一种基于不变矩的红外目标识别算法

张旭艳，华宇宁，董　晔，郝永平，张　乐

(沈阳理工大学 兵器科学技术研究中心，沈阳 110159)



一种基于不变矩的红外目标识别算法

张旭艳，华宇宁，董晔，郝永平，张乐

(沈阳理工大学 兵器科学技术研究中心，沈阳 110159)

摘要：针对单一目标特征量提取与识别存在的不足，提出了不变矩与红外目标几何形态特征组成的联合特征量，并选取欧氏距离作为目标分类识别的判别准则。实验结果表明，联合不变矩作为特征量满足尺度不变性，且有很强的独立性与可分性。在目标识别分类的应用中，其效果优于不变矩特征识别。

关键词：红外图像；目标识别；不变矩；联合特征向量；欧式距离

目标识别的研究近几十年来得到了很大的发展，比如经典的统计模式识别、基于知识基识别、基于模型目标识别等[1]。其中常用统计方法，包括基于像素匹配和基于特征匹配。像素匹配法计算量大，且对目标的变形敏感，所以识别大都采用特征匹配法。特征匹配要求特征向量有很强的独立性与可分性，且应满足尺度不变性。

本文在提取传统不变矩特征量的基础上，根据红外图像自身的特点，提取了表示目标几何形态的特征量。将不变矩与红外特征共同组成的联合特征向量作为最终特征量，对目标进行识别分类。

1图像处理

图像预处理是为了更好地提取出目标。本文对图像进行简单的处理：阈值分割和轮廓提取。

1.1阈值分割

阈值分割是一种代表性的图像分割法。为了更好地提取目标轮廓，常将分割后的目标二值化，即

(1)

f(x,y)为图像的灰度值，其中不同红外图像的阈值不同，适当地选取阈值可以提高识别的准确性。

1.2轮廓提取

轮廓提取的目的是获得图像的外部轮廓，此特征对于进行图像形状分析、识别都有很重要的意义[2]。对二值化的目标区域进行轮廓提取，其基本原理是掏空内部点。假设背景是黑色，目标区域为白色，判别如下：

内部点, if某点像素值为白色, 且它的8邻域也是白色边缘点,其他ìîíïïïï

(2)

将内部点置为背景，由此循环可以掏空目标得到其外部轮廓。

2不变矩与红外特征提取

2.1不变矩的提取

矩反映物体灰度相对于质心的统计分布，可以用不同阶次矩来计算模板的位置、方向和尺度等参数[3]。不变矩是一种传统的特征匹配法，具有尺度和角度不变性。

给定的二维数字函数f(x,y)的(p+q)阶混合原点矩和中心距分别为

(3)

(4)

由于中心距upq对旋转和尺度不变性不敏感，提取时需进行归一化处理：

(5)

利用二阶和三阶中心矩可以导出个不变矩，且满足特征不变性及可分性。计算过程如下：

φ1=η20+η02

φ3=(η30-3η12)2+(3η21-η03)2

φ4=(η30+η12)2+(η21+η03)2

(6)

[3(η30+η12)2-(η21+η03)2]

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11[(η30+η12)+(η21+η03)]

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-

3(η21-η03)2]+(3η21-η30)(η21+η03)

[3(η30+η12)2-(η21+η03)2]

由上式得到的计算结果变化范围大，为了缩小数据范围，对其进行数据压缩。

(7)

2.2红外特征量的提取

在分析目标的特性和其与背景的关系的前提下，提出了红外特征量。

(1)长宽比：因为所研究的目标为刚性目标，其外形基本不变。

(2)目标紧凑度：目标紧凑度集中凸显目标的几何特性，有很好的可区分性[4]。

(3)目标复杂度：目标复杂度代表红外目标的外部轮廓的复杂情况[5]。

以上特征体现了红外目标的几何形状和轮廓复杂度，比较全面地描述了目标的特点。由文献可知，红外特征量基本上是稳定的，因此它们可以作为目标识别的依据[6]。

2.3判别准则

提取出具有代表性的特征后，需要依据一定的准则对样本库中的图像进行特征值提取与分类。常用的判别依据为欧氏距离。

(8)

D(x,y)代表向量X与Y在欧式空间中的距离，如果向量X与Y属于同一类型，则D(x,y)较小，反之越大。

3实验结果

由于外界条件的限制，在提取特征量时，不能获得足够的特征值，影响识别精度；也有可能出现特征量的数目过多，出现多个特征量描述目标的同一个细节，识别过程费时且识别效果也会受影响[7]。针对以上情况，提取特征量时要从多角度出发，在满足识别精度与可靠性的前提下，减少特征值的数目，使识别过程快且准。

为了满足以上要求，要选取的特征值要具有很好的可分性和独立性，对不明显或者重复的目标特征值应该舍去。由于本文主要研究刚性目标，其对称性等是不变的，所以取具有代表性的(φ1，φ2，φ3)作为不变性的特征量作为识别特征值的组成部分。

3.1特征向量提取

本文选取不变矩与红外特性联合组成的特征向量F=(p1,p2,p3,φ1,φ2,φ3)对目标进行识别。图1为实验原图像，图2为放大后的原图像。

图1原图像

　

表1为原图像与放大后图像的红外特征提取结果。

表1　特征量的提取

由以上数据对比可得，放大后的图像的特征向量与原始图像的特征向量基本相等，由此说明联合特征量可以作为红外目标识别的依据。

3.2识别分类

利用TC红外热像组件提取了几张典型的红外图像，如图3所示。

分别提取其不变矩和联合特征量，计算过程数据与特征提取结果如表2～表5所示。

表2不变矩仿真数值

表3　联合特征量仿真数值

图3f作为待分类图像，分别求与各类红外图像的欧式距离，通过判别准则对待分类图像进行准确的分类。

由以上结果可以看出，以7个不变矩作为特征量，目标类与伪目标类的距离最小，判别结果错误；而以联合特征向量作为识别特征量，其分类结果正确。可以看出联合特征向量的选取具有很强的可分性，可以很好地进行目标识别。

表4　变矩特征提取

表5　联合特征量提取

利用TC红外热像组件提取100张红外图像，利用上述判别方法，应用联合特征向量对其进行分类判别。其识别精度本文用识别率表示。

其识别结果如表6所示。

表6　分类结果

由以上结果可以看出，以联合特征向量为特征，以欧式距离为判别准则，可以很有效地对图像进行分类识别。

4结束语

为解决单独特征量在提取和识别中存在的不足，本文采用传统不变矩与红外特征共同组成的联合特征作为目标识别的特征量。由红外图像与放大后图像的特征值的对比，可以得出，联合特征量满足可分性、独立性与可变性。对大量的红外图像进行特征量的提取与分类判别，实验结果说明联合特征向量在识别准确度方面优于不变矩识别。

参考文献：

[1]赵小川.现代数字图像处理技术提高及应用案例详解[M].北京：北京航空航天大学出版社，2012：89-92.

[2]刘海波，沈晶，周长建.VisualC++数字图像处理技术详解[M].北京：机械工业出版社，2010：472-477.

[3]HU M K. Visual Pattern Recognition by Moment Invariants[J].IEEE Transactions on information theory,1962,8(2):179-187.

[4]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，2006：44-45.

[5]高炳像.红外图像目标识别中的关键技术研究[D].杭州：杭州电子科技大学，2012：1-2.

[6]杨耿.运动目标的图像识别与跟踪研究[D].镇江：江苏大学，2005：31-32.

[7]柳林霞，陈杰，窦丽华.不变矩理论及其在目标识别中的应用[J].火力与指挥控制，2003，28(2)：13-15.

(责任编辑：马金发)

A Recognition Method for Infrared Image Based on Invariant Moments

ZHANG Xuyan，HUA Yuning，DONG Ye，HAO Yongping，ZHANG Le

(Shenyang Ligong University，Shenyang 110159，China)

Abstract：To overcome the shortage of extracting characteristics and recognizing target on one side,the combined characteristics vector is presented within invariant moments and geometry shape.Furthermore,target recognition is realized by using the distance as the judgment.Experimental results indicate that application of the combine invariant moments as the characteristics and the distance as the judgment can meet the invariant requirement,which has better recognition performance than traditional invariant moments on the using of target recognition.

Key words：infrared image;target recognition;invariant moments;combined characteristics;euclidean distance

中图分类号：TP391

文献标志码：A

文章编号：1003-1251(2016)02-0010-04

作者简介：张旭艳(1990—)，女，硕士研究生；通讯作者：华宇宁(1965—)，女，教授，研究方向：信号与信息处理、虚拟仪器。

基金项目：国家863计划资助项目(2009AA04Z167)

收稿日期：2014-12-16