留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于分类器决策融合的红外图像目标识别方法

廖辉传 赵海霞

廖辉传, 赵海霞. 基于分类器决策融合的红外图像目标识别方法[J]. 红外与激光工程, 2022, 51(8): 20210725. doi: 10.3788/IRLA20210725
引用本文: 廖辉传, 赵海霞. 基于分类器决策融合的红外图像目标识别方法[J]. 红外与激光工程, 2022, 51(8): 20210725. doi: 10.3788/IRLA20210725
Liao Huichuan, Zhao Haixia. Infrared image target recognition method based on decision fusion of classifiers[J]. Infrared and Laser Engineering, 2022, 51(8): 20210725. doi: 10.3788/IRLA20210725
Citation: Liao Huichuan, Zhao Haixia. Infrared image target recognition method based on decision fusion of classifiers[J]. Infrared and Laser Engineering, 2022, 51(8): 20210725. doi: 10.3788/IRLA20210725

基于分类器决策融合的红外图像目标识别方法

doi: 10.3788/IRLA20210725
基金项目: 江西省教育厅科技项目(GJJ180316)
详细信息
    作者简介:

    廖辉传,男,副教授,硕士,主要研究方向为机器学习、软件开发技术等

    通讯作者: 赵海霞,女,讲师,硕士,主要研究方向为计算机软件、算法理论等。
  • 中图分类号: TP391.41

Infrared image target recognition method based on decision fusion of classifiers

Funds: Science and Technology Project of Education Department of Jiangxi Province(GJJ180316)
  • 摘要: 提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类(Sparse representation-based classification,SRC)和卷积神经网络(Convolutional neural network,CNN)作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。
  • 图  1  基于分类器决策融合的红外图像目标识别流程

    Figure  1.  Procedure of infrared image target recognition based on decision fusion of classifiers

    图  2  实验中使用目标的红外图像示意图

    Figure  2.  Illustration of infrared images of targets used in the experiments

    图  3  不同方法对噪声样本的平均识别率

    Figure  3.  Average recognition rates of different methods on the noisy samples

    表  1  文中所提方法对原始样本的识别结果

    Table  1.   Recognition results of the proposed method on the original sample

    Original samplesRecognition
    Tar1Tar2Tar3Tar4Tar5
    Tar1481100
    Tar2050000
    Tar3014801
    Tar4100490
    Tar5001049
    下载: 导出CSV

    表  2  不同方法对遮挡样本的平均识别率

    Table  2.   Average recognition rates of different methods on the occluded samples

    MethodOcclusion level
    5%10%15%20%25%
    Proposed95.489.780.372.461.8
    SRC94.286.979.168.258.6
    CNN93.685.877.866.857.2
    JSRDeep94.487.979.270.360.2
    Texture93.586.478.167.258.1
    下载: 导出CSV
  • [1] 王园园, 赵耀宏, 罗海波, 等. 海面红外图像的动态范围压缩及细节增强[J]. 红外与激光工程, 2019, 48(1): 0126003. doi:  10.3788/IRLA201948.0126003

    Wang Y Y, Zhao Y H, Luo H B, et al. Dynamic range compression and detail enhancement of sea-surface infrared image [J]. Infrared and Laser Engineering, 2019, 48(1): 0126003. (in Chinese) doi:  10.3788/IRLA201948.0126003
    [2] 王洪庆, 许廷发, 孙兴龙, 等. 目标运动轨迹匹配式的红外-可见光视频自动配准[J]. 光学精密工程, 2018, 26(6): 1533-1541. doi:  10.3788/OPE.20182606.1533

    Wang H Q, Xu T F, Sun X L, et al. Infrared-visible video registration with matching motion trajectories of targets [J]. Optics and Precision Engineering, 2018, 26(6): 1533-1541. (in Chinese) doi:  10.3788/OPE.20182606.1533
    [3] 乔铁英, 蔡立华, 李宁, 等. 基于红外辐射特性系统实现对面目标测量[J]. 中国光学, 2018, 11(5): 804-811. doi:  10.3788/co.20181105.0804

    Qiao T Y, Cai L H, Li N, et al. Opposite target measurement based on infrared radiation characteristic system [J]. Chinese Optics, 2018, 11(5): 804-811. (in Chinese) doi:  10.3788/co.20181105.0804
    [4] 苏娟, 杨罗, 张阳阳. 基于轮廓片段匹配和图搜索的红外目标识别方法[J]. 兵工学报, 2015, 36(5): 854–860. doi:  10.3969/j.issn.1000-1093.2015.05.013

    Su J, Yang L, Zhang Y Y. Infrared target recognition algorithm based on fragment matching and graph searching [J]. Acta Armamentar II, 2015, 36(5): 854-860. (in Chinese) doi:  10.3969/j.issn.1000-1093.2015.05.013
    [5] 谢志华, 刘国栋. 基于多尺度局部二元模式共生直方图的红外人脸识别 [J]. 红外与激光工程, 2015, 44(1): 391–397. doi:  10.3969/j.issn.1007-2276.2015.01.065

    Xie Z H, Liu G D. Infrared face recognition based on co-occurrence histogram of multi-scale local binary patterns [J]. Infrared and Laser Engineering, 2015, 44(1): 391-397. (in Chinese) doi:  10.3969/j.issn.1007-2276.2015.01.065
    [6] Zhao A G, Wang H L, Yang X G, et al. An affine invariant method of forward looking infra-red target recognition [J]. Laser & Optoelectronics Progress, 2015, 52: 071501. (in Chinese)
    [7] Du J, Gao J P, Shang Y J. Aircraft target identification based on infrared image and feature fusion [J]. Electronics Optics & Control, 2016, 23(8): 92-96. (in Chinese)
    [8] 王世亮, 杨帆, 张志伟, 等. 基于目标红外特征与SIFT特征相结合的目标识别算法[J]. 红外技术, 2012, 34(9): 503–507.

    Wang S L, Yang F, Zhang Z W. Target recognition method based on infrared features and SIFT [J]. Infrared Technology, 2012, 34(9): 503-507. (in Chinese)
    [9] 吴彩莲, 郝永平, 张乐, 等. 基于多特征融合的红外目标识别算法 [J]. 弹箭与制导学报, 2019, 39(3): 39–44.

    Wu C L, Hao Y P, Zhang L, et al. Infrared target recognition algorithm based on multi-feature fusion [J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2019, 39(3): 39-44. (in Chinese)
    [10] 张迪飞, 张金锁, 姚克明, 等. 基于SVM分类的红外舰船目标识别[J]. 红外与激光工程, 2016, 45(1): 0104004. doi:  10.3788/irla201645.0104004

    Zhang D, Zhang J S, Yao K M, et al. Infrared ship-target recognition based on SVM classification [J]. Infrared and Laser Engineering, 2016, 45(1): 0104004. (in Chinese) doi:  10.3788/irla201645.0104004
    [11] 杨春伟, 王仕成, 廖守忆, 等. 基于核稀疏编码的红外目标识别方法[J]. 红外技术, 2016, 38(3): 230–235. doi:  10.11846/j.issn.1001_8891.201603010

    Su J, Yang L, Zhang Y Y, et al. An infrared target recognition method based on kernel sparse coding [J]. Infrared Technology, 2016, 38(3): 230-235. (in Chinese) doi:  10.11846/j.issn.1001_8891.201603010
    [12] 杜珺, 高九萍. 一种改进型PSO-BP算法在红外目标中的应用[J]. 火力与指挥控制, 2020, 45(6): 62–66.

    Du J, Gao J P. Research and application of an improved PSO-BP algorithm in infrared targets [J]. Fire Control & Command Control, 2020, 45(6): 62-66. (in Chinese)
    [13] 黄乐弘, 曹立华, 李宁, 等. 深度学习的空间红外弱小目标状态感知方法[J]. 中国光学, 2020, 13(3): 527-536.

    Huang L H, Cao L H, Li N, et al. A state perception method for infrared dim and small targets with deep learning [J]. Chinese Optics, 2020, 13(3): 527-536. (in Chinese)
    [14] D’acremont A, Fablet R, Baussard A, et al. CNN-based target recognition and identification for infrared imaging in defense systems [J]. Sensors, 2019, 19: 2040. doi:  10.3390/s19092040
    [15] 许来祥, 刘刚, 刘森, 等. 基于改进CNN的红外目标识别方法研究[J]. 火力与指挥控制, 2020, 45(8): 136–141. doi:  10.3969/j.issn.1002-0640.2020.08.023

    Xu L X, Liu G, Liu S, et al. Research on infrared target recognition based on improved convolution neural network [J]. Fire Control & Command Control, 2020, 45(8): 136-141. (in Chinese) doi:  10.3969/j.issn.1002-0640.2020.08.023
    [16] 史国军. 深度特征联合表征的红外图像目标识别方法[J]. 红外与激光工程, 2021, 50(3): 20200399. doi:  10.3788/IRLA20200399

    Shi G J. Target recognition method of infrared imagery via joint representation of deep features [J]. Infrared and Laser Engineering, 2021, 50(3): 20200399. (in Chinese) doi:  10.3788/IRLA20200399
    [17] 吴天宝, 夏靖波, 黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法 [J]. 河南理工大学学报(自然科学版), 2020, 39(4): 118-124.

    Wu T B, Xia J B, Huangy Y. Target recognition method of SAR images based on cascade decision fusion of SVM and SRC [J]. Journal of Henan Polytechnic University (Natural Science), 2020, 39(4): 118-124. (in Chinese)
    [18] Wright J, Yang A Y, Ganesh A, et al. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227. doi:  10.1109/TPAMI.2008.79
    [19] Ding B, Wen G, Ma C, et al. An efficient and robust framework for SAR target recognition by hierarchically fusing global and local features [J]. IEEE Transactions on Image Processing, 2018, 27(12): 5983-5995. doi:  10.1109/TIP.2018.2863046
  • [1] 张良, 田晓倩, 李少毅, 杨曦.  基于时空推理网络的空中红外目标抗干扰识别算法 . 红外与激光工程, 2022, 51(7): 20210614-1-20210614-10. doi: 10.3788/IRLA20210614
    [2] 王鹏翔, 张兆基, 杨怀.  结合多特征融合和极限学习机的红外图像目标分类方法 . 红外与激光工程, 2022, 51(6): 20210597-1-20210597-6. doi: 10.3788/IRLA20210597
    [3] 陆建华.  融合CNN和SRC决策的SAR图像目标识别方法 . 红外与激光工程, 2022, 51(3): 20210421-1-20210421-7. doi: 10.3788/IRLA20210421
    [4] 杨棉绒, 牛丽平.  基于LGBM的Zernike特征选取及红外图像目标识别方法 . 红外与激光工程, 2022, 51(4): 20210309-1-20210309-6. doi: 10.3788/IRLA20210309
    [5] 廖莎莎.  基于筛选深度特征的红外图像目标识别方法 . 红外与激光工程, 2022, 51(5): 20210372-1-20210372-6. doi: 10.3788/IRLA20210372
    [6] 吴剑波, 陆正武, 关玉蓉, 王庆东, 姜国松.  二维压缩感知多投影矩阵特征融合的SAR目标识别方法 . 红外与激光工程, 2021, 50(6): 20200531-1-20200531-7. doi: 10.3788/IRLA20200531
    [7] 尚珊珊, 余子开, 范涛, 金利民.  高斯过程模型在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(7): 20200337-1-20200337-7. doi: 10.3788/IRLA20200337
    [8] 伍友龙.  多元经验模态分解及在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(4): 20200236-1-20200236-7. doi: 10.3788/IRLA20200236
    [9] 马丹丹.  图像分块匹配的SAR目标识别方法 . 红外与激光工程, 2021, 50(10): 20210120-1-20210120-8. doi: 10.3788/IRLA20210120
    [10] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [11] 史国军.  深度特征联合表征的红外图像目标识别方法 . 红外与激光工程, 2021, 50(3): 20200399-1-20200399-6. doi: 10.3788/IRLA20200399
    [12] 赵璐, 熊森.  多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
    [13] 张盼盼, 罗海波, 鞠默然, 惠斌, 常铮.  一种改进的Capsule及其在SAR图像目标识别中的应用 . 红外与激光工程, 2020, 49(5): 20201010-20201010-8. doi: 10.3788/IRLA20201010
    [14] 谢冰, 段哲民.  基于SAE与底层视觉特征融合的无人机目标识别算法 . 红外与激光工程, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004
    [15] 韩义波, 杨新锋, 滕书华, 庄祉昀.  激光与红外融合目标检测 . 红外与激光工程, 2018, 47(8): 804005-0804005(7). doi: 10.3788/IRLA201847.0804005
    [16] 张迪飞, 张金锁, 姚克明, 成明伟, 吴永国.  基于SVM分类的红外舰船目标识别 . 红外与激光工程, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004
    [17] 刘俊良, 陈尚锋, 卢焕章, 赵本东, 毋亚北.  弹道目标识别的红外辐射数据仿真研究 . 红外与激光工程, 2016, 45(10): 1004002-1004002(7). doi: 10.3788/IRLA201645.1004002
    [18] 杨绪峰, 林伟, 延伟东, 温金环.  采用热核特征的SAR图像目标识别 . 红外与激光工程, 2014, 43(11): 3794-3801.
    [19] 张宝辉, 闵超波, 窦亮, 张俊举, 常本康.  目标增强的红外与微光图像融合算法 . 红外与激光工程, 2014, 43(7): 2349-2353.
    [20] 万磊, 曾文静, 张铁栋, 秦再白.  基于梯度信息融合的海面红外目标实时检测 . 红外与激光工程, 2013, 42(1): 41-45.
  • 加载中
图(3) / 表(2)
计量
  • 文章访问数:  190
  • HTML全文浏览量:  42
  • PDF下载量:  55
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-05
  • 修回日期:  2022-02-25
  • 网络出版日期:  2022-08-31
  • 刊出日期:  2022-08-31

基于分类器决策融合的红外图像目标识别方法

doi: 10.3788/IRLA20210725
    作者简介:

    廖辉传,男,副教授,硕士,主要研究方向为机器学习、软件开发技术等

    通讯作者: 赵海霞,女,讲师,硕士,主要研究方向为计算机软件、算法理论等。
基金项目:  江西省教育厅科技项目(GJJ180316)
  • 中图分类号: TP391.41

摘要: 提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类(Sparse representation-based classification,SRC)和卷积神经网络(Convolutional neural network,CNN)作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。

English Abstract

    • 红外成像是夜间观测的重要手段,基于获取的图像可开展情报分析和辅助决策。在军事领域,红外成像是单兵行动和战场侦察的有力工具[1-3]。基于获取的高分辨率红外图像,可对感兴趣的目标进行分析确认,获取其所属类别,即红外图像的自动目标识别。作为监督模式识别问题,红外目标识别遵循基本的特征提取和分类两个过程。特征提取过程获取红外图像中目标的关键信息,用于在分类过程中区分不同类别。现阶段用于红外图像的目标特征既包括描述目标外形的轮廓、区域等,也包括分析图像灰度分布的主成分分析(Principal component analysis,PCA),还包括描述目标细节特征的局部问题,如局部二值模式(Local binary pattern,LBP)等[4-8]。这些特征各具特点,可以在不同的场合进行针对性应用,还可以进行适当的融合使用[9]。进行分类阶段,可根据选用特征的特点适应性进行分类器的选择,典型的包括支持向量机(Support vector machine,SVM)、稀疏表示分类(Sparse representation-based classification,SRC)等[10-12]。深度学习算法的兴起为图像模式识别提供了新的有力工具,出现了多种基于卷积神经网络(Convolutional neural network,CNN)的红外图像目标识别方法[13-16],并取得了良好的性能。

      文中在现有研究的基础上,提出基于分类器决策融合的红外图像目标识别方法。在分类阶段,选用SRC和CNN两种分类器,并采用层次化融合思路。SRC作为第一轮分类器,可根据其输出的决策结果计算测试样本属于不同类别的概率。在此基础上,利用门限法获取若干候选类别,即为概率较高的训练类别。CNN作为第二轮分类器,其同样对不同类别输出了决策结果。文中针对第一轮获取的候选类别,采用线性加权融合对SRC和CNN的结果进行融合分析,并据此做出最终的识别决策。特别地,当SRC已经可以获得可靠决策时,则直接输出识别结果,无需进行第二轮识别,保证识别算法的整体效率。因此,文中方法通过结合SRC和CNN两类分类器的优势,提升最终的红外目标识别性能。实验中,在五类日常车辆目标的红外图像数据集上进行测试和对比。根据实验结果,文中方法的性能优于部分现有方法,针对红外目标识别问题具有良好性能。

    • SRC通过稀疏表示对未知样本进行表征和描述,并根据描述求解结果的规律性对样本的类别进行判定[11, 17-18]。SRC首先构建全局字典$A = [{A^1}, {A^2}, \cdots , {A^C}] \in {{{R}}^{d \times N}}$,其中$ {A^i} \in {R^{d \times {N_i}}}(i = 1,2, \cdots ,C) $对应为第i类的局部字典,一般为该类别中的训练样本。基于全局字典对测试样本$ y $进行线性表征,可表示为:

      $$ \hat \alpha = \arg \min {\left\| \alpha \right\|_0} \quad {\text{s}}{\text{.t}}{\text{. }}\left\| {y{{ - }}A\alpha } \right\|_2^2 \leqslant \varepsilon $$ (1)

      式中:$ \alpha $表示需要求解的线性表示系数,并且约束具有稀疏特性;$ \varepsilon $为约束重构误差的门限。

      公式(1)为非凸优化,直接求解难度大。根据现有文献,一般采用$ {\ell _{\text{1}}} $最小化(即采用$ {\ell _{\text{1}}} $范数替换公式(1)中的$ {\ell _0} $范数)或者正交匹配追踪等贪婪算法获取近似解。根据求解的线性系数矢量$ \hat \alpha $,可按照公式(2)分别计算不同类别对于测试样本的重构误差,比较其大小进行类别判断。

      $$ \begin{split} &r(i) = \left\| {y{{ - }}{A_i}{{\hat \alpha }_i}} \right\|_2^2(i = 1,2, \cdots ,C) \\ &{\text{identity }}(y){{ = }}\mathop {\arg \min }\limits_i (r(i)){\text{ }} \end{split} $$ (2)

      式中:$ {\hat \alpha _i} $$ \hat \alpha $中与第$ i $类关联的系数;$ r(i){\text{ }}(i = 1,2, \cdots ,C) $为不同类别的重构误差。

      根据文献报道,SRC这种压缩感知处理机制对于噪声干扰、目标遮挡等情形具有很好的适应性,这一优点可与其它分类器进行科学融合,提升整体识别算法的稳健性。

    • CNN是传统神经网络与现代信号处理技术融合的结果,其核心是通过卷积操作获取输入二维信号,如图像的多层次特征,从而可以为针对性的解译提供支撑[13-16]。卷积层作为CNN的核心,是深度特征训练和学习的关键。在CNN的网络结构中,上一层特征图$O_m^{(l - 1)}(m = 1, \cdots ,M)$会与下一层特征图$O_n^{(l)}(n = 1, \cdots ,N)$关联,两者之间的关系描述如下:

      $$ O_n^{(l)}(x,y) = \sigma (\sum\limits_{m = 1}^M {\sum\limits_{p,q = 0}^{F - 1} {k_{nm}^{(l)}(p,q)} } O_m^{(l - 1)}(x - p,y - q) + b_n^{(l)}) $$ (3)

      式中:$k_{nm}^{(l)}(p,q)$表示卷积核;$\sigma ( \cdot )$代表激活函数,如ReLu函数;$b_n^{(l)}$为常数偏置项。

      通常,对于每个卷积层输出的特征图采用池化层进行池化操作,从而提高整体效率和稳健性。以最大值池化为例,池化层的操作如下:

      $$ O_m^{(l + 1)}(x,y) = \mathop {\max }\limits_{1 < i < h,1 < j < w} (O_m^{(l)}(x + i,y + j)) $$ (4)

      式中:$ h \times w $为滑动窗口的尺寸。CNN通过多个卷积层、池化层,并在末端采用适当的分类器,如Softmax可实现端到端训练、学习,实现图像分析。

      文中参照参考文献[16]设计卷积神经网络,共包括3个卷积层、3个最大值池化层和1个全连接层;采用ReLu函数作为激活函数,Softmax作为分类器具体可对网络进行微调,适应不同目标数目的识别任务。

    • 文中选用SRC作为第一轮识别的分类器,在获取识别结果的同时承担预筛选的作用。假设共有C个类别,通过SRC得到这些类别对应的重构误差为$ r\left( i \right){\text{ (}}i = {\text{1}},{\text{2}}, \cdots ,C{\text{)}} $。为了后续处理方便,基于下式将这些重构误差转换为概率形式:

      $$ P\left( i \right) = \dfrac{{{\text{1}}/r\left( i \right)}}{{\displaystyle \sum\limits_{j = {\text{1}}}^C {{\text{1}}/r\left( i \right)} }}{\text{ (}}i = {\text{1}},{\text{2}}, \cdots ,C{\text{)}} $$ (5)

      式中:$ P(i) $则表示在SRC分类结果中,测试样本属于选取的第$ i $类目标的可能性。

      在此基础上,设定合适的门限$ T $对测试样本可能的类别进行筛选处理,即当某一类别的概率大于门限时,认为其为候选类别。反之,则测试样本属于该类别的可能性很小,在后续过程不再考虑。因此,经过SRC的第一轮分类,可以有效获取测试样本潜在的目标类别,可通过后续的进一步确认提升识别精度。

    • 假设经过SRC预筛选后共有M个候选类别。对于这M个类别,基于CNN同样有输出的识别结果,记为$ {P_1}\left( {\varGamma (i)} \right) $,其中$ \varGamma (i) $表示这M个类别中$ i $个对应原始$ C $类目标中的类别。采用线性加权融合的思路对SRC和CNN关于这M个类别的结果进行融合处理,形式如下:

      $$ {P_F}\left( {\varGamma (i)} \right) = {w_1}P\left( {\varGamma (i)} \right) + {w_2}{P_1}\left( {\varGamma (i)} \right) $$ (6)

      式中:$ {P_F}\left( {\varGamma (i)} \right) $为经过决策融合后,测试样本属于原始类别中第$ \varGamma (i) $类目标的可能性;$ {w_1} $$ {w_2} $为对应两个分类器的权值,根据多次试验确定$ {w_1}{\text{ = }}0.3,{w_2}{\text{ = }}0.7 $,即CNN对于最终的融合结果具有更大的印象。

      图1给出了文中基于分类器决策融合的红外图像目标识别流程,通过层次化利用SRC和CNN综合提升识别性能[17, 19]。特别地,文中采用PCA作为特征提取算法对红外图像进行降维处理。在SRC决策阶段,若仅有一个类别的转换概率值高于门限,则直接判定目标识别结果,不再进行后续的CNN分类和决策融合,从而保证识别方法的整体效率。

      图  1  基于分类器决策融合的红外图像目标识别流程

      Figure 1.  Procedure of infrared image target recognition based on decision fusion of classifiers

    • 文中利用红外热像仪采集的车辆目标的红外图像作为基础样本,通过预处理获取目标区域切片,构建训练和测试集。图2所示为实验中涉及的五类目标,包括三轮车、摩托车、小货车、卡车和轿车。所有图像样本经适当裁剪后具备同一尺寸。对于各类目标,选用80幅不同条件下获取的图像作为训练样本,50幅目标图像作为测试样本。

      图  2  实验中使用目标的红外图像示意图

      Figure 2.  Illustration of infrared images of targets used in the experiments

      实验过程中,为充分验证提出方法的性能,选用现有几类红外图像目标识别方法进行对比分析。具体对比算法包括参考文献[11]中基于SRC的方法;参考文献[14]中基于CNN的方法;参考文献[16]联合深度特征的方法(记为JSRDeep)以及参考文献[5]中采用局部纹理特征的方法(记为Texture)。其中,SRC和CNN方法仅仅为文中方法的一部分,可通过结果对比直观反映文中分类器决策融合的实际效能。

    • 首先在原始训练和测试样本的基础上对方法性能进行初步验证。如图2所示,原始样本的获取条件相对良好,图像中目标均为完整,且信噪比(signal-to-noise ratio,SNR)较高,因此识别问题的难度相对较小。表1所示为文中方法对于五类目标测试样本的详细识别结果,其中Tar1、Tar2、Tar3、Tar4和Tar5依次对应图2中的五类目标。根据表1计算得出它们对应的正确识别率分别为96%、100%、96%、98%、98%,平均识别率为97.6%。这一结果反映了提出方法对于红外目标识别的有效性。在相同的场景下,对4类对比方法进行了相同实验,得到SRC、CNN、联合深度以及局部纹理特征的平均识别率分别为95.8%、96.9%、97.2%、96.3%。对比可见,文中方法的识别性能优于几类对比方法,显示其性能优势。特别地,与SRC和CNN两类方法相比,文中正是对它们进行了联合运用和层次化的决策融合,进一步提升了识别性能,表明了文中决策融合算法的有效性。

      表 1  文中所提方法对原始样本的识别结果

      Table 1.  Recognition results of the proposed method on the original sample

      Original samplesRecognition
      Tar1Tar2Tar3Tar4Tar5
      Tar1481100
      Tar2050000
      Tar3014801
      Tar4100490
      Tar5001049
    • 噪声干扰是图像处理领域的一个常见问题,也是需要不断克服的难点问题。对于红外图像目标识别问题,当测试样本的信噪比远低于训练样本时,两者之中的目标特性将会存在较大的差异,导致训练得到的分类器性能下降。为在噪声干扰条件下进行文中方法的实验,首先按照参考文献[19]中的相关思路进行噪声测试集的构造。按照设定的信噪比进行噪声生成,并与原始红外图像进行混合处理,获得特定噪声水平的红外图像。在此条件下,文中对提出方法和4类对比方法进行分别测试,统计各类方法的平均识别率如图3所示。从总体趋势来看,噪声干扰对各类方法的性能均产生了较为显著的影响。对比信噪比为10 dB和−10 dB下的结果,都存在较大的差距。相比而言,文中方法的性能下降最为平缓,表明其受到噪声干扰的影响相对较小,显示其稳健性。文中通过SRC和CNN的有机融合,充分结合了两者的优势,对于噪声干扰的适应性得到了进一步的增强。

      图  3  不同方法对噪声样本的平均识别率

      Figure 3.  Average recognition rates of different methods on the noisy samples

    • 原始测试样本中,目标都是完整存在的,因此可以通过目前的全面特性进行训练和分类。然而,图2中的车辆目标均可能发生部分遮挡,导致获取图像中的目标是不完整和部分缺失的。该实验中,首先基于原始样本进行遮挡样本的模拟。具体地,以完整目标的区域为参照,采用背景像素对其局部区域进行填充处理。根据填充区域的比例定义不同的遮挡程度。在获得遮挡测试集的条件下,对各类方法进行测试,统计它们的平均识别率如表2所示。随着遮挡水平的不断提升,各类方法的性能下降十分明显。在各个遮挡水平下进行横向比较,可以看出文中方法均可以保持最高的平均识别率,表明其稳健性。与噪声干扰的情况相近,文中通过结合SRC和CNN的优势,可以进一步提升识别方法对于遮挡样本的适应性。

      表 2  不同方法对遮挡样本的平均识别率

      Table 2.  Average recognition rates of different methods on the occluded samples

      MethodOcclusion level
      5%10%15%20%25%
      Proposed95.489.780.372.461.8
      SRC94.286.979.168.258.6
      CNN93.685.877.866.857.2
      JSRDeep94.487.979.270.360.2
      Texture93.586.478.167.258.1
    • 针对红外图像目标识别问题,文中提出一种分类器决策融合的方法。选用SRC和CNN作为基础分类器,并且前者用于决策结果的预筛选。对于SRC分类不可靠的样本,采用CNN做进一步确认,并且其结果与SRC结果做线性融合处理,确保最终结果的可靠性。提出方法通过有效融合SRC和CNN的优点提升了红外目标识别的性能。实验中,采用五类车辆目标的红外实测图像进行性能测试。通过在原始测试集、噪声样本集以及遮挡样本集的条件下进行对比实验,结果反映了提出方法的优越性能。

参考文献 (19)

目录

    /

    返回文章
    返回