嵌入式SAR舰船目标识别系统的设计.docVIP

嵌入式SAR舰船目标识别系统的设计 　　摘 要：本设计采用将长宽比、面积、灰度平均值作为目标切片的特征提取方法，利用BP神经网络、K-近邻分类器实现了TerraSAR数据的舰船目标分类。基于Qt开发工具在NVIDIA Jetson TX2嵌入式开发平台上实现了一套针对合成孔径遥感图像的舰船目标快速识别与分类系统，具备SAR图像动态载入、目标快速识别与分类、检测结果实时显示等功能，准确率高达80%以上。 　　关键词：合成孔径雷达；舰船识别；舰船特征提取；OpenCV 　　中图分类号：TP39；TN409 文献标识码：A 文章编?：2095-1302（2018）01-00-03 　　0 引 言 　　合成孔径雷达（Synthetic Aperture Radar， SAR）是一种可自动获取目标的微波传感器，能够全天时、全天候实现地面目标的观测。利用SAR图像进行舰船目标检测的研究与开发在海洋遥感领域得到了广泛重视，成为SAR数据海洋应用的重要内容之一，但SAR图像目标检测与识别领域还存在许多尚未解决的问题，因此开展SAR图像舰船目标检测与识别分类研究意义重大。 　　1 理论基础 　　1.1 SAR图像舰船目标特征分析 　　本文主要使用了SAR图像的灰度统计特征和几何特征来进行舰船目标的分类与识别。描述目标特征的最基本特征是几何结构，包括长宽比、面积和质量。 　　由于舰船的形状和尺寸特征与实际形状、尺寸相关，因此对不同的船舶目标具有一定的区分能力。文中只考虑包含一个舰船目标的目标区域二值图 B（m，n）。在B（m，n）中根据目标的主轴方向找到目标区域的外接矩形，该外接矩形长边的长度L即为船舶目标的长度，外接矩形的短边长度W即为船舶目标的宽度。 　　该区域的长宽比定义为舰长与舰宽之比： 　　SAR图象中目标的轮廓特征与其实际轮廓相关，包含了目标长宽等尺寸信息，因此具有较强的目标区分能力。最常用的提取轮廓特征的方法是先对目标区域进行分割提取，然后根据目标区域的内点和外部点之间的差异提取目标轮廓。 　　1.2 SAR图像舰船目标分类器介绍 　　本次研究采用SAR图像舰船目标分类器设计中经常使用的两种典型模式识别方法――K-近邻分类器和BP神经网络分类器进行分类。 　　1.2.1 K-近邻分类算法 　　K-近邻分类器也称为KNN分类器，它不仅是目标识别中常用的一种分类器，也是最简单、最好理解的机器学习算法理论。KNN可有效进行监督学习，计算新数据的特征值并训练数据特征值之间的距离，然后选择K个距离的特征值进行分类和鉴别。 　　KNN算法过程如下： 　　（1）选择一种计算距离的方法， 计算出新数据的特征值和训练数据特征值之间的距离。 　　（2）按距离递增排序，选取与当前距离最小的K个点。 　　（3）对于离散分类，将K个点中出现次数最多的类别进行预测分类并返回。 　　1.2.2 BP神经网络分类算法 　　BP神经网络是一种具有监督功能的多层神经网络学习方法，其突出特点在于信号会向前传播，误差向后传播。在不断交替传播的过程中完成对BP神经网络权值和阈值的不断调整，尽可能降低整个网络的平方和误差值，使网络输出结果与预期输出结果相近。BP神经网络由一个输入层、n个隐层和一个输出层构成，图1所示为一个三层BP网络示意图。 　　BP算法实现过程： 　　若网络共包含m层，其中，第m层中第j个节点的输出设为ymj，则y0j为第0层输出，其值等于第j个节点的输入Xj。Wmij表示从ym-1j到ymj的连接权值，m代表层号。 　　（1）随机设置每个权重值，同时确保网络不会被大的权重值影响。 　　（2）从训练数据集中取出一组数据对（Xk，Tk），并将输入向量添加至m=0的输入层（k表示向量类号）： 　　（3）信号通过网络向前传播，可以使用如下公式计算从第一层开始每一层中全部节点i的输出ymj，直至计算完输出层所有节点的输出： 　　（4）使用如下公式计算输出层每个节点的实际输出和要求目标值之差（Sigmod函数）： 　　（5）使用如下公式计算每层节点的误差值，并按层次计算反传错误，直到计算出每层中所有节点的错误值： 　　（6）利用加权修正公式（6）和关系公式（7）调整所有连接权。一般的训练速率系数η在0.01～1之间。 　　（7）返回步骤（2），对下一组输入数据重复上述过程，持续到输出误差符合规定的标准为止。 　　2 系统详细设计与实现 　　2.1 系统总体设计方案 　　本系统的硬件平台方案和工作流程图分别如图2和图3所示。 　　先对输入的经过海陆分割的图像进行预处理，提高特征提取的效果后，再进行特征提取，根据搭建的BP神经网络和KNN算法对目标进行分类，最后根据输出的结果，在原图上标记。 　　2