基于不变矩和神经网络的目标识别方法

1、Vol.34,No.3火力与指挥控制第34卷第3期文章编号:100220640(2009)0320016203基于不变矩和神经网络的目标识别方法3张科1,罗华1,王秀琴2(11西北工业大学航天学院,陕西西安710072,21西安北方光电有限公司,陕西西安710043)摘要:针对寻的导引头成像制导中实时采集图像由于存在几何失真及像质模糊而导致目标识别精度差的问题,提出了一种基于不变矩和神经网络的目标识别方法。该方法采用一种改进的不变矩算法提取目标图像的不变矩特征量来训练BP神经网络,实现目标图像的识别和分类。仿真结果表明该不变矩特征库训练的神经网络分类器具有较高的识别精度,是一种比较实用的目标识

2、别方法。关键词:寻的导引头,特征提取,不变矩,目标识别,BP神经网络中图分类号:TP183文献标识码:AObjectNetworkItMoments112ZHANGKe,LUOHua,WANGXiu2qin(11CollegeofAstronautics,NorthwesternPolytechnicalUniversity,Xian710072,China,21SicongOpto2ElectronicCorporation,Xian710043,China)Abstract:Aimingattheproblemoftherecognitionprecisionofrealtimeimage

3、withgeometricdistortionandblur,amethodofobjectrecognitionbasedoninvariantmomentsandneuralnetworkisadvanced1TheBPnetistrainedbyusingakindofmodifiedalgorithmofHusinvariantmomentstoabstractinvariantsofobjectstoclassifythetargetstoberecognized1TheresultofsimulationshowsthatthetrainedBPnetclassifierhasbe

4、enimprovedtherecognitionprecision,thisisapracticalmethodofobjectrecognition1Keywords:seeker,featureextraction,invariantmoments,targetrecognition,BPneuralnetwork引言寻的导引头是精确制导武器的关键,它完成目标的检测、识别、跟踪和提取目标位置与运动参数,并根据导引规律形成控制指令引导导弹命中目标。要使精确制导武器能在复杂的环境中自适应地检测和截获目标,对实际目标实现自动识别,导引头必须要有优良的信息处理系统和采用先进的信息处理技收稿日期:2

5、008202226修回日期:20082042013基金项目:国家自然科学基金(60575013);航天科技创新基金(N4CH008);武器装备预研基金资助项目(514010204HK0334)作者简介:张科(19682),男,江西樟树人,教授,主要研究方向:红外成像系统设计,图像预处理以及目标识别与跟踪。术。在大多数情况下,由于图像成像条件的不同,如气候、视角、时间以及成像手段不同等1,导致在高速运动过程中获取的要识别的实时目标图像与基准图像之间可能产生几何失真,这种失真将对目标识别的结果带来很大的影响。因此,需要寻找一种具有旋转、平移和比例不变性的图像识别方法,以满足实际应用的需要。针对上述

6、问题,本文提出了一种基于不变矩和神经网络的目标识别方法。该方法根据文献2,3提出的不变矩改进算法来提取目标图像的7个不变矩作为特征向量来训练BP神经网络,实现目标图像的识别和分类。实验结果表明该不变矩特征库训练的神经网络分类器具有较好的分类效果,提高了基于Hus不变矩算法的识别精度。张科,等:基于不变矩和神经网络的目标识别方法(总第34-337)171不变矩理论及其改进不变矩理论是一种提取灰度图像特征的方法,最初由Hu提出,近年来又有许多学者对其加以改进,使不变矩特征的描述能力得到不断的提高。一幅数字图像f(x,y)的二维(p+q)阶矩定义为4mpq=的内容完全是关于同一物体的,其相互关系可以

7、用下式表示:),yf1(x,y)=Kf2(xxy=Ccossinx-sincos+a(6)xxyppyf(x,y)(1)其中,p,q=0,1,2,求和在跨越图像的所有空间坐标x,y的值上进行。相应的中心矩定义为pq=其中x=,ym00其中K是对比度变化因子,C是尺度变化因子,是旋转角,(a,b)分别是目标形心在x方向和y方向上的位移。使用式(5),分别对f1(x,y)和f2(x)计算出7个度量值,并使用变换公式(6),进,y行变换组合后,重新得出一组更一般化的不变矩度量,具有对比度、尺度、:I(x-xypqx)(y-y)f(x,y)(2)2I41-I,34,21I3归一化pq=00其中=p,q

8、=0,1,2,5=(3),6=,7=I4I1I5(7)2BP神经网络设计神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。目前,在人工神经网络的实际应用中,绝大部分的神经网络模型都采用BP网络即其变化形式。它也是前向网络的核心部分,体现了人工神经网络的精华5。考虑到BP神经网络在模式识别领域有着突出的特点和优点,本文采用学习率自适应调整和有动量的梯度下降法相结合的方法来训

9、练BP网络。对于辨识目标的要求,神经网络被设计成三层BP网络,具有7个输入端,输出层有4个神经元。网络训练时对于一幅属于第i类模型的图像,将网络的第i输出置1,其他输出置0。隐层和输出层的神经元传递函数均为log2sigmoid型函数,这是因为log2sigmoid型函数输出量在(0,1)区间内,恰好满足学习后输出布尔值的要求。隐层含有10个神经元,神经元数目的选择是依据经验和猜测而定。在实际训练中,如果训练过程不理想,可以适当增加隐层神经元数目。+1,p+q=2,3,对平移、缩放、镜像和旋转都不敏感的7个二维不变矩的集合可以由这些公式推导出来,它们为<1=20+02<2=(20-

10、02)2+4211<3=(30-312)2+(321-03)2<4=(30-12)2+(21+03)2<5=(30-312)(30-12)(30+12)2-3(21+03)2+(321-03)(21+03)(330+12)2-(21+03)2<6=(20-02)(30+12)2-(21+03)2+411(30+12)(21+03)<7=(321-03)(30+12)(30+12)2-3(21+03)2+(312-30)(21+03)3(30+12)2-(21+03)2(4)由于这7个不变矩具有很大的动态变化范围,为了便于比较和后续的神经网络处理,利用取对数的方法缩

11、小动态范围,同时考虑到不变矩有可能出现负值的情况,因此,实际采用的不变矩为:(5)Ik=󰃜log10󰃜<k󰃜󰃜(k=1,2,7)在实际应用中不仅存在位置和旋转差别,而且还有可能存在尺度、对比度上的差别。为了推导出更一般的不变矩2,3,假设两幅在对比度、尺度、位置和旋转上都有差别的图像f1(x,y)和f2(x,y),它们3基于不变矩和神经网络的识别方法对图像进行中值滤波平滑,有效滤除噪声,降低图像边界部分的模糊程度。采用数学形态学与阈值分割算法相结合的方(总第34-18322)火力与指挥控制2009年第3期法,对图像进行处理,

12、将待识别的目标从背景中分离出来。对经过处理后得到的基准图像通过旋转,平移和缩放得到训练样本,采用本文提出的不变矩改进算法提取目标图像的不变矩特征,组成特征向量建立特征库。不变矩特征经过数量级标准化后作为BP神经网络的输入,进行网络训练。在训练基本收敛后,对每一类基准图像再通过旋转,平移和缩放,加上已有的样本作为测试样本,分别用获得的神经网络分类器进行识别分类。变,所以可以用其作为图像识别的度量。由于Hus不变矩缩放的尺度大小对识别的准确率有一定影响,而改进的不变矩对尺度、对比度、位置和旋转都具有不变性的原因,从表3可以看出,改进算法的识别率较高于基于Hus不变矩的算法。表2改进后不同情况下飞机

13、的不变矩值样本12367基准图114148011717601944592043111009旋转10°旋转20°放大1151141330117127019455818901411107511403301167801731620188889111096114150117185019604111226201516020189665110964仿真结果及分析仿真实验对4别。图1。表1和表2Hus不变矩和改进算法计算的不变矩特征的部分结果。表3是在训练基本收敛后,再通过旋转,平移和缩放增加16幅图像加上已有的样本共96个测试样本,分别用获得的神经网络分类器进行识别对比的结果。表3两种

14、算法的识别精度比较采用算法识别数目识别率改进算法8992171%基于Hus不变矩算法8790163%5结论针对寻的导引头图像识别中存在的问题,提出了一种基于不变矩和神经网络的目标识别方法。该方法采用一种改进的不变矩算法来提取目标图像的不变量,将计算出的不变矩组成特征向量作为BP神经网络的特征输入,实现目标图像的识别和分类。仿真结果表明提取的目标特征量对于尺度、对比度、位置和旋转均能保持较好的不变性。改进的不变矩特征库训练的神经网络分类器具有较高的识别精度,是一种比较实用的目标识别方法。参考文献:12图1训练的部分飞机图像表1不同情况下飞机的Hus不变矩值样本1234567基准图01232650

15、10141760100284350100073294110268e2006814022e2005旋转20°012353301016215010027335010006827911128e2007814865e2005放大1150123467010148860100285880100075972110816e2006818222e2005严柏军,郑链,王克勇.基于不变矩特征匹配的快速目标检测算法J.红外技术,2001,23(6):8212.苗常青,汪渤,付梦印,等.电视图像目标实时分割与识别算法J.北京理工大学学报,2005,25(9):7862790.-215531e2007-119841e2007-21892e20073由表1可以看出,在目标图像不变矩的实际计算过程中,不变矩各个分量数值的分布范围差别非常大,低阶矩值较大,分布范围比较宽广;高阶矩值较小,分布范围较狭窄。由表2可以看出,改进算法后,提高了高阶