基于CNN的海空目标检测

摘 要：针对海空目标运动速度快，机动频繁，要对其既准又快的识别和跟踪，算法和硬件都要求很高的特点，提出了一种新的基于元胞神经网络(CNN)海空目标检测方法。通过大量的仿真实验证明，CNN与传统的方法如各种梯度算子、形态学、小波等相比，其处理结果更加完整细腻，细节更加突出，有利于提取目标的细微特征，特别是对于以云层、海浪为背景的海空光电目标，能更好地进行目标检测。该方法收敛时间快，适合高速并行信号处理，能满足实时处理的要求，因此在军事上具有较大的应用潜力。

关键词：元胞神经网络；目标检测；Sobel；Canny；形态学

中图分类号：TP18 文献标识码：B

文章编号：1004-373X(2008)09-051-03オ

Sea and Air Target′s Detection Based on CNN

LIU Tianhua,YANG Shaoqing,LIU Songtao

(Dalian Naval Academy,Dalian,116018,China)オ

Abstract：As the sea and air target′ s main characteristics are their high moving speed and frequent mobility.It requires high precision to the algorithm and hardwires if we want to recognize and track them fast and exactly.This paper brings forward a new method for the sea and air target′s detection based on Cellular Neural Network (CNN).Through a lot of emulational experiments,it turns out to be that,the image processed by CNN is more integral exquisite,the detail is more prominent,compared with traditional method,such as various grads operator,morphology,wavelet and so on.It is propitious for extracting the exiguous characterestic of the target,especially for those detected by photoelectric sensor in the background of ocean wave and cloud.Its convergence time is short and suit for processing signals with high speed in parallel,and satisfy the requirement for real time processing.So CNN has good potential in military field.

Keywords：cellular neural network;target detection;Sobel;Canny;morphologyオ

1 引 言

舰船航行在大海上，主要面临来自空中，海面和水下的威胁，其中空中的威胁最大。这些目标的主要特点是运动速度高，机动频繁,其背景也比较复杂，受云层、烟雾、波浪、飞鸟、山峰等影响较大。传感器如热像仪、电视摄像机、激光测距机等自身带有噪声，另外还会有各种形式的干扰,这些都给目标的识别与跟踪带来很大困难。因此寻找一种能实时对图像信号处理的、抗干扰的，并且适合大规模硬件开发与实现的算法是军事界至今没有完美解决的难题之一。

元(细)胞神经网络(Cellular Neural Networks,CNN)，是由加州伯克利大学的华裔学者蔡绍棠教授在1988年提出来的一种局域连接、权可设计的人工神经网络[1]。而后关于CNN的各种理论，算法，改进与应用以及硬件实现等如同雨后春笋般出现。现在CNN在图像、通信、混沌控制、交通、医学等领域都有着广泛的应用。CNN用于图像的处理，例如降噪、分割、特征提取、空洞填充、细化、阴影检测、模式识别、目标跟踪，机器人视觉，水印加密等，比传统的方法更具潜力。CNN结构的局部耦合性对于处理具有混沌性质的背景下的海空光电目标图像具有较大的匹配性。本文主要描述了CNN的理论基础和他应用于图像处理的思想，并给出了算法实现的步骤，然后用Matlab语言编程进行仿真实验,以对海空目标的检测为例，将他与经典的方法进行比较，分析各自的优缺点，最后提出了本算法需要改进的地方。

2 图像目标检测的CNN模型

CNN的基本组成单元是元胞(Cell)，每个元胞只同他周围r邻域的元胞相接，连接的个数Nr=((2r+1)2-1)。如图1所示为一个3×3规模的CNN网络结构。用C(i,j)表示第i行、第j列的元胞。C(i,j)只与C(i+1,j),C(i-1,j),C(i,j+1),C(i,j-1),C(i+1,j+1),C(i+1,j-1),C(i-1,j+1),C(i-1,j-1)等8个元胞相连。如图2所示，每个元胞都有一个状态vxij，一个恒定的输入vuij，一个输出vyij，门限I。П曜CNN的状态方程可用下述一阶非线性微分方程描述[2]：

图1 3×3的CNN网络结构

图2 单个元胞的动态系统

A(i,j;k,l)=A(k,l;i,j)[JY](5)

И

其中，1≤i≤M,1≤j≤N。α,β,I,Eij为大于0的常数。vukl表示C(i,j)邻近元胞的输入，vykl表示C(i,j)邻近元胞的输出，A(i,j;k,l)表示C(k,l)的输出与C(i,j)的联接权，B(i,j;k,l)表示C(k,l)的输入与C(i,j)У牧接权。式(3)表示输出与状态的关系。

CNN网络动态系统只要满足下面能量函数有界，就能达到稳定[2]，即：

お

e(t)[WB]=-12∑(i,j)∑(k,l)Avyij(t)vykl(t)+12β∑(i,j)vyij(t)2-

[DW] ∑(i,j)∑(k,l)Bvyij(t)vykl(t)-∑i,jIvyij(t)[JY](6)

И

式(6)有最大值:

И

max|e(t)|≤e┆max[JY](7)

И

对于单个元胞，只要满足[2]:

И

A(i,j;i,j)>β[JY](8)

И

那么每个元胞经过暂态衰减后，一定能落在稳定状态，并且所有稳定点幅值都大于1，即：

И

┆limt∞|vxij|>1[JY](9)