第五章+目標自動識別-4

圖像探測、跟蹤與識別技術(shù)

主講人：趙丹培宇航學(xué)院圖像處理中心

zhaodanpei@

電話：82339972

2010年11月22日第五章成像自動目標識別技術(shù)學(xué)習(xí)目的

自然場景和復(fù)雜條件下的自動目標識別是光電子、智能控制、地球與空間科學(xué)、人工智能、模式識別、計算機視覺、腦科學(xué)等多學(xué)科十分關(guān)注的交叉學(xué)科前沿，通過對識別算法的學(xué)習(xí)，了解一個ATR系統(tǒng)的基本工作原理和識別過程，從而能夠設(shè)計并實現(xiàn)一個簡單的成像目標自動識別系統(tǒng)。學(xué)習(xí)的重點自動目標識別的基本過程；特征提取與分類器的設(shè)計；幾種典型的目標識別算法。本章的主要內(nèi)容5.1自動目標識別技術(shù)概述5.2成像目標識別的基本過程5.3目標的建模與表達5.4目標分類與識別的基本原理5.5幾種典型的目標識別算法5.1自動目標識別技術(shù)概述目標識別算法源于統(tǒng)計模式識別，統(tǒng)計決策和估計理論是這類算法的基礎(chǔ)。目標特征和參考目標模式特征的獲取過程會引入噪聲和不確定因素，因此需要將統(tǒng)計方法和決策理論應(yīng)用到目標識別算法中即統(tǒng)計分類器。識別問題的內(nèi)涵成像自動目標識別本質(zhì)是一個逆問題求解，即從客觀場景的表象-圖像或圖像序列逆向推導(dǎo)客觀場景的某些本質(zhì)信息的反演問題。它可以分為四個層次：①檢測-僅僅給出潛在的待識別目標，但還沒有確認，還存在虛警的可能；②識別-確認了目標所屬類型；③定量信息的提取-目標的位置、運動特性、目標的結(jié)構(gòu)等；④理解-目標行為及場景語義的解釋等。1、ATR：AutomaticTargetRecognition什么是目標自動識別技術(shù)？自然場景和復(fù)雜背景條件下的自動目標識別（ATR）是研究利用各種傳感器（聲、光、電、磁等），特別是成像傳感器，如可見光、紅外線、合成孔徑雷達、逆合成孔徑雷達、激光雷達、多譜或超普傳感器等，從客觀世界中獲取目標/背景信號，并使用光/電子及計算機信息處理手段自動地分析場景，自動地檢測、識別感興趣的目標及獲取目標各種定性、定量性質(zhì)的科學(xué)技術(shù)領(lǐng)域。2、自動目標識別系統(tǒng)的功能與應(yīng)用自動目標識別系統(tǒng)（ATR）是一種非常復(fù)雜的新型系統(tǒng)，融合了多種技術(shù)和子系統(tǒng)，具有部分或全部實現(xiàn)戰(zhàn)場上對目標進行搜索、檢測、識別、確認、精確定位和使敵軍武器部件失效等過程的自動化潛能。在此類系統(tǒng)的發(fā)展中，有許多名稱廣泛地用于描述其預(yù)期功能和單元，例如：自動目標選擇、自動目標確認、自動目標相關(guān)器、自動目標尋的器等。國防部ATR技術(shù)工作組定義ATR的功能：為了實時或近實時地啟動行動，或為外部系統(tǒng)操作員提供行動的選擇方案等目的，由一個或多個傳感器收集目標的圖像數(shù)據(jù)，然后應(yīng)用信號處理算法和軟件、圖像或信號處理硬件對目標圖像進行分類、識別、確認、解釋和顯示。3、自動目標識別的性能度量目標識別水平的層次系統(tǒng)：目標檢測、目標分類、目標識別、目標確認和目標描述。目標檢測是從傳感器數(shù)據(jù)中發(fā)現(xiàn)潛在目標的過程。目標分類是區(qū)分目標類別的過程。例如：區(qū)分戰(zhàn)艦和商船，履式車和輪式車、飛機和坦克等；目標識別是在更高水平上區(qū)分同屬某一類的不同物體。例如：對同屬車輛目標的卡車、坦克和裝甲車的區(qū)分能力，對同屬艦船目標的航空母艦和驅(qū)逐艦的區(qū)分能力，對同是飛機目標的戰(zhàn)斗機和轟炸機的區(qū)分能力；確認和描述屬于ATR目標辨別性能的較高層次。確認就是在整個目標類中將特定目標模型從其它相似類型中區(qū)分出來的過程。例如：區(qū)分幾種戰(zhàn)斗機F17、F22、殲8、殲10等。目標特性描述就是對某特定目標已描述的物理特性進行明確區(qū)分的過程。目標識別中學(xué)習(xí)方法的分類：有監(jiān)督學(xué)習(xí)方法：假設(shè)有一個可用的訓(xùn)練數(shù)據(jù)集，并通過挖掘先驗已知信息來設(shè)計分類器，成為有監(jiān)督學(xué)習(xí)方法。無監(jiān)督學(xué)習(xí)方法：沒有已知類別標簽的訓(xùn)練數(shù)據(jù)可用，給定一組特征向量來揭示潛在的相似性，并將相似的特征向量進行聚類，稱為無監(jiān)督學(xué)習(xí)方法。半監(jiān)督學(xué)習(xí)方法：利用少量帶有已知類別標簽的數(shù)據(jù)和大量無標簽的數(shù)據(jù)，找到規(guī)律，完成聚類任務(wù)。將標記過的數(shù)據(jù)作為約束條件，為聚類算法提供所需的先驗知識。聚類任務(wù)就是在同一聚集里強制分配某些點或排除被分配在同一聚集里的某些點。5.3目標的建模與表達典型目標類型取決于成像條件約束和目標內(nèi)在性質(zhì)，依據(jù)目標圖像形態(tài)把目標分為以下四種類型：點源和斑狀目標超遠距離成像條件下，目標圖像為亞像素或少像素，無形狀信息，稱之為點源或斑狀目標，例如恒星、衛(wèi)星、流星等；線狀和條帶狀目標遠距離成像條件下目標圖像為延展性的互相連接的直線段、曲線或條帶，其寬度為單個像素或少像素，與其長度不成比例?？梢韵胂鬄辄c源或斑狀目標按某種運動規(guī)律在二維或三維空間勾畫出的軌跡。例如：橋梁、道路、運動的點源或斑點目標的投影軌跡等。面狀目標二維平面目標，或其第三維與其它二維相比不成比例的三維目標，在一定條件下，可將其近似為二維目標，例如機場跑道、機場、高空俯瞰地面的目標。三維立體目標在較近距離成像且可能從多個不同視點觀測，立體目標的三維信息均能平衡充分地反映在其二維圖像或圖像序列中。這些目標從不同的視點觀察一般呈現(xiàn)不同的視圖，由于這些視圖是三維物體在不同視點平面上的投影，表現(xiàn)差異極大，從而能綜合反應(yīng)物體的三維特性。例如，天空中的飛機、海面的艦船、建筑物。目標表示方案ATR算法中最常用的目標表示方案包括統(tǒng)計表示、句法表示、關(guān)系表示、投影幾何表示、基于傳感器物理模型的表示。統(tǒng)計模型使用了許多特征來表示目標，這些特征包括抽象圖像特征（如強度矩或邊緣成分）和幾何結(jié)構(gòu)特征（如長寬比、形態(tài)矩）。句法模型則通過句法來表示目標，目標的各個部分被表示成屬性樹，屬性樹就描述了目標的特征。例如坦克有炮塔、履帶、炮管和引擎。關(guān)系模型考慮目標中各個部分及其相互關(guān)系確定的規(guī)則，如各部分之間的方位、大致距離等。投影幾何模型包括三維線框模型或小面化模型表示中目標各部分之間的明確關(guān)系。傳感器物理模型利用了有關(guān)目標環(huán)境和傳感域中現(xiàn)象的信息，以獲得目標各部分期望觀察的概率表示。5.4目標分類與識別的基本原理目標分類與識別的內(nèi)涵目標分類與識別面臨的困難和挑戰(zhàn)視點變化光照改變遮擋存在尺度改變姿態(tài)變形背景混疊類內(nèi)變化明顯目標分類與識別設(shè)計的關(guān)鍵問題

5.4.3分類與識別涉及的關(guān)鍵問題根據(jù)研究對象的特征或?qū)傩?，運用一定的分析算法認定它的類別，使分類盡可能符合事實。目標的分類涉及到以下問題：特征提取特征選擇分類器設(shè)計一個分類系統(tǒng)的設(shè)計過程：什么是特征？在目標識別中，特征提取是使用有效的數(shù)學(xué)工具減少目標模式表達的維數(shù)，這種低維表達，必須具有區(qū)別不同目標模式類別的特質(zhì)，稱之為特征。模式的維數(shù)并非越大越好，存在一個最優(yōu)維數(shù)使錯誤識別率最小，通過提取特征減少模式維數(shù)可達到提高正確識別率的目的。特征提取的目的：識別分類器的復(fù)雜性和硬件實現(xiàn)的復(fù)雜性隨著模式空間的維數(shù)快速增長，因此特征提取能夠降低信息傳輸通道的容量。1、特征提取可體現(xiàn)類別特點的特征特征對物體形變的穩(wěn)定性特征對光照變化的穩(wěn)定性特征抗噪聲的能力特征的復(fù)雜程度特征是否易于描述特征提取需要考慮的問題：特征提?。簩ρ芯繉ο蠊逃械?、本質(zhì)的重要特征或者屬性進行檢測提取。特征描述：將提取的特征進行量化，形成可度量的特征矢量、符號串、關(guān)系圖，得到訓(xùn)練/待識別的樣本。有效的特征與特征描述舉例：統(tǒng)計特征（統(tǒng)計直方圖、方差、均值、熵

）幾何特征（包括面積、周長、位置、方向、距離）邊界特征（鏈碼、傅立葉描述子）形狀描述（區(qū)域描述、圖像矩

）灰度與顏色描述（梯度特征、灰度直方圖特征、梯度方向直方圖、特征直方圖、顏色直方圖和顏色直方圖距離、顏色不變量特征

）角點特征（Harris、Susan、Fast、Brisk）變換特征（傅里葉、小波）紋理特征（灰度共生矩陣、LBP特征，結(jié)構(gòu)相似性特征，Gabor特征）局部不變特征描述子（SIFT、SURF、GLOH、WLD、D-nets）…⑵、邊界特征邊界特征適用于識別外形輪廓有明顯差別的兩類物體。邊界特征提取方法：邊界提取方法：Sobel,Canny,LoG…..分割方法：Graph-Cuts….邊界特征描述曲線擬合、Hough變換、Freeman鏈碼邊界特征的特點優(yōu)點：抗光照變化、顏色變化運算速度快適用于邊界特征明顯的物體識別缺點:易受背景影響很難適應(yīng)物體形變特征描述較復(fù)雜(3)、區(qū)域特征區(qū)域分割區(qū)域描述顏色直方圖梯度直方圖歐拉數(shù)面積等基于目標灰度分布的區(qū)域矩利用目標區(qū)域的灰度分布構(gòu)造各階矩來描述目標的灰度分布特性各階矩構(gòu)造的一些函數(shù)式具有平移、旋轉(zhuǎn)、尺度和縮放不變性，由此可以得到反映目標內(nèi)在屬性的一些仿射不變特征。由于充分利用了目標區(qū)域內(nèi)部的大量信息，所以更全面反映目標本源特征。基于目標灰度分布的區(qū)域矩對于定義在o-xy平面上的二維函數(shù)f(x,y)，它的p+q階混合原點矩定義為而其p+q階混合中心矩定義為是圖像的灰度質(zhì)心區(qū)域幾何特性(1)區(qū)域面積(2)區(qū)域周長(3)形狀簡單度(4)扁度(5)凹度(4)、變換特征通過輸入樣本的線性變換來實現(xiàn)特征生成。變換的最基本概念是把給定的測量集變換為新的特征集。如果變換方法選擇合適，那么變換的特征與原始輸入樣本相比具有很高的信息壓縮性能。如Fourier變換，由于像素間的相關(guān)性，大部分能量位于低頻部分，把低頻能量的Fourier系數(shù)作為特征是合理的選擇。變換特征離散Fourier變換特征離散余弦變換特征Gabor特征小波變換特征(5)、紋理特征分析一個實際場景的圖像中，各類型區(qū)域通常有自己的灰度分布特征，許多圖像在較大的區(qū)域內(nèi)灰度分布在宏觀上呈現(xiàn)周期性或結(jié)構(gòu)性，如磚墻、布匹、編織物、草地、森林、海洋以及一堆硬幣等。這種灰度分布宏觀上非嚴格意義下的規(guī)律成為圖像紋理?；叶裙铂F(xiàn)矩陣法對于方向性紋理的區(qū)域，取不同方向，灰度共現(xiàn)矩陣不同；對于紋理粗細不同，取不同的距離，灰度共現(xiàn)矩陣就不同。等灰度行程長度法等灰度行程長度定義為在某個方向上、相鄰的具有相同灰度或某個灰度范圍的像素個數(shù)。顯然粗細紋理區(qū)域中長行程情況出現(xiàn)較多，細紋理區(qū)域中短行程出現(xiàn)較多，由此可以用一個矩陣表示在某個給定方向上各種行程出現(xiàn)的情況。統(tǒng)計模型法提取紋理特征統(tǒng)計模型基本思想是用一個統(tǒng)計數(shù)學(xué)模型描述一致性紋理區(qū)域。用于描述的模型主要有三種：單層馬爾科夫隨機場，雙層高斯馬爾可夫隨機場，金字塔隨機場序列。典型的紋理分析方法：2、特征選擇與提取特征選擇的基本任務(wù)是研究如何從眾多特征中求出那些對識別最有效的特征，從而實現(xiàn)特征空間維數(shù)的壓縮。從模式樣本的量測值中提取與選擇最能反映類別屬性的特征,主要方法包括：最小誤判概率準則、Fisher準則、判決邊界、離散K-L變換等。根據(jù)應(yīng)用需求選擇合適的特征，不同應(yīng)用對特征的需求不同。為了設(shè)計出效果好的分類器，通常需要對原始的測量值集合進行分析，經(jīng)過選擇或變換處理，組成有效的識別特征；在保證一定分類精度的前提下，減少特征維數(shù)，即進行“降維”處理，使分類器實現(xiàn)快速、準確和高效的分類。為達到上述目的，關(guān)鍵是所提供的識別特征應(yīng)具有很好的“可分性”，使分類器容易判別。為此，需對特征進行選擇。我們要選擇那些在特征向量空間中類間距離大而類內(nèi)方差小的特征。也就是說不同類別間的特征值距離較遠，而同一類內(nèi)的特征值緊密聚集。最后將采用不同的處理方法應(yīng)去掉模棱兩可、不易判別的特征；所提供的特征不要重復(fù)，即去掉那些相關(guān)性強且沒有增加更多分類信息的特征。將特征綜合考慮，對特征向量作線性或非線性變換，使其具有更好的辨別能力選擇最優(yōu)特征需要具備三個條件：樣本數(shù)量能覆蓋樣本集的分類特征有一種比較好的分類判據(jù)一個切實可行的算法特征抽?。壕€性特征抽?。褐鞒煞址治鯬CA、ICA、LPP、Fisher線性鑒別分析FLDA等非線性特征抽取：核方法、流形學(xué)習(xí)流形學(xué)習(xí)：ISOMAP、LLE、LaplacianEigenmap、圖嵌入方法。核方法：是指一系列先進非線性數(shù)據(jù)處理技術(shù)的總