基于机载光子雷达的远距离舰船类型识别 下载: 503次
0 引言
近年来,随着社会的发展,海上的活动日益增多,海洋安全关系着国家的安全与稳定。加强对海上舰船的实时识别对于海上救援、船只管理等领域具有重要意义[1, 2],目前多个国家和单位正在研究不同的方法去实现舰船的分类识别。
使用舰船图像作为研究对象具有获取简单、来源广、样本量大的特点,同时神经网络算法在大样本训练时具有其他算法无法比拟的高精度优势,因此很多研究人员对传统神经网络算法进行改进[3-5],通过舰船图像提取特征实现多种舰船的类型识别。此外部分研究人员使用支持向量机[6]、相似度匹配[7]、粒子群算法[8]等传统分类算法对舰船图像进行识别,通过二维特征提取、相似度计算也实现了舰船分类。
依靠图像识别舰船在实际应用中存在受不良天气影响较大的缺点,而雷达具有全天候工作的能力,因此部分科学家研究如何通过雷达回波信号实现舰船识别。科学家提取雷达回波信号[9, 10]中的一维特征和二维特征、路线变化、速度变化对目标进行分类识别,完成模糊逻辑分类。此外从舰船的高分辨距离像[11, 12]可以提取时域特征和频域特征,这些特征与传统分类器的契合度较好,获得了较好的识别结果。从雷达回波信号中提取的特征大部分都是一维特征、二维特征,对目标描述性不强,或者需要长时间监测目标动态,实时性较差。为解决这个问题,人们使用三维激光雷达[13, 14]建立目标模型,提取目标的三维特征,有效的提高了分类精度。船舶自动识别系统(Automatic Identification System,AIS)包含船只静态数据和动态数据,NATALIA D[15]等提取AIS数据中载重吨位(Deadweight Tonnage,DWT)、宽度、长度作为分类特征,实现目标分类。目前无人机载测绘雷达最大的探测距离在1500 m左右,基于激光雷达回波的舰船分类方法受限于雷达工作距离的限制,无法对2 km以外远距离的舰船进行识别,并且提取的特征是在点云较为密集的基础上,不适合远距离稀疏点云的特征提取与识别。
光子雷达[16, 17]是近年来迅猛发展的新型探测手段,通过盖革模式下的雪崩光电二极管和时间相关单光子计数技术可以接收远距离目标反射的微弱回波信号,从中提取目标的三维特征,在目标识别领域具有独特的优势。综上可知,依靠舰船图像、雷达回波信号和激光雷达进行舰船分类均存在不同的问题。本文研究机载光子雷达在海上远距离舰船识别中的应用,通过平面拟合、点云聚类将探测区域中的舰船目标提取出来,研究不同类型船只在不同方位的三维特征,在稀疏点云条件下选取具有代表性的三维特征用于类型识别,提高远距离舰船识别的精度,推进光子雷达在实际中的应用。
1 数据预处理
1.1 点云去噪
相比于常规激光雷达,光子雷达具有极高的灵敏度,因此在光子雷达工作时会探测到极多的噪声,如
在光子探测数据中,信号点云与噪声点云在密度上有着2~3个数量级的差距,通过设定密度阈值以及离散点云提取算法[19]可以将极大部分的噪声去除,
式中,算子
式中,
通过这一步处理,光子雷达海面探测数据中的背景噪声几乎全部去除,仅剩的极少量噪声点云对接下来的舰船提取与型号识别可以忽略不计。
1.2 去除海面点云
经过1.1步骤后,场景中仅剩下海面点云和舰船点云,如
海面点云在空间分布上近似一个平面,在正常的天气情况下,海浪的起伏在1.25~2.5 m之间,可以得到海面点云分布在一个高度为5 m的包围盒范围内,因此设距离阈值为5 m,利用经典的平面拟合算法对海面进行拟合,将拟合的平面点云除去,剩余的就是船只点云,如
平面拟合的部分公式为
2 点云聚类
经过预处理之后,背景噪声点云、海面点云基本全部去除,场景中只剩下一艘或者多艘舰船点云,但是对于机器视觉来说,场景中的点云是一个整体,在提取特征之前需要聚类,将同一艘舰船点云归为一类,然后逐步提取特征。
2.1 密度聚类算法
基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)是一种经典的聚类算法,该算法以点云密度为依据进行区域增长,直至没有符合条件的点云为止,是一种简洁有效的算法。
DBSCAN算法的缺点是参数依靠人工选取,在应用于不同的数据集时会出现过度分割或者欠分割的结果。为了弥补DBSCAN算法的缺点,本文首先对点云数据建立空间拓扑关系,然后以任一点为圆心,计算在半径
式中,
为减少变量误差,设
2.2 聚类结果
为测试改进后的自适应DBSCAN算法的聚类效果,本文将采用2个分别包含军舰点云模型和民船点云模型的场景。在预先去除海平面后进行聚类。三维场景图如
将2个场景模型点云代入改进后的聚类算法,聚类结果如
3 舰船型号识别
3.1 特征分析
经过聚类后,不同类型的船只点云已经归为一个点云集合,因此聚类后的结果可以直接用于特征提取。在远距离探测的条件下,获得的目标点云较为稀疏,长度小于100 m的舰船模型点云数量极少,且容易淹没在噪声中,因此本文研究舰船长度在100 m之内。
在图像识别中,很多算法都采用舰船面积作为识别依据之一,由此可以看出目标的维度特征是一个有效的分类特征。在图像识别中,目标的体量大小表征为目标区域像素总数,计算公式为
式中,
不同于二维图像,在空中拍到三维点云模型的长宽高特征几乎不会随着拍摄角度的变化而变化,在本文实验数据中,不同方位角探测下舰船的长宽高平均变化率在10%以下,因此三维模型的长宽高特征具有很强的稳定性。因此,本文选择长(
文献[7]提到影响舰船相似度主要是舰船的上半部分,但该文献仅仅通过计算舰船上半部分轮廓线的相似度进行识别,没有挖掘其他的三维特征。在机载光子雷达探测条件下,无论舰船处于什么姿态,甲板以及甲板以上的建筑几乎可以被完全探测到,因此要想达到舰船类型精确识别的目标,必须挖掘甲板以上建筑物的空间分布特征,本文将该类特征称为几何特征,并用同心圆划分的方法提取上层建筑物的几何特征。
同心圆[20]划分法如
在提取几何特征之前,需要将上层建筑物点云从整个舰船模型中提取出来,步骤为:1)根据之前拟合的平面,将探测的场景进行坐标偏转,使得场景平面与地球水平面重合;2)将z区间划分为多个子块,统计每个子块的点云数量;3)统计占比最高的区间子块高度就是甲板高度,将z高度大于甲板高度的点云提取出来,得到数据集F。
接下来就是计算几何特征
1)分别计算数据集F中所有点在x轴、y轴、z轴的均值,得到中心点。
2)遍历每个点,计算各点到中心点的距离。
3)将各点按照距离远近分为不同环,然后计算各环中点数量的占比,得到几何特征。
为了得到最佳的圆环划分数量,本文选取巡洋舰、航空母舰、护卫舰、货船、集装箱船、邮轮6个目标为实验对象,使用随机森林分类器研究稀疏点云条件下的圆空间划分法的最佳圆环数。
本文将划分的圆环数分别设为3到10,实验每一种划分方法的正确识别率,实验结果如
表 1. 圆空间划分法实验结果
Table 1. Circular space division method experiment
|
从
在上文提到在机载光子雷达照射的情况下,除了上层建筑物之外,甲板也是可以完全探测到。甲板的大小特征与上文特征有所重复,因此本文提取甲板形状特征中的夹角特征,即船头夹角。
不同类型的船只的船头角度往往不同,相比于民船,军舰的船头角度更小。在雷达探测中,在人工不参与的情况下,雷达无法分辨出船头和船尾,因此本文沿着舰船的长度提取出目标最前端和最后端的点云(首先默认距离雷达较近的一端为船头),计算出相应的角度,其中较小的角度作为船头角度。步骤为
1)提取船头(船尾)点云;
2)平行于舰船长轴方向将船头(船尾)点云划分为多个区间,并取每个区间y值最小(距离雷达更近)的点。
3)将抽取的点以中值为界分为2组,投影到x-y面,然后应用最小二乘法拟合直线,选取直线上的向量
法向量直方图可以显示目标表面法向量的分布,在近距离雷达识别中可以较好地显示目标表面的三维特征。在远距离光子雷达探测中,通过分析、优化,法向量直方图仍是一个比较好的分类依据,法向量直方图的计算公式为
式中,
通常的法向量直方图是对探测到的目标整体进行统计获得的,但在稀疏点云条件下,舰船的很多细节特征被模糊化,通过常规的法向量直方图很难对目标进行区分。和上文研究过程类似,本文选取巡洋舰、航空母舰、护卫舰、货船、集装箱船、邮轮6个目标为实验对象,使用随机森林分类器研究稀疏点云条件下常规法向量直方图的分类能力。
由于绝大多数舰船目标关于本身长轴对称,因此本文选取长轴方向的向量作为起始线,计算每一个点的法向量与起始线的夹角,夹角分布在0°~80°之间。为了选取最优维度的直方图特征,本文分别以20°、30°、45°、60°为间隔,计算不同间隔情况下的正确识别率。
表 2. 常规法向量直方图的分类结果
Table 2. Classification results of routine method vector histogram
|
从
在不同方位角的探测模型中,相比于侧面甲板,目标的上层建筑遮挡变化最大,为了增强法向量直方图的识别能力,本文对舰船上半部分进行直方图统计,采取不同间隔下的法向量直方图进行分类训练,5次训练结果如
表 3. 优化后法向量直方图的分类结果
Table 3. Classification results of optimized post-method vector histogram
|
相比于
3.2 分类算法
由于目前还没有公开的机载光子雷达对舰船的点云数据集,本文仿真的舰船模型达不到神经网络算法训练量的要求,因此本文选择随机森林算法对抽取的特征进行训练分类,验证分类结果。
随机森林算法[21]可以看作是简化的神经网络算法,它是由多颗决策树组成,每一棵决策树都是一个弱分类器,都会对输入的数据输出一个结果,随机森林会对所有输出的结果进行分析,选择可能性最高的结果作为输出,算法步骤为:
1) 从样本集中有放回随机采样n个样本;
2) 从所有特征随机选择k个特征,利用这些特征建立决策树;
3) 上述步骤重复m次,形成由m棵决策树组成的随机森林;
4) 对于新数据,经过每棵树决策,最后投票确认分到哪一类。
4 实验结果
4.1 舰船数据
鉴于目前没有公开的机载光子雷达对舰船的探测点云数据集,以及部分舰船属于国家机密,因此本文利用公开的舰船模型生成舰船点云数据,舰船点云数据部分说明如下。
1)舰船类别:本文采用巡洋舰、航空母舰、护卫舰、驱逐舰、中型航母、医疗船、登陆舰、起重船、货船、集装箱船、科考船、邮轮、渔船共13种舰船建立模型,上述舰船是包含人们常见的舰船类型,样本具有代表性。
2)点云密度:本文模拟机载光子雷达在5 km之外对舰船模型进行扫描,光子雷达的水平分辨率和垂直分辨率均为0.5 mrad,因此舰船模型的相邻点云间距均值
表 4. 不同类型舰船模型的部分数据
Table 4. Partial data of different types of ship models
|
从
需要注意的是,在海面航行时,船体会有吃水深度以及甲板以上建筑物的遮挡等,因此实际样本中的维度特征比
3)舰船样本:本文共建立13个型号舰船的模型,在实际探测中,不同的方位只会获得舰船模型的一部分,因此需要对模型沿不同的角度进行分割,分割后的舰船模型才是真正的样本。
在舰船5 km以外的空中选定一个点作为雷达所在位置,根据光子雷达的水平分辨率和垂直分辨率画出相应密度的线段,计算线与模型的交点作为探测到的舰船场景,如果有多个交点,选择聚类雷达最近的交点,通过改变雷达位置获得不同方位的舰船样本。
针对每一个舰船模型,本文分别在舰船正前、右前、正右、右后、正后、正左、左后这7个方位进行光子雷达照射仿真,获得7个样本,因此本文一共有13种模型,91个样本。
4.2 分类结果
本文中随机森林算法中的决策树数量设为40,其中正前、右前、正右、右后、正后这5个方位的样本作为训练集,正左、左后方位的样本作为测试集。每一个样本提取的特征组成一组12维的数组,其中维度特征是3维数据,法向量直方图是4维数据,几何特征是4维数据,船头夹角是1维数据。对每个样本增加一维标签后,样本与13维特征数组建立一对一的关系,特征数组输入随机森林进行训练或者测试。
本文一共有13个输出结果,
表 5. 随机森林算法7次分类结果
Table 5. Random forest algorithm 7 classification results
|
从
从
表 6. 第二次分类结果
Table 6. Second classification result
|
5 结论
针对目前舰船识别算法训练复杂、工作距离近、识别率较低、实时性较差的问题,本文以推进光子雷达的实际应用的目的出发,研究了机载光子雷达在远距离条件下对海面上舰船识别的问题。通过点云去噪、平面拟合、点云聚类等步骤提取舰船点云,研究了稀疏点云条件下的三维特征抽取,完成了经典分类算法的舰船识别,通过比较前人的工作,成功实现了远距离条件下的舰船类型精确识别,对光子雷达的实际应用具有指导意义。
[1] 王文龙, 韩保君, 张红萍. 一种海空背景下红外小目标检测新算法[J]. 光子学报, 2009, 38(3): 725-728.
[2] 史文旭, 江金洪, 鲍胜利. 基于特征融合的遥感图像舰船目标检测方法[J]. 光子学报, 2020, 49(7): 0710004.
[3] 吴建宝, 肖诗斌, 王焕鹏. 改进的神经网络算法在舰船目标识别上的应用[J]. 北京信息科技大学学报(自然科学版), 2019, 34(3): 94-98.
WU Jianbao, XIAO Shibin, WANG Huanpeng. Improved neural network algorithm and its application to ship target recognition[J]. Journal of Beijing Information Science & Technology University, 2019, 34(3): 94-98.
[4] 杨阳. 基于深度学习的遥感图像舰船目标检测与分类识别 [D]. 武汉: 华中科技大学, 2019. DOI: 10.30919/esmm5f615
YANGYang. A thesis submitted in partial fulfillment of the requirements for the degree for the master of engineering[D].Wuhan: Huazhong University of Science and Technology, 2019.
[6] 王汝珣. 基于形状外观的无人船目标识别方法研究 [D].哈尔滨: 哈尔滨工程大学, 2018. DOI: 10.17706/jsw.16.6.306-314
WANGRuxun. Research on target recognition method based onshape appearance for unmanned ship[D]. Harbin: Harbin Engineering University, 2018.
[7] 乔建军, 何凛, 沙江, 等. 舰船轮廓关键部位识别方法[J]. 测绘科学, 2021, 46(6): 136-139.
QIAO Jianjun, HE Bin, SHA Jiang, et al. Identification of key contour parts of a ship[J]. Science of Surveying and Mapping, 2021, 46(6): 136-139.
[8] 喻会. 基于红外图像的海上船舶特征识别算法研究[J]. 舰船科学技术, 2020, 42(4): 40-42.
YU Hui. Research on feature recognition algorithm of marine ship based on infrared image[J]. Ship Science and Technology, 2020, 42(4): 40-42.
[9] 赵晓平. 低分辨雷达目标识别研究 [D]. 大连: 大连理工大学, 2010.
ZHAOXiaoping.The study on target identification for low resolution radar[D]. Dalian: Dalian University of Technology, 2010.
[11] 刘巧圆, 郭宝峰, 王刚, 等. 针对舰船目标高分辨距离像的特征选择方法[J]. 火力与指挥控制, 2017, 42(8): 82-86.
LIU Qiaoyuan, GUO Baofeng, WANG Gang, et al. Feature selection of high resolution range profile agaist ship target[J]. Fire Control & Command Control, 2017, 42(8): 82-86.
[12] 但波, 高山, 戢治洪. 基于多特征多分类器的海面舰船目标识别技术[J]. 舰船电子工程, 2020, 40(8): 49-53.
DAN Bo, GAO Shan, JI Zhihong. Sea surface ship target recognition technology based on multiple features and multiple classifiers[J]. Ship Electronic Engineering, 2020, 40(8): 49-53.
[13] 邵磊, 董广军, 姚强强, 等. 面向对象的船载激光扫描数据船舶目标检测方法[J]. 测绘科学技术学报, 2017, 34(5): 481-485.
SHAO Lei, DONG Guangjun, YAO Qiangqiang, et al. Object-oriented extraction of ship targets from boat-based laser scanning data[J]. Journal of Geomatics Science and Technology, 2017, 34(5): 481-485.
[14] 王曙光, 田西兰. 一种窄带雷达舰船目标分类的决策方法[J]. 雷达科学与技术, 2016, 14(2): 159-162.
WANG Shuguang, TIAN Xilan. A decision-making algorithm of ship target classification for narrow band radar[J]. Radar Science and Technology, 2016, 14(2): 159-162.
[16] 杨程, 鄢秋荣, 祝志太, 等. 基于深度学习的压缩光子计数激光雷达[J]. 红外与激光工程, 2020, 49(S2): 64-71.
YANG Cheng, YAN Qiurong, ZHU Zhitai, et al. Compressed photon-counting laser radar based on deep learning[J]. Infrared and Laser Engineering, 2020, 49(S2): 64-71.
[19] 李铭, 郭颖, 杨贵, 等. 一种推扫式光子计数激光雷达点云滤波算法及其验证[J]. 科学技术与工程, 2017, 17(9): 53-58.
LI Ming, GUO Ying, YANG Gui, et al. A noise filter method for the push-broom photon counting lidar and airborne cloud data verification[J]. Science Technology and Engineering, 2017, 17(9): 53-58.
[21] 范士俊, 张爱武, 胡少兴, 等. 基于随机森林的机载激光全波形点云数据分类方法[J]. 中国激光, 2013, 40(9): 0914001.
Article Outline
魏硕, 赵楠翔, 胡以华, 孙万顺, 刘彪. 基于机载光子雷达的远距离舰船类型识别[J]. 光子学报, 2021, 50(12): 1228001. Shuo WEI, Nanxiang ZHAO, Yihua HU, Wanshun SUN, Biao LIU. Long-distance Ship Type Recognition Based on Airborne Photon Radar[J]. ACTA PHOTONICA SINICA, 2021, 50(12): 1228001.