基于产生式规则的断面邮轮目标识别方法.docxVIP

基于产生式规则的断面邮轮目标识别方法 随着公共交通的智能化和高速运输的智能化，对水的智能也越来越重视。因此，对水上目标的检测和识别已成为一个重要的研究方向。近年来, 在海上值班系统和船舶交通管理系统 (VTS) 中, 雷达、船舶自动识别系统 (AIS) 、电子海图信息显示系统 (ECDIS) 、自动雷达标绘仪 (ARPA) 已有所应用。其中ARPA具有避碰功能, ECDIS可以在CRT屏幕上显示本船位置的电子图, 综合ECDIS也能显示由ARPA和AIS提供的信息。针对轮船的跟踪, 雷达系统是最佳的选择, 但雷达能提供的信息有限, 不能识别轮船类型, 而且在雷达盲区也失去了跟踪能力。AIS是一种新型的轮船避碰设备, 与雷达目标跟踪相比, 这在技术上是一次变革——它改进了轮船获取避碰信息的手段。2000年12月, 国际海事组织 (IMO) 海上安全委员会通过了国际海上人命安全公约 (SOLAS公约) 新Ⅴ章, 其中《船用导航系统和设备装配要求》明确规定, 从2002年起, 300 GT以上的船舶以及VTS必须配备AIS。但AIS在一些情况下不可用, 如300GT以下的船舶有可能没有配备AIS, 危险情况下 (如海盗来袭) AIS不能启用。因此, 在雷达和AIS不能使用的情况下应该考虑其他的识别方法。目前, 鉴于图像处理和人工智能的发展, 考虑使用图像处理和人工智能的方法来对轮船进行识别。由于视频采集的图像存在一些干扰因素, 影响了识别效果, 同时也没有一种很好的方法来识别轮船目标。传统的基于AdaBoost级联分类器的方法需要大量样本的学习, 且效率很低, 而基于单特征的方法在识别轮船上又存在很大的不确定性。 针对以上出现的问题, 在本文的方法中, 首先利用二次光滑小波作为小波函数, 对得到的图像进行二维小波变换, 然后根据基于模极大值的图像边缘提取方法提取出边缘轮廓, 从而将目标物体与背景分离开来。 1 小波分析的特点 图像边缘是目标图像像素密度变换梯度的最大点, 包含有目标结构的位置和形状特征。对图像边缘的提取是进行图像识别的基础。传统的图像边缘检测算子有Roberts、Prewitt、Sobel和Canny等微分算子。虽然微分算子法具有实现简单、运算速度快等特点, 但在实际情况中, 图像的边缘信息通常产生在不同的尺度范围内, 经典的微分算子法不能在多尺度下对图像进行边缘检测, 然而小波分析具有多尺度分析的能力, 它可以在不同尺度下对图像进行边缘检测。此外, 小波分析还具有算法简单、运算速度快、占用存储空间小的特点。因此, 近年来小波变换在图像边缘检测等领域得到了广泛应用。另外, 由于江面图片中含有很多的干扰源, 如光照、烟雾、水波等, 这些干扰源都可以通过不同尺度下的小波变换而被滤除。因此, 采用小波变换对江面轮船图像进行边缘检测有很好的效果。 1.1 小波母函数和高斯函数提取图像边缘的一般特征 小波变换具有低熵性、多尺度、去相关性、选基灵活性等特点, 可同时进行时域和频域的局部分析, 能够灵活地对信号局部奇异特征进行提取。 由于选取的图像可以看做是一个二维函数f(x, ,y) , 所以构造一个在尺度a下的二维小波变换, 变换式为 有很多小波函数对边缘的提取都利用了模极大值点对应图像边缘的特点, 其中高斯函数的一阶导数作为小波母函数提取图像边缘是一种最简单、最常用的方法, 并且提取效果也较为理想。选高斯函数做平滑函数, 其具体表达式为 令φ1(x, y) =?θ1(x, y) /? (x) , 令φ2(x, y) =?θ2(x, y) /? (y) 。这就是两个小波母函数, 将φa1(x, y) = (1/a2) φ1(x/a, y/a) , φa2(x, y) = (1/a2) φ2(x/a, y/a) 表示为这些函数在尺度a下的扩展, a为小波分解尺度, 通常取尺度a为2j, 那么函数f (x, y) ∈L2(R2) 在a下沿水平和垂直方向的小波变换, 为f (x, y) 分别被φa1(x, y) 和φa2(x, y) 滤波后的结果, 即 定义图像在尺度s下的模值和幅角为 其中:f(x,y) 在尺度a下的图像边界点即对应于Maf(x,y) 沿着梯度方向Aaf(x,y) 的局部最大值, 因此检测出了Maf(x,y) 的局部最大值点也就是检测出了图像的边缘。 1.2 测图像中局部区域内的边缘点 目标的边缘是图像的高频成分。对轮船目标图像进行小波变换, 减少了图像中的低频成分, 更多地保留了图像的高频成分, 增加了图像的有效信息量。具体的边缘点提取过程大致分为:计算每个边缘点的小波变换模, 然后根据局部模最大值法找边缘。边缘点的选择过程是一个沿梯度方向寻找最大值的过程, 即在图1所示区域中检测边缘点。 对于图像中的任意点