基于几种不变量融合信息的缺损目标识别]VIP免费

书第２０卷第１期强激光与粒子束Ｖｏｌ．２０，Ｎｏ．１２００８年１月ＨＩＧＨＰＯＷＥＲＬＡＳＥＲＡＮＤＰＡＲＴＩＣＬＥＢＥＡＭＳＪａｎ．，２００８文章编号：１００１４３２２（２００８）０１００３１０５基于边缘区域不变矩的缺损扩展目标识别方法张坤华，张力，纪震（深圳大学信息工程学院，广东深圳５１８０６０）摘要：该方法提出以基于边缘区域的局部不变矩作为识别特征，结合多神经网络实现对缺损扩展目标的有效识别。讨论了离散情况下基于边缘区域局部不变矩的平移、旋转和尺度不变性。在此基础上，建立目标多个处理区域的ＢＰ人工神经网络，利用各网络分类综合结果提高缺损目标的识别率。实验结果显示该方法能够对缺损扩展目标进行正确识别，特别对于有较大部分缺损的扩展目标识别有明显优势。关键词：缺损目标；扩展目标；不变矩；ＢＰ网络；目标识别中图分类号：ＴＰ３９１文献标识码：Ａ缺损目标识别是光电对抗中目标识别与跟踪的关键技术之一。扩展目标外形复杂，在视场内所占比例大，运动过程中姿态变化明显，可能出现只有局部处于视场内的情况，当目标被遮挡或被强噪声污染也会出现缺损。缺损扩展目标在视场内的形状会发生较大变化，导致整体特征的丢失，同时由于扩展目标会发生旋转、平移或尺度变化，所以在缺损情况下应考虑运用局部不变特征来进行识别。目前，对于缺损目标多采用线矩、拐点不变量或傅里叶描绘子等作为识别特征［１］，但这些局部特征对于拐点或边界的定位要求较高，否则会带来较大的误差。Ｊ．Ｗｉｎｎ［２］等运用随机场模型进行缺损目标的分割和识别，但对于发生旋转或尺度变化的目标无能为力。为此，本文提出一种基于边缘区域的局部不变矩和多人工神经网络的方法实现对缺损扩展目标的有效识别。１基于边缘区域的局部不变矩现有关于２维不变矩的研究中，多讨论的是整体图像目标矩量的提取。图像局部矩在边缘提取和纹理分析［３］等方面得到了运用，但这些矩量大都不具有旋转、尺度及平移（ＲＳＴ）不变性。关于局部不变矩提取与证明的研究比较少，Ｗ．Ｗｅｎ［４］等提出了用分段边界计算线不变矩，但其计算仍需要首先检测出目标的拐点；Ｄ．Ｓｈｅｎ［５］等提出小波矩可以作为局部特征，但要小波矩同时满足ＲＳＴ不变性还需额外处理。本文从计算效率和缺损扩展目标特性出发，提出采用图像局部边缘信息计算不变矩，并讨论其ＲＳＴ不变性。扩展目标具有丰富的边缘细节特征，而边缘最能反映目标的形状信息。采用微分算子提取目标边缘，在放松一定梯度要求条件下，给予较低的二值化阈值，则获得的边缘一般是多像素的，有一定宽度，称之为边缘区域。图１（ａ）为某一飞机局部二值化边缘区域及其像素值，图１（ｂ）为相应的目标边界及其像素值。可以看到，通常所说的边界是指单像素目标轮廓，它实际是一种离散曲线。而具有宽度的边缘在图像中占有一定的区域，它同样反映了目标的形状特性。Ｆｉｇ．１Ｄａｔａｏｆｅｄｇｅｒｅｇｉｏｎａｎｄｂｏｕｎｄａｒｙ图１边缘区域图像数据与边界图像数据收稿日期：２００７０３１２；修订日期：２００７０９１７基金项目：国家自然科学基金资助课题（６０５０２０２７）；深圳大学科研启动基金资助课题（４ＺＫＨ）作者简介：张坤华（１９７３—），女，博士，讲师，从事图像处理、模式识别、目标检测与跟踪等方面研究；ｚｈａｎｇ－ｋｈ＠ｓｚｕ．ｅｄｕ．ｃｎ。书利用局部边缘区域计算不变矩。对于二值化数字图像，（狓，狔）∈犇时，灰度函数犳（狓，狔）＝１；（狓，狔）犇时，犳（狓，狔）＝０。其中犇为边缘区域。计算边缘区域的原点矩和中心矩，以及归一化中心矩分别为犿狆狇＝（狓，狔）∈犇狓狆狔狇，狆，狇＝０，１，２，…（１）狌狆狇＝（狓，狔）∈犇（狓－珚狓）狆（狔－珔狔）狇，珚狓＝犿１０／犿００，珔狔＝犿０１／犿００（２）μ狆狇＝狌狆狇／狌１＋（狆＋狇）／２００（３）根据式（１）～（３）可以得到与Ｈｕ氏矩［６］类似的７个基于边缘区域的不变矩１～７。１＝μ０２＋μ２０２＝（μ０２－μ２０）２＋４μ２１１３＝（μ３０－...