基于機器學習的軍事目標檢測系統開發研究

宋羿銘，解文彬，周未

（1.陸軍工程大學指揮控制工程學院，南京210000；2.軍委裝備發展部價格評審中心，北京100034）

0 引言

在現代信息化戰爭中，遙感偵察已成為各國主要的偵察技術手段之一，復雜戰場環境中，如何從海量的遙感偵察圖像中快速準確地獲取信息，是獲取打擊優勢的重要環節，為取代效率低下的人工作業，開發用于檢測遙感圖像[1]中的軍事目標軟件進行輔助偵察具有重要的軍事意義。

但是傳統目標識別檢測系統，如基于HOG 和SVM的船舶圖像分類算法[2]只是采用單一的特征進行學習訓練，訓練效果具有一定的約束性，容易發生漏檢測、錯檢測的現象，這在軍事上會產生不可估量的后果。而近年來深度學習已經成為研究熱點，深度特征在遙感圖像的目標檢測中的應用也越發廣泛起來，但是深度學習的成效只有在對大量樣本數據進行學習訓練時才能得以顯現，因此也需要大量的時間來進行訓練，所以訓練成本大、要求高，具有一定的限制性。

基于此背景，本文將淺層特征（LBP 特征）和中層特征（HOG 特征）進行融合[4]，并運用SVM 支持向量機[3]進行訓練，得到關于軍事目標（以飛機為例）的分類器，成功實現對軍事目標的檢測，并對軟件的交互界面進行開發。

1 整體設計

將遙感圖像軍事目標檢測功能劃分為四部分，首先從輸入的遙感圖像中提取可能的目標區域，然后再用訓練好的關于軍事目標（以飛機為例）的分類器提取特征并進行比對，以此來區分目標和背景，最后將檢測結果顯著標記在輸入的遙感圖像上，并將檢測結果顯示出來。如圖1 所示。

圖1 軍事目標檢測程序流程圖

從輸入的遙感圖像中提取可能的目標區域我們使用的是基于選擇性搜索的方法[6]，因為傳統的滑窗方法產生的候選區域非常多，這極大增加了計算量，而選擇性搜索算法[6]采用的是多樣化的分割策略，在輸入的遙感圖像中搜索可能的目標，盡可能實現快速搜索，從中提取可能的目標區域，為后期特征提取和比對打下基礎。

關于軍事目標（以飛機為例）的分類器的訓練，我們搜集整理遙感圖像和軍事目標（以飛機為例）的正、負樣本，然后把所有正、負樣本的淺層特征（LBP 特征）和中層特征（HOG 特征）提取出來并進行融合，將正樣本的特征標簽標記為1，負樣本的特征標簽標記為0，再將融合特征和標簽用SVM 進行訓練，便可得到一個分類器。我們融合了淺層和中層特征，這種方式克服了單一特征訓練的約束性，在很大程度上提高了檢測的正確率。

交互界面我們使用Qt 搭建了一個遙感圖像軍事目標檢測系統，讓其能夠調用基于選擇性搜索的方法和訓練好的分類器來處理輸入的遙感圖像，讓程序能在遙感圖像中檢測出軍事目標，用矩形框突出顯示出來檢測到的軍事目標，并將檢測結果輸出出來。

2 技術實現

2.1 選擇性搜索算法

輸入遙感圖像后，先生成初始的分割區域，再將所有的分割區域加入到可能區域列表中，再將一部分區域根據顏色、紋理和大小的相似度進行合并，在選擇性搜索算法[6]中，分割合并是關鍵的核心環節的環節。分割合并時的度量依據為：

式中s(ri,rj)為區域ri和rj之間的相似性；scolour(ri,rj)、stexture(ri,rj)和ssize(ri,rj)分別為兩個區域間的顏色、紋理和大小的相似性；sfill(ri,rj)是兩個區域之間的包容性；ai(i= 1,2,3,4 )是權重，和為1。將合并后的區域放到列表中，然后開始迭代，最終得到可能的目標區域，效果如圖2 所示。

2.2 軍事目標分類器訓練

SVM 可以通過標定標簽數據，在多維空間進行有效分割，實現不同類型的最佳區分。因此，在使用過程中，SVM 可以自動根據訓練樣本做出最佳分類預測，所以首先應當準備足量的正、負樣本，然后把所有正、負樣本的淺層特征（LBP 特征）和中層特征（HOG 特征）提取出來并進行融合，將正樣本的標簽標記為1，負樣本的標簽標記為0，將融合后的特征和標簽用SVM 進行訓練，便可得到一個飛機分類器。故在使用SVM 的過程中，要分為以下幾步。

（1）準備正負樣本

正樣本：如圖3 所示，指算法想要正確分類出的類別所對應的樣本。以飛機為例，我們希望的目的是在遙感圖像中檢測出飛機，則正樣本則為各種各樣不同的飛機。

圖2 選擇性搜索得到的可能目標區域

圖3 飛機的正樣本

負樣本：如圖4 所示，指算法想要排除的樣本。以飛機為例，所有不是飛機的圖片均可作為負樣本存在。

圖4 飛機的負樣本

選取的樣本為不同時間和背景下的有關飛機的遙感圖像，從中處理得到了大量的正、負樣本，正樣本應包括完整的飛機，而負樣本不應包括飛機。樣本大小統一為64×64。理論上正、負樣本的數量越多，訓練就會越充分，準確度就會提高。最終用于訓練的樣本分別為：正樣本為10000 個，負樣本為15000 個。

（2）提取特征

LBP，即 Local Binary Patterns，LBP 特征描述子能夠很好表達圖像的紋理特征，它具有尺度、光照和旋轉不變性等特點，對復雜背景、光照和遮擋等具有很好的魯棒性。最開始的LBP 算子是定義在3×3 的方格中，以中間像素點的灰度值為比對對象，如果周圍像素點的灰度值大于中心像素點的灰度值，則標記為1，小于中間像素點的標記為0，然后將得到一個8 位的二進制數轉化為十進制數，得到的即為LBP 值，用于反映圖像在該區域的紋理信息。如圖5 所示。

圖5 LBP值得計算

HOG，即 Histogram of Oriented Gradient，方向梯度直方圖[5]，是計算機視覺、圖像處理領域中用于目標檢測的特征描述子，它通過計算和統計圖像局部區域的梯度方向直方圖來構成特征，具體來說就是梯度方向的分布圖。遙感圖像中，因為我們更加關注目標的形狀和輪廓，局部目標的梯度或邊緣的方向密度分布能很好地描述目標的輪廓形狀。HOG 其本質是梯度的相關信息，而梯度主要存在于邊緣部分，所以HOG 是用來計算局部目標梯度的方向信息的統計值的。

HOG 特征的具體提取步驟如下：

圖6 HOG特征提取流程和可視化

然后如圖7 所示，將兩種特征融合起來用于分類器訓練使用。

（3）訓練分類器

把融合后的特征值存入特征矩陣，再將正樣本的特征標簽標記為1，負樣本的特征標簽標記為0，以供SVM 訓練使用，將特征和標簽數據輸入到SVM 中進行訓練，通過機器學習找到一個最優超平面，即得到一個分類器，如圖8 所示。

圖7 特征融合示意圖

圖8 使用SVM訓練得到的分類器

2.3 交互界面設計

為了便于人機交互，我們使用Qt 搭建了一個遙感圖像軍事目標檢測系統交互界面，讓其能夠調用基于選擇性搜索的方法和訓練好的分類器來處理輸入的遙感圖像。如圖9 所示，軟件首先將遙感圖像顯示出來，點擊“開始檢測”按鈕后，軟件調用基于選擇性搜索的方法和訓練好的分類器進行軍事目標檢測，并將檢測到的軍事目標用矩形框顯著標注出來，同時將檢測結果顯示出來。

圖9 遙感圖像軍事目標檢測軟件界面

3 實驗結果

遙感圖像軍事目標檢測軟件效果如圖10 所示，基本能精確檢測到遙感圖像中的軍事目標。

檢測的準確率較于單一特征明顯有所提升，如表1所示，能達到92.68%。

圖10 軟件檢測結果

表1 檢測準確率對比

4 結語

本文給出了特征融合、選擇性搜索算法和訓練軍事目標分類器的核心思路以及以此為基礎的遙感圖像軍事目標檢測軟件的程序。該程序有助于讀者更好地學習、理解和應用機器學習算法，如LBP 特征、HOG 特征、選擇性搜索算法和支持向量機，同時該程序可輔助遙感偵察，具有一定的實際意義。