基于目標一維紋理特征的介質辨識方法

耿琳珊，陳遵田

(西安機電信息技術研究所，陜西 西安 710065)

0 引言

在復雜的背景環境中探測和識別目標一直是近炸引信探測技術研究的熱點。通過目標、背景及干擾的介質識別目標，鑒別干擾是提高近炸引信對復雜背景環境適應能力和引信對目標作用率的有效途徑。對目標介質的識別有多種技術途徑，其中一種是通過物理場探測和辨識目標，如通過磁特性識別鐵磁目標，通過電磁波的反射特性區分金屬和非金屬目標，通過紅外輻射特征進行機動目標的探測識別等[1-2]。但在實際應用中，通過物理場進行目標介質的識別有一定的局限性。如在引信隨彈平臺高速運動的情況下，磁傳感器容易受到地磁的干擾，另外，磁傳感器對非鐵磁目標無效；無線電探測器對地探測時，容易受到復雜地面背景和強電磁環境的干擾；紅外傳感器只對熱輻射特征明顯的機動目標有效，也容易受到復雜地面背景的干擾，因此基于物理場的目標探測和介質識別方法均有一定的局限性[1-2]。

目標表面的紋理及反射率分布是所有視覺器官動物辨識物體的重要特征，自然界的物體表面紋理有著特有的分形構造，和人造目標有明顯的差異。人造目標盡管有板塊結構，但表面有其獨特的紋理特征[1-2]。利用目標的紋理特征進行識別是目標識別領域重要的技術途徑。文獻[3]利用基于中心矩和熵的組合特征對雷達目標進行識別，解決了平移敏感性，但提取出的特征包含的信息量太少，影響識別率；文獻[4]提出的紋理分類法使用Gabor濾波器對圖像進行濾波，再利用ICA技術剔除冗余信息，從而提取有效的特征量，但是此方法需要首先獲得二維圖像，在引信所處的高速平臺無法使用；文獻[5]利用主成分分析法將目標輪廓與背景特征有效區分，但仍存在數據量大，處理速度慢的問題。同時，現有的基于紋理特征的分析和分類方法多為基于二維高分辨率圖像信息，是在獲得完整圖像后進行的事后處理，待處理的數據量大、處理時間長，對處理器硬件要求高，難以在引信中直接應用。

針對光電引信在區分地面特別是泥地、耕地等松軟地面和煙塵干擾方面的技術需求，本文提出一種基于目標一維紋理特征的介質辨識方法，使用GLCM對目標介質一維紋理進行多特征提取，再利用PCA對特征進行降維處理，既保留了GLCM在魯棒性上的優勢，又能減小數據量。使用KNN分類器對得到的更加精確的特征參數進行分類，識別目標介質。

1 引信光電探測裝置目標紋理獲取原理和介質辨識方法

1.1 引信光電探測裝置目標紋理獲取原理

現有的火箭彈采用機電觸發引信在觸碰目標或著地時引爆戰斗部，在火箭彈小落角以及松軟地面條件下，由于觸發力弱以及受力方向的問題，觸發引信容易瞎火。針對這一問題，提出采用光電引信探測裝置獲取目標表面紋理特征的探測方法，在不改變現有引信外形的條件下，通過多組光電探測裝置敏感目標或地面。光電探測裝置在彈頭引信的布局如圖1所示。

圖1 引信光電探測裝置視場分布圖Fig.1 Field of view diagram of fuze photoelectric detection device

當引信探測裝置隨彈接近目標表面或者地面并達到光電微距探測器的探測距離范圍時，光電探測裝置隨彈運動并獲取目標表面的反射光強度的一維變化特征，物體表面反射光強度反映了物體的表面紋理信息[6]。由于發射光束的照射區域小，隨著彈繼續向前飛行，光電探測將獲得地表面局部的一維紋理信息，通過對一維紋理信息的分析，對地面介質的種類做出判斷。在引信應用中，一般只需要光電探測裝置能夠辨識出煙塵、樹冠等干擾與地面，使引信能夠在彈平臺、小落角、松軟地面條件下落地時可靠起爆。引信光電微距探測裝置在落地前探測地面示意圖如圖2所示。

圖2 火箭彈小落角著地示意圖Fig.2 Diagram of rocket landing at small angle

1.2 灰度共生矩陣(GLCM)

灰度共生矩陣(GLCM)是一種用來描述紋理的常用方法[7]。由于紋理是由灰度分布在空間位置上反復出現而形成的，因此在圖像空間中相隔一段距離的兩個像素之間存在一定的灰度關系，灰度共生矩陣就是通過研究灰度的空間相關特性來描述紋理[8]。一般情形下，灰度共生矩陣被用于二維圖像(N×N)，先計算出灰度圖像的共生矩陣，進行歸一化后，計算一些可以用來表征灰度共生矩陣特征的標量，這樣既充分利用了圖像信息，又可以減少后續處理的數據量。而一維強度信息可以看作是1×N的灰度圖像，即沿0°方向對圖像進行掃描，得到共生矩陣。

在研究過程中，常用對比度(CON)、熵(ENT)和能量(ASM)等特性來表示紋理特征。其中能量可表示為：

(1)

能量是灰度共生矩陣元素值的平方和，反應圖像的灰度分布均勻程度和紋理粗細程度。紋理較粗ASM值較大[9]。

熵可表示為：

(2)

熵表示圖像紋理復雜度。在共生矩陣元素分散均勻的情況下，熵較大，紋理較復雜。

對比度可表示為：

(3)

對比度反映圖像的清晰度和紋理的深淺。CON越大，紋理越深，圖像越清晰[10]。

1.3 主成分分析法(PCA)

主成分分析(PCA)也叫主分量分析，是利用降維思想，將多指標轉化為少數幾個主要指標，從而達到簡化數據的目的[11]。其基本原理可以概述如下：三維空間內的N個樣本點X={[xiyizi]T}，i=1,2,…,N，可以求出一條最佳擬合直線使得這N個樣本點到直線的垂直距離平方和最小，則這條直線可稱為這N個樣本點的第一主成分；接著求出與第一主成分垂直，且與N個樣本點距離的平方和最小的直線作為第二主成分，以此類推，求得這N個樣本點的更高維主成分。從原理可以得知，主成分分析方法的實質是求N個樣本點的協方差矩陣Covx的特征向量ej，j=1，2，3與特征值λj，計算過程如下：

(4)

(5)

(6)

1.4 K近鄰算法

K近鄰(k-nearest neighbor,KNN)分類算法在理論上已比較成熟，是機器學習中的一種基礎算法。該方法的思路是，在特征空間中，如果一個樣本附近的k個最近樣本的大多數屬于某一個類別，則該樣本也屬于這個類別[11]。

圖3是KNN算法的經典例子，圖中三角形(Triangle)和正方形(Square)是兩種類型的訓練樣本，數量分別為T和S。圖中心圓點為測試樣本，k是最近鄰數目，也就是距離測試樣本最近的的訓練樣本個數。當k=3時，從圖中可以看出，T=2，S=1，T>S，根據前面敘述的原理，此時測試樣本應屬于三角形一類。而當k=5時，從圖中可以看出，T=2，S=3，T

圖3 KNN算法實例Fig.3 Example of KNN algorithm

2 基于目標一維紋理特征的介質辨識方法

火箭以小落角著地前，引信光電探測裝置對地進行一維掃掠式探測，光電探測裝置設計為反射光強度探測形式，則引信光電探測裝置獲得的是地面一維反射光強度分布，包含地面紋理及反射率特征信息。本方法首先通過光電探測裝置測得不同目標的一維強度分布信息，但由于在進行仿真時，獲得引信光電探測器的實際測試數據較為困難，而圖像灰度表示單通道圖像像素的強度，由光反射率和光強度決定，與目標一維強度呈正相關，因此本文在驗證時使用目標的二維圖像隨機提取圖像的一維灰度值分布代替引信光電探測裝置獲取的一維強度數據，降低算法驗證的困難性。同時，由于拍攝角度、光照等因素的影響，不同圖像的強度有差異，因此在進行仿真實驗前需要對數據進行預處理。本文提出的介質辨識方法流程圖如圖4所示。首先，使用濾波算法對圖像進行預處理，消除一些冗雜因子；然后使用GLCM的紋理提取算法來獲取紋理特征信息并生成特征矩陣，再使用PCA方法對數據進行降維處理；最后通過K近鄰分類器對不同目標(如土地、耕地和煙霧)進行分類。

圖4 算法流程圖Fig.4 Algorithm flow chart

2.1 特征提取

在紋理信息圖像的處理方面，灰度共生矩陣具有廣泛的應用。作為統計分析法的一個重要結論，灰度共生矩陣可以對具有不規則紋理基元的紋理圖像進行有效分析，獲得圖像的紋理特征；同時，利用灰度共生矩陣提取的紋理特征包含了圖像的大部分信息，具有廣泛概括性。因此，本文提取GLCM中的3個特征以及一維紋理的頻率和幅度作為目標圖像的特征進行識別。同時，由于引信平臺的實時性要求，需要對提取出的特征向量進行降維處理，本文選擇主成分分析法對特征向量進行降維運算，既保證了信息的全局性利用，又能簡化計算，便于后續分類識別。

首先構建灰度共生矩陣，我們需要根據實際確定3個構造因子：圖像灰度級、生成步長、生成方向，接著對共生矩陣進行歸一化處理，在此基礎上提取3個二階特征量和一維紋理的頻率、幅度，作為原始特征集。

由于原始特征集為五維特征向量，在引信嵌入式平臺上仍有較大的計算難度，本文采用主成分分析法對原始特征集進行進一步降維處理，得到能夠有效描述原始目標對象的特征，組成數據集，在保證識別率的前提下，提高運算速度。

用這些特征訓練KNN分類器，快速識別目標。特征提取流程如圖5所示。

圖5 特征提取流程示意圖Fig.5 Schematic diagram of feature extraction process

2.2 目標介質辨識方法

在使用上述方法提取特征后，形成數據集，用KNN分類器進行識別。KNN算法的核心是相似性度量，度量方法有很多，本文選擇歐氏距離作為KNN算法的相似性度量條件。歐氏距離是經典的相似性度量方法，它源于空間中兩點的距離公式：

(7)

式(7)為兩個n維向量a(x1,x2,…,xn)與b(y1,y2,…,yn)的歐氏距離。在仿真實驗中將某一種目標介質經過特征提取后得到的特征看作一個向量。歐氏距離值越小，則兩個目標介質越相似。

基于目標一維紋理特征的介質辨識過程如下：

1) 利用2.1節提出的一維介質特征提取方法對原始圖像進行特征提取以及降維處理，得到特征數據集。

2) 構建KNN分類器。選取合適的k值，按照式(7)計算待測目標與已分類數據集的距離，選取距離最近的k個數據中出現次數最多的類別作為待測目標的類別。

3) 采用10折交叉驗證的方法計算本方法的分類準確率，將數據集分成10份，輪流將其中9份作為訓練數據，1份作為測試數據，進行試驗。

基于目標一維紋理特征的介質辨識方法利用灰度共生矩陣和主成分分析的融合算法從原始圖像中提取出具有判別能力的紋理特征，按照歐氏距離的相似性度量計算待識別目標與已分類目標的距離，最后通過判斷距離實現目標的探測與識別。

3 算法的仿真驗證

為了驗證本算法在介質識別中的有效性及抗干擾能力，分別對各種類型地面(目標)和煙霧(干擾)進行仿真實驗。其中，地面類型有土地、耕地、草地、磚地四種，基本包括實際情況中可能出現的目標。使用Matlab根據2.2節介紹的辨識算法進行仿真。本實驗構建的灰度共生矩陣選擇的圖像灰度級為8級，生成方向為θ=0°，生成步長為d=2，GLCM特征選擇能量、熵和對比度。由于在KNN分類器訓練過程中，當k取不同的值時，得到的分類準確率也不同，本研究中k值取1～9。

3.1 仿真實驗數據

根據選取的輸入條件進行仿真實驗。為了充分利用圖像信息，首先提取目標介質一維紋理信息的頻率和幅度作為一階特征量;再提取GLCM中能量、熵和對比度作為二階統計量，利用PCA進行降維后，形成數據集;然后將特征數據集輸入到KNN分類器中進行分類識別，從而完成對目標介質的辨識。

本實驗的原始圖像，如圖6所示，是使用相機拍攝結合網絡收集的微距相片并經過后期簡單處理得到的。為了強化紋理信息，便于后期特征提取，本文采用直方圖來對原始圖像進行均衡化。圖7為均衡化操作前后圖像的直方圖。

圖6 原始圖像Fig.6 The original image

圖7 均衡化前后圖像的直方圖Fig.7 Histograms of images before and after equalization

對進行均衡化后的灰度圖像，沿一條直線提取灰度特征，得到初始一維紋理信息如圖8所示。

圖8 初始一維紋理信息Fig.8 Initial one-dimensional texture information

對初始一維紋理信息進行特征提取，選擇頻率、幅度作為一階特征量，GLCM特征能量、熵和對比度作為二階特征量，形成初始特征集X。對X進行PCA分析，結果如圖9所示。

圖9 貢獻率與累計貢獻率Fig.9 Contribution rate and cumulative contribution rate

不難看出，P=3時，特征值對應的累計貢獻量已經達到92.58%，可以認為前三個主成分能夠代表原始數據具有的信息。因此選取前三個主成分組成特征向量Y，并形成最終的數據集，輸入KNN分類器。

3.2 本文識別算法實驗

在KNN分類器訓練過程中，當k取不同的值時，得到的分類準確率也不同，本研究中k值取1～9，數據集中共有300條數據，其中土地、草地和煙霧一維強度信息各100條，采用10折交叉驗證的方法進行仿真驗證。

由于目標與干擾的特征向量差別明顯，可以使用KNN分類器進行分類識別，圖10為不同k值下的分類準確率。

圖10 不同k值下的分類準確率Fig.10 Classification accuracy under different k values

可以看出，在k值取2時，準確率達到最高，為97.2%，識別時間為4.93 ms。資料顯示目前嵌入式系統運算時間最短是PC的兩倍左右，則本算法識別速率可以達到所需的10 ms量級，滿足引信平臺的使用。上述仿真驗證了基于目標一維紋理特征的介質辨識方法可以通過提取對象的紋理特征進行分類識別，有效地區分目標與干擾，具有準確率高、速度快的優點。

4 結論

本文提出基于目標一維紋理特征的介質探測辨識方法。該方法利用微距光電探測裝置獲取物體表面光強度一維分布，提取介質表面的一維紋理信息，并對提取到的信息進行處理，提高數據質量，使數據特征更突出，從而快速識別介質，同時將機器學習的方法引入目標介質辨識領域，利用K近鄰算法對目標進行辨識分類。仿真實驗表明，所提出的方法避免了使用二維圖像進行分類所導致的數據量大、處理時間長的問題，使利用紋理特征進行目標分類的方法有望在軍事、宇航、檢測等行業中使用，并且識別準確率較高。本方法在目標識別姿態、深度方面，還有很大的研究空間。