数据挖掘下无人船舶目标图像识别研究

赵晓燕

（乌兰察布广播电视大学 内蒙古 乌兰察布 012000）

0 引言

随着社会经济的发展，海洋船舶在航行速度、密度等方面均得到了显著的提升，增加了船舶碰撞事件发生风险，同时也对港口交通管理及航行安全提出了更高的要求。无人船舶所处环境恶劣，面临风向、浪潮等复杂变化，在海面上航行稳定性会受到各类因素的影响。传统目标图像获取主要采用的是航拍技术或水声技术，远距离拍摄图像，在识别近距离目标时存在一定的不足[1]。而无人船舶在航行时需要时刻对目标图像进行识别，并执行躲避障碍任务，对图像及信息处理能力有着较高的要求。基于此本研究采用数据挖掘技术，对无人船舶目标图像识别情况进行分析，验证了该方法的有效性，以期为无人船舶安全、稳定运行提供参考。

1 无人船舶水面目标图像特征提取

船舶水面目标主要包括岛屿、礁石及船舶等，以往采用航拍技术获得的图像是从不同角度获得的图像，容易出现缩放、平移等视角畸变。因此在识别无人船舶目标图像时应保障尽可能消除视角畸变的影响。通过对船舶轮廓、岛屿、礁石等目标的分析可以发现目标形状不同其特征描述也呈现出明显的差异，船舶与岛屿、礁石等在表面纹理方面差异大，可以通过纹理特征描述帮助目标图像识别。

1.1 水面目标纹理特征提取

作为目标灰度提取的固有特征，纹理特征能够应用于对具有明显差异的目标与非目标对象的识别。目前，纹理特征多被应用于交通工具识别中，在水面目标分类识别中应用相对较少。此次研究在无人船舶图像识别中对纹理特征进行提取。

采用灰度共生矩阵的方法提取目标纹理特征，采用如下描述因子：1）纹理能量。其主要指的是矩阵元素平方和，能够对图像纹理均匀性予以反映。2）纹理熵。该因子能够反映出图像信息量，熵值越大提示图像更为复杂，较小的熵值则表示复杂程度较低。3）纹理梯度。其能够对图像层次内容、清晰程度予以反映[2]。4）逆差矩。该因子可以对目标纹理的局部分布情况予以反映，其体现了灰度均匀性质。

通常对于岛屿、船舶与礁石，若纹理特征提取无法满足需求，还可以通过外围轮廓予以区别。当无人船舶对远距离的目标图像进行捕获时，较大的目标如岛屿会占据视频帧横向视野，礁石则呈现出块状分布，因此依据轮廓特征也能够区分。采用自适应mean-shift分割的方法能够获得目标区域，通过二值化处理可得到黑白图像，然后对不连续部分进行填补，对外围轮廓线提取，具体如下：对二值图像目标区域做好相应的标记，搜索对应的暗点，对相邻像素点进行对比，将目标区域不连续点设置为亮点。经过填充对图像亮点进行搜索，目标区域点即所有点全的亮点，与之相反则为轮廓点[3]。

1.2 水面目标不变矩特征提取

1.3 水面目标轮廓与几何特征提取

为正确识别目标，需要对目标特征进行提取，包括几何特征、纹理特征等。在目标轮廓提取方面，应先分割目标背景，并予以二值化处理，获得目标区域，然后对目标区域的外围边界进行提取，提取目标轮廓。在几何特征提取方面，应结合目标区域外围轮廓及像素点数量，依据目标最小外接矩获得目标的几何特征：1）面积特征。其具有平移不变、旋转的特点，完成分割后，对不连续部分进行填充，可获得归一化后面积特征：目标区域面积/不连续部分填充后面积。2）紧密度特征。其为目标周长与面积的比值，能够对目标形状的复杂度予以反映。3）细长度特征。顺主轴方向长度与垂直宽度的比值。

2 数据挖掘下无人船舶目标图像的识别

2.1 无人船舶目标图像预处理

式中，像素值k的个数采用hk表示，经过迭代运算，显示Tk=Tk+1，可以结束迭代运算，表示图像分割已经完成。

需要注意的是，海上无人船舶航行环境复杂、多变，部分图像经过分割处理后仍无法直接投入应用，因此经过分割处理的目标图像仍需要实施边缘提取，经过预处理，才能够用于图像的识别与分析。在数据挖掘技术下，遵循图像边缘最大值规律，采用如下公式进行图像边缘点提取：∇2f(i，j)=f(i，j)/x+f(i，j)/y，图像边缘坐标为f（i，j），经过计算获得目标图像，其不仅可旋转不变形，而且图像经过锐化处理，便于后期分析。

以往采用航拍技术对无人船舶目标图像进行识别，但在边缘位置容易出现交叉，基于此，研究采用数据挖掘，获取了目标图像每个像素2阶差分的和，提取了目标图像边缘[6]。

2.2 无人船舶目标图像的识别

研究采用数据挖掘技术，其拥有专门的目标图像识别算法，能够提升对目标图像的识别效率，缩短识别时间。通常，在识别无人船舶目标图像过程中，目标图像经过预处理后，其像素值与期望像素值往往会存在一定的出入，通过对图像之间连接权值的修改，能够优化目标图像。采用Q对目标图像识别输出层予以标识，那么在设定环节，会输出rq标识期望像素。但实际上其真实像素为Oq，目标图像像素值、期望像素值经过预处理，其会产生均方误差。假设用P表示输出层上一层，那么航拍技术的关系可以用如下公式表示，Δwqp=-η（∂EQ/∂wqp），其中η、Oq分别表示的是步长、Iq函数[7]。

无人船舶目标图像识别采用无人机技术进行设计时，其在局部最小值方面存在明显的缺陷，此次研究采用了数据挖掘技术，其基本上不会受到目标图像局部反馈误差的影响，能够避免目标图像出现诸如无人机技术的问题。目标图像识别的具体流程如图1所示。

在数据挖掘技术下，对目标图像阈值进行计算，确定后将其与目标图像原始像素进行对比，按照步骤对边缘点提取公式进行分割，对图像外轮廓进行提取，经过目标图像的预处理，传统的识别算法存在明显的缺陷，表现为局部最小值问题，经过数据挖掘能够避免该问题的发生，保障目标图像识别的顺利进行，提高效率及精准性。

2.3 目标信息标记

无人船舶运行环境复杂，要想明确无人船舶视觉目标的事实位置，需要进行增强滤波处理，采用逆向推导的方式，获得目标图像最优估值，其能够在一定程度上减轻像素噪点的干扰，提升对无人船舶目标识别的精准性。经过增强滤波处理后，图像清晰度能够得到显著的提升，且可以在更多目标节点范围内应用。需要注意的是增强滤波处理面向的是整个无人船舶视频图像，而非局部视觉节点，能够对船舶航行背景环境予以反映，辅助视觉目标图像连续性生成。

3 仿真试验

3.1 实验方法与流程

研究在进行仿真试验时，需要提供2台计算机，并在计算机上安装仿真软件，自变量采用的是图像轮廓点，在仿真程序中导入了不同识别方法，分别为数据挖掘技术与航拍技术，具体步骤如下：1）选择无人船舶目标图像，将上方的所有图像背景信息均予以处理，完全去除；2）采用尺度归一化的方法对目标图像进行处理；3）目标图像处理后可获得图像特征点N个，用mi表示每个特征点的尺度，那么目标图像特征点N，其对应的各个尺度信息可以采用MN=（m1，m2，…，m(N-1)，mN)表示。4）获得目标图像特征点后，需要对其进行信息排序，目标图像特征向量采用前L个P值[8]。5）提取目标图像前L个两项，对其进行分类，获得图像识别对应的时间参数。6）总结实验数据，做好相应的记录。

3.2 实验结果分析

按照上述步骤进行仿真试验，测试了数据挖掘与航拍技术对目标图像识别测试结果，对比了其时间参数，结果如表1所示，可以发现，当图像特征点数量增加后，数据挖掘技术下对目标图像识别时间逐渐缩短。计算目标图像识别每次所用的平均时间，结果为9.4 s。但航拍技术下对无人船舶目标图像进行识别时，当特征点数量增加后，尽管识别时间缩短了，但整体缩短的幅度小，其对图像识别每次所用的时间平均为14.9 s，较传统识别方法时间缩短35%，表明数据挖掘在缩短图像识别时间方面效果更为突出。

保持主船舶位置不变，分别从不同方向让识别对象靠近主船舶，此时通过监测仪能够观察到红外画面，记录红外画面失去清晰的时刻，在实验过程中对主船舶目标识别算法不断更改，获得指标参数。无人船舶获得的图像模糊程度能够通过RRS指标予以反映，RRS系数值越大，提示获取的船舶图像模糊度水平越高，结果如表2所示。应用数据挖掘技术船舶主机能够捕捉3.0～9.0 n mile物理范围的图像。采用航拍技术能够对6.0～8.0 n mile范围内的船舶图像进行捕获。可以发现前者明显较后者高，且对比各组模糊度数值，可以发现数据挖掘最大值为22.18%，航拍技术获得仅3组数据，最大值52.46%，捕捉船舶图像物理范围扩大了30.2%。可见应用数据挖掘能够获得更大物理范围的目标图像，为无人船舶航行安全提供可靠的参考依据。

4 结语

综上所述，在无人船舶目标图像识别中应用数据挖掘技术，能够获得目标图像阈值，通过目标图像的分割、边缘点提取，预处理目标图像，经过一系列目标图像识别的设计与分析，能够实现目标图像识别，结果证实数据挖掘技术支持下，能够缩短目标图像识别时间，扩大目标图像的识别范围，能够有效解决无人船舶目标图像识别时间长、可见范围小等问题，减少船舶图像模糊的发生，有着较高的应用价值，值得推广。