基于支持向量机的红外成像自动目标识别算法

维普资讯 http://www.cqvip.com 文章编号ｔ　１６７２－８７８５（２００７）０１—００１０－０４　基于支持向量机的红外成像自动目标识别算法　范　彬，冯云松，杨　丽，杨　华　（解放军电子工程学院安徽省红外与低温等离子体重点实验室，合肥２３００３７）　摘　要：本文针对实战中红外成像制导导弹面临的自动目标识别问题，提出了一种利　用若干二维图像识别三维目标的自动目标识别算法，并弓Ｉ入支持向量机作为分类器．　仿真试验结果表明，该算法能够成功地识别三维空间中任意角度的目标，很好地解决　了许多二维识别算法难以解决的三维目标识别问题。同时，通过比较，证明该算法比　传统识别算法拥有更高的识别率。　关键词：支持向量机；红外成像；自动目标识别　中图分类号；ＴＮ９７６　文献标识码ｚ　Ａ　Ｉｎｆａｒｅｄ　Ｉｍａｇｉｎｇ　Ａｕｔｏｍａｔｉｃ　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　ＳＶＭ　ＦＡＮ　Ｂｉｎ．ＦＥＮＧ　Ｙｕｎ—ｓｏｎｇ．ＹＡＮＧ　Ｌｉ．ＹＡＮＧ　Ｈｕａ　ｆ＾ｒｅｙ　Ｌａｂ　ｏｆ　Ｉｎｆａｒｅｄ　ａｎｄ　Ｌｏｗ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｐ／ａｓｍａ　ｏｆ　Ａｎｈｕｉ　Ｐｒｏｖｉｎｃｅ，Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ．ＰＬＡ　Ｈｅｉｆｅｉ　２３００３７，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ－ｉｎ　ｖｉｅｗ　ｏｆ　ｔｈｅ　ｉｓｓｕｅ　ｏｆ　ａｕｔｏｍａｔｉｃ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｅｔ　ｂｙ　ｉｎｆｒａｒｅｄ　ｉｍａｇｉｎｇ　ｇｕｉｄｅｄ　ｍｉｓｓｉｌｅｓ　ｉｎ　ｔｈｅ　Ｗａｒ．ａｎ　ａｕｔｏｍａｔｉｃ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｗｈｉｃｈ　ｕｓｅｓ　ｓｅｖｅｒａｌ　２　Ｄ　ｉｍａｇｅｓ　ｔｏ　ｒｅｃｏｇｎｉｚｅ　３—Ｄ　ｔａｒｇｅｔｓ　ｉｓ　ｐｕｔ　ｆｏｒｗａｒｄ　ａｎｄ　ａ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　ｉｓ　ｕｓｅｄ　ａｓ　ａ　ｃｌａｓｓｉｉｆｅｒ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｈａｖｅ　ｓｈｏｗｎ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｃａｌｌ　ｒｅｃｏｇｎｉｚｅ　ｔｈｅ　ｔａｒｇｅｔ　ａｔ　ａｎｙ　ａｎｇｌｅ　ｉｎ　ｔｈｅ　ｓｐａｃｅ　ｓｕｃｃｅｓｓｆｕｌｌｙ　ａｎｄ　ｃａｌｌ　ｓｏｌｖｅ　ｔｈｅ　３－Ｄ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｒｏｂｌｅｍ　ｗｈｉｃｈ　ｉｓ　ｄｉｉｆｃｕｌｔ　ｔｏ　ｂｅ　ｓｏｌｖｅｄ　ｙｂ　ｍａｎｙ　２一Ｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｌａｇｏｒｉｔｈｍｓ．Ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ，ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｈａｓ　ａ　ｈｉｇｈｅｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｉｏ．　Ｋｅｙ　ｗｏｒｄｓ：ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ；ｉｎｆｒａｅｄ　ｉｍａｇｉｎｇ；ａｕｔｏｍａｔｉｃ　ｔｒａｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　１引言　成像制导导弹能够在敌方导弹射程之外发射，　目前，红外成像制导导弹机制已由传统的　并能自动识别所要攻击的目标，不需要人工参　与，这就大大提高了武器发射平台及人员的生　发射前锁定”发展为“发射后锁定”，由原来　存概率．所谓“智能”的关键技术就是自动目标　的“人在回路中”发展为　人不在回路中”，红　识别技术．　、　外成像制导导弹成为了真正意义上的“智能”　本文提出了基于支持向量机的红外成像自　灵巧导弹．典型的代表有：美军的ＡＭＲＡＡＭ空　动目标识别算法．在实际作战中，目标会以任　空导弹、先进中程反坦克武器系统（ＡＡＷＳ－Ｍ）　意角度出现在成像导引头的视场内．这实际上　等．在实战中，谁先发现敌方目标并先敌发射　是一个三维目标识别的问题，它给传统的二维　导弹，谁就掌握了战场主动权．‘‘智能”红外　识别算法带来了困难，使得其正确识别概率大　收稿日期。２００６－０８－３０　’　作者简介，范彬（１９８２一），男，安徽人，硕士研究生，研究方向为光电对抗技术与图像处理．　‘　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．２８，Ｎｏ．１，ＪＡＮ　２００７　维普资讯 http://www.cqvip.com 大下降．因此，本文提出了利用若干二维图像　识别三维目标的思想，很好地解决了三维目标　的识别问题．同时，利用支持向量机小样本学　习的特点，有力地保证了利用有限的二维图像　对于样本不可分的情形，需引入非负松弛　变量　，ｉ＝１，２，Ｌ　ｆ，问题式（６）变为　一　ｎ　（叫）　去（叫Ｔ　）＋ｃ　毛　ｓ．ｔ．　（叫ＴＺ　＋ｂ）　１一毫，　￡　０，ｉ＝１，２，Ｌ　ｌ　识别三维目标的可行性．　２支持向量机的分类原理　（７）　支持向量机（ＳＶＭ）是一种基于结构风险最　小化原理的有监督的统计学习方法【　．兼顾训　利用Ｌａｇｒａｎｇｅ乘子法，可求得Ｗ０＝Ｅ　ａ，ｙ　，　ｉ－－ｌ　练误差和泛化能力，在解决小样本、非线性及高　ｆ　Ｅ　Ｙ＝０，　０，因此分类决策函数为　维模式识别问题中表现出许多特有的优势［２，３１．　ＳＶＭ的基本思想是在样本空间或特征空间　ｆ（ｚ）＝ｓｇｎ（ｗ￣ｇｚ＋ｂｏ）　、　构造出最优超平面，使超平面与不同类样本集　之间的距离达到最大，从而达到最大的泛化能　＝卵ｎ力【４，５１．　（　轨　＋％）　㈣　本文所研究的坦克多角度红外图像的分类　根据泛函分析理论可知，一个非负定的对　问题属于非线性分类问题．　称函数　（　，　）只确定一个Ｈｉｌｂｅｒｔ空间Ｈ，Ｋ　设给定训练样本（Ｘｌ，Ｙ１），（ｚ２，Ｙ２），…，　是函数空间Ｈ的重建核：　（　ｆ，Ｙｔ），Ｙ　∈｛－１，１）．在Ｆ空间中，若非线性变　（　，　）＝∑　（　）　（　）　’换：　Ｚ＝曲（ｚ）为线性可分情况，则存在权向量　ｔ　ｕ和偏置ｂ，满足：　它表示了特征空间中的一个内积：　，　一　●　Ｊ　Ｗ　Ｚｔ＋ｂ≥１，Ｙｔ＝－｛－１　…　ｚＴ，ｇｚ＝咖（　。）Ｔｇ咖（　）＝　（　，　）　（１０）　Ｉ　ＷＴｚｔ＋ｂ　１，Ｙ‘＝一１　从而决策菌数可写为　合并式（１）得。　（叫Ｔ　＋ｂ）≥１，ｉ＝１，２，Ｌ　ｌ　（２）　，㈤＝）＝ｓ９仡（｛Ｉ　壹∑刚ｔｉ＝１刚ｔ　＋　（　ｚ）＋　、６０／１）　（１１）　设超平面Ｈ（ｗ，ｂ）的方程为　上式中０　（　，ｚ）称为核函数．核函数的选择必　ＷＴｇｚ　ｂ＝０　　。须满足Ｍｅｒｃｅ条件．常见的核函数有线性函数　（　，ｚ）＝烈夕ｚ，多项式函数　（ｚ　，ｚ）＝（ｚ　ｇ２：＋　则两边界之间的距离为　１）ｄ，径向基函数　（ｚ　，　）＝ｅｘｐ（一ｌｌｚ—ｚ　ｌｌ　／　），　ｚＴｇｗｚＴｇｗ　多层感知器函数　（ｚ　，ｚ）＝ｔａｎｈ（ｋｚ　ｇｘ＋　）．　Ｐ（叫，６）＝　ｍｉｎ　一　ｍａｘ．＋）　—）　３实验过程　最优超平面（ｗｏ，ｂｏ）应使式（４）达到最大ｔ　３．１红外目标三维图像的获取　ｐ（ｗｏ，ｂｏ）　２　２　（５）　本文以坦克为研究对象，通过３ＤＭＡＸ建模　得到坦克的三维红外模型，再利用该软件精确控　因此，求最优超平面问题就转化为求解二　制方位角、俯仰角和距离，从而获取坦克若干幅　次规划问题：　二维红外图像．这些图像由２４个方位角（在３６０。　范围内每隔１５。取一幅图像）、４个俯仰角（取　ｍ　ｉ－６ｎ　（叫）　壹（叫Ｔ叫），　８．ｔ－轨（叫Ｔ　＋６）　１　（６）　３０。、４５。、６０。、７５。四个俯仰角）、１１个距离　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．２８，ＮＯ．１，　ＪＡＮ　２００７　维普资讯 http://www.cqvip.com （在４０ｍ一４００ｍ范围内每隔４０ｍ取～幅图像）的　坦克图像组成。　提取．根据红外图像的特点，本文提取了八个几　何特征一目标面积、周长、复杂度、外接矩形、　外接矩形长、外接矩形宽、外接矩形长宽比、紧　凑度以及前五个Ｈｕ氏矩特征共１３个特征。表１　列出了图２八幅图像中的目标经预处理后提取　的１３个特征．　为了进行分类器训练，以相同方法获取吉　普车的二维红外图像，并建立包括坦克和吉普　车的红外图像数据库．　３．２预处理　由于本实验中的研究目标的背景单一，目　标与背景对比度明显，因此可以采用Ｏｔｓｕ准则　４实验结果　本文利用通过计算机仿真方法建立的目标　分割目标。但分割后的目标内部有噪声干扰，　我们选取形态学滤波的方法去除噪声。图１是　使用形态学滤波前后分割的情况．　红外图像数据库来验证算法的有效性。该数据　库包括坦克和吉普车两类目标的２１１２幅图像，　坦克１０５６幅，吉普车１０５６幅，图像分辨率为　■■　（ａ）滤波前　（ｂ）滤波后　图１形态学滤波前后分割的目标　２５６ｘ２５６，它们均为灰度图像．图２所示是距离　坦克４０ｍ、仰角３０。、不同方位角（０。、４５。、　９０。、１３５。、１８０。、２２５。、２７０。、３１５。）的八幅　图像．　利用１２０幅坦克图像和１２０幅吉普车（方位　角３６０。，每隔３０。取一幅，共１２幅，俯仰角４５。、　７５。各取一幅，共２幅，距离４０ｍ一４００ｍ每隔　８０ｍ取一幅，共５幅）图像共２４０幅图像作训练，　用１８７２幅坦克图像作测试。分别提取每幅图像　３．３特征提取　接着我们对经过预处理后的图像进行特征　ｍ一一一　一■一■　……图２坦克图像　表１目标的几何特征和矩特征　面积　周长　复杂度　矩形面积　矩形长　矩形宽　长宽比　紧凑度　不变矩一　不变矩二　不变矩二　不变矩四　不变矩五　（ａ）　１１１５　２９３　０．２６　１３５３　３３　４１　０．８０　０．８２　１．０ｅ一３　５．３ｅ一８　３．６ｅ一１１　１＿０ｅ一１１　—３．８　４　（ｂ）　１２２０　５５９　０．４６　（ｃ）　１２１７　６０４　０．５０　（ｄ）　１１８６　５８６　０．５０　（ｅ）　１０７３　４３９　０．４１　（ｆ）　１３３８　５２３　０．３９　（ｇ）　１４０５　５１９　０．３７　（ｈ）　１３８２　４０７　０．２９　２７４７　２３０４　２３７６　１９２５　２４３６　３２５５　３１５７　６７　７２　７２　３５　８７　９３　７７　４１　３２　３３　５５　２８　３５　４１　１．６３　２．２５　２．１８　０．６３　３．１１　２．６６　１＿８８　０．４７　０．５３　０．５０　０．５６　０．５５　０．４３　０．４４　１．６ｅ＿＿３　２．２ｅ＿－３　１．８ｅ＿＿３　１．２　＿３　１．８ｅ＿－３　１．８ｅ－－３　１＿３ｅ＿－３　８．８ｅ一７　２．５ｅ＿＿６　１．２ｅ＿＿６　５．１　Ｉ８　１．８ｅ邶　１．８ｅ＿＿６　６．８ｅ＿＿７　１．３ｅ一１１　３．１ｅ一１１　ｌ＿３５ｅ一２１　Ｌ２ｅ－１０　３．４ｅ一１１　—３．７ｅ一２１　３．６ｅ一１１　４．６ｅ一１１　—８．５ｅ－－２２　２．６ｅ一１１　３．７ｅ一１１　２．８ｅ一１１　３．０ｅ一１２　５．７ｅ一１２　１．５ｅ－１２　７．８ｅ一１２　２．０　＿２４　８．２ｅ－－２３　１＿０ｅ一２２　１．８ｅ一１１　—５．７ｅ＿＿２２　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．２８，ＮＯ．１，ＪＡＮ　２００７　维普资讯 http://www.cqvip.com 中目标的１３个特征值。　行了训练测试．实验结果表明了该识别算法的　有效性，同时通过比较也说明了该算法比传统　实验中用坦克作为正样本，用吉普车　作为负样本，采用径向基函数ｇ（ｘｔ，　）　ｅｘｐ（一ｌ　一　ＩｌＩ　／盯　）（盯＝２）作为核函数，进行训　练和测试。我们定义坦克的识别准确率　ｐ　算法拥有更高的识别率．若能提高算法的实时　性，将更适用于实战　参考文献　Ｑ＝　ＰｈＴ　…　（１２）　【１】Ｖａｐｎｉｋ　Ｖ．Ｔｈｅ　Ｎａｔｕｒｅ　ｏｆ　Ｓｔａｔｉｓｔｉｃａｌ　Ｌｅａｒｎｉｎｇ　Ｔｈｅｏｒｙ　［Ｍ】．Ｎｅｗ　Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ　Ｖｅｒｌａｇ，１９９５．　式中，　Ｐ表示在测试集中被准确判断为正样　本的样本个数，ＰＮ表示测试集中正负样本的　总数．　【２　Ｖａｐｎｉ２】ｋ　Ｖ．Ｓｔａｔｉｓｔｉｃａｌ　Ｌｅａｒｎｉｎｇ　Ｔｈｅｏｒｙ【Ｍｌ＿Ｎｅｗ　Ｙｏｒｋ：Ｊｏｈｎ　Ｗｉｌｅｙ＆Ｓｏｎｓ．１９９８．　本算法的识别准确率达９７％以上，训练时　【３】Ｓｅｒｇｉｏｓ　Ｔｒｅｏｄｏｒｉｄｉｓ，Ｋｏｎｓｔａｎｔｉｎｏｓ　Ｋｏｕｔｒｏｕｍｂａｓ，　间为ｌｍｉｎ左右，识别一幅图像仅需１ｓ　２ｓ。传　统的最近邻分类器和ＢＰ神经网络分类器的识　别准确率分别为９１．６％和９０．５％，本文的识别准　确率比这两种方法都高．　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ【Ｍ】＿Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ　Ｈｏｕｓｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｉｎｄｕｓｔｒｙ，２００４．　［４１　ＺＨＡＮＧ　Ｌｉ，ＺＨＯＵ　Ｗｅｉ—Ｄａ，ＪＩＡＯ　Ｌｉ－Ｃｈｅｎｇ．Ｓｕｐ－　ｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ　ｆｏｒ　１－Ｄ　Ｉｍａｇｅ　Ｒｅｃｏｇｎｉｔｉｏｎ．　Ｊｏｕｒｎａｌ　ｏｆ　Ｉｎｆａｒｅｄ　ａｎｄ　Ｍｉｌｌｉｍｅｔｅｒ　Ｗａｖｅｓ（张莉，周　５结语　本文提出了一种利用二维图像识别三维目　伟达，焦李成．用于一维图像识别的支撑矢晟机方　法．红外与毫米波学报），２００２，２１（８）：１１９－１２３．　【５］Ｂｕｒｇｅｓ　Ｊ　ｃ．Ａ　Ｔｕｔｏｒｉｌａ　ｏｎ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ　ｏｆｒ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ【Ｍ］．Ｂｏｓｔｏｎ：Ｋｌｕｗｅｒ　Ａｃａ－　ｄｅｍｉｃ　ＰｕｂＵｓｈｅｒｓ，１９９９．　标的基于支持向量机的识别算法，并针对作者　自己建立的红外图像库（包括坦克和吉普车）进　多光谱红外超像元光电　探测器和成像器　美国专利Ｕ￥７１３５６９８　（２００６年ｌ１月１４日授权）　本发明提供一种可探测四个以上不同红外波段的　多光谱超像元光电探测器．该超像元光电探测器包括　两个或多个亚像元光电探测器，每个亚像元光电探测器　包括一个能在两个或多个相关红外波段共振的衍射共　振光学腔．通过探测在施加两个或多个偏压时的红外　４２如如ｆ‘｛　２赫　４２２４’　｝’‘０ｕ　　巽　；　］口口口口口臼ｉ］口口口口口　　］口口口口口【ｊ｛　辐射并产生各亚像元光电探测器在每个偏压值处的光　谱响应曲线，便能够计算出对每个红外波段的响应．这　种超像元光电探测器可用于军用和医学成像等方面，　并能够覆盖一个很宽的红外光谱区域．　本专利文献共２４页，其中有１０张插图．　］口口口口０１　］口口口口０；　］口口口口０　］口口口口啦　高编译　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．２８，ＮＯ．１，ＪＡＮ　２００７