基于目标一维纹理特征的介质辨识方法

耿琳珊，陈遵田

(西安机电信息技术研究所，陕西 西安 710065)

0 引言

在复杂的背景环境中探测和识别目标一直是近炸引信探测技术研究的热点。通过目标、背景及干扰的介质识别目标，鉴别干扰是提高近炸引信对复杂背景环境适应能力和引信对目标作用率的有效途径。对目标介质的识别有多种技术途径，其中一种是通过物理场探测和辨识目标，如通过磁特性识别铁磁目标，通过电磁波的反射特性区分金属和非金属目标，通过红外辐射特征进行机动目标的探测识别等[1-2]。但在实际应用中，通过物理场进行目标介质的识别有一定的局限性。如在引信随弹平台高速运动的情况下，磁传感器容易受到地磁的干扰，另外，磁传感器对非铁磁目标无效；无线电探测器对地探测时，容易受到复杂地面背景和强电磁环境的干扰；红外传感器只对热辐射特征明显的机动目标有效，也容易受到复杂地面背景的干扰，因此基于物理场的目标探测和介质识别方法均有一定的局限性[1-2]。

目标表面的纹理及反射率分布是所有视觉器官动物辨识物体的重要特征，自然界的物体表面纹理有着特有的分形构造，和人造目标有明显的差异。人造目标尽管有板块结构，但表面有其独特的纹理特征[1-2]。利用目标的纹理特征进行识别是目标识别领域重要的技术途径。文献[3]利用基于中心矩和熵的组合特征对雷达目标进行识别，解决了平移敏感性，但提取出的特征包含的信息量太少，影响识别率；文献[4]提出的纹理分类法使用Gabor滤波器对图像进行滤波，再利用ICA技术剔除冗余信息，从而提取有效的特征量，但是此方法需要首先获得二维图像，在引信所处的高速平台无法使用；文献[5]利用主成分分析法将目标轮廓与背景特征有效区分，但仍存在数据量大，处理速度慢的问题。同时，现有的基于纹理特征的分析和分类方法多为基于二维高分辨率图像信息，是在获得完整图像后进行的事后处理，待处理的数据量大、处理时间长，对处理器硬件要求高，难以在引信中直接应用。

针对光电引信在区分地面特别是泥地、耕地等松软地面和烟尘干扰方面的技术需求，本文提出一种基于目标一维纹理特征的介质辨识方法，使用GLCM对目标介质一维纹理进行多特征提取，再利用PCA对特征进行降维处理，既保留了GLCM在鲁棒性上的优势，又能减小数据量。使用KNN分类器对得到的更加精确的特征参数进行分类，识别目标介质。

1 引信光电探测装置目标纹理获取原理和介质辨识方法

1.1 引信光电探测装置目标纹理获取原理

现有的火箭弹采用机电触发引信在触碰目标或着地时引爆战斗部，在火箭弹小落角以及松软地面条件下，由于触发力弱以及受力方向的问题，触发引信容易瞎火。针对这一问题，提出采用光电引信探测装置获取目标表面纹理特征的探测方法，在不改变现有引信外形的条件下，通过多组光电探测装置敏感目标或地面。光电探测装置在弹头引信的布局如图1所示。

图1 引信光电探测装置视场分布图Fig.1 Field of view diagram of fuze photoelectric detection device

当引信探测装置随弹接近目标表面或者地面并达到光电微距探测器的探测距离范围时，光电探测装置随弹运动并获取目标表面的反射光强度的一维变化特征，物体表面反射光强度反映了物体的表面纹理信息[6]。由于发射光束的照射区域小，随着弹继续向前飞行，光电探测将获得地表面局部的一维纹理信息，通过对一维纹理信息的分析，对地面介质的种类做出判断。在引信应用中，一般只需要光电探测装置能够辨识出烟尘、树冠等干扰与地面，使引信能够在弹平台、小落角、松软地面条件下落地时可靠起爆。引信光电微距探测装置在落地前探测地面示意图如图2所示。

图2 火箭弹小落角着地示意图Fig.2 Diagram of rocket landing at small angle

1.2 灰度共生矩阵(GLCM)

灰度共生矩阵(GLCM)是一种用来描述纹理的常用方法[7]。由于纹理是由灰度分布在空间位置上反复出现而形成的，因此在图像空间中相隔一段距离的两个像素之间存在一定的灰度关系，灰度共生矩阵就是通过研究灰度的空间相关特性来描述纹理[8]。一般情形下，灰度共生矩阵被用于二维图像(N×N)，先计算出灰度图像的共生矩阵，进行归一化后，计算一些可以用来表征灰度共生矩阵特征的标量，这样既充分利用了图像信息，又可以减少后续处理的数据量。而一维强度信息可以看作是1×N的灰度图像，即沿0°方向对图像进行扫描，得到共生矩阵。

在研究过程中，常用对比度(CON)、熵(ENT)和能量(ASM)等特性来表示纹理特征。其中能量可表示为：

(1)

能量是灰度共生矩阵元素值的平方和，反应图像的灰度分布均匀程度和纹理粗细程度。纹理较粗ASM值较大[9]。

熵可表示为：

(2)

熵表示图像纹理复杂度。在共生矩阵元素分散均匀的情况下，熵较大，纹理较复杂。

对比度可表示为：

(3)

对比度反映图像的清晰度和纹理的深浅。CON越大，纹理越深，图像越清晰[10]。

1.3 主成分分析法(PCA)

主成分分析(PCA)也叫主分量分析，是利用降维思想，将多指标转化为少数几个主要指标，从而达到简化数据的目的[11]。其基本原理可以概述如下：三维空间内的N个样本点X={[xiyizi]T}，i=1,2,…,N，可以求出一条最佳拟合直线使得这N个样本点到直线的垂直距离平方和最小，则这条直线可称为这N个样本点的第一主成分；接着求出与第一主成分垂直，且与N个样本点距离的平方和最小的直线作为第二主成分，以此类推，求得这N个样本点的更高维主成分。从原理可以得知，主成分分析方法的实质是求N个样本点的协方差矩阵Covx的特征向量ej，j=1，2，3与特征值λj，计算过程如下：

(4)

(5)

(6)

1.4 K近邻算法

K近邻(k-nearest neighbor,KNN)分类算法在理论上已比较成熟，是机器学习中的一种基础算法。该方法的思路是，在特征空间中，如果一个样本附近的k个最近样本的大多数属于某一个类别，则该样本也属于这个类别[11]。

图3是KNN算法的经典例子，图中三角形(Triangle)和正方形(Square)是两种类型的训练样本，数量分别为T和S。图中心圆点为测试样本，k是最近邻数目，也就是距离测试样本最近的的训练样本个数。当k=3时，从图中可以看出，T=2，S=1，T>S，根据前面叙述的原理，此时测试样本应属于三角形一类。而当k=5时，从图中可以看出，T=2，S=3，T

图3 KNN算法实例Fig.3 Example of KNN algorithm

2 基于目标一维纹理特征的介质辨识方法

火箭以小落角着地前，引信光电探测装置对地进行一维扫掠式探测，光电探测装置设计为反射光强度探测形式，则引信光电探测装置获得的是地面一维反射光强度分布，包含地面纹理及反射率特征信息。本方法首先通过光电探测装置测得不同目标的一维强度分布信息，但由于在进行仿真时，获得引信光电探测器的实际测试数据较为困难，而图像灰度表示单通道图像像素的强度，由光反射率和光强度决定，与目标一维强度呈正相关，因此本文在验证时使用目标的二维图像随机提取图像的一维灰度值分布代替引信光电探测装置获取的一维强度数据，降低算法验证的困难性。同时，由于拍摄角度、光照等因素的影响，不同图像的强度有差异，因此在进行仿真实验前需要对数据进行预处理。本文提出的介质辨识方法流程图如图4所示。首先，使用滤波算法对图像进行预处理，消除一些冗杂因子；然后使用GLCM的纹理提取算法来获取纹理特征信息并生成特征矩阵，再使用PCA方法对数据进行降维处理；最后通过K近邻分类器对不同目标(如土地、耕地和烟雾)进行分类。

图4 算法流程图Fig.4 Algorithm flow chart

2.1 特征提取

在纹理信息图像的处理方面，灰度共生矩阵具有广泛的应用。作为统计分析法的一个重要结论，灰度共生矩阵可以对具有不规则纹理基元的纹理图像进行有效分析，获得图像的纹理特征；同时，利用灰度共生矩阵提取的纹理特征包含了图像的大部分信息，具有广泛概括性。因此，本文提取GLCM中的3个特征以及一维纹理的频率和幅度作为目标图像的特征进行识别。同时，由于引信平台的实时性要求，需要对提取出的特征向量进行降维处理，本文选择主成分分析法对特征向量进行降维运算，既保证了信息的全局性利用，又能简化计算，便于后续分类识别。

首先构建灰度共生矩阵，我们需要根据实际确定3个构造因子：图像灰度级、生成步长、生成方向，接着对共生矩阵进行归一化处理，在此基础上提取3个二阶特征量和一维纹理的频率、幅度，作为原始特征集。

由于原始特征集为五维特征向量，在引信嵌入式平台上仍有较大的计算难度，本文采用主成分分析法对原始特征集进行进一步降维处理，得到能够有效描述原始目标对象的特征，组成数据集，在保证识别率的前提下，提高运算速度。

用这些特征训练KNN分类器，快速识别目标。特征提取流程如图5所示。

图5 特征提取流程示意图Fig.5 Schematic diagram of feature extraction process

2.2 目标介质辨识方法

在使用上述方法提取特征后，形成数据集，用KNN分类器进行识别。KNN算法的核心是相似性度量，度量方法有很多，本文选择欧氏距离作为KNN算法的相似性度量条件。欧氏距离是经典的相似性度量方法，它源于空间中两点的距离公式：

(7)

式(7)为两个n维向量a(x1,x2,…,xn)与b(y1,y2,…,yn)的欧氏距离。在仿真实验中将某一种目标介质经过特征提取后得到的特征看作一个向量。欧氏距离值越小，则两个目标介质越相似。

基于目标一维纹理特征的介质辨识过程如下：

1) 利用2.1节提出的一维介质特征提取方法对原始图像进行特征提取以及降维处理，得到特征数据集。

2) 构建KNN分类器。选取合适的k值，按照式(7)计算待测目标与已分类数据集的距离，选取距离最近的k个数据中出现次数最多的类别作为待测目标的类别。

3) 采用10折交叉验证的方法计算本方法的分类准确率，将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。

基于目标一维纹理特征的介质辨识方法利用灰度共生矩阵和主成分分析的融合算法从原始图像中提取出具有判别能力的纹理特征，按照欧氏距离的相似性度量计算待识别目标与已分类目标的距离，最后通过判断距离实现目标的探测与识别。

3 算法的仿真验证

为了验证本算法在介质识别中的有效性及抗干扰能力，分别对各种类型地面(目标)和烟雾(干扰)进行仿真实验。其中，地面类型有土地、耕地、草地、砖地四种，基本包括实际情况中可能出现的目标。使用Matlab根据2.2节介绍的辨识算法进行仿真。本实验构建的灰度共生矩阵选择的图像灰度级为8级，生成方向为θ=0°，生成步长为d=2，GLCM特征选择能量、熵和对比度。由于在KNN分类器训练过程中，当k取不同的值时，得到的分类准确率也不同，本研究中k值取1～9。

3.1 仿真实验数据

根据选取的输入条件进行仿真实验。为了充分利用图像信息，首先提取目标介质一维纹理信息的频率和幅度作为一阶特征量;再提取GLCM中能量、熵和对比度作为二阶统计量，利用PCA进行降维后，形成数据集;然后将特征数据集输入到KNN分类器中进行分类识别，从而完成对目标介质的辨识。

本实验的原始图像，如图6所示，是使用相机拍摄结合网络收集的微距相片并经过后期简单处理得到的。为了强化纹理信息，便于后期特征提取，本文采用直方图来对原始图像进行均衡化。图7为均衡化操作前后图像的直方图。

图6 原始图像Fig.6 The original image

图7 均衡化前后图像的直方图Fig.7 Histograms of images before and after equalization

对进行均衡化后的灰度图像，沿一条直线提取灰度特征，得到初始一维纹理信息如图8所示。

图8 初始一维纹理信息Fig.8 Initial one-dimensional texture information

对初始一维纹理信息进行特征提取，选择频率、幅度作为一阶特征量，GLCM特征能量、熵和对比度作为二阶特征量，形成初始特征集X。对X进行PCA分析，结果如图9所示。

图9 贡献率与累计贡献率Fig.9 Contribution rate and cumulative contribution rate

不难看出，P=3时，特征值对应的累计贡献量已经达到92.58%，可以认为前三个主成分能够代表原始数据具有的信息。因此选取前三个主成分组成特征向量Y，并形成最终的数据集，输入KNN分类器。

3.2 本文识别算法实验

在KNN分类器训练过程中，当k取不同的值时，得到的分类准确率也不同，本研究中k值取1～9，数据集中共有300条数据，其中土地、草地和烟雾一维强度信息各100条，采用10折交叉验证的方法进行仿真验证。

由于目标与干扰的特征向量差别明显，可以使用KNN分类器进行分类识别，图10为不同k值下的分类准确率。

图10 不同k值下的分类准确率Fig.10 Classification accuracy under different k values

可以看出，在k值取2时，准确率达到最高，为97.2%，识别时间为4.93 ms。资料显示目前嵌入式系统运算时间最短是PC的两倍左右，则本算法识别速率可以达到所需的10 ms量级，满足引信平台的使用。上述仿真验证了基于目标一维纹理特征的介质辨识方法可以通过提取对象的纹理特征进行分类识别，有效地区分目标与干扰，具有准确率高、速度快的优点。

4 结论

本文提出基于目标一维纹理特征的介质探测辨识方法。该方法利用微距光电探测装置获取物体表面光强度一维分布，提取介质表面的一维纹理信息，并对提取到的信息进行处理，提高数据质量，使数据特征更突出，从而快速识别介质，同时将机器学习的方法引入目标介质辨识领域，利用K近邻算法对目标进行辨识分类。仿真实验表明，所提出的方法避免了使用二维图像进行分类所导致的数据量大、处理时间长的问题，使利用纹理特征进行目标分类的方法有望在军事、宇航、检测等行业中使用，并且识别准确率较高。本方法在目标识别姿态、深度方面，还有很大的研究空间。