您的当前位置：首页基于支持向量机的高空无人机侦察目标识别

基于支持向量机的高空无人机侦察目标识别

来源：爱go旅游网

Vol.35,No.3

Mar,2010

火力与指挥控制

FireControl&CommandControl

第35卷　第3期2010年3月

文章编号:100220640(2010)0320082204

基于支持向量机的高空无人机侦察目标识别3

唐　克,魏　琪,杜　涛

(解放军炮兵学院,合肥　230031)

　　摘　要:针对高空无人侦察机遥感图像目标不明显、图像背景复杂等特点,提出了一种基于支持向量机的目标分类方法。将支持向量机应用于高空无人侦察机的遥感图像目标识别,并且对特征值的提取进行深入研究。实验结果表明,特征值输入的多分类器在识别性能上具有很高的识别率,对提高高空无人机的侦察能力具有重要意义。

关键词:复杂背景,支持向量机,特征值提取,多分类器中图分类号:E933　　　　文献标识码:A

TheReconnaissanceTargetRecognitionoftheHighAltitude

UnmannedScoutbasedonSupportVectorMachineTANGKe,WEIQi,DUTao(ArtilleryAcademyofPLA,Hefei230031,China)

　　Abstract:Accordingtotheimageofremotesensingofthehighaltitudeunmannedscoutisnotobviousgoal,imagebackgroundcomplex,consideringthathavingputforwardakindofgoalclassificationmethodbasedonsupportvectormachine1Usingthesupportvectormachineappliedinthehighaltitudeunmannedscoutdistinguishingimagegoalofremotesensing,anddrawtocarryoutthoroughresearchforfeaturevalue1Theexperimentresultexplainsthatbasedontheclassficationwareoffeaturevalueinputthatthispassageputsforwardonidentificationperformancehaveveryhighidentificationrate,andhasimportantmeaningforraisingthereconnaissanceabilityofthehighaltitudeunmannedscout1

Keywords:complexbackground,supportvectormachine,extractionoffeaturevalue,multiclassifier

引　言

无人机是一种机上无人驾驶、可重复使用的航空器。其已多次在局部战争中卓有成效地执行了多种军事任务,其中包括照相侦察、信号情报搜集、防空阵地位置标识、直升机航路侦察、战场损伤评估和人员搜救等任务,为武器系统提供目标定位、目标指示、目标动态监视和目标毁伤评估的实时情报。近年来随着无人机在不同应用领域里的突出表现,国内外都出现了将无人机用于影像获取的趋势。携带遥感侦察系统的高空无人机的主要优势在于具有更高

　收稿日期:2008209226　　　　修回日期:20092032253基金项目:解放军射击学会“十一五”基金资助项目(032

14)

　作者简介:唐　克(19622　),男,安徽东至人,副教授,硕

士生导师,研究方向:武器系统分析与仿真。

的灵活性,可以应任务需要随时起飞,实现遥感影像

的实时获取;资料的时效性强,成本大大低于载人飞机。但由于无人机平台体积小、重量轻,难以使用专业航空摄影机和记录仪、稳定平台等辅助设备;且无人机多在中低空飞行、气流复杂,易导致空中姿态剧烈变化,这些因素增加了遥感影像的处理难度。为此,本文就高空无人机遥感影像的目标识别提出了运用支持向量机算法。

支持向量机(SVM)是基于统计学习理论的一种新的机器学习方法。统计学习理论是一种专门研究小样本情况下机器学习规律的理论,基于此理论发展的SVM通用学习方法,由于基于结构风险最小化(SRM)原理,对实际应用中有限训练样本的问题,表现出很多优于已有方法的性能,取得了大量的研究成果,推动了各领域的发展。本文针对遥感图像背景复杂的的问题,首先进行背景的去噪抑制,然后提取多类特征值,增加输入样本的准确性、全面性;

唐　克,等:基于支持向量机的高空无人机侦察目标识别

(总第35-429)　　　　・83・

经过优化比较支持向量机的多分类器,提出运用以

基于One2against2One方法中的One2in2One策略的多类器,取得良好效果。

f(x)=+b,(w,b)∈R×R(3)

的泛化性能最优。因此求泛化性能最优的(w,b)问题可归结为求解下面二次规划问题:

minw,b

1‖w‖22

(4)

1　对背景的图像滤波预处理

由于受高空距离、复杂环境及技术条件的限制,高空无人侦察机拍摄的图像一般都较复杂,这为置于复杂背景下目标的提取及识别带来了较大的困难。因此首先需要对图像进行背景去噪。

本文提出的图像滤波预处理方法,在图像处理中的滤波属于空间滤波,它是一种着眼于灰度的空间分布。常用的方法是运用一个K×K的模板对全图像做卷积运算。滤波的目的有两个,一个是将随机空间噪声平滑掉;二是保持、突出目标的某种空间结构。空域滤波可增强图像目标的信噪比,大部分噪声,如由红外成像器件、传输通道、A󰃗D转换器等引起的噪声,通常表现为孤立像素的离散化变化,不是空间相关的,与它们的相邻像素显著不同,这种现象是许多噪声清除算法的基础。基于这一点分析,可以用邻域平均法判断每一点是否含有噪声,并用适当的方法消除其噪声。

在图像中常用的空域滤波方法是中值减法滤波器(MSF)。这里,中心点像素减去近邻8个值的中值来置换该点像素。输入像素f(x,y)的8个临近像素值从小到大排列并标记为x0,x1,x3,…,x7从MSF输出像素值g(x,y)定义为:

(1)g(x,y)=f(x,y)-m(x,y)1(x3+x4)其式中m(x,y)定义为:m(x,y)=2

输出像素值是中心像素减去8个近邻像素值的中

(由于篇幅有限,图像处理结果对比不列出,具体值。

s.t.yi(w・xi+b)≥1

i=1,2,…,l

这就是支持向量机的最大边缘算法。

在实际情况下样本集合中有噪音数据的存在,这会严重影响分类器的泛化性能,也就是所谓的训练样本线性不可分情况。从实际应用角度出发,有时需要容忍这些异常数据点的存在,不考虑其影响,以对其他数据进行正确分类。为此可以通过式(1)中引入松弛变量Ν

iyi[(w・xi)+b]≥1-Ν

(5)

提出下述软边缘算法:

1‖w‖2+Cminw,b,Ν2

∑Νi=1

s.t.yi(w・xi+b)≥1-Νi

i≥0,i=1,2,…,lΝ

(6)

其中:C是设定的惩罚因子,它控制对错分样本

惩罚的程度,实现在错分样本的比例与算法复杂度之间的折衷;Ν保证分类器不可能对全部样本正确分类,即在式(4)约束条件不满足情况下,通过加上松弛变量使得尽可能减少错分样本,即使约束条件成立。

另外将非线性问题通过转化用线性分类器进行处理呢?支持向量机提供了一种方法,就是核技巧,其思路是将输入空间中的非线性问题映射到高维特征空间,从而转化为线性问题。常见的核函数有多项式函数、径向基函数(RBF)、Sigmoid函数等,本文选择径向基函数。

212　One-in-One策略的多类器

One2against2One法是将一个k类问题分解为k(k-1)个(子)两类问题。每个两类问题的训练集2

参见文献1)

2　多分类支持向量机的构建

211　支持向量机

二分类问题的分类通常用一个实值函数

f:XΑR→R按照这样的方式操作:当f(x)≥0时,输入x=(x1,…,xn)′赋给正类,否则赋给负类。考虑当f(x),x∈X是线性函数的情况,函数可以写为:

由原训练集中的两个类别的样本组成,其中一个类别的样本的类标被重新定义为+1,另一个类别的样本的类标被重新定义为-1。

One2in2One策略是基于所有子分类器的局部泛化性能进行参数选择,即为每个两类分类器单独选择自己的参数。该策略将一个多类支持向量机的参数选择问题转化为多个两类支持向量机的参数选择问题本文将其称为one2in2One策略,意指每个两类分类器存在于自己的(单独的)参数空间中。在为

f(x)=+b=

∑w

i=1

xi+b(2)

这里(w,b)∈Rn×R是控制函数的参数,决策规则由sgn(f(x))给出。

在支持向量机中,对线性可分问题,寻求具有最优预测性能的函数规律就是寻找最优分类器H的过程。具体说,目的是找到最优的w、b,使得

　　(总第35-・84・

430)火力与指挥控制

2010年　第3期

两类支持向量机SVMij,选择参数时,首先组成只包含类别i和类别j的样本的训练集,然后在这个子训练集上进行相应的参数选择。基于以上策略所构建的三类支持向量机的识别流程分类器。

其中,m=

∑∑f

x=1y=1

(x,y)为图像质量,代表数字

3　特征值选择

在构造特征集时,由于特定目标在图像中往往会平移、旋转、放缩等,若获取外形,则有很多种不同形态下的外形,很难与标准模板外形相匹配。图像模糊、噪声干扰的存在,使目标与周围环境很难准确分离。因此,需要构造具有不变性的特征集。即目标若在图像中有平移、旋转、比例变化,由图像上得到的特征集仍与模板特征集一致。311　形状特征

矩形度:反映一个物体矩形度的一个参数是矩形拟合因子R=

A0AR

图像中所有像素的灰度值之和。313　纹理特征

从样本图中选择了包括当前像素灰度值I、当前像素邻域均值E以及由当前像素邻域的灰度共生矩阵导出的局部纹理特征作为对待分割像素的描述。为了获取局部特征,需要对当前像素邻域形成一个子图像,在子图像中选择相应的局部灰度统计特征和局部纹理特征。假设子图像尺寸为s×s,其中s为奇数。则局部灰度统计特征可以表达为:

灰度均值

s-1s-1

∑∑I(i,j)

i=0j=0

(8)

对比度

t1=∑∑(I-I1

I1)p(I1,I1)(9)

圆形度:有一组形状特征被称为圆形度指标,因为它们在对圆形形状计算时取最小值,其幅度值反映了被测量边界的复杂程度。最常用的圆形度指标是C=

熵t3=∑∑p(I,I)log(p(I,I))

1111

(10)

。4　算法建模实验

使用One2against2OneSVM多类分类器由于要构造所有的二类别分类器,所以需要构造6×(6-1)󰃗2=15个二类分类器,实验选择使用了高斯径向核SVM,在有限的实验参数范围中,径向基核函数在∆2=015、C=1000时获得了15147%的最小泛化误差,此类SVM的训练模型选择取决于两个参数,其一是惩罚因子C,其二是核参数∆。

由以上介绍可以得出将以特征选择经过长期的观察,结合大量的实验,选择了由矩形度和圆形度2个几何特征、7个不变矩特征、3个由灰度共生矩阵导出的纹理特征以及NMI特征共13个特征分量组成的特征矢量来描述需要识别的图像目标,并作为支持向量机方法的输入矢量用于训练和分类。当然这些数据都需要在前期对图像进行的背景抑制基础上提取出来,本文就运用图像滤波对图片进行背景预处理。

本实验中暂时以具有代表性的军事目标类别被划分为6类,机场、农田、弹药库、公路、工厂、水域;按A、B、C、D、E、F顺序。分类器1划分A、B二类,A类为正样本,B类为负样本,分类器2划分A、C二类,A类为正样本,C类为负样本,以此类推,比如分类器7划分B、D二类,B类为正样本,D类为负样本。每类样本训练集各为100个样本,以A、B二类训练为例,先加载A和B的训练集,确定训练目

不变矩:函数的矩(moments)在概率论中经常使用。几个从矩中导出的期望值同样适用于形状分析。具有两个变元的有界函数f(x,y)的矩集定义如下:

∞∞

∫∫xyf(x,y)dxdy

-∞-∞

这里P和q可取所有的非负整数值。常用的区

域矩特征有:①中心矩:一个物体的重心坐标;②Hu矩组:Hu矩组是{Mpq}前8个矩的函数,它满足平移、旋转不变性。312　NMI特征

根据物理上重心的概念,定义灰度图像f(x,y)

θ,θ的质心(xy)如下:

θMM

1000

,θy=

θ,θ其中,质心(xy)代表图像灰度的重心,图像围θ,θ绕质心(xy)的转动惯量记为J(θx,θy)。根据图像的质

θ,心和转动惯量的定义,可给出灰度图像绕质心(x

θy)的归一化转动惯量:

0100

NMI=

θ,θJ(xy)=m

∑∑((x-x=1y=1M

θ)2+(y-xθ)2)f(x,y)x

∑∑f(x,y)

x=1y=1

(7)

唐　克,等:基于支持向量机的高空无人机侦察目标识别

(总第35-431)　　　　・85・

标,先给出一个初始的训练参数,然后对A和B的

测试集进行测试,调整参数到分类最优状态,按这样的方法训练好15个SVMOne2against2One分类器。为了得到这个分类器的性能估计,把所有的6类测试样本放到每个分类器分类,并使用投票表决(以某个样本为例,将其送入15个分类器中,统计分别属于6类的结果有几个,这就是投票过程,表决过程就是根据投票的结果决策出属于某类)的方法得出最后的分类结果。投票表决的某类样本最终数目是在去除混分样本情况下得到的数目,并把混分样本数目也列出来,最终识别率是按公式(6类测试样本被正确分类的总数目󰃗6类样本总数目)计算的。

表1是经过建模实验得出的数据结果,可以看到构造的SVM多类分类器在测试样本集上的总精

　　　　　　　测试样本　　输出结果

分类器1(分出A类󰃗分出B类)分类器2(分出A类󰃗分出C类)分类器3(分出A类󰃗分出D类)分类器4(分出A类󰃗分出E类)分类器5(分出A类󰃗分出F类)分类器6(分出B类󰃗分出C类)分类器7(分出B类󰃗分出D类)分类器8(分出B类󰃗分出E类)分类器9(分出B类󰃗分出F类)分类器10(分出C类󰃗分出D类)分类器11(分出C类󰃗分出E类)分类器12(分出C类󰃗分出F类)分类器13(分出D类󰃗分出E类)分类器14(分出D类󰃗分出F类)分类器15(分出E类󰃗分出F类)

投票表决分出A类投票表决分出B类投票表决分出C类投票表决分出D类投票表决分出E类投票表决分出F类混分样本数目

识别率

A类测试

B类测试

度是95132%。将构造好的分类器对原始图像进行分类,原始图像一共生成40000(200×200)个样本,经训练好的One2against2OneSVM多类分类器分类后,A类样本有13051个,B类样本有9421个,C类样本有3571个,D类样本有1488个,E类样本有5650个,F类样本有6936个,混分样本一共有4554个,最后6类样本分别被赋值规格化输出。A类测试样本的识别率达到97135%;B类测试样本的识别率达到92190%;C类测试样本的识别率达到95195%;D类测试样本的识别率达到90123%;E类测试样本的识别率达到98124%;F类测试样本的识别率达到96139%;都达到了较高的识别率,并且6类军事目标能够较准确的分类识别出来。

表1　One2against2One多类分类器测试结果

C类测试

D类测试E类测试F类测试

样本(679)

663󰃗16678󰃗1678󰃗1679󰃗0678󰃗1677󰃗2678󰃗1186󰃗493413󰃗264678󰃗136󰃗6430󰃗67911󰃗6684󰃗6750󰃗67966180101897135%

样本(3605)

121󰃗35843605󰃗03605󰃗03015󰃗6902035󰃗15703605󰃗03605󰃗03325󰃗2803547󰃗583605󰃗00󰃗36050󰃗36050󰃗36050󰃗36052󰃗36034833910024115092190%

样本(1973)25󰃗19481󰃗1972176󰃗17731780󰃗1933󰃗19740󰃗1973151󰃗17980󰃗19730󰃗19731970󰃗31969󰃗41860󰃗1131946󰃗271933󰃗4084󰃗1889

1018933417195195%

样本(389)70󰃗3192󰃗3872󰃗387389󰃗03󰃗3862󰃗3872󰃗3871󰃗3881󰃗38839󰃗350388󰃗1218󰃗171388󰃗1381󰃗80󰃗3895316351001490123%

样本(2843)样本(1494)

2󰃗28412824󰃗172843󰃗05󰃗28383󰃗28402843󰃗02843󰃗05󰃗2838113󰃗27302843󰃗01󰃗28420󰃗28430󰃗28430󰃗28432780󰃗63

2300279344198124%

0󰃗14941494󰃗01494󰃗0574󰃗9200󰃗14941494󰃗01494󰃗08󰃗14866󰃗14881494󰃗00󰃗14940󰃗14940󰃗14940󰃗149451󰃗1443

0200511440196139%

总体识别率=6类测试样本被正确分类的总数目󰃗6类总测试样本数=95132%

(下转第99页)

韩　统,等:飞机维护保障人员可靠性评估模型

(总第35-445)　　　　・99・

②为简化计算,在此认为一个机组中各专业人

员的失误率和修复率相同。

③整个维护过程中的劳动强度是一样的,即用平均劳动强度来考虑建模的有关问题。不同的工作日如机械日、飞行日等劳动强度是不一样的,用不同的平均劳动强度来区分不同的工作日[4,6]。

下面以美军的F216A和台湾地区的F216A为例:二者装有同样的机炮和挂载同样的空空导弹,其飞机自身作战能力相同,但受各自地勤机组(假设都出动自己的优质机组)的维护保障。不考虑维护保障人员可靠性时,二者固有对空作战能力同为1315[7]。模型计算参数见表1,计算结果见表2。

表1　效能计算初始参数

飞机国别美国F216A

析系统研究[J].航空维修.2005(6):42243.

[2][3]

班永宽.航空事故与人为因素[M].北京:中国民航出版社,2002.

DonOK,LenoachB.NonstationaryModelforAssessing

Human

Reliability

[J].

IEEE

TransactionsonIndustryApplications,1990,26(3):5802587.

[4]苏　畅,董彦非,陈东林.单机维护保障系统人力可用性评估模型初探[J].装备指挥技术学院学报,2003,14(5):527.

[5][6]

王立群.人的因素在维修上的应用[J].航空标准化与质量,2001(3):34237.

张东方,葛志浩,陈东林.装备维护系统效能评估人素系数的建模与分析[J].火力与指挥控制,2005,30(6):46249.

∃T

[7]

01003011115115

145144

2815

朱宝鎏,朱荣昌,熊笑非.作战飞机效能评估[M].北京:航空工业出版社,1993.

台湾地区F216A01005011

表2　考虑维护保障人员因素下的美军F216A和台湾地区

F216A评估结果

(上接第85页)飞机国别美国F216AE

1-KERMϖRM

效能下降(%)

911713113

5　结　论根据实现的过程,可以得出以下结论:

①考虑到构建的背景质量对系统性能有很大的影响,采用一次背景处理、一次目标提取来构建初始背景;②运用One2against2One法,建立多分类器,能很好的解决识别速度和系统稳定性。③支持向量机中的核函数选择很重要,正确的核函数能够有效的降低目标识别的错误率。④针对军事打击目标种类多、特征差异大、样本获取代价高等因素造成军事目标分类难度大的问题,选择了支持向量机方法作为学习分类方法。

大量的实验证明,上述介绍的检测算法能快速、有效地提取出各种目标特征参数,为实现军事目标识别精确化打下了坚实的基础。参考文献:

[1][2][3][4][5][6]

131501927301979512126

台湾地区F216A131501922701941511173

　　由表2可以直观地看出维护保障人员可靠性对飞机作战能力的影响。在考虑地勤机组的因素后,不同国家或地区即使装备同样的飞机,作战效能也是有差异的。由于保障维护人员存在一定程度上的不可靠性,F216A飞机作战效能在原有作战能力上都有所下降。由于人员训练以及对装备的熟悉程度不同,使得美军的F216A飞机效能下降9117%,而台湾地区的F216A飞机效能则下降了13113%。

此外,从表2中还可以看出在维护保障人员的影响因素中,机组中个人可靠度的影响程度要重于环境影响因子,这符合机务维护保障中“以人为本”的思想,也为提高地勤机组的可靠性指明了途径。

5　结　论

分析了影响维护保障人员可靠性的各种因素。建立了单个维护保障人员可靠性评估模型和典型地勤机组维护保障可靠性评估模型。最后以算例验证了模型的可行性。算例分析表明,所建模型对合理组织人力资源,充分发挥地勤机组效能提供了科学的量化手段,并为提高地勤机组的可靠性指明了途径。参考文献:

[1]

李庆华.复杂背景条件下的红外图像中小目标的检测[D].哈尔滨:哈尔滨工程大学,2006.

赵忠明.高分辨率遥感图像分类技术研究[D].北京:中国科学院研究生院,2006.

范　彬,冯云松.支持向量机在红外成像自动目标识别中的应用[J].红外技术,2007,29(1):21227.毛洁娜,于　龙,林莹莹.无人机遥感应用及红外载荷研究[J].红外,2007,28(2):38244.

VapnikVN.TheNatureofStatisticalofLearningTheory[M].NewYork:SpringerVerlag,1995.

李克武,郭建胜,周长飞.航空维修人为因素事故分

马轮基,马瑞升,林宗桂.微型无人机遥感应用初探[J].广西气象,2005,26(增刊):1312134.

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文