基于SVM的無人直升機著艦標志識別方法研究

吳鵬飛，石章松，閆鵬浩，吳中紅

(1.海軍工程大學 兵器工程學院，湖北 武漢 430033;2.中國人民解放軍92925部隊，山西 長治 046000)

0 引言

艦載無人直升機在現代海戰場上有非常廣泛的用途，能夠執行引導、偵察、警戒和搜救等多種任務，但由于海況復雜，艦船甲板空間有限，使得無人直升機安全著艦成為一個難題[1]。在眾多著艦方法中，基于視覺的著艦最引人注意，這是因為視覺信息具有精度高、視場大、不受電磁干擾等優點[2]。目前國內外很多研究機構已經開展了相關方面的研究。如加州伯克利分校就旋翼無人機艦船著陸進行了研究[3]；南京航空航天大學對無人機的視覺著陸進行了廣泛而深入的研究，涵蓋了基于視覺的整個著陸過程[4]。以上研究中實驗環境過于理想，著艦標志的設計具有特定的形狀與圖像特征，因此識別準確率較高，但其方法不具有普適性，如若更改著艦標志形狀，則其識別率大大降低。本文針對目前著艦標志識別方法的缺點，采用基于支持向量機(support vector machine,SVM)的機器學習方法，對通用著艦標志在模擬著艦環境下進行識別，并針對2種不同核函數對應的SVM訓練算法進行了對比分析，指出了各自適用的條件，實驗結果證明該方法具有普適性，準確率也滿足需要，具有一定的現實意義和工程實踐價值。

1 著艦標志檢測

1.1 著艦標志

著艦標志是引導艦載機著陸的重要設施，讓飛行員參考自身和著陸點的位置，國際上通常采用大寫的“H”(helicopter的縮寫)作為直升機著陸平臺的標志。國際上在對無人直升機自主著艦研究過程中，許多研究機構設計了便于機器視覺識別的新型標志，如圖1(左)所示為加州伯克利分校設計的著艦標志[5]。本文以基于視覺的無人直升機自主著艦為研究背景，考慮到飛行甲板周邊環境較為空曠，對著艦標志的干擾較少，且艦船上空間比較緊張很難有額外的空間來放置特殊的著艦標志，故本文直接采取通用型直升機著艦標志“H”，如圖1(右)所示。

圖1 著艦標志Fig.1 Landing marks

1.2 著艦標志圖像預處理

在無人直升機對著艦過程中，機載攝像機采集到的圖像信息中存在著光照不均、聚焦模糊、角度偏差等外界干擾。為了避免這些干擾，需對采集到的圖像視頻信息進行處理，保留圖像中形狀、特征等核心信息，濾除無關信息，便于減小計算量，并增強有關信息的可檢測性。

本文對圖像相繼進行了以下預處理：閾值分割、灰度化、采樣與量化、濾波和二值化。二值化后的圖像已基本濾除了背景噪聲，只剩下較為明顯的目標輪廓圖。由于目標輪廓周圍存在著明顯的像素值差異，根據這一特征，利用相鄰像素點之間的比較，根據像素值突變來判斷輪廓。其效果如圖2所示。

圖2 著艦標志輪廓提取Fig.2 Contour extraction of landing mark

1.3 圖像特征提取

圖像的特征提取是用一組數據來描述整個圖像，這組數據要簡單且有代表性[6]。首先根據鏈碼找到圖像邊界，并對圖像進行輪廓跟蹤，進而求出圖像的Hu不變矩。Hu不變矩不受光線、噪點和幾何形變的干擾，是圖像良好的特征。

(1) 鏈碼是一種邊界的編碼表示法，編碼的依據是邊界方向。在研究輪廓特征時，常使用原鏈碼來表示圖形的輪廓。原鏈碼指從曲線起點開始，按順時針方向觀察每一線段走向，并用相應的指向符表示，結果就形成表示該邊界的數碼序列[7]。

(2) 輪廓跟蹤指按照一定的順序，找出邊緣點來跟蹤得到區域邊界[8]。輪廓跟蹤首先要識別圖像邊界點，邊界點識別過程如圖3所示，整個輪廓跟蹤的流程如圖4所示。

圖3 圖像邊界識別流程圖Fig.3 Flow chart of image boundary recognition

圖4 輪廓跟蹤流程圖Fig.4 Flow chart of contour tracking

(3) Hu特征矩計算：對于一幅圖像，可以把像素的坐標看成是一個二維隨機變量(x,y)，那么一幅灰度圖像可以用二維灰度密度函數來表示，因此可以用矩來描述灰度圖像的特征[9]。M×N的數字圖像，其p+q階幾何矩mpq和中心矩μpq為

(1)

(2)

然后利用二階和三階規格中心矩可以求出7個不變矩組(φ1,φ2,…,φ7)，這7個不變矩構成的特征量便是Hu不變矩。

2 基于SVM的著艦標志識別方法

2.1 支持向量機

在機器學習中，SVM是用來解決分類問題的常用工具[10]。它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。對于非線性可分的樣本集，SVM可釆用核函數方法把原始輸入數據空間映射到高維核函數空間，從而可將非線性可分樣本集轉變成特征空間線性問題[10]。

2.2 SVM核函數

采用不同的核函數將導致不同的SVM算法，常見的核函數有如下形式：

(1) 線性核函數是最簡單的核函數[11]，主要用于線性可分的情形，它在原始空間中尋找最優線性分類器，具有參數少速度快的優勢，如式(3)所示：

K(x,z)=xTy+c.

(3)

(2) 多項式核函數屬于全局核函數[12]，參數d越大，映射的維度越高，計算量就會越大，適合于正交歸一化數據，如式(4)所示：

K(x,z)=(axTy+c)d.

(4)

(3) 徑向基核函數屬于局部核函數[13]，其參數決定徑向作用范圍，學習能力較強，具備良好的推廣性，如式(5)所示：

(5)

2.3 基于SVM的著艦標志識別算法框架

基于SVM的著艦標志識別算法框架分為訓練和識別兩大模塊，訓練模塊部分對圖像樣本進行預處理、特征提取和SVM訓練，識別模塊根據離線訓練的參數庫對著艦標志圖像進行判斷[14]。算法框架如圖5所示。

圖5 著艦標志識別算法框架Fig.5 Framework of the landing mark identification algorithm

3 實驗

3.1 實驗環境

(1) 硬件環境：PC機一臺，小型無人機一架，無人直升機著艦標志一個。無人機如圖6所示，其參數如表1所示。實驗用著艦標志為邊長1 m的白色正方形，如圖6所示。

(2) 軟件環境：操作系統為Windows 7，開發平臺為MatlabR2014b。

圖6 實驗用無人機和著艦標志Fig.6 UAV and Landing mark for experiment

參數名稱參數無人機型號Parrot Bebop飛行時間/min約25控制距離/m2 000像素1 400萬照片分辨率3 800 p×3 188 p錄像分辨率1 920 p×1 080 p(30 fps)

3.2 實驗步驟

Step 1： 利用無人機對著艦標志圖像進行采集，建立樣本庫，并將其分為訓練集和測試集，2個樣本庫中均包含一定的正樣本和負樣本；

Step 2： 對樣本庫中2個數據集進行預處理；

Step 3： 基于Hu不變矩對處理后的二值圖像進行特征提??；

Step 4： 設計SVM分類器，選擇不同核函數對樣本進行訓練；

Step 5： 對測試樣本數據進行SVM識別，并針對基于不同核函數的SVM訓練算法的結果進行對比分析。

3.3 實驗方案

3.3.1 樣本庫的建立

實驗中樣本庫主要是利用小型旋翼無人機在實驗條件下在不同的場景、距離、角度和光線條件下采集的著艦標志圖像。目前很多對著艦標志識別的研究都是在室內采集的樣本，實驗環境過于理想。相較而言，本文的樣本集較為全面，可以真實模擬無人直升機著艦時對著艦標志圖像的采集樣本。在采集的圖片中挑選了540張樣本，采用隨機生成的方式，生成七維向量，樣本都經過歸一化處理，尺寸為480×272，數據統計如下表2所示，部分樣本圖片如圖7所示。

表2 樣本數據表Table 2 Sample data 張

圖7 部分樣本圖片Fig.7 Part of sample pictures

3.3.2 著艦標志檢測

由于機載攝像機的分辨率較高，如直接對采集的圖像進行處理，將給實驗計算機帶來較大的運算負擔。為了減輕計算量并縮短相關程序的運算時間，本文對所有的圖像都經過歸一化處理，向下采樣為尺寸128×128。然后對每一幅圖片進行灰度處理、針對不同種類噪聲分別濾波、二值化、后期噪聲處理、提取邊緣、記錄輪廓鏈碼和特征提取。邊緣識別和濾波處理后的圖像輪廓如圖8所示，對圖像提取特征值的部分數據如表3所示。

3.3.3 基于SVM的訓練與測試

經過特征提取，已經獲得了各個樣本圖片對應的Hu不變矩，將所有樣本的不變矩組建樣本庫，這樣就獲得了可以供SVM學習、訓練、測試的樣本庫數據集[15]。在SVM模型對樣本進行學習訓練時，需要選擇核函數模型，考慮到本文中樣本庫數據規模一般，特征矩維度較小，同時為了比較各個核函數對識別效果的影響，在對采集到的樣本輪廓特征數據集展開訓練的過程中，分別采用了高斯鏡像基核函數(RBF)和線性核函(linear)，并對2種核函數對樣本訓練的效果進行了對比。在本算法中，訓練效果的判斷準則如下：

圖8 邊緣識別和濾波處理后的圖像輪廓Fig.8 Image contour after edge recognition and filtering

3.3.4 實驗結果分析

本文針對2種核函數對樣本訓練的效果進行了對比：

(1) 線性核函數

線性核函數是最簡單的核函數，其涉及到的參數少、速度快、運算較為簡單，但主要用于線性可分的情形。由于本文的Hu特征矩向量維度較高，使用線性核函數分類較為勉強，雖然其分類準確度上不太令人滿意，但其運算速度較快，綜合而言，也在可接受的范圍之內。其部分訓練結果如表4所示。使用線性核函數模型對全部樣本庫的識別進行訓練，最終識別正確率在83%左右浮動。

表3 部分Hu不變矩Table 3 Part of Hu invariant moments

表4 部分樣本識別結果表Table 4 Recognition result of part samples

(2) 高斯鏡像基核函數

高斯鏡像基核函數主要用于線性不可分的情形，如果參數較多，其分類結果非常依賴于合適的參數，這需要通過訓練數據的交叉驗證來尋找。利用高斯鏡像基核函數對樣本展開訓練的部分結果如表5所示。

可以看到判斷失誤的多是集中在負樣本，但負樣本為隨機生成，由于其中恰巧有與正樣本類似的樣本被誤判為正樣本。使用高斯鏡像基核函數模型對全部樣本庫的識別進行訓練，經過多次迭代，最終識別結果正確率在87.5%～93%之間浮動。

表5 部分樣本識別結果Table 5 Recognition result of part samples

綜上所述，在使用默認參數時，如果特征提取效果較為理想，且包含的信息量足夠大，那么很多問題都是線性可分的，那么Linear核訓練的效果一般滿足需求，但如果特征提取結果不夠理想，信息包含量不夠大，則通過大量數據的交叉驗證，可以找到比Linear核具有更好效果的RBF核，其識別準確率更高。

4 結束語

本文針對基于視覺的無人直升機著艦難題，采用基于SVM的機器學習方法對著艦標志進行識別，實現了整個著艦標志識別流程，準確率滿足要求。針對2種不同核函數對應的SVM訓練算法進行了對比分析，對比發現在特征提取效果較為理想時，Linear核效果更好，但如果特征提取結果不夠理想，信息包含量不夠大，則通過大量參數的嘗試，可以找到比linear核具有更好效果的RBF核，識別準確率更高。本文所做工作可為基于視覺的無人直升機自主著艦提供參考，具有一定的工程實踐價值。