一种基于自组织竞争网络的车辆识别方法

摘 要： 为了对车辆目标进行识别，采用了一种基于自组织竞争网络的方法。该算法提取16个离散余弦变换描述子，6个独立的不变矩和3个区域描述子等25个平移、旋转、尺度放缩等变换下都不变的目标形状特征，把这些混合特征输入到设计的自组织竞争网络进行学习、聚类和分类，获得的分类精度高达96.15%，从而得出用自组织竞争网络进行混合特征识别，性能稳定，较单一特征提取识别精度更高。

关键词： 自组织竞争网络； 混合特征； 车辆识别； 特征提取

中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2014）02?0084?04

0 引 言

为适应未来高科技战争，军事智能化软件得到了广泛运用。计算机视觉技术的发展，尤其是模式识别的发展，使军用图像判读智能化成为可能。利用计算机从图像上检测出目标，对陆地图像进行自动识别，对提高判读效率，减小误判率，提供快速、准确的军事情报具有十分重要的意义。相比于空中的飞机和海上舰船类目标识别，陆地坦克和各种车辆的识别更加复杂[1]。本文尝试进行陆地车辆目标的识别。其技术路线如下：图像预处理图像分割特征提取目标分类。

在目标识别系统中，图像分割和特征提取是两个非常关键的问题[2]，长期以来，倍受人们的关注，因此本文的工作也主要在这两个方面。对于图像分割，先进行Canny的边缘检测，在此基础上再进行形态学分割；提取了25个旋转、平移与缩放都不变的形状特征；最后利用这些参数借助于自组织竞争网络进行车辆识别。

1 车辆目标的阈值化分割

图像分割技术是图像处理领域的一大经典难题，对高层次的图像处理如特征描述、目标识别等有着重要的意义[3]。文本设计利用Canny边缘检测提取边缘，为了避免可能产生的断边现象，再利用形态学原理进行边缘的膨胀再填充，最后二值化即可得到目标区域。

1.1 基于Canny的边缘检测

图像边缘是指图像周围像素灰度有阶跃变化或屋顶变化的像素集合，包含着识别物体目标的重要特征。常用的边缘提取算子有梯度算子（Roberts算子）、Sobel算子、Marr算子等。本文应用Canny边缘检测器，它具有良好的边缘检测性能[4]。

其设计步骤为：

（1） 使用标准偏差δ的高斯滤波器平滑图像以减少噪声。

（2） 计算每一点处的局部梯度[g（x，y）=[G2x+G2y]12]和边缘方向值[α（x，y）=arctan（GyGx）]。

（3） 利用非极大值的抑制原理处理第（2）步中梯度幅度图像中出现的脊，采用阈值T1和T2（T1

（4） 通过8?连接将弱像素集成到强像素集，进行边缘链接。

Canny边缘检测算子比较实用，利用高斯函数的一阶微分使噪声得到抑制并能较好地检测到边缘。

1.2 基于形态学的图像分割

数学形态学中有两种基本的变换：腐蚀（Erosion）和膨胀（Dilation），其他运算都是由这两种基本运算复合而成的[4]。设一幅灰度图像为f （x，y），定义结构元素为b（x，y）。则灰度膨胀和腐蚀分别定义为：

[fb）（s，t）=min{f（s+x，t+y）-b（x，y） （s+x，t+y）∈Df；（x，y）∈Db}] （1）

[（fb）（s，t）=max{f（s-x，t-y）+b（x，y） （s-x，t-y）∈Df；（x，y）∈Db}] （2）

式中Df和Db分别表示f和b的定义域。

为了防止Canny边缘检测可能产生的断边现象，先进行边缘的膨胀再填充，最后二值化就可以得到目标区域。图1是一些车辆在不同角度拍摄的样本图像的分割图。本文主要对以下三种类型的车辆：坦克、汽车、摩托车进行识别。

2 车辆目标的特征提取

为了有效地识别车辆目标，需要获取车辆的目标特征。本文提取了车辆目标的混合特征，包括16个DCT描述子，6个独立的不变矩和3个区域描述子。

2.1 DCT描述子

对车辆目标图像经分割后进行边缘提取，获得车辆目标外形轮廓数据f（x[m]，y[m]），把N个点组成的闭合边缘曲线f（x[m]，y[m]）放到复平面上，形成一维复序列[5]，即：

[f（m）=x（m）+jy（m）， 1≤m≤N] （3）

对式（3）进行DCT变换，因|F（0）|是直流分量，仅表示图像所处的平移位置故C（1）1舍弃。C（k≥2）即为离散余弦变换描述子[2]。

[X（k）=2Nn=0N-1x（n）cos （2n+1）kπ2NY（k）=2Nn=0N-1y（n）cos （2n+1）kπ2NF（k）=X（k）+jY（k）F（k）=X（k）2+Y（k）2C（k）=F（k）F（1）] （4）

DCT描述子对目标具有平移、旋转及缩放不变性，且对轮廓数据的起始点不敏感。DCT变换系数的低频系数反映车辆目标的整体轮廓，高频系数刻划车辆目标的细节，而且DCT变换不需要进行复数及求模运算，用较少的特征量即可获得较高的识别率，故提取车辆目标图像轮廓数据DCT变换的前16个系数作为车辆目标识别的特征参数。

2.2 六个独立的不变矩

如果一幅数字图像满足分段连续，且在x?y平面上只有有限个非零点，则可以证明该数字图像的各阶矩存在[6]。设图像的分布函数为f（x，y），则规则矩[mpq]为：

[mpq=xpyqf（x，y）dxdy] （5）

对于二维图像，在连续情况下p+q阶矩变换定义为：

[mpq=-∞∞-∞∞xpyqf（x，y）dxdy] （6）

式中，p，q =0，1，2，…。

为了满足目标图像的平移不变性，将矩函数的坐标原点平移到目标图像的中心，得到目标图像的中心矩为：

[upq=（x-x）p（y-y）qf（x，y）dxdy] （7）

式中： [x=m10m00；y=m01m00]。

针对离散的数字图像，其离散的矩变换式为：

[mpq=x=1My=1Nxpyqf（x，y）] （8）

式中：M表示图像的行数；N 表示图像的列数。

离散图像的中心矩为：

[μpq=xy（x-x）p（y-y）qf（x，y）] （9）

对于二值图像，像素的取值只有0和1，假定目标像素值为1，背景像素值为0，则该二值图像的p+q阶矩定义为：

[mpq=xyxpyq] （10）

目标区域的中心矩为：

[μpq=xy（x-x）p（y-y）q] （11）

式中：[x=m10/m00；y=m01/m00]；[（x，y）]为目标区域的中心。对于二值图像，[m00]为目标区域内的点数。

几何矩和几何中心矩都可用来描述图像区域的形状，但不具有不变性。Hu经过一系列的代数恒等变换，提出了p+q≤3的7个不变矩，公式如下：

[?1=η20+η02?2=（η20-η02）2+4η112?3=（η30-3η12）2+（3η21-η03）2?4=（η30+η12）2+（η21+η03）2?5=（η30-3η12）（η30+η12）（η30+η12）2-3（η21+η03）2+ （3η21-η03）（η21+η03）3（η30+η12）2-（η21+η03）2?6=（η20-η02）（η30+η12）2-（η21+η03）2+ 4η11（η30+η12）（η21+η03）?7=（3η21-η03）（η30+η12）（η30+η12）2-3（η21+η03）2+ （3η12-η30）（η21+η03）3（η30+η12）2-（η21+η03）2] （12）

式中，η表示归一化中心矩；[ηpq=μpq/μpqr，r=（p+q）2+1]。

这7个不变矩对于图像平移、旋转和尺度变换都具有不变性。但由于[?52+?72=?3?43]，所以这7个不变矩式中只有6个是独立的，因此选取前6个不变矩作为车辆目标识别的特征参数[4]。

2.3 三个典型的区域描述子

为了更好地识别车辆目标，又选取了3个典型的区域描述子作为车辆目标识别的特征参数[6]。

（1） 目标区域的偏心率。它是椭圆的焦距主轴长度间距离的比率，取值范围在0～1之间，偏心率等于0的椭圆是圆，偏心率等于1的椭圆是线段。

（2） 目标区域的短轴和长轴之比。

（3） 目标区域的紧凑性，公式为[4πSL2]，其中S表示目标区域的面积，L表示目标区域的周长。

综上所述，本文提取的特征参数为：16个DCT变换描述子，6个不变矩和3个区域描述子。

3 自组织竞争网络

自组织竞争网络是一种无监督神经网络，其映射过程是通过竞争学习完成的[7]。它是一种无监督学习方法，在学习过程中，只需向竞争网络提供一些学习样本，且无需提供理想的目标输出[8]。网络根据输入样本的特性进行自组织映射，实现对样本的自动分类[9]。自组织竞争网络自适应的学习能力拓宽了神经网络在模式分类与识别方面的应用。

自组织竞争网络包括两层：输入层和竞争层。包括两种连接权值，一种是神经元对外部输入反应的连接权值，另一种是神经元之间的连接权值。

[ωnewji=ωoldji+η（t）×nb（t，d）×（χi-ωoldji）]

式中，[ωij]为网络竞争层神经元权值（i为输入矢量下标；j为神经元下标）；[η（t）]为学习率；[nb（t，d）]为网络竞争层领域函数；d为神经元和获胜神经元之间的距离。

对于车辆目标识别问题，自组织竞争网络的输入矢量为提取的25个特征参数，能识别出坦克、汽车和摩托车这3种不同类型的车辆目标，因此设计的自组织竞争网络具有25维输入和3个输出，如图2所示。

4 实验结果与结论

为了验证设计算法的性能，实验对汽车、摩托和坦克这三类车辆目标进行测试。提取每种车辆的训练样本为120个，是由360°范围内每隔3°抽取一个样本组成。然后在任意角度再提取一些目标样本，如图1所示。给出图1所示车辆目标的特征参数，如表1所示。其中S1～S3是区域描述子，S4～S9是不变矩，S10～S25是DCT描述子。把提取的混合特征输入到设计的自组织竞争网络进行学习和聚类，网络自动将车辆目标进行分类。精度高达96.15%。

参考文献[5]，提取25个DCT描述子进行BP网络识别，识别精度为89.52%。实验结果表明，设计的自组织竞争网络对融合特征的识别，不仅性能稳定，而且比单一特征的网络识别具有更高的识别精度。综上所述，本文提出了一种基于自组织竞争网络的车辆目标识别方法，该方法能够实现车辆目标的准确分割；混合特征的提取容易实现，计算复杂度不太大。

采用的自组织竞争网络进行混合特征的识别具有更高的识别精度，实验结果也验证了所提取的特征是有效的，具有重要的应用价值。

参考文献

[1] 王甜，王建民.红外图像自动目标识别技术发展[J].飞航导弹，2005（11）：41?47.

[2] 戴金波.基于视觉信息的图像特征提取算法研究[D].吉林：吉林大学，2013.

[3] 汤晓.基于复杂网络的图像目标识别方法研究[D].柳州：广西工业大学，2013.

[4] GONZALEZ R C. Digital image processing using Matlab [M]. Beijing： Publication House of Electronics Industry， 2004.

[5] 冯春环，涂建平.基于离散余弦变换的红外目标识别算法[J].系统仿真学报，2005，17（6）：1363?1365.

[6] GONZALEZ R C. Digital image processing [M]. Beijing： Publishing House of Electronics Industry， 2002.

[7] 许东，吴铮.基于Matlab 6.x的系统分析与设计：神经网络[M].西安：西安电子科技大学出版社，2002.

[8] 太惠玲，谢光忠.运用自组织竞争网络进行气体定性分析的研究[J].中国工程科学，2006，8（1）：81?84.

[9] 葛勇，王玲.自组织竞争人工神经网络在颜色选择中的应用[J].计算机系统应用，2010，19（1）：137?139.

[10] 孙即祥.图像分析[M].北京：科学出版社，2005.