基于改進的胡氏不變矩的坦克識別方法

胡福東，白宏陽，李成美，孫瑞勝

(南京理工大學 能源與動力工程學院，南京 210094)

【信息科學與控制工程】

基于改進的胡氏不變矩的坦克識別方法

胡福東，白宏陽，李成美，孫瑞勝

(南京理工大學 能源與動力工程學院，南京 210094)

針對基于胡氏不變矩的坦克識別率低、在圖像離散采樣的情況下受圖像尺度變化影響的問題，進行了圖像尺度不變性研究，設計了一種基于改進的胡氏不變矩的坦克識別方法；為解決最大類間方差法在復雜背景下圖像分割閾值與真實閾值發生偏移的問題，采用改進的最大類間方差法分割圖像，減少了偏移量。將胡氏不變矩和改進的胡氏不變矩的算法進行了對比實驗，實驗結果表明：相對于采用胡氏不變矩的坦克識別方法，改進后的識別方法識別率提高了22%，該方法運算時間減少了80 ms，能克服圖像的尺度變化造成的影響。

坦克識別；胡氏不變矩；最大類間方差法

隨著計算機視覺技術和圖像處理技術的發展，目標識別技術在軍事領域和航空航天、科學探測以及視頻監控等民用領域具有越來越廣泛的應用。特別是在軍事領域中，若對地面上的坦克進行有效識別，就可以對坦克進行精確打擊，大大提高武器系統的運動攻擊性能及作戰指標。

目前坦克的識別手段主要包括紅外探測、激光雷達、光學等方式。紅外探測具有探測能力強、作用距離遠等優點，但它易受大氣輻射、視角、距離及環境背景等因素的影響，得到的圖像對比度差、噪聲大，目標邊緣模糊識別穩健性不高[1-2]；激光雷達可以同時獲得目標的強度像和距離像，通過對目標的四維成像大大提高了目標的信息量，但它的使用成本較高、占用空間面積較大[3-4]；光學探測由于其成本較低，易于實現等優點，常用于目標識別領域。

采用光學方式識別坦克，主要提取坦克的特征信息。坦克的特征主要包括Zernike矩特征[5]、胡氏不變矩特征、小波矩特征。由于胡氏不變矩在圖像連續采樣的情況下具有平移和旋轉不變性、縮放不變性等優點經常作為坦克的特征，但在圖像離散采樣的情況下，不同尺度下的坦克識別率為70%[6]，很難對坦克進行精確識別?；诖?，本文提出了一種改進的胡氏不變矩的坦克識別方法，該方法首先采用改進的最大類間方差法對圖像進行圖像分割，提取所需目標；然后采用改進的胡氏不變矩提取目標特征；最后采用歐式距離計算待識別圖形與數據庫中圖形特征之間的相似度，根據相似度大小實現對坦克的識別。仿真實驗表明，該識別算法能夠在不同尺度下有較高的識別率、運算速率高。

1 改進的最大類間方差理論

最大類間方差法[7-9](即otsu算法)是由大津提出的，它通過計算目標區域與背景區域平均灰度的最大方差確定閾值，通過閾值實現圖像的分割。

假設圖像像素最大的灰度值為L?；叶戎禐閕的像素值個數為ni，則總的像素個數為N，如式(1)所示

(1)

各灰度值出現的概率為pi，如式(2)所示

(2)

假設當前圖像像素用一個閾值t分為兩個部分C0和C1，其中C0是由0～t灰度范圍內的像素組成，C1是由t+1～L-1灰度范圍內的像素組成，C0出現的概率PC0和C1出現的概率PC1分別如下

(3)

C0、C1兩類的灰度均值ωC0、ωC1分別為

(4)

圖像總的灰度平均值ω0為

(5)

(6)

建立新的方差σ2如式(7)所示

σ2=PC0(VA-V0)2+PC1(VB-V0)2

(7)

式中：

(8)

(9)

(10)

(11)

(12)

(13)

其中，Δ0、ΔA、ΔB分別表示區域C0、區域C1和與整幅圖片的方差。

從0～L-1依次改變t值，取到σ2最大時t即為最佳閾值。

2 改進的胡氏不變矩理論

胡氏不變矩是提取圖形態特征的一種方法，在連續圖像下具有平移、旋轉不變性等優點，常用于圖像識別領域。

先設一個M×N數字圖像的灰度分布為f(x,y)，那么它的(p+q)階幾何矩mpq定義如式(14)所示

(14)

式中：x,y是圖像的坐標點；M,N是圖像的總行數和總列數。

中心矩μpq的定義如式(15)所示

(15)

式中：(x0,y0)是矩心，x0=m10/m00，y0=m01/m00；p,q=0,1,2,…，m10是圖像的(1+0)階幾何矩；m00是圖像的(0+0)階幾何矩；m01是圖像的(0+1)階幾何矩。

用零階中心矩μpq進行歸一化，歸一化中心矩ηpq為

(16)

構造胡氏不變矩[10-12]Φ1～Φ7為：

Φ1=η20+η02

Φ2=(η20-η02)2+4η11

Φ3=(η30-3η12)2+(3η31-η03)2

Φ4=(η30+η12)2+(η21+η03)2

Φ5=(η03-3η12)(η30+η12)+ [(η30+3η12)2-3×(η21+η03)2]+ (3η21-η03)(η21+η03)× [3(η30+η12)2-(η21+η03)2]

Φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+ 4η11(η30+η12)(η21+η03)

Φ7=(3η21-η03)(η30+η12)× [(η30+η12)2-3×(η21+η03)2]+ (3η21-η30)(η21+η03)× [3(η30+η12)2-(η21+η03)2]

(17)

式中：Φ1～Φ7為胡氏不變矩的7個矩不變量。

這7個矩不變量在離散圖像的情況下只具有旋轉和平移不變性，并且在不同尺度下7個矩不變量有很大變化。針對該問題，采用改進的胡氏不變矩[13-15]，使得改進的胡氏不變矩中的10個不變量與尺度無關。

改進的胡氏不變矩I1～I10公式為：

(18)

式中：I1～I10為改進的胡氏不變矩的10個矩不變量。

3 坦克的識別

首先對待識別圖像進行圖像的預處理，主要包括對圖像的中值濾波。中值濾波是為了提高圖像的品質。采用改進的最大類間方差法對預處理后的圖像進行圖像分割，提取所需的目標；對分割后的圖像進行形態學處理；采用改進的胡氏不變矩計算目標的10個特征值；采用歐式距離計算待識別圖形與數據庫中圖形特征之間的相似度，取最小的相似度所對應的模板圖像，判斷該模板圖像屬于哪一類模板，若屬于含有坦克的模板，那么待測圖片含有坦克，否則不含有坦克?；诟倪M的胡氏不變矩的坦克識別算法的流程如圖1所示。

4 實驗及其結果分析

為了驗證本文提出的基于改進的胡氏不變矩的坦克識別算法的有效性和實時性，選取了50張圖片進行實驗，處理器為AMD phenom(tm) Ⅱ N930 Quad-Core Processor 2.00 GHz，4 G內存。實驗的樣本共4類，分別為坦克、轎車、貨車、挖掘機。其中坦克14張包含了坦克的旋轉和縮放的圖片，貨車12張包含了貨車的旋轉和縮放的圖片，轎車12張包含了轎車的旋轉和縮放的圖片，挖掘機12張包含了挖掘機的旋轉和縮放的圖片，分辨率為480×320。取其中的7張坦克圖片、5張貨車圖片、5張轎車圖片、5張挖掘機圖片作為測試的樣本，其余作為訓練樣本(樣本示例如圖2)。

圖1 基于改進的胡氏不變矩的坦克識別算法流程

圖2 4類樣本示例圖

實驗中采用區域對比度RCT評價圖像品質好壞，其定義如式(19)所示

(19)

其中：μ1為圖像的像素值在0到分割閾值t之間的均值；μ2為圖像的像素值在t+1到L之間的均值。

采用以下評價指標對坦克的識別效果進行評價：識別率τ其定義如式(20)所示

(20)

其中：N1是測試樣本中該算法識別坦克正確的個數；N2是測試樣本的個數。

如圖3所示，對部分樣本分別采用otsu算法分割圖像提取目標與采用改進的otsu算法分割圖像提取目標，其中圖3(a1)～圖3(a4)為原圖，圖3(b1)～圖3(b4)為中值濾波圖，圖3(c1)～圖3(c4)為改進的otsu算法處理結果圖，圖3(d1)～圖3(d4)為改進的otsu算法對應的形態學處理結果圖，圖3(e1)～圖3(e4)為otsu算法處理結果圖，圖3(f1)～圖3(f4)為otsu算法對應的形態學處理結果圖。表1為部分樣本采用otsu算法提取目標與采用改進的otsu算法提取目標的圖像分割評價表。從圖3和表1中可以看出改進的otsu算法分割圖像，目標中含有噪聲較少并且圖像的區域對比度較大，圖像分割品質較高。

表1 圖像分割評價

圖4所示為對樣本中的部分坦克采用改進的胡氏不變矩獲取的特征值。其中可以看出坦克目標的特征值相差不大。圖5所示為對不同的地面目標采用改進的胡氏不變矩獲取的特征值。由其中可以看出不同目標的特征值相差較大。

圖4 采用改進的胡氏不變矩取坦克的特征值

圖5 采用改進的胡氏不變矩取不同目標的特征值

采用歐式距離方法計算測試的樣本與訓練的樣本特征值之間的相似度，取其最小的相似度所對應的模板圖像，判斷該模板圖像屬于哪一類模板圖像，若屬于含有坦克的模板圖像，那么測試樣本含有坦克，否則不含有坦克，識別結果如表2所示。

表2 采用改進的胡氏不變矩的識別效果

為了驗證本文提的算法的有效性和實時性，對相同樣本分別采用胡氏不變矩、改進的胡氏不變矩進行對比實驗，識別效果如表3所示。

表3 兩種不同算法的識別效果

由表3可知，由本文提出的改進的胡氏不變矩，對地面上的坦克進行識別比采用胡氏不變矩取其特征進行識別高出22個百分點，識別時間有所減小。結果表明，本研究提出的改進的胡氏不變矩對坦克的識別識別率較高，識別速率較快。

5 結論

提出了一種改進的胡氏不變矩的坦克識別方法，該方法首先采用改進的最大類間方差法對圖像進行圖像分割，提取所需目標；然后采用改進的胡氏不變矩提取目標特征；最后采用歐式距離計算待識別圖形與數據庫中圖形特征之間的相似度，根據相似度大小實現對坦克的識別。實驗結果表明，基于改進的胡氏不變矩的坦克識別方法識別率較高，識別速率較快，能保證實時性，能夠克服圖像尺度變化的影響。

[1] 易亞星,姚梅,吳軍輝,等.影響紅外目標探測亮度的因素[J].紅外與激光工程,2014,43(1):13-18.

[2] FU L,PANG X,WANG Q,et al.Equipment Calibration and Analysis of Influencing Factors of Infrared Detection[C]//27th Chinese Control and Decision Conference.China:Shandong,2015:358-363.

[3] ARMBRUSTER W,HAMMER M.Maritime Target Identification in Flash-Ladar Imagery[J].Proc Spie,2012,8391(1):181-195.

[4] MAO S,LI L,GUO J,et al.A Novel Obstacle Detection Method Based on Monocular Camera and Laser Radar[C]//8th International Symposium on Computational Intelligence and Design.China:Zhejiang,2015:511-515.

[5] NASRUDIN M W,YAAKOB S N,OTHMAN R R,et al.Analysis of Geometric,Zernike and United Moment Invariants Techniques Based on Intra-class Evaluation[C]// 5th International Conference on Intelligent Systems,Modelling and Simulation.USA:Washington.,2014:7-11.

[6] 孫貝.基于矩特征提取的圖像識別算法研究[D].太原：太原理工大學,2010.

[7] OTSU N.A threshold selection method from gray-level histogram[J].IEEE Trans.On Syst Man Cybern,1979:62-66．

[8] 宋文青,王英華,盧紅喜,等.基于冪次變換的SAR圖像Otsu分割法[J].系統工程與電子技術,2015,37(7):1504-1511.

[9] TALAB A M A,HUANG Z,XI F,et al.Detection Crack in Image Using Otsu Method and Multiple Filtering in Image Processing Techniques[J].Optik - International Journal for Light and Electron Optics,2016,127(3):1030-1033.[10]HU M K.Visual pattern recognition by moment invariants[J].IEEE Trans.on Information Theory,1962,8(2):179-187.

[11]戚大偉,牟洪波.基于Hu不變矩和BP神經網絡的木材缺陷檢測[J].東南大學學報:自然科學版,2013,43(S1):63-66.

[12]WIDIASTUTI N I,SUHENDAR R.Scattered Object Recognition Using Hu Moment Invariant and Backpropagation Neural Network[C]//3rd International Conference on Information and Communication Technology.France:Rennes,2015:578-583.

[13]CHEN C C.Improved Moment Invariant for Shape Discrimination[J].Pattern Recognition,1993,26(5):683-686.

[14]張明恒,韓月林,趙一兵,等.基于改進Hu不變矩的路面交通標識識別[J].大連理工大學學報,2012,52(6):908-913.

[15]LI G,OU Q,LUO J.An Improved Hu-Moment Algorithm in Gesture Recognition Based on Kinect Sensor[J].Information Technology Journal,2013,12(14):2963-2968.

(責任編輯楊繼森)

Tank Recognizing Based on Improved Hu Invariant Moments

HU Fu-dong，BAI Hong-yang，LI Chen-mei，SUN Rui-sheng

(School of Energy and Power Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

To solve the problem of low recognition rate of tank based on Hu invariant moments and the effect of the change of image scale in the case of discrete image, image scale in-variance was studied and a new method of tank recognition based on improved Hu invariant moments was designed; In order to solve the problem that the threshold of image segmentation threshold and the real threshold value are shifted in complex background, the improved maximum between-class variance was used to segment the image and reduced offset. A experiment was carried out to compare the invariant moments and the modified Hu invariant moments. The experimental results show that that compared with the method that Hu invariant moments is adopted to recognize a tank, and the recognition rate of the improved recognition increased by 22%, and the computation time of the method reduces 80 ms and it can overcome the influence of the scale change of image.

recognition of tank; Hu invariant moments; maximum between-class variance

2016-07-19；

中國航空科學基金(20145159002)

胡福東(1991—)，男，碩士研究生，主要從事武器制導、圖像處理研究。

白宏陽(1983—)，男，講師，碩士生導師，主要從事衛星/慣性導航技術方面的研究。

10.11809/scbgxb2016.12.023

胡福東，白宏陽，李成美，等.基于改進的胡氏不變矩的坦克識別方法[J].兵器裝備工程學報，2016(12):100-104.

format:HU Fu-dong，BAI Hong-yang，LI Chen-mei，et al.Tank Recognizing Based on Improved Hu Invariant Moments[J].Journal of Ordnance Equipment Engineering,2016(12):100-104.

TP391

A

2096-2304(2016)12-0100-05

修回日期：2016-08-15