基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法

1、Vol.34,No.3火力與指揮控制第34卷第3期文章編號:100220640(2009)0320016203基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法3張科1,羅華1,王秀琴2(11西北工業(yè)大學(xué)航天學(xué)院,陜西西安710072,21西安北方光電有限公司,陜西西安710043)摘要:針對尋的導(dǎo)引頭成像制導(dǎo)中實時采集圖像由于存在幾何失真及像質(zhì)模糊而導(dǎo)致目標(biāo)識別精度差的問題,提出了一種基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法。該方法采用一種改進(jìn)的不變矩算法提取目標(biāo)圖像的不變矩特征量來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),實現(xiàn)目標(biāo)圖像的識別和分類。仿真結(jié)果表明該不變矩特征庫訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器具有較高的識別精度,是一種比較實用的目標(biāo)識

2、別方法。關(guān)鍵詞:尋的導(dǎo)引頭,特征提取,不變矩,目標(biāo)識別,BP神經(jīng)網(wǎng)絡(luò)中圖分類號:TP183文獻(xiàn)標(biāo)識碼:AObjectNetworkItMoments112ZHANGKe,LUOHua,WANGXiu2qin(11CollegeofAstronautics,NorthwesternPolytechnicalUniversity,Xian710072,China,21SicongOpto2ElectronicCorporation,Xian710043,China)Abstract:Aimingattheproblemoftherecognitionprecisionofrealtimeimage

3、withgeometricdistortionandblur,amethodofobjectrecognitionbasedoninvariantmomentsandneuralnetworkisadvanced1TheBPnetistrainedbyusingakindofmodifiedalgorithmofHusinvariantmomentstoabstractinvariantsofobjectstoclassifythetargetstoberecognized1TheresultofsimulationshowsthatthetrainedBPnetclassifierhasbe

4、enimprovedtherecognitionprecision,thisisapracticalmethodofobjectrecognition1Keywords:seeker,featureextraction,invariantmoments,targetrecognition,BPneuralnetwork引言尋的導(dǎo)引頭是精確制導(dǎo)武器的關(guān)鍵,它完成目標(biāo)的檢測、識別、跟蹤和提取目標(biāo)位置與運動參數(shù),并根據(jù)導(dǎo)引規(guī)律形成控制指令引導(dǎo)導(dǎo)彈命中目標(biāo)。要使精確制導(dǎo)武器能在復(fù)雜的環(huán)境中自適應(yīng)地檢測和截獲目標(biāo),對實際目標(biāo)實現(xiàn)自動識別,導(dǎo)引頭必須要有優(yōu)良的信息處理系統(tǒng)和采用先進(jìn)的信息處理技收稿日期:2

5、008202226修回日期:20082042013基金項目:國家自然科學(xué)基金(60575013);航天科技創(chuàng)新基金(N4CH008);武器裝備預(yù)研基金資助項目(514010204HK0334)作者簡介:張科(19682),男,江西樟樹人,教授,主要研究方向:紅外成像系統(tǒng)設(shè)計,圖像預(yù)處理以及目標(biāo)識別與跟蹤。術(shù)。在大多數(shù)情況下,由于圖像成像條件的不同,如氣候、視角、時間以及成像手段不同等1,導(dǎo)致在高速運動過程中獲取的要識別的實時目標(biāo)圖像與基準(zhǔn)圖像之間可能產(chǎn)生幾何失真,這種失真將對目標(biāo)識別的結(jié)果帶來很大的影響。因此,需要尋找一種具有旋轉(zhuǎn)、平移和比例不變性的圖像識別方法,以滿足實際應(yīng)用的需要。針對上述

6、問題,本文提出了一種基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法。該方法根據(jù)文獻(xiàn)2,3提出的不變矩改進(jìn)算法來提取目標(biāo)圖像的7個不變矩作為特征向量來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),實現(xiàn)目標(biāo)圖像的識別和分類。實驗結(jié)果表明該不變矩特征庫訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器具有較好的分類效果,提高了基于Hus不變矩算法的識別精度。張科,等:基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法(總第34-337)171不變矩理論及其改進(jìn)不變矩理論是一種提取灰度圖像特征的方法,最初由Hu提出,近年來又有許多學(xué)者對其加以改進(jìn),使不變矩特征的描述能力得到不斷的提高。一幅數(shù)字圖像f(x,y)的二維(p+q)階矩定義為4mpq=的內(nèi)容完全是關(guān)于同一物體的,其相互關(guān)系可以

7、用下式表示:),yf1(x,y)=Kf2(xxy=Ccossinx-sincos+a(6)xxyppyf(x,y)(1)其中,p,q=0,1,2,求和在跨越圖像的所有空間坐標(biāo)x,y的值上進(jìn)行。相應(yīng)的中心矩定義為pq=其中x=,ym00其中K是對比度變化因子,C是尺度變化因子,是旋轉(zhuǎn)角,(a,b)分別是目標(biāo)形心在x方向和y方向上的位移。使用式(5),分別對f1(x,y)和f2(x)計算出7個度量值,并使用變換公式(6),進(jìn),y行變換組合后,重新得出一組更一般化的不變矩度量,具有對比度、尺度、:I(x-xypqx)(y-y)f(x,y)(2)2I41-I,34,21I3歸一化pq=00其中=p,q

8、=0,1,2,5=(3),6=,7=I4I1I5(7)2BP神經(jīng)網(wǎng)絡(luò)設(shè)計神經(jīng)網(wǎng)絡(luò)是由大量的、簡單的處理單元廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),它反映了人腦功能的許多基本特征,是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力,特別適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。目前,在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中,絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)即其變化形式。它也是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華5。考慮到BP神經(jīng)網(wǎng)絡(luò)在模式識別領(lǐng)域有著突出的特點和優(yōu)點,本文采用學(xué)習(xí)率自適應(yīng)調(diào)整和有動量的梯度下降法相結(jié)合的方法來訓(xùn)

9、練BP網(wǎng)絡(luò)。對于辨識目標(biāo)的要求,神經(jīng)網(wǎng)絡(luò)被設(shè)計成三層BP網(wǎng)絡(luò),具有7個輸入端,輸出層有4個神經(jīng)元。網(wǎng)絡(luò)訓(xùn)練時對于一幅屬于第i類模型的圖像,將網(wǎng)絡(luò)的第i輸出置1,其他輸出置0。隱層和輸出層的神經(jīng)元傳遞函數(shù)均為log2sigmoid型函數(shù),這是因為log2sigmoid型函數(shù)輸出量在(0,1)區(qū)間內(nèi),恰好滿足學(xué)習(xí)后輸出布爾值的要求。隱層含有10個神經(jīng)元,神經(jīng)元數(shù)目的選擇是依據(jù)經(jīng)驗和猜測而定。在實際訓(xùn)練中,如果訓(xùn)練過程不理想,可以適當(dāng)增加隱層神經(jīng)元數(shù)目。+1,p+q=2,3,對平移、縮放、鏡像和旋轉(zhuǎn)都不敏感的7個二維不變矩的集合可以由這些公式推導(dǎo)出來,它們?yōu)?lt;1=20+02<2=(20-

10、02)2+4211<3=(30-312)2+(321-03)2<4=(30-12)2+(21+03)2<5=(30-312)(30-12)(30+12)2-3(21+03)2+(321-03)(21+03)(330+12)2-(21+03)2<6=(20-02)(30+12)2-(21+03)2+411(30+12)(21+03)<7=(321-03)(30+12)(30+12)2-3(21+03)2+(312-30)(21+03)3(30+12)2-(21+03)2(4)由于這7個不變矩具有很大的動態(tài)變化范圍,為了便于比較和后續(xù)的神經(jīng)網(wǎng)絡(luò)處理,利用取對數(shù)的方法縮

11、小動態(tài)范圍,同時考慮到不變矩有可能出現(xiàn)負(fù)值的情況,因此,實際采用的不變矩為:(5)Ik=󰃜log10󰃜<k󰃜󰃜(k=1,2,7)在實際應(yīng)用中不僅存在位置和旋轉(zhuǎn)差別,而且還有可能存在尺度、對比度上的差別。為了推導(dǎo)出更一般的不變矩2,3,假設(shè)兩幅在對比度、尺度、位置和旋轉(zhuǎn)上都有差別的圖像f1(x,y)和f2(x,y),它們3基于不變矩和神經(jīng)網(wǎng)絡(luò)的識別方法對圖像進(jìn)行中值濾波平滑,有效濾除噪聲,降低圖像邊界部分的模糊程度。采用數(shù)學(xué)形態(tài)學(xué)與閾值分割算法相結(jié)合的方(總第34-18322)火力與指揮控制2009年第3期法,對圖像進(jìn)行處理,

12、將待識別的目標(biāo)從背景中分離出來。對經(jīng)過處理后得到的基準(zhǔn)圖像通過旋轉(zhuǎn),平移和縮放得到訓(xùn)練樣本,采用本文提出的不變矩改進(jìn)算法提取目標(biāo)圖像的不變矩特征,組成特征向量建立特征庫。不變矩特征經(jīng)過數(shù)量級標(biāo)準(zhǔn)化后作為BP神經(jīng)網(wǎng)絡(luò)的輸入,進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在訓(xùn)練基本收斂后,對每一類基準(zhǔn)圖像再通過旋轉(zhuǎn),平移和縮放,加上已有的樣本作為測試樣本,分別用獲得的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識別分類。變,所以可以用其作為圖像識別的度量。由于Hus不變矩縮放的尺度大小對識別的準(zhǔn)確率有一定影響,而改進(jìn)的不變矩對尺度、對比度、位置和旋轉(zhuǎn)都具有不變性的原因,從表3可以看出,改進(jìn)算法的識別率較高于基于Hus不變矩的算法。表2改進(jìn)后不同情況下飛機

13、的不變矩值樣本12367基準(zhǔn)圖114148011717601944592043111009旋轉(zhuǎn)10°旋轉(zhuǎn)20°放大1151141330117127019455818901411107511403301167801731620188889111096114150117185019604111226201516020189665110964仿真結(jié)果及分析仿真實驗對4別。圖1。表1和表2Hus不變矩和改進(jìn)算法計算的不變矩特征的部分結(jié)果。表3是在訓(xùn)練基本收斂后,再通過旋轉(zhuǎn),平移和縮放增加16幅圖像加上已有的樣本共96個測試樣本,分別用獲得的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識別對比的結(jié)果。表3兩種

14、算法的識別精度比較采用算法識別數(shù)目識別率改進(jìn)算法8992171%基于Hus不變矩算法8790163%5結(jié)論針對尋的導(dǎo)引頭圖像識別中存在的問題,提出了一種基于不變矩和神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別方法。該方法采用一種改進(jìn)的不變矩算法來提取目標(biāo)圖像的不變量,將計算出的不變矩組成特征向量作為BP神經(jīng)網(wǎng)絡(luò)的特征輸入,實現(xiàn)目標(biāo)圖像的識別和分類。仿真結(jié)果表明提取的目標(biāo)特征量對于尺度、對比度、位置和旋轉(zhuǎn)均能保持較好的不變性。改進(jìn)的不變矩特征庫訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器具有較高的識別精度,是一種比較實用的目標(biāo)識別方法。參考文獻(xiàn):12圖1訓(xùn)練的部分飛機圖像表1不同情況下飛機的Hus不變矩值樣本1234567基準(zhǔn)圖01232650

15、10141760100284350100073294110268e2006814022e2005旋轉(zhuǎn)20°012353301016215010027335010006827911128e2007814865e2005放大1150123467010148860100285880100075972110816e2006818222e2005嚴(yán)柏軍,鄭鏈,王克勇.基于不變矩特征匹配的快速目標(biāo)檢測算法J.紅外技術(shù),2001,23(6):8212.苗常青,汪渤,付夢印,等.電視圖像目標(biāo)實時分割與識別算法J.北京理工大學(xué)學(xué)報,2005,25(9):7862790.-215531e2007-119841e2007-21892e20073由表1可以看出,在目標(biāo)圖像不變矩的實際計算過程中,不變矩各個分量數(shù)值的分布范圍差別非常大,低階矩值較大,分布范圍比較寬廣;高階矩值較小,分布范圍較狹窄。由表2可以看出,改進(jìn)算法后,提高了高階