基于改进的胡氏不变矩的坦克识别方法

胡福东，白宏阳，李成美，孙瑞胜

(南京理工大学 能源与动力工程学院，南京 210094)

【信息科学与控制工程】

基于改进的胡氏不变矩的坦克识别方法

胡福东，白宏阳，李成美，孙瑞胜

(南京理工大学 能源与动力工程学院，南京 210094)

针对基于胡氏不变矩的坦克识别率低、在图像离散采样的情况下受图像尺度变化影响的问题，进行了图像尺度不变性研究，设计了一种基于改进的胡氏不变矩的坦克识别方法；为解决最大类间方差法在复杂背景下图像分割阈值与真实阈值发生偏移的问题，采用改进的最大类间方差法分割图像，减少了偏移量。将胡氏不变矩和改进的胡氏不变矩的算法进行了对比实验，实验结果表明：相对于采用胡氏不变矩的坦克识别方法，改进后的识别方法识别率提高了22%，该方法运算时间减少了80 ms，能克服图像的尺度变化造成的影响。

坦克识别；胡氏不变矩；最大类间方差法

随着计算机视觉技术和图像处理技术的发展，目标识别技术在军事领域和航空航天、科学探测以及视频监控等民用领域具有越来越广泛的应用。特别是在军事领域中，若对地面上的坦克进行有效识别，就可以对坦克进行精确打击，大大提高武器系统的运动攻击性能及作战指标。

目前坦克的识别手段主要包括红外探测、激光雷达、光学等方式。红外探测具有探测能力强、作用距离远等优点，但它易受大气辐射、视角、距离及环境背景等因素的影响，得到的图像对比度差、噪声大，目标边缘模糊识别稳健性不高[1-2]；激光雷达可以同时获得目标的强度像和距离像，通过对目标的四维成像大大提高了目标的信息量，但它的使用成本较高、占用空间面积较大[3-4]；光学探测由于其成本较低，易于实现等优点，常用于目标识别领域。

采用光学方式识别坦克，主要提取坦克的特征信息。坦克的特征主要包括Zernike矩特征[5]、胡氏不变矩特征、小波矩特征。由于胡氏不变矩在图像连续采样的情况下具有平移和旋转不变性、缩放不变性等优点经常作为坦克的特征，但在图像离散采样的情况下，不同尺度下的坦克识别率为70%[6]，很难对坦克进行精确识别。基于此，本文提出了一种改进的胡氏不变矩的坦克识别方法，该方法首先采用改进的最大类间方差法对图像进行图像分割，提取所需目标；然后采用改进的胡氏不变矩提取目标特征；最后采用欧式距离计算待识别图形与数据库中图形特征之间的相似度，根据相似度大小实现对坦克的识别。仿真实验表明，该识别算法能够在不同尺度下有较高的识别率、运算速率高。

1 改进的最大类间方差理论

最大类间方差法[7-9](即otsu算法)是由大津提出的，它通过计算目标区域与背景区域平均灰度的最大方差确定阈值，通过阈值实现图像的分割。

假设图像像素最大的灰度值为L。灰度值为i的像素值个数为ni，则总的像素个数为N，如式(1)所示

(1)

各灰度值出现的概率为pi，如式(2)所示

(2)

假设当前图像像素用一个阈值t分为两个部分C0和C1，其中C0是由0～t灰度范围内的像素组成，C1是由t+1～L-1灰度范围内的像素组成，C0出现的概率PC0和C1出现的概率PC1分别如下

(3)

C0、C1两类的灰度均值ωC0、ωC1分别为

(4)

图像总的灰度平均值ω0为

(5)

(6)

建立新的方差σ2如式(7)所示

σ2=PC0(VA-V0)2+PC1(VB-V0)2

(7)

式中：

(8)

(9)

(10)

(11)

(12)

(13)

其中，Δ0、ΔA、ΔB分别表示区域C0、区域C1和与整幅图片的方差。

从0～L-1依次改变t值，取到σ2最大时t即为最佳阈值。

2 改进的胡氏不变矩理论

胡氏不变矩是提取图形态特征的一种方法，在连续图像下具有平移、旋转不变性等优点，常用于图像识别领域。

先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩mpq定义如式(14)所示

(14)

式中：x,y是图像的坐标点；M,N是图像的总行数和总列数。

中心矩μpq的定义如式(15)所示

(15)

式中：(x0,y0)是矩心，x0=m10/m00，y0=m01/m00；p,q=0,1,2,…，m10是图像的(1+0)阶几何矩；m00是图像的(0+0)阶几何矩；m01是图像的(0+1)阶几何矩。

用零阶中心矩μpq进行归一化，归一化中心矩ηpq为

(16)

构造胡氏不变矩[10-12]Φ1～Φ7为：

Φ1=η20+η02

Φ2=(η20-η02)2+4η11

Φ3=(η30-3η12)2+(3η31-η03)2

Φ4=(η30+η12)2+(η21+η03)2

Φ5=(η03-3η12)(η30+η12)+ [(η30+3η12)2-3×(η21+η03)2]+ (3η21-η03)(η21+η03)× [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]

(17)

式中：Φ1～Φ7为胡氏不变矩的7个矩不变量。

这7个矩不变量在离散图像的情况下只具有旋转和平移不变性，并且在不同尺度下7个矩不变量有很大变化。针对该问题，采用改进的胡氏不变矩[13-15]，使得改进的胡氏不变矩中的10个不变量与尺度无关。

改进的胡氏不变矩I1～I10公式为：

(18)

式中：I1～I10为改进的胡氏不变矩的10个矩不变量。

3 坦克的识别

首先对待识别图像进行图像的预处理，主要包括对图像的中值滤波。中值滤波是为了提高图像的品质。采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；对分割后的图像进行形态学处理；采用改进的胡氏不变矩计算目标的10个特征值；采用欧式距离计算待识别图形与数据库中图形特征之间的相似度，取最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。基于改进的胡氏不变矩的坦克识别算法的流程如图1所示。

4 实验及其结果分析

为了验证本文提出的基于改进的胡氏不变矩的坦克识别算法的有效性和实时性，选取了50张图片进行实验，处理器为AMD phenom(tm) Ⅱ N930 Quad-Core Processor 2.00 GHz，4 G内存。实验的样本共4类，分别为坦克、轿车、货车、挖掘机。其中坦克14张包含了坦克的旋转和缩放的图片，货车12张包含了货车的旋转和缩放的图片，轿车12张包含了轿车的旋转和缩放的图片，挖掘机12张包含了挖掘机的旋转和缩放的图片，分辨率为480×320。取其中的7张坦克图片、5张货车图片、5张轿车图片、5张挖掘机图片作为测试的样本，其余作为训练样本(样本示例如图2)。

图1 基于改进的胡氏不变矩的坦克识别算法流程

图2 4类样本示例图

实验中采用区域对比度RCT评价图像品质好坏，其定义如式(19)所示

(19)

其中：μ1为图像的像素值在0到分割阈值t之间的均值；μ2为图像的像素值在t+1到L之间的均值。

采用以下评价指标对坦克的识别效果进行评价：识别率τ其定义如式(20)所示

(20)

其中：N1是测试样本中该算法识别坦克正确的个数；N2是测试样本的个数。

如图3所示，对部分样本分别采用otsu算法分割图像提取目标与采用改进的otsu算法分割图像提取目标，其中图3(a1)～图3(a4)为原图，图3(b1)～图3(b4)为中值滤波图，图3(c1)～图3(c4)为改进的otsu算法处理结果图，图3(d1)～图3(d4)为改进的otsu算法对应的形态学处理结果图，图3(e1)～图3(e4)为otsu算法处理结果图，图3(f1)～图3(f4)为otsu算法对应的形态学处理结果图。表1为部分样本采用otsu算法提取目标与采用改进的otsu算法提取目标的图像分割评价表。从图3和表1中可以看出改进的otsu算法分割图像，目标中含有噪声较少并且图像的区域对比度较大，图像分割品质较高。

表1 图像分割评价

图4所示为对样本中的部分坦克采用改进的胡氏不变矩获取的特征值。其中可以看出坦克目标的特征值相差不大。图5所示为对不同的地面目标采用改进的胡氏不变矩获取的特征值。由其中可以看出不同目标的特征值相差较大。

图4 采用改进的胡氏不变矩取坦克的特征值

图5 采用改进的胡氏不变矩取不同目标的特征值

采用欧式距离方法计算测试的样本与训练的样本特征值之间的相似度，取其最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板图像，若属于含有坦克的模板图像，那么测试样本含有坦克，否则不含有坦克，识别结果如表2所示。

表2 采用改进的胡氏不变矩的识别效果

为了验证本文提的算法的有效性和实时性，对相同样本分别采用胡氏不变矩、改进的胡氏不变矩进行对比实验，识别效果如表3所示。

表3 两种不同算法的识别效果

由表3可知，由本文提出的改进的胡氏不变矩，对地面上的坦克进行识别比采用胡氏不变矩取其特征进行识别高出22个百分点，识别时间有所减小。结果表明，本研究提出的改进的胡氏不变矩对坦克的识别识别率较高，识别速率较快。

5 结论

提出了一种改进的胡氏不变矩的坦克识别方法，该方法首先采用改进的最大类间方差法对图像进行图像分割，提取所需目标；然后采用改进的胡氏不变矩提取目标特征；最后采用欧式距离计算待识别图形与数据库中图形特征之间的相似度，根据相似度大小实现对坦克的识别。实验结果表明，基于改进的胡氏不变矩的坦克识别方法识别率较高，识别速率较快，能保证实时性，能够克服图像尺度变化的影响。

[1] 易亚星,姚梅,吴军辉,等.影响红外目标探测亮度的因素[J].红外与激光工程,2014,43(1):13-18.

[2] FU L,PANG X,WANG Q,et al.Equipment Calibration and Analysis of Influencing Factors of Infrared Detection[C]//27th Chinese Control and Decision Conference.China:Shandong,2015:358-363.

[3] ARMBRUSTER W,HAMMER M.Maritime Target Identification in Flash-Ladar Imagery[J].Proc Spie,2012,8391(1):181-195.

[4] MAO S,LI L,GUO J,et al.A Novel Obstacle Detection Method Based on Monocular Camera and Laser Radar[C]//8th International Symposium on Computational Intelligence and Design.China:Zhejiang,2015:511-515.

[5] NASRUDIN M W,YAAKOB S N,OTHMAN R R,et al.Analysis of Geometric,Zernike and United Moment Invariants Techniques Based on Intra-class Evaluation[C]// 5th International Conference on Intelligent Systems,Modelling and Simulation.USA:Washington.,2014:7-11.

[6] 孙贝.基于矩特征提取的图像识别算法研究[D].太原：太原理工大学,2010.

[7] OTSU N.A threshold selection method from gray-level histogram[J].IEEE Trans.On Syst Man Cybern,1979:62-66．

[8] 宋文青,王英华,卢红喜,等.基于幂次变换的SAR图像Otsu分割法[J].系统工程与电子技术,2015,37(7):1504-1511.

[9] TALAB A M A,HUANG Z,XI F,et al.Detection Crack in Image Using Otsu Method and Multiple Filtering in Image Processing Techniques[J].Optik - International Journal for Light and Electron Optics,2016,127(3):1030-1033.[10]HU M K.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory,1962,8(2):179-187.

[11]戚大伟,牟洪波.基于Hu不变矩和BP神经网络的木材缺陷检测[J].东南大学学报:自然科学版,2013,43(S1):63-66.

[12]WIDIASTUTI N I,SUHENDAR R.Scattered Object Recognition Using Hu Moment Invariant and Backpropagation Neural Network[C]//3rd International Conference on Information and Communication Technology.France:Rennes,2015:578-583.

[13]CHEN C C.Improved Moment Invariant for Shape Discrimination[J].Pattern Recognition,1993,26(5):683-686.

[14]张明恒,韩月林,赵一兵,等.基于改进Hu不变矩的路面交通标识识别[J].大连理工大学学报,2012,52(6):908-913.

[15]LI G,OU Q,LUO J.An Improved Hu-Moment Algorithm in Gesture Recognition Based on Kinect Sensor[J].Information Technology Journal,2013,12(14):2963-2968.

(责任编辑杨继森)

Tank Recognizing Based on Improved Hu Invariant Moments

HU Fu-dong，BAI Hong-yang，LI Chen-mei，SUN Rui-sheng

(School of Energy and Power Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

To solve the problem of low recognition rate of tank based on Hu invariant moments and the effect of the change of image scale in the case of discrete image, image scale in-variance was studied and a new method of tank recognition based on improved Hu invariant moments was designed; In order to solve the problem that the threshold of image segmentation threshold and the real threshold value are shifted in complex background, the improved maximum between-class variance was used to segment the image and reduced offset. A experiment was carried out to compare the invariant moments and the modified Hu invariant moments. The experimental results show that that compared with the method that Hu invariant moments is adopted to recognize a tank, and the recognition rate of the improved recognition increased by 22%, and the computation time of the method reduces 80 ms and it can overcome the influence of the scale change of image.

recognition of tank; Hu invariant moments; maximum between-class variance

2016-07-19；

中国航空科学基金(20145159002)

胡福东(1991—)，男，硕士研究生，主要从事武器制导、图像处理研究。

白宏阳(1983—)，男，讲师，硕士生导师，主要从事卫星/惯性导航技术方面的研究。

10.11809/scbgxb2016.12.023

胡福东，白宏阳，李成美，等.基于改进的胡氏不变矩的坦克识别方法[J].兵器装备工程学报，2016(12):100-104.

format:HU Fu-dong，BAI Hong-yang，LI Chen-mei，et al.Tank Recognizing Based on Improved Hu Invariant Moments[J].Journal of Ordnance Equipment Engineering,2016(12):100-104.

TP391

A

2096-2304(2016)12-0100-05

修回日期：2016-08-15