基于组合特征选择的目标识别算法研究.doc

基于组合特征选择的目标识别算法研究 郑春红 王传聪 林稚璞 杨刚 西安电子科技大学电子工程学院 摘 要： 针对飞机遥感图像识别, 对一种基于组合特征选择的目标识别算法进行了研究考虑获取的飞机样本数量有限, 且存在旋转、遮挡等现象, 采用提取图像熵值、归一化转动变量、Fourier 描述子、Hu 矩和 Zernike 矩不同的不变矩描述其整体和细节特征, 用离差标准化的归一化方法进行特征融合考虑组合不变矩维数相对较高, 用主成分分析 (PCA) 算法进行特征选择以避免维数灾难用具参数优化的支持向量机 (SVM) 进行分类识别给出了目标识别算法的流程进行了手写数字和飞机目标识别两个仿真实验, 结果表明:该特征选择方法在基于MNIST 数据集的小样本手写体数字图像识别中, 识别效果良好;在有限样本的飞机识别中, 经特征选择后识别效果有较大改善, 识别时间缩短, 训练样本数据多, 识别的精度会更高, 但当飞机目标的不同姿态下形状发生变化时识别效果会变差关键词： 遥感飞机图像; 目标识别; 组合不变矩; 特征选择; 主成分分析法; 支持向量机; 识别效果; 参数优化; 作者简介：郑春红 (1969—) , 女, 副教授, 主要研究方向为智能信息处理、机电一体化等。

收稿日期：2016-10-21基金：上海航天创新基金资助 (SAST201453) Target Recognition Algorithm Research Based on Combined Feature SelectionZHENG Chun-hong WANG Chuan-cong LIN Zhi-pu YANG Gang School of Electronic Engineering, Xidian University; Abstract： For remote sensing aircraft image recognition problem, a target recognition algorithm based on combined feature selection was studied in this paper.With the consideration of limited aircraft samples and rotated, occluded aircraft images, the global and local features were described using invariant moments of picture enteropy, normalized rotation variable, Fourier describer, Hu moment and Zernike moment.The feature mergence was realized by dispersion standardization of normalized method.As combined invariant moments dimension was relatively high, principal component analysis (PCA) algorithm was used for feature selection, which could avoid dimensionality curse.The aircraft classification was implemented by support vector machine (SVM) with parameter optimization.The flowchart of the target recognition algorithm was given.The two recognition samples of handwriting digital and aircraft were simulated.The results show that the recognition effect of the handwriting digital in MNIST database is good, and the recognition effect has been improved and the recognition time is shorten after feature selection for aircraft with the limited samples.The more samples training, the higher recognition accuracy.But the recognition effect will become worse when the aircraft shape has changed under different attitude.Keyword： aircraft image; target recognition; combined invariant moment; feature selection; principal component analysis (PCA) ; support vector machine (SVM) ; recognition effect; parameter optimization; Received： 2016-10-210 引言目标自动识别是机器视觉的一个重要研究方向, 在航空、航天、医学和自动化等领域有广泛的应用前景。

目前, 在飞机目标识别领域, 主要的方法是提取图像的不变矩进行组合文献[1]提出将仿射矩和归一化转动变量 (NMI) 进行组合, 用 Fisher 线性判别分类器实现飞机目标的识别文献[2]提取飞机图像的Hu 矩、仿射矩和归一化傅里叶描述子 (NFD) 三类不变量进行特征级融合, 并结合支持向量机 (SVM) 实现飞机目标识别文献[3]利用图像一阶直方图的颜色矩特征和由灰度共生矩阵生成的图像区域纹理特征, 并采用聚类分析算法对飞机图像进行识别文献[4]提出一种基于边缘形状特征的飞机目标识别算法, 由粗到精地进行模板匹配, 粗匹配过程负责定位飞机目标, 精匹配过程利用主成分分析 (PCA) 和最近邻算法 (KNN) 完成目标的准确识别文献[5]对上述方法进行改进, 用圆投影特征进行粗匹配确定飞机目标, 在精匹配阶段提取图像的 Harris-Laplace 角点、颜色不变矩和 Zernike 矩, 并使用欧氏距离与样本图像进行加权匹配, 最终实现飞机目标的识别上述方法都使用由多个不变性特征构成的高维组合不变性特征描述飞机目标, 但由于组合不变性特征的维数较高, 易产生“维数灾难”, 且特征集中的冗余特征和不相关特征会降低识别效果, 因此必须对组合不变性特征进行特征选择去除冗余特征和不相关特征。

目前, 在特征选择领域, 主要的方法是利用分类器的识别结果作为评价函数选择最优特征子集文献[6]将人工神经网络的识别结果作为评价函数, 结合遗传算法进行特征选择文献[7]组合了特征子集间的区分度和 SVM 的分类结果进行特征选择, 取得了较好的效果但这些方法选择出的特征通用性较弱, 若改变分类器, 还需重新进行特征选择因此, 本文用PCA 方法根据特征集间的内部属性直接选择贡献度最优的特征子集实现特征选择通过分析目标图像的结构特征, 同时借鉴特征融合和特征选择的理念, 提出了一种基于组合特征选择的目标识别方法先提取飞机目标图像中图像的熵、归一化转动变量 (NMI) 、Hu 矩、Zernike 矩和 Fourier 描述子 5 类不变矩进行特征融合, 再用 PCA 方法选择贡献度最优的特征子集, 最后以 SVM 作为分类器实现目标识别1 组合特征描述在飞机二值目标图像的特征提取过程中, 既能反映形状又能描述局部细节的特征均是形状特征, 而形状特征又分为整体描述特征和局部细节特征针对飞机目标图像, 本文选择提取图像的熵值、归一化转动变量、Fourier 描述子、Hu矩和 Zernike 矩对目标进行描述。

1.1 整体描述特征图像的熵是一种特征的统计形式, 它反映了图像中所含平均信息量的多少在一幅二维图像中, 图像的熵值常常是较稳定的, 仅受图像内容复杂度的影响, 因此适于将其作为一种描述整体分布的特征进行提取由文献[8], 定义数字图像的熵为式中:n=M×N 为目标图像的大小;f (i, j) 为点 (i, j) 处的像素值在物理学中, 转动惯量是指刚体绕轴作旋转运动时的惯性, 其量值取决于物体的形状、质量分布及转轴的位置同理, 计算图像的归一化转动变量 (NMI) 时, 可将图像中每个像素视作是有质量的点, 将每个点的灰度值看作此点的质量因此, NMI 的定义为式中: (c x, cy) 为图像灰度的质心, 类似于物理学重心的概念[9]因 NMI 特征具良好的缩放、旋转和平移不变性, 且不同目标的 NMI 特征有明显差异, 因此可用 NMI 特征对目标进行整体描述Fourier 描述子是基于图像轮廓的不变量特征提取方法[10]该法的要点是:假设图像中目标边界曲线上的点 s (k) =[x (k) , y (k) ]是以边界曲线周长为周期的函数, 则此周期函数就可展开成傅里叶级数, 并将傅里叶级数中的一系列系数称为 Fourier 描述子, 其计算公式为式中:u=0, 1, 2, …, N-1。

然后以 a (1) 为基准将得到的 Fourier 描述子进行归一化, 归一化后的 Fourier 描述子具尺度、旋转和平移的不变性因整体形状的能量多集中于低频部分, 故一般只使用归一化 Fourier 描述子的低频分量对目标形状的相似差异进行描述1.2 细节描述特征HU 在 1962 年提出了 Hu 矩, 并证明了 Hu 矩具旋转、缩放和平移不变性, 且可较好地描述目标的形状细节[11]Hu 矩共由七个不变矩组成, 分别为式中:η pq为归一化中心距, 且此处:μ pq为图像的中心矩离散化后图像的 p+q 阶中心距可表示为其中:p, q=0, 1, 2, …Zernike 矩是图像中的点在 Zernike 多项式中投影所得的一组完备正交集, 可构成任意阶相互独立的多重 Zernike 矩特征描述图像的形状信息由文献[12], 灰度图像中 Zernike 矩的定义为式中:m, n 为 Zernike 矩的阶数;V nm (ρ, θ) 为 Zernike 多项式的共轭函数;f (x, y) 为图像的极坐标在获得的 5 类特征中, 图像的熵、NMI 和 Fourier 描述子可描述目标的整体形状特征;Hu 矩和 Zernike 矩可描述图像的局部细节特征, 因此需将这 5 类特征组成一个行向量进行处理。

1.3 特征融合因提取的特征结果中包含多类不变量, 其中可能存在奇异样本数据, 故需用数据归一化方法进行特征融合本文采用离差标准化的归一化方法, 这是一种对原始数据的线性变换, 能使结果的值映射到区间[-1, 1]中, 可消除奇异数据对识别过程的影响, 加快学习过程的收敛速度[2]其具体步骤为, 先设获得的组合特征向量 x=[x1x2…xn], 再求取特征向量的最大值 xmax和最小值 xmin, 最后用转换函数将特征映射到[-1, 1]中其中转换函数可表示为2 特征选择在上述的相关特征中, Fourier 描述子序列取 12 维系数的模值作为特征, 而Zernike 矩取 11 阶系数 88 个特征值, 因此相关的整体特征和局部特征总共 109个在这些数据中不可避免会出现冗余现象, 因此需采用特征选择去除冗余, 避免“维数灾难”PCA 算法是目前应用广泛的特征选择方法, 主要通过对特征集的协方差。