嵌入式SAR艦船目標識別系統設計

林智莘 李璐 盧曉軍

摘 要：本設計采用將長寬比、面積、灰度平均值作為目標切片的特征提取方法，利用BP神經網絡、K-近鄰分類器實現了TerraSAR數據的艦船目標分類。基于Qt開發工具在NVIDIA Jetson TX2嵌入式開發平臺上實現了一套針對合成孔徑遙感圖像的艦船目標快速識別與分類系統，具備SAR圖像動態載入、目標快速識別與分類、檢測結果實時顯示等功能，準確率高達80%以上。

關鍵詞：合成孔徑雷達；艦船識別；艦船特征提取；OpenCV

中圖分類號：TP39；TN409 文獻標識碼：A 文章編號：2095-1302（2018）01-00-03

0 引 言

合成孔徑雷達（Synthetic Aperture Radar， SAR）是一種可自動獲取目標的微波傳感器，能夠全天時、全天候實現地面目標的觀測。利用SAR圖像進行艦船目標檢測的研究與開發在海洋遙感領域得到了廣泛重視，成為SAR數據海洋應用的重要內容之一，但SAR圖像目標檢測與識別領域還存在許多尚未解決的問題，因此開展SAR圖像艦船目標檢測與識別分類研究意義重大。

1 理論基礎

1.1 SAR圖像艦船目標特征分析

本文主要使用了SAR圖像的灰度統計特征和幾何特征來進行艦船目標的分類與識別。描述目標特征的最基本特征是幾何結構，包括長寬比、面積和質量。

由于艦船的形狀和尺寸特征與實際形狀、尺寸相關，因此對不同的船舶目標具有一定的區分能力。文中只考慮包含一個艦船目標的目標區域二值圖 B（m，n）。在B（m，n）中根據目標的主軸方向找到目標區域的外接矩形，該外接矩形長邊的長度L即為船舶目標的長度，外接矩形的短邊長度W即為船舶目標的寬度。

該區域的長寬比定義為艦長與艦寬之比：

SAR圖象中目標的輪廓特征與其實際輪廓相關，包含了目標長寬等尺寸信息，因此具有較強的目標區分能力。最常用的提取輪廓特征的方法是先對目標區域進行分割提取，然后根據目標區域的內點和外部點之間的差異提取目標輪廓。

1.2 SAR圖像艦船目標分類器介紹

本次研究采用SAR圖像艦船目標分類器設計中經常使用的兩種典型模式識別方法——K-近鄰分類器和BP神經網絡分類器進行分類。

1.2.1 K-近鄰分類算法

K-近鄰分類器也稱為KNN分類器，它不僅是目標識別中常用的一種分類器，也是最簡單、最好理解的機器學習算法理論。KNN可有效進行監督學習，計算新數據的特征值并訓練數據特征值之間的距離，然后選擇K個距離的特征值進行分類和鑒別。

KNN算法過程如下：

（1）選擇一種計算距離的方法， 計算出新數據的特征值和訓練數據特征值之間的距離。

（2）按距離遞增排序，選取與當前距離最小的K個點。

（3）對于離散分類，將K個點中出現次數最多的類別進行預測分類并返回。

1.2.2 BP神經網絡分類算法

BP神經網絡是一種具有監督功能的多層神經網絡學習方法，其突出特點在于信號會向前傳播，誤差向后傳播。在不斷交替傳播的過程中完成對BP神經網絡權值和閾值的不斷調整，盡可能降低整個網絡的平方和誤差值，使網絡輸出結果與預期輸出結果相近。BP神經網絡由一個輸入層、n個隱層和一個輸出層構成，圖1所示為一個三層BP網絡示意圖。

BP算法實現過程：

若網絡共包含m層，其中，第m層中第j個節點的輸出設為ymj，則y0j為第0層輸出，其值等于第j個節點的輸入Xj。Wmij表示從ym-1j到ymj的連接權值，m代表層號。

（1）隨機設置每個權重值，同時確保網絡不會被大的權重值影響。

（2）從訓練數據集中取出一組數據對（Xk，Tk），并將輸入向量添加至m=0的輸入層（k表示向量類號）：

（3）信號通過網絡向前傳播，可以使用如下公式計算從第一層開始每一層中全部節點i的輸出ymj，直至計算完輸出層所有節點的輸出：

（4）使用如下公式計算輸出層每個節點的實際輸出和要求目標值之差（Sigmod函數）：

（5）使用如下公式計算每層節點的誤差值，并按層次計算反傳錯誤，直到計算出每層中所有節點的錯誤值：

（6）利用加權修正公式（6）和關系公式（7）調整所有連接權。一般的訓練速率系數η在0.01～1之間。

（7）返回步驟（2），對下一組輸入數據重復上述過程，持續到輸出誤差符合規定的標準為止。

2 系統詳細設計與實現

2.1 系統總體設計方案

本系統的硬件平臺方案和工作流程圖分別如圖2和圖3所示。

先對輸入的經過海陸分割的圖像進行預處理，提高特征提取的效果后，再進行特征提取，根據搭建的BP神經網絡和KNN算法對目標進行分類，最后根據輸出的結果，在原圖上標記。

2.2 核心算法設計與實現

2.2.1 預處理

預處理的目的在于改善圖像數據的品質，使得下一步特征提取更為容易。對于本次設計來說，因為需要提取艦船目標的輪廓，而原圖中的灰度值變化范圍非常大，導致輪廓提取困難，因此需要先對圖像進行膨脹、腐蝕和二值化等灰度變換處理，然后準確利用矩形框架從原圖得到目標切片。經過預處理的圖像如圖4所示。

2.2.2 特征提取

在本次設計中，把艦船目標的長寬比、面積和目標切片的灰度平均值等特征作為分類與識別的依據。在提取長寬特征時，對傳統的最小外接矩形方法進行改進，采用Hough變換與最小外接矩形相結合的方式。首先對圖像進行Hough變換，提取艦船目標主軸方向角，結合切片中心利用最小矩形目標參數估計中的目標-背景像素個數比最大（TBR）準則，得到目標的長和寬，最終計算出艦船目標切片的長寬比，同時結合艦船目標切片的灰度值信息，得到該目標的灰度平均值。

2.2.3 目標識別與分類

本次設計通過BP神經網絡分類器和K-近鄰分類器分別實現對SAR艦船目標的識別與分類，將所有的艦船目標分為大船、小船和非船三類。這兩種分類方法各有優劣，實現的方法亦不同。BP神經網絡分類器將分類、識別過程分為“訓練”和“識別”階段。在訓練階段實現對整個網絡的訓練，將150組特征信息（每類各50個）輸入網絡建立一個特征模型；在識別與分類階段，將提取出SAR艦船目標的特征信息輸入網絡，得到一個最優輸出。BP神經網絡分類器的原理示意圖如圖5所示。

K-近鄰分類器先將150組（每類各50個）特征信息及分類信息讀入網絡，經交叉驗證誤差統計選擇法統計分析誤差后，將K值取8，然后再將需要識別的SAR艦船目標特征信息輸入網絡，計算出輸入的新數據的特征值與訓練數據特征值之間的距離，把8個點中出現次數最多的類別作為預測分類。

2.3 圖形界面設計

文中使用Qt完成了圖形界面的設計，該界面為使用者提供了一個可視化的操作界面。該界面由圖標、顯示模塊、算法選擇模塊和功能按鈕組成。

顯示模塊用于顯示檢測算法的運行時間、分類結果、檢測結果的正確分類率，整個處理界面有詳細的標注，可以清楚看到大船、小船和非船的數量及識別的正確率。

在算法選擇模塊中，點擊knn和bp兩個單選框，可選擇BP神經網絡分類算法或K-近鄰分類器算法。

功能按鈕由“打開”“開始”和“退出”按鈕組成，單擊“打開”按鈕可以打開圖像選擇界面；點擊“開始”按鈕會運行特征提取與分類識別算法；點擊“退出”按鈕可結束程序的運行。

界面會顯示處理前后的圖像。如果圖像較大，可以由滾動條來控制圖像上下移動，觀看全圖。單擊鼠標左鍵并選擇要放大的區域，可以對處理前后的圖像進行局部細節的同步5倍放大。SAR圖像特征提取與識別結果界面如圖6所示。

3 系統功能測試及性能分析

在對輸入的經過海陸分割的SAR圖像進行特征提取與識別分類處理后，在原圖上對輸出艦船目標的識別分類結果進行標記，使用藍色方框標記大的艦船目標，使用綠色方框標記小的艦船目標，使用紅色方框標記非艦船目標。圖7～9 （左圖為BP神經網絡分類輸出，右圖為K-近鄰分類器輸出）是對三幅SAR圖像分別使用BP神經網絡分類器和K-近鄰分類器進行艦船目標識別分類的分析與結果。

從圖7～9和表1、表2可以看出，BP神經網絡分類器的分類結果明顯優于K-近鄰分類器分類結果，但前者運行時間較長。同時，得益于硬件平臺在圖像處理方面得天獨厚的優勢，大大降低了系統處理時間。但對目標分類并非完全正確，一方面是因為在利用開閉形態學處理時，海陸分割的邊緣會有一些陸地塊被切割出來，一些陸地邊緣上的亮點會給艦船識別帶來干擾；另一方面在于對圖像進行二值化處理過程中，存在海浪等環境因素使得艦船目標的灰度值下降甚至被過濾掉，從而影響分類結果。

4 結 語

對SAR圖像艦船進行目標特征提取和分類識別一直是SAR應用中的重要研究方向。本設計系統闡述了SAR圖像艦船目標分類識別的關鍵技術，完成了SAR圖像艦船目標快速識別與分類系統的設計。

該系統將NVIDIA Jetson TX2作為硬件平臺，能夠在一個友好的Qt界面上實現SAR圖像動態載入、目標快速識別與分類、檢測結果實時顯示，實現了艦船目標的特征提取，并分別利用BP神經網絡和KNN分類器對特征進行了分類。

在本次設計中，雖然已經對SAR圖像艦船目標特征提取和識別方法的分類進行了研究，但受時間和本人能力等因素的限制，系統還存在許多有待完善和擴展的地方，主要包括以下兩方面：

（1）進一步對程序進行優化，盡可能減少系統的運行時間和識別與分類效果；

（2）考慮選擇其他特征分類與識別算法，如SVM分類器，考慮利用不同分類器之間的信息互補設計一個組合分類器。

參考文獻

[1]甄勇，劉偉，陳建宏，等.高分辨率SAR圖像艦船目標幾何結構特征提取[J].信號處理，2016，32（4）：424-429.

[2]蔣明哲.SAR圖像艦船檢測與分類方法研究[D].合肥：合肥工業大學，2016.

[3]李德勝，孟祥偉，張顥，等.SAR圖像艦船目標長寬特征提取技術[J].艦船科學技術，2016，38（5）：115-119.

[4]張建強，高世家，趙霽紅.艦船RCS特征提取與GA-BP神經網絡分類研究[J].艦船科學技術，2016，38（3）：125-130.

[5]李德勝，孟祥偉，張顥，等.基于PCA算法的SAR圖像艦船目標長寬特征提取[J].船電技術，2015，35（9）：1-5.

[6]陳文婷.SAR圖像艦船目標特征提取與分類識別方法研究[D].長沙：國防科學技術大學，2012.

[7]曹峰.SAR圖像艦船目標檢測與鑒別技術研究[D].長沙：國防科學技術大學，2012.

[8]山鵬. SAR圖像艦船目標檢測及特征提取方法研究[D].哈爾濱：哈爾濱工程大學，2012.