖像的Hu矩特征。 將飛機飛行的360°姿態按三視圖分為三個類別， 即正視圖、 側視圖、 俯視圖。 四維Hu矩作為PNN輸入， 三個視圖代表的三個類別作為PNN輸出， 構建PNN網絡。 實驗結果表明， 對于無噪聲圖片平均識別率可以達到91.2%以上； 對于有噪聲圖片平均識別率可以達到87.0%以上， 可見訓練后的網絡具備良好的泛化能力。

關鍵詞： 飛機； 姿態； 概率神經網絡； Hu矩； 分類

中圖分類號： TP391.41文獻標識碼： A文章編號： 1673-5048（2017）01-0055-07[SQ0]

0引言

現代軍事活動中， 通過定位飛機的姿態， 能夠更準確地定位飛機的局部特征。 如在景象制導空空導彈制導中， 為了提高制導精度， 必須定位目標的關鍵部位， 所以有必要對飛機飛行圖像進行處理， 識別出螺旋漿、 機艙、 油箱等關鍵部位， 再向關鍵或軟弱部位發射導彈， 以達到增強毀傷的效果。 飛機關鍵部位的識別與飛機飛行的姿態有直接關系， 飛機飛行姿態不同， 關鍵部位也各有差異， 所以必須首先對飛機飛行的姿態進行識別， 然后才能定位關鍵部位。

目前， 有不少學者對飛機飛行姿態的定位進行了研究。 劉剛[1]等基于紅外圖像， 將飛機圖像分割成背景、 機身、 尾焰三部分， 通過計算一種組合矩， 同時結合面積比特征來實現姿態識別； 趙芹[2]等結合Hu矩與仿射不變矩， 提出一種有利于目標特點的特征量和自動識別算法； 荊文芳[3]則將矩特征與飛機目標的紅外特征結合起來進行識別； 涂建平[4-5]等通過對飛機目標進行骨架提取、 霍夫變換等過程， 檢測飛機機軸， 識別飛機機頭。 以上研究均取得了一定成果， 但對于飛機姿態的建模過于繁瑣， 對飛機局部特征定位有很大的局限性。

飛機在飛行過程中處于某一姿態是一個概率事件， 可以采用PNN模擬此過程， 通過訓練后的PNN， 得到某一特定樣本處于某一姿態的概率， 可以更合理判定其類別。 為此， 提出一種基于Hu與IPNN的飛機姿態識別算法。 通過提取飛機圖片的四維Hu矩特征， 作為PNN的輸入， 經過訓練好的PNN， 得到最終的分類結果。

1研究理論

原始圖像經過預處理， 得到二值化圖片， 提取圖像的特征， 經過訓練后的PNN， 得到最終的分類結果。 研究框架見圖1。

1.1矩

Hu矩作為識別的基本特征已廣泛應用于圖像識別、 模板匹配、 邊緣檢測、 數字水印和圖像分析

PNN常用于分類問題， 輸入層輸入樣本的n維數據， 模式層計算輸入樣本到模式層數據中心的距離， 求和層計算輸入層映射到各類樣本的概率， 輸出層選取求和層最大概率所屬的類別作為最終的輸出類別[12-15]。

1.2.2PNN優點

與 BP網絡、 RBF網絡等傳統的前饋神經網絡相比， PNN具有以下特點[16]：

（1） 網絡學習過程簡單，訓練速度快。 根據模式樣本的特征及網絡的外監督信號（期望輸出）， 直接獲得網絡隱層單元的連接權值， 無需反復訓練網絡， 各層神經元的數目比較固定， 因而易于硬件實現[17-18]。

（2） 網絡的容錯性好， 模式分類能力強，收斂性較好[19-20]。 網絡模式層采用徑向基的非線性映射函數， 考慮了不同類別模式樣本的交錯影響， 而模式的輸出層又消除了不同類別模式樣本的交錯影響[21]， 這樣構成的各個類別模式間的判決分界面是滿足Bayes規則的最優解[22]。

（3） 網絡的擴充性能好，結構設計靈活方便。 由于網絡學習過程簡單且穩定性高， 允許增加或減少新的類別模式樣本而無需重新進行長時間的訓練學習[23-24]。

基于上述優點， PNN已廣泛用于模式識別、 故障診斷與專家系統、 回歸擬合等領域。

1.2.3改進的PNN

本文PNN網絡結構大體與標準PNN一致， 改進的地方是在求和單元層與輸出單元層之間加入學習層， 且為全連接， 見圖3。

2.3算法流程圖

本算法分為訓練環節和測試環節。 訓練環節中， 對于無噪聲灰度化圖片， 通過圖像預處理獲得二值化圖片后， 通過邊緣檢測， 獲得飛機的輪廓， 對飛機輪廓外接矩形總體計算四維Hu矩特征， 作為PNN訓練集， 獲得訓練好的PNN網絡。 測試環節中， 由單幀測試圖片， 經過預處理、 二值化后提取四維Hu矩， 輸入訓練好的PNN網絡， 獲得分類結果。 算法流程見圖6。

3實驗分析

3.1實驗環境搭建

實驗在Visual Studio 2013平臺下進行， 安裝了開

3.2實驗結果

每類飛機訓練樣本有150個， 其中正視圖、 側視圖、 俯視圖的個數均為50個。 IPNN的輸入層神經元個數為4個， 提取每個樣本的四維Hu矩特征作為IPNN的輸入； 模式層神經元個數為150個， 提取150個訓練樣本的Hu矩作為中心矢量； 求和層的神經元個數為3個， 對應于三視圖這3個類別； 學習層神經元個數為3個； 輸出層為1個， 代表最終的輸出類別。 輸入的Hu特征均經過歸一化處理， 學習層迭代次數為5 000次， 終止誤差為0.5。

采用五類飛機來驗證算法的可靠性， 對于這五類飛機， 平均識別率可以達到90.4%， 最高可以達到91.2%， 說明從特征提取到PNN識別得出最終類別， 有一定的可靠性，實驗結果如表1所示。

采用SVD特征時， 輸入神經元的個數為300維， 終止誤差為0.2， 其他與采用Hu特征均一致。

3.4不同分類算法的比較

采用IPNN進行分類， 在與BP與PNN的比較中可以看出， PNN分類能力比BP優秀， 同時對PNN改進后， 平均識別率提高了6%左右， 改進的PNN相比傳統PNN的優勢在于， 加入了學習層， 能夠在傳統PNN的基礎上， 加入自學習方法， 獲得合適的連接權值， 從而保證最終的分類結果更準確， 更有效地提升了網絡的泛化能力。

BP神經網絡的輸入層神經元個數為4個， 隱層神經元個數為10個， 輸出層神經元個數為3個， 最后取最大值作為最終類別， 采用BP算法學習第一層和第二層權值， 終止誤差為0.5， 迭代次數為5 000次。 標準PNN與IPNN除沒有學習層， 其他部分均一致， 各算法的比較結果如表3和圖9所示。

表3不同算法的比較結果

3.5遮擋實驗

當飛機在飛行的過程中， 不僅姿態上會發生很大的變化， 而且可能會因為外界因素導致紅外攝像機獲取的圖像發生部分遮擋的情況， 從而導致誤識別。 實驗中， 考察出現遮擋時， 算法是否能正確對目標進行識別， 即考察算法在目標遮擋時的魯棒性。 訓練樣本庫與3.2節相同， 測試樣本庫是在原測試樣本庫的基礎上， 做隨機遮擋， 遮擋面積占原目標面積的1/8， 1/4， 1/2， 3/4， 遮擋類型為矩形和圓形。 考察此時目標的正確識別率。 矩形遮擋的識別結果如表4和圖10所示， 圓形遮擋的識別結果如表5和圖11所示。

3.6尺寸縮放實驗

實驗中， 考察隨著目標縮小時， 算法是否能正確有效地對目標進行識別， 即考察算法在目標縮小時的魯棒性。 訓練樣本庫相同， 測試樣本庫是在原測試樣本庫的基礎上， 做一定的比例縮放， 分別縮小至原來的1/2，1/4，1/8，1/16，1/32，1/64。 考察此時目標的正確識別率。 尺寸縮放識別結果如表6和圖12所示。

3.7噪聲實驗

實際工程應用中， 由于工程環境比仿真環境復雜， 必然會存在噪聲， 實驗目的在于測試算法對于存在噪聲的圖片時目標識別的準確性。

實驗步驟與3.2節大體一致， 但是對于訓練樣本和測試樣本的每一幀圖片， 均加上噪聲， 原圖片與加噪聲后的圖片如圖13所示。 最終的實驗結果如表7所示， 從表中可以看出， 加各類噪聲后， 平均識別率87.0%以上， 相對于無噪聲圖片的識別率存在下降， 但仍然有不錯的識別率， 說明了算法的合理性。

4結論與展望

針對飛機姿態識別在軍事領域的廣泛應用， 提出一種基于Hu矩與改進PNN飛機姿態識別算法。 通過仿真實驗， 證明了方法優于BP和IPNN等方法， 同時在遮擋與縮放的情況下， 依然可以保持較高的識別率。 但算法僅僅是定位飛機的姿態， 局部特征點的尋找將是下一步的研究任務。

參考文獻：

[1] 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.

Liu Gang， Liang Xiaogeng， Zhan Jingguo. Recogniting Airplanes Key Attacking Part Based on Infrared Image[J]. Computer Engineering and Applications， 2011， 47（24）： 174-177. （in Chinese）

[2] 趙芹， 周濤， 舒勤. 飛機紅外圖像的目標識別及姿態判斷[J].紅外技術， 2007， 29（3）： 167-169.

Zhao Qin， Zhou Tao， Shu Qin. Recognition and Pose Estimation of Airplane Infrared Image[J]. Infrared Technology， 2007， 29（3）： 167-169.（in Chinese）

[3] 荊文芳.飛機紅外圖像的檢測、 識別與跟蹤技術研究[D]. 西安： 西北工業大學， 2006.

Jing Wenfang. Research on Plane IR Imaging Detection， Recognition and Tracking Technology[D]. Xian： Northwestern Polytechnical University， 2006. （in Chinese）

[4] 涂建平， 彭應寧， 莊志洪. 彈道終端飛機目標紅外圖像瞄準點識別方法[J].光學技術， 2003， 29（3）： 261-265.

Tu Jianping， Peng Yingning， Zhuang Zhihong. Research on Recognizing AimingPoint of Airplanes Infrared Sequence Images at Endgame[J]. Optical Technique， 2003， 29（3）： 261-265. （in Chinese）

[5] 賴海燕， 涂建平. 用于紅外成像GIF的目標骨架提取算法[J]. 紅外技術， 2005， 27（2）： 147-150.

Lai Haiyan， Tu Jianping. The Application of Skeleton Extraction Algorithm to Infrared imaging GIF[J]. Infrared Technology， 2005， 27（2）： 147-150. （in Chinese）

[6] 楊偉東. 基于DSmT近似推理的飛機目標識別算法的研究[D].南京： 東南大學， 2012.

Yang Weidong. A Research of the Algorithm of the Aircraft Target Recognition Based on DSMT Approximate Reasoning[D].Nanjing： Southeast University， 2012. （in Chinese）

[7] Hu M K. Visual Pattern Recognition by Moment Invariants[J]. IRE Transactions on Information Theory， 1962， 8（2）： 179-187.

[8] Pattanachai N， Covavisaruch N， Sinthanayothin C. Tooth Recognition in Dental Radiographs via Hus Moment Invariants[C]∥ International Conference on Electrical Engineering/Electronics， Computer， Telecommunications and Information Technology （ECTICON）， 2012： 1-4.

[9] Liu Yun， Yin Yanmin， Zhang Shujun. Hand Gesture Recognition Based on Hu Moments in Interaction of Virtual Reality[C]∥ Intelligent HumanMachine Systems and Cybernetics （IHMSC）， 2012： 145-148.

[10] Alghoniemy M， Tewfik A H. Image Watermarking by Moment Invariant[C]∥Internatianal Conference on Image Processing， 2000： 73-76.

[11] Specht D F. Probabilistic Neural Networks for Classification，Mapping or Associative Memory[C]∥IEEE International Conference on Neural Networks， San Dieg， California， 1988： 525-532.

[12] 張洪波. 基于主成分的概率神經網絡模擬電路故障診斷的研究[D]. 長沙： 湖南大學， 2008.

Zhang Hongbo. The Research of Fault Diagnosis of Analog Circuits Based on Principal Component Analysis and Probabilistic Neural Networks[D]. Changsha： Hunan University， 2008. （in Chinese）

[13] Li Chaofeng， Yang Maolong， Xu Lei， et al. A Comparative Study of Probabilistic Neural Network and BP Networks for Remote Sensing Image Classification[J]. Remote Sensing for Land & Resources， 2004， 16（4）： 11-13.

[14] Mao K Z， Tan K C， Ser W. Probabilistic Neural Network Structure Determination for Pattern Classification[J]. IEEE Transactions on Neural Networks， 2000， 11（4）： 1009-1016.

[15] Li Song， Li Xiuying， Wang Wenxu. Fault Diagnosis of Transformer Based on Probabilistic Neural Network[C]∥International Conference on Intelligent Computation Technology and Automation （ICICTA）， 2011： 128-131.

[16] Perera N， Rajapakse A D. Recognition of Fault Transients Using a Probabilistic NeuralNetwork Classifier[J]∥IEEE Transactions on Power and Energy Society， 2011， 26（1）： 410-419.

[17] Evagorou D， Kyprianou A， Lewin P L， et al.Feature Extraction of Partial Discharge Signals Using the Wavelet Packet Transform and Classification with a Probabilistic Neural Network[J]. Let Science Measurement and Technology， 2010， 4（3）： 177-192.

[18] Revett K， Gorunescu F， Gorunescn M， et al. A Breast Cancer Diagnosis System： A Combined Approach Using Rough Sets and Probabilistic Neural Networks[C]∥Internaltional Conference on Computer as a Tool， 2005.

[19] Xu W， Wang D， Zhou Z， et al. Fault Diagnosis of Power Transformers： Application of Fuzzy Set Theory， Expert Systems and Artificial Neural Networks[J]. IEEE Proceedings Science， Measurement and Technology， 1997， 144（1）： 39-44.

[20] Barbosa F R， Almeida O M， Braga A P S， et al. Application of an Artificial Neural Network in the Use of Physicochemical Properties as a Low Cost Proxy of Power Transformers DGA Data[J]. IEEE Transactions on Dielectrics and Electrical Insulation， 2012， 19（1）： 239-246.

[21] Nikolic N， Park Y S. Sancristobal M， et al. What Do Artificial Neural Networks Tell Us about the Genetic Structure of Populations？ The Example of European Pig Populations[J]. Genetics Research， 2009， 91（2）： 121-132.

[22] Murvai J， Vlahovicˇek K， Szepesvári C， et al. Prediction of Protein Functional Domains from Sequences Using Artificial Neural Networks[J]. Genome Research， 2001， 11（8）： 1410-1417.

[23] Ren Li， Wang Weipeng， Gao Yuzhen， et al. Typing SNP Based on the NearInfrared Spectroscopy and Artificial Neural Network[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy， 2009， 73（1）： 106-111.

[24] Tian Jinpeng， Shi Huichang.Study of Localization Scheme Base on Neural Network for Wireless Sensor Networks[C]∥ Let Conference on Wireless， Mobile and Sensor Networks， 2007： 64-67.