支持向量机的舰船目标识别方法.docxVIP

支持向量机的舰船目标识别方法 一、 船船目标识别 船舶目标识别是识别算法的一个分支。与其他目标识别一样，船船目标识别还包括两部分：资源提取和分类器设计。在对海域进行监控时,及时、准确的识别出进入监视区域的船舰类别是非常重要的,这对于保障海域安全也是十分必要的。本文选用Hu提出的基于区域形状识别的不变矩方法作为特征提取方法来提取图像的形状特征;选用了Vapink等人提出的一种新型的分类器――支持向量机(SVM)作为分类器将不变矩特征提取方法与支持向量机方法相结合应用于船舰目标识别。 文章的具体安排如下:第二部分介绍支持向量机的基本原理,第三部分介绍不变矩理论,实验和总结在四、五部分。 二、 分类最优分类面 支持向量机(Support Vector Machine,SVM)方法是Vapnik等人根据统计学习理论提出的以结构风险最小化准则和VC维理论基础,以寻找最优分类面为目标的一种新的机器学习方法。最优分类面就是在把两类正确的分开的同时保证分类间隔最大,前者保证经验风险最小,后者保证VC维最小,从而达到使真实风险最小。 假定给出一个样本集(xi,yi),i=1,…,n,x∈Rd,y∈{+1,-1}满足 其中wtxi+b=0是分类面方程,此时分类间隔为2/‖w‖2,最后的目标是求一个分类最优分类面,这个分类面不但能将样本正确分类,而且要保证分类间隔最大,即‖w‖2最小。同时,为了计算简单,相应的引入了Lagrange函数及其对偶问题,经过计算,得到支持向量机的最终判别函数: 其中,αi为拉格朗日乘子,不为零的αi所对应的样本就是支持向量。对于线性不可分的情况,通过和函数的引入将高维空间的内积运算转化为低维空间的函数运算,避免了维数灾难,得到相应的决策函数为: 总之,SVM是以结构风险最小化和VC维理论为理论基础,以寻找最优分类平面为目标,以二次规划为手段求解出支持向量,近而得到最终的判别函数。 三、 单个条件下的不变矩 模式识别技术广泛应用于跟踪、制导和监控等各个领域。在目标识别算法中,特征提取是非常关键的步骤。所谓特征提取,就是将处于高维空间的图像样本,通过映射(或变换)的方法将图像用低维空间表示出来的过程。船舰目标识别中,目标特征既要保证目标在缩放、旋转、平移等情况下的特征不变性,又要求不同目标的特征具有良好的可区分性,这正符合不变矩的性质。下面将给出不变矩的计算公式。 连续图像f(x,y)经图像采样可用一个M×N的矩阵B(M,N)表示,将概率密度函数换成二维二值图像的图形,一个二值图B(M,N)区域的(p+q)阶矩定义成: 同理,得到B(M,N)的中心矩为: 对于数字图像处理可以用求和代替积分运算,得到相应的计算表达式为: 利用得到的二、三阶中心矩计算得到相应的七个不变矩组Φi(i=1,2,3…7),同时, 为了方便处理,文章将Φi(i=1,2,3…7)取对数,再取绝对值: 图像的这七个规范化的不变矩特征对于图像的平移、旋转与尺寸变化都保持不变。 一些文章在这七个不变矩的基础上对其进行了改进,提出了Zernikej矩,小波矩等特征提取方法。 四、 svm算法在多类分类中的应用 船舰目标识别主要用于军事以及海域监控上,是海域安防系统不可缺少的部分。和其他模式识别一样,船舰目标识别主要包括两个部分:图像预处理部分和分类器设计部分。在图像处理阶段,首先把摄像机抓拍到的图片调整合适的大小,然后将图片进行灰度化,最后利用文章给出的不变矩计算公示计算出图像的七个不变矩特征。图像的这七个不变矩特征将作为SVM的输入对分类器进行训练和测试。分类器设计部分,文章选用SVM作为分类器。SVM是为两类分类设计的,而船舰目标识别多是多类分类,为了适应实际应用的需求要把SVM应用于多类分类,本文选用一对一方法进行多类分类,同时选用RBF核作为核函数。下面章节的仿真实验证明,文章选用的方法及参数在分类效率和准确率上都有明显的优势。 算法的实现步骤如下: 1)首先将得到的图片进行预处理:主要包括大小调整和灰度化处理。首先将图像调整到统一大小;然后对图像进行灰度化,读入的图像是24位的RGB图像,我们通过公式: 将其转化为8位的灰度图像,同时得到的图像的矩阵表示; 2)根据公式和图像的矩阵表示,计算出灰度化以后图像的七个不变矩特征Φi(i=1,2,3…7),并对得到的不变矩组做规范化调整: 3)将规范化以后的不变矩特征作为支持向量机的输入对支持向量机进行训练,并利用交叉验证的方法选择最优的参数; 4)用训练好的支持向量机对需要进行测试的图像进行分类,根据支持向量机决策函数的值确定属的类别; 5)根据支持向量机的输出结果,对不同类别的船舰目标进行不同的操作,如报警,跟踪等; 五、 特征提取和正则化分类 文章选取四类船舰目标作为样本进行实验。实验1:分别计算了