基于圖像特征的無人機型號識別

陳聰飛，龍澤凱，郝東來

（西京學院，西安 710123）

0 引言

近年來，隨著無人機技術的飛速發展，各種各樣的無人機出現在大眾視野。無人機的應用擴展到超視距范圍，在快遞、醫療緊急救援、協助交通管理、巡檢、農業、物流、安防等多個領域獲得應用［1］。從當今的發展形勢上看，無人機將如同手機一樣伴隨人們的日常生活。無人機的出現給人們帶來諸多的便利，但危險也隨之而來。最近幾年，有些不法分子利用無人機體型小、隱蔽性強、方便靈活等特點從事違法活動。例如，不法分子利用無人機通過美國監獄的圍墻來運輸非法毒品。另外，無人機還被運用在間諜襲擊方面，對國家和公共安全構成了非常嚴重威脅。考慮到無人機的安全和隱私問題，精準打擊某些無人機型的黑飛現象，準確分類各種無人機型對于保護國家安全和公共安全非常重要。

1 相關圖像特征介紹

圖像的特征提取是圖像分類不可缺少的一部分，比較經典的特征提取算法有很多，比如：方向梯度直方圖（HOG）、尺度不變特征變換（SIFT）、加速穩健特征（SURF，對SIFT的改進）、高斯函數差分（DOG）、局部二值模式（LBP）等。因HOG具有幾何和光學轉化不變性、沒有旋轉和尺度不變性，所以HOG的計算量比較小。LBP具有灰度和旋轉不變性、簡單易算，其運算速度比其他特征提取的算法快。綜合上述特點，本文選取HOG和LBP兩種特征提取的算法。

1.1 HOG特征提取

方向梯度直方圖（histogram of oriented gradi?ent，HOG），最先是由法國研究員Dalal等人提出的，顧名思義就是利用圖像局部的方向直方圖和梯度來確定特征。

1.1.1 提取原理

將一張頻譜圖按相同比例大小分成若干個塊（block），然后再將每一個塊按照同等比例分成若干個細胞單元（cell），計算細胞單元中各個像素點的方向和邊緣的梯度，最后逐層串聯所有特征得到圖像整體特征。

1.1.2 實現過程

（1）將頻譜圖灰度化，變成一個三維圖像。

（2）為了調節頻譜圖的對比程度、減少頻譜圖部分陰影、降低噪聲對頻譜圖的影響，必須將頻譜圖進行歸一化處理。本文采用Gamma校正法進行歸一化處理。

（3）獲取頻譜圖輪廓的信息，并且進一步降低噪聲的影響就要計算頻譜圖中各個像素點梯度的大小和方向。

（4）將頻譜圖分割成很小的細胞單元（cells）。

（5）計算各個小細胞單元（cell）的方向梯度直方圖，就可以形成每個細胞單元的特征描述符（descriptor）。

（6）頻譜圖分成若干個block，每個塊包含多個cell，把block中的所有cell的特征descriptor串聯起來就能夠得到block的特征descriptor。

（7）最后將頻譜圖中的每個block的特征de?scriptor組合起來就得到該頻譜圖的特征descriptor。

HOG特征提取整體流程如圖1所示。

圖1 HOG特征提取整體流程

●窗口檢測。HOG把圖像通過窗口（window）和block進行切分，并且以cell為基本單位對頻譜圖的像素值使用數學計算進行處理。圖2是大疆精靈4頻譜圖的切分處理。

圖2 大疆精靈4頻譜圖的切分

其中，黑色線表示window劃分，紅色線表示block劃分，深紅色線表示cell劃分。

●頻譜圖歸一化。為了減少噪聲等因素對圖片處理的影響，所以將整個圖片進行歸一化處理。歸一化Gamma壓縮公式為：

計算像素點梯度：假設圖像中像素點的坐標為(x,y)，則其梯度為：

其中，H(x,y)表示該點的像素值；G x(x,y)表示水平方向梯度，即該像素點左側的像素值減去右側的像素值；G y(x,y)表示垂直方向梯度，即該像素點上方的像素值減去下方的像素值。像素點的梯度幅值和梯度方向（角度）公式為：

一張大疆精靈4頻譜圖的HOG特征圖像及特征直方圖如圖3所示。

圖3 大疆精靈4頻譜圖提取的HOG特征

從HOG特征圖像中可以看到有缺失和特征提取錯誤的部分，這樣就會導致最終的準確率較低，影響判斷結果。

1.2 LBP特征提取

局部二值模式（local binary pattern，LBP）是由T.Ojala［3］等人在1996年提出的一種簡單有效的特征描述算子，具有灰度和旋轉不變性，主要是用于提取圖像局部的紋理特征。將LBP定義在一個3×3的窗口內，以中心像素值為定點，和周邊的8個灰度像素值相比，若周圍的像素值大于中心值，則將其置為1，否則置為0。以中心點左上角像素點為起始位順時針旋轉，這樣就可以獲得一個8位二進制數，一般需要將二進制數轉換成十進制。這個數值就是這個中心像素點的LBP特征值。

圖4 LBP特征值

二進制轉換為十進制的公式為：

其中，xa和y a分別表示中心點的橫坐標和縱坐標，q代表中心點周圍的8個像素點，H(a)為中心像素值，H(q)為另外8個像素值，S(x)函數為：

一張大疆精靈4頻譜灰度圖提取的LBP特征圖像如圖5所示。

圖5 大疆精靈4頻譜圖提取的LBP特征

從得到的特征圖像可以看出圖像的輪廓信息比較清晰，這也是LBP的優勢所在，但是圖像內的詳細特征信息沒有真實的顯示出來。

1.3 HOG-LBP特征融合

在進行特征融合之前，單獨使用HOG進行頻譜圖的特征提取時發現提取到的特征圖有缺失的部分，最后得到的準確率較低。LBP具有計算簡單、準確率高等優點，但是其對于復雜圖像，提取的特征不完整且準確率較低［4］。針對于HOG和LBP兩種算法的優缺點，提出將HOG和LBP兩種特征提取算法進行特征融合來提高準確率。特征融合技術既融合了多種特征的有效鑒別信息，又能消除大部分冗余的信息，從而實現了信息的有效壓縮，節約了信息存儲空間，有利于加快運算速度和進行信息的實時處理［5］。特征融合的方法有直方圖融合和特征矩陣融合，直方圖融合會出現橫縱坐標不一致，導致有些特征無法顯現、特征不完整等情況，進一步導致識別不準確。基于此，本文選用特征矩陣融合的方法。

具體實現步驟：

（1）將訓練集和測試集的圖像設置成統一尺寸（本文設置的是256×256），方便后面的特征矩陣的融合。

（2）把所有的圖像進行灰度化處理，是為了減少顏色對特征提取的影響。

（3）把訓練集分別進行HOG和LBP特征提取，并將得到的兩種特征矩陣通過矩陣串聯的方式進行融合，必須保證兩種特征矩陣的行數一致，列數可以不一致。

（4）將測試集也做上一步處理。

圖6 特征融合流程

2 分類器訓練及結果

目前，支持向量機（support vector machines，SVM）和AdaBoots是比較常用的圖像檢測分類算法。SVM是一個有監督的學習模型，它的特點是在分類模型和模型參數的選擇上始終優先結構最小化，一般用于二類別分類問題［6］。后來在圖像二分類方法的基礎上又衍生了多分類的方法，它的特點就是構建多個分類器、分類速度相對較快。本文是利用SVM的多分類的特點對無人機頻譜圖進行分類。

分別用方向梯度直方圖算法、局部二值模式和本文的兩者融合的方法分別與SVM進行實驗。實驗所需的圖片尺寸設置為256×256，運行在MATLAB R2018b環境中，AMD Ryzen 5 4600H with Radeon Graphics六核處理器和16 G內存的電腦上。實驗結果如表1所示。

表1 實驗結果

由表1可知，利用SVM進行訓練，HOG-LBP融合特征較HOG和LBP單獨特征提取能有效地提高準確率，由于融合后的特征矩陣較大，所以耗時相對較長，但其準確率高的優點完全可以覆蓋其時間較長的缺點。

3 結語

本文提出的基于圖像特征的無人機型號識別是利用HOG和LBP特征矩陣融合的方法來實現的。特征矩陣的融合能夠有效地把圖像的所有特征信息整合起來，避免了特征信息遺漏的情況發生。從實驗結果可以看出此方法準確率高，可以達到很好的實驗效果，能夠準確地判別無人機型號，進而打擊黑飛現象，保護國家安全和公共安全。