基于Hu矩与改进PNN的飞机姿态识别算法

    成杰+李新德??

    

    

    

    摘要: 在军事领域, 为了快速准确识别出飞机飞行过程中的姿态, 提出一种基于Hu矩与改进的概率神经网络(IPNN)的新方法。 该方法对于无噪声灰度化图片, 先进行二值化处理, 再计算图像的Hu矩特征。 将飞机飞行的360°姿态按三视图分为三个类别, 即正视图、 侧视图、 俯视图。 四维Hu矩作为PNN输入, 三个视图代表的三个类别作为PNN输出, 构建PNN网络。 实验结果表明, 对于无噪声图片平均识别率可以达到91.2%以上; 对于有噪声图片平均识别率可以达到87.0%以上, 可见训练后的网络具备良好的泛化能力。

    关键词: 飞机; 姿态; 概率神经网络; Hu矩; 分类

    中图分类号: TP391.41文献标识码: A文章编号: 1673-5048(2017)01-0055-07[SQ0]

    0引言

    现代军事活动中, 通过定位飞机的姿态, 能够更准确地定位飞机的局部特征。 如在景象制导空空导弹制导中, 为了提高制导精度, 必须定位目标的关键部位, 所以有必要对飞机飞行图像进行处理, 识别出螺旋浆、 机舱、 油箱等关键部位, 再向关键或软弱部位发射导弹, 以达到增强毁伤的效果。 飞机关键部位的识别与飞机飞行的姿态有直接关系, 飞机飞行姿态不同, 关键部位也各有差异, 所以必须首先对飞机飞行的姿态进行识别, 然后才能定位关键部位。

    目前, 有不少学者对飞机飞行姿态的定位进行了研究。 刘刚[1]等基于红外图像, 将飞机图像分割成背景、 机身、 尾焰三部分, 通过计算一种组合矩, 同时结合面积比特征来实现姿态识别; 赵芹[2]等结合Hu矩与仿射不变矩, 提出一种有利于目标特点的特征量和自动识别算法; 荆文芳[3]则将矩特征与飞机目标的红外特征结合起来进行识别; 涂建平[4-5]等通过对飞机目标进行骨架提取、 霍夫变换等过程, 检测飞机机轴, 识别飞机机头。 以上研究均取得了一定成果, 但对于飞机姿态的建模过于繁琐, 对飞机局部特征定位有很大的局限性。

    飞机在飞行过程中处于某一姿态是一个概率事件, 可以采用PNN模拟此过程, 通过训练后的PNN, 得到某一特定样本处于某一姿态的概率, 可以更合理判定其类别。 为此, 提出一种基于Hu与IPNN的飞机姿态识别算法。 通过提取飞机图片的四维Hu矩特征, 作为PNN的输入, 经过训练好的PNN, 得到最终的分类结果。

    1研究理论

    原始图像经过预处理, 得到二值化图片, 提取图像的特征, 经过训练后的PNN, 得到最终的分类结果。 研究框架见图1。

    1.1矩

    Hu矩作为识别的基本特征已广泛应用于图像识别、 模板匹配、 边缘检测、 数字水印和图像分析

    PNN常用于分类问题, 输入层输入样本的n维数据, 模式层计算输入样本到模式层数据中心的距离, 求和层计算输入层映射到各类样本的概率, 输出层选取求和层最大概率所属的类别作为最终的输出类别[12-15]。

    1.2.2PNN优点

    与 BP网络、 RBF网络等传统的前馈神经网络相比, PNN具有以下特点[16]:

    (1) 网络学习过程简单,训练速度快。 根据模式样本的特征及网络的外监督信号(期望输出), 直接获得网络隐层单元的连接权值, 无需反复训练网络, 各层神经元的数目比较固定, 因而易于硬件实现[17-18]。

    (2) 网络的容错性好, 模式分类能力强,收敛性较好[19-20]。 网络模式层采用径向基的非线性映射函数, 考虑了不同类别模式样本的交错影响, 而模式的输出层又消除了不同类别模式样本的交错影响[21], 这样构成的各个类别模式间的判决分界面是满足Bayes规则的最优解[22]。

    (3) 网络的扩充性能好,结构设计灵活方便。 由于网络学习过程简单且稳定性高, 允许增加或减少新的类别模式样本而无需重新进行长时间的训练学习[23-24]。

    基于上述优点, PNN已广泛用于模式识别、 故障诊断与专家系统、 回归拟合等领域。

    1.2.3改进的PNN

    本文PNN网络结构大体与标准PNN一致, 改进的地方是在求和单元层与输出单元层之间加入学习层, 且为全连接, 见图3。

    2.3算法流程图

    本算法分为训练环节和测试环节。 训练环节中, 对于无噪声灰度化图片, 通过图像预处理获得二值化图片后, 通过边缘检测, 获得飞机的轮廓, 对飞机轮廓外接矩形总体计算四维Hu矩特征, 作为PNN训练集, 获得训练好的PNN网络。 测试环节中, 由单帧测试图片, 经过预处理、 二值化后提取四维Hu矩, 输入训练好的PNN网络, 获得分类结果。 算法流程见图6。

    3實验分析

    3.1实验环境搭建

    实验在Visual Studio 2013平台下进行, 安装了开

    3.2实验结果

    每类飞机训练样本有150个, 其中正视图、 侧视图、 俯视图的个数均为50个。 IPNN的输入层神经元个数为4个, 提取每个样本的四维Hu矩特征作为IPNN的输入; 模式层神经元个数为150个, 提取150个训练样本的Hu矩作为中心矢量; 求和层的神经元个数为3个, 对应于三视图这3个类别; 学习层神经元个数为3个; 输出层为1个, 代表最终的输出类别。 输入的Hu特征均经过归一化处理, 学习层迭代次数为5 000次, 终止误差为0.5。

    采用五类飞机来验证算法的可靠性, 对于这五类飞机, 平均识别率可以达到90.4%, 最高可以达到91.2%, 说明从特征提取到PNN识别得出最终类别, 有一定的可靠性,实验结果如表1所示。

    采用SVD特征时, 输入神经元的个数为300维, 终止误差为0.2, 其他与采用Hu特征均一致。

    3.4不同分类算法的比较

    采用IPNN进行分类, 在与BP与PNN的比较中可以看出, PNN分类能力比BP优秀, 同时对PNN改进后, 平均识别率提高了6%左右, 改进的PNN相比传统PNN的优势在于, 加入了学习层, 能够在传统PNN的基础上, 加入自学习方法, 获得合适的连接权值, 从而保证最终的分类结果更准确, 更有效地提升了网络的泛化能力。

    BP神经网络的输入层神经元个数为4个, 隐层神经元个数为10个, 输出层神经元个数为3个, 最后取最大值作为最终类别, 采用BP算法学习第一层和第二层权值, 终止误差为0.5, 迭代次数为5 000次。 标准PNN与IPNN除没有学习层, 其他部分均一致, 各算法的比较结果如表3和图9所示。

    表3不同算法的比较结果

    3.5遮挡实验

    当飞机在飞行的过程中, 不仅姿态上会发生很大的变化, 而且可能会因为外界因素导致红外摄像机获取的图像发生部分遮挡的情况, 从而导致误识别。 实验中, 考察出现遮挡时, 算法是否能正确对目标进行识别, 即考察算法在目标遮挡时的鲁棒性。 训练样本库与3.2节相同, 测试样本库是在原测试样本库的基础上, 做随机遮挡, 遮挡面积占原目标面积的1/8, 1/4, 1/2, 3/4, 遮挡类型为矩形和圆形。 考察此时目标的正确识别率。 矩形遮擋的识别结果如表4和图10所示, 圆形遮挡的识别结果如表5和图11所示。

    3.6尺寸缩放实验

    实验中, 考察随着目标缩小时, 算法是否能正确有效地对目标进行识别, 即考察算法在目标缩小时的鲁棒性。 训练样本库相同, 测试样本库是在原测试样本库的基础上, 做一定的比例缩放, 分别缩小至原来的1/2,1/4,1/8,1/16,1/32,1/64。 考察此时目标的正确识别率。 尺寸缩放识别结果如表6和图12所示。

    3.7噪声实验

    实际工程应用中, 由于工程环境比仿真环境复杂, 必然会存在噪声, 实验目的在于测试算法对于存在噪声的图片时目标识别的准确性。

    实验步骤与3.2节大体一致, 但是对于训练样本和测试样本的每一帧图片, 均加上噪声, 原图片与加噪声后的图片如图13所示。 最终的实验结果如表7所示, 从表中可以看出, 加各类噪声后, 平均识别率87.0%以上, 相对于无噪声图片的识别率存在下降, 但仍然有不错的识别率, 说明了算法的合理性。

    4结论与展望

    针对飞机姿态识别在军事领域的广泛应用, 提出一种基于Hu矩与改进PNN飞机姿态识别算法。 通过仿真实验, 证明了方法优于BP和IPNN等方法, 同时在遮挡与缩放的情况下, 依然可以保持较高的识别率。 但算法仅仅是定位飞机的姿态, 局部特征点的寻找将是下一步的研究任务。

    参考文献:

    [1] 刘刚, 梁晓庚, 张京国. 基于红外图像的飞机目标关键攻击部位识别[J]. 计算机工程与应用, 2011, 47(24): 174-177.

    Liu Gang, Liang Xiaogeng, Zhan Jingguo. Recogniting Airplanes Key Attacking Part Based on Infrared Image[J]. Computer Engineering and Applications, 2011, 47(24): 174-177. (in Chinese)

    [2] 赵芹, 周涛, 舒勤. 飞机红外图像的目标识别及姿态判断[J].红外技术, 2007, 29(3): 167-169.

    Zhao Qin, Zhou Tao, Shu Qin. Recognition and Pose Estimation of Airplane Infrared Image[J]. Infrared Technology, 2007, 29(3): 167-169.(in Chinese)

    [3] 荆文芳.飞机红外图像的检测、 识别与跟踪技术研究[D]. 西安: 西北工业大学, 2006.

    Jing Wenfang. Research on Plane IR Imaging Detection, Recognition and Tracking Technology[D]. Xian: Northwestern Polytechnical University, 2006. (in Chinese)

    [4] 涂建平, 彭应宁, 庄志洪. 弹道终端飞机目标红外图像瞄准点识别方法[J].光学技术, 2003, 29(3): 261-265.

    Tu Jianping, Peng Yingning, Zhuang Zhihong. Research on Recognizing AimingPoint of Airplanes Infrared Sequence Images at Endgame[J]. Optical Technique, 2003, 29(3): 261-265. (in Chinese)

    [5] 赖海燕, 涂建平. 用于红外成像GIF的目标骨架提取算法[J]. 红外技术, 2005, 27(2): 147-150.

    Lai Haiyan, Tu Jianping. The Application of Skeleton Extraction Algorithm to Infrared imaging GIF[J]. Infrared Technology, 2005, 27(2): 147-150. (in Chinese)

    [6] 杨伟东. 基于DSmT近似推理的飞机目标识别算法的研究[D].南京: 东南大学, 2012.

    Yang Weidong. A Research of the Algorithm of the Aircraft Target Recognition Based on DSMT Approximate Reasoning[D].Nanjing: Southeast University, 2012. (in Chinese)

    [7] Hu M K. Visual Pattern Recognition by Moment Invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179-187.

    [8] Pattanachai N, Covavisaruch N, Sinthanayothin C. Tooth Recognition in Dental Radiographs via Hus Moment Invariants[C]∥ International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTICON), 2012: 1-4.

    [9] Liu Yun, Yin Yanmin, Zhang Shujun. Hand Gesture Recognition Based on Hu Moments in Interaction of Virtual Reality[C]∥ Intelligent HumanMachine Systems and Cybernetics (IHMSC), 2012: 145-148.

    [10] Alghoniemy M, Tewfik A H. Image Watermarking by Moment Invariant[C]∥Internatianal Conference on Image Processing, 2000: 73-76.

    [11] Specht D F. Probabilistic Neural Networks for Classification,Mapping or Associative Memory[C]∥IEEE International Conference on Neural Networks, San Dieg, California, 1988: 525-532.

    [12] 張洪波. 基于主成分的概率神经网络模拟电路故障诊断的研究[D]. 长沙: 湖南大学, 2008.

    Zhang Hongbo. The Research of Fault Diagnosis of Analog Circuits Based on Principal Component Analysis and Probabilistic Neural Networks[D]. Changsha: Hunan University, 2008. (in Chinese)

    [13] Li Chaofeng, Yang Maolong, Xu Lei, et al. A Comparative Study of Probabilistic Neural Network and BP Networks for Remote Sensing Image Classification[J]. Remote Sensing for Land & Resources, 2004, 16(4): 11-13.

    [14] Mao K Z, Tan K C, Ser W. Probabilistic Neural Network Structure Determination for Pattern Classification[J]. IEEE Transactions on Neural Networks, 2000, 11(4): 1009-1016.

    [15] Li Song, Li Xiuying, Wang Wenxu. Fault Diagnosis of Transformer Based on Probabilistic Neural Network[C]∥International Conference on Intelligent Computation Technology and Automation (ICICTA), 2011: 128-131.

    [16] Perera N, Rajapakse A D. Recognition of Fault Transients Using a Probabilistic NeuralNetwork Classifier[J]∥IEEE Transactions on Power and Energy Society, 2011, 26(1): 410-419.

    [17] Evagorou D, Kyprianou A, Lewin P L, et al.Feature Extraction of Partial Discharge Signals Using the Wavelet Packet Transform and Classification with a Probabilistic Neural Network[J]. Let Science Measurement and Technology, 2010, 4(3): 177-192.

    [18] Revett K, Gorunescu F, Gorunescn M, et al. A Breast Cancer Diagnosis System: A Combined Approach Using Rough Sets and Probabilistic Neural Networks[C]∥Internaltional Conference on Computer as a Tool, 2005.

    [19] Xu W, Wang D, Zhou Z, et al. Fault Diagnosis of Power Transformers: Application of Fuzzy Set Theory, Expert Systems and Artificial Neural Networks[J]. IEEE Proceedings Science, Measurement and Technology, 1997, 144(1): 39-44.

    [20] Barbosa F R, Almeida O M, Braga A P S, et al. Application of an Artificial Neural Network in the Use of Physicochemical Properties as a Low Cost Proxy of Power Transformers DGA Data[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2012, 19(1): 239-246.

    [21] Nikolic N, Park Y S. Sancristobal M, et al. What Do Artificial Neural Networks Tell Us about the Genetic Structure of Populations? The Example of European Pig Populations[J]. Genetics Research, 2009, 91(2): 121-132.

    [22] Murvai J, Vlahovicˇek K, Szepesvári C, et al. Prediction of Protein Functional Domains from Sequences Using Artificial Neural Networks[J]. Genome Research, 2001, 11(8): 1410-1417.

    [23] Ren Li, Wang Weipeng, Gao Yuzhen, et al. Typing SNP Based on the NearInfrared Spectroscopy and Artificial Neural Network[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2009, 73(1): 106-111.

    [24] Tian Jinpeng, Shi Huichang.Study of Localization Scheme Base on Neural Network for Wireless Sensor Networks[C]∥ Let Conference on Wireless, Mobile and Sensor Networks, 2007: 64-67.