远程采集无人机图像的特征识别方法研究

谭颖;刘技恒

【摘 要】地面对空中无人机的视觉识别中,由于无人机的飞行速度、角度呈现非线性变化;使得采集的疑似图像存在特征模糊、衰退等问题,传统的模式识别方法无法提取无人机图像的主要特征,极大程度上降低了图像的识别概率;提出一种引入球面谐波基图像特征细分的无人机识别算法,建立球面谐波基图像识别模型,利用无人机图像的球面谐波基图像近似率,对模糊图像的差异特征进行依次识别;实验结果表明,利用改进算法建立的模糊无人机图像差异特征识别模型,具有一定的优越性,提高了无人机识别的准确率.

【期刊名称】《计算机测量与控制》 【年(卷),期】2015(023)003 【总页数】3页(P1005-1007)

【关键词】图像识别;模糊图像;图像特征 【作 者】谭颖;刘技恒

【作者单位】重庆三峡学院网络信息与教育技术中心,重庆 404000;重庆市万州区公安消防支队,重庆404000 【正文语种】中 文 【中图分类】TP127 0 引言

在当今信息化时代，根据图像特征进行远程信息识别已经拥有广泛的应用背景，可用于公安系统的犯罪身份识别、监控系统的人脸识别、航空部门的护照与持证人员的核对［7－8］。其中，以地面设备为基础，对无人机进行低空识别，是保证航空安全的一个有效手段，提高模糊无人机图像的差异特征识别，已经成为模式识别和空中安全领域需要研究的重点课题［4－6］。在低空飞行的无人机识别领域，根据采集的低空图像，对其进行识别是一种有效的方法［7－8］。但是，各个国家为了躲避低空识别系统，都在无人机的行进速度和行进方向上做了较大的改进，使得采集到的超高速无人机图像特征模糊化，如果无人机图像比较模糊，无法提取无人机图像的主要特征，极大程度上降低了无人机图像的识别概率。

由于在远程采集的模糊无人机图像的特征识别过程中，存在一定的复杂干扰，提出一种引入球面谐波基图像特征细分的无人机识别算法，建立球面谐波基图像识别模型，利用无人机图像的球面谐波基图像近似率，对模糊图像的差异特征进行依次识别。

1 现存问题分析

当前的基于图像的模式识别方法几乎都不能原封不动的转移到低空无人机图像的识别过程中。主要是当前的方法都无法避免由于无人机快速移动、角度变化造成的图像特征衰减的问题，无法建立准确图像识别模型。提出一种引入球面谐波基图像特征细分的无人机识别算法。根据球面谐波子空间理论，建立球面谐波基图像模型，然后粗略识别出图像的3D 形状和像素表面反射情况，进而实现有效的无人机图像差异特征识别方法。

2 引入球面谐波基图像特征细分的无人机识别算法 2.1 球面谐波基图像识别模型的建立

在无人机低空飞行的环境中，无人机表面为朗伯凸表面，外界光源一般为各向同性远光源，用（β，χ）表示无人机图像在球坐标中表面法线方向，M 为射入光场，

积分区间Ψ＇为无人机表面法线方向的上半球，Sβ，χ 为一个旋转操作，用全局坐标（ϑj，φj）替代局部坐标，建立表达式如下：

在公式（1）中，F 为无人机图像的辐照度，它表示空间频域中的无人机旋转体积公式，假设将低频范围控制在（m＝0，1，2），则辐照度F 在空间频域中的球面谐波函数展开公式为：

其中：Bl（B0＝π，B1＝2π／3，B2＝π／4）为朗伯反射函数的球面谐波系数，为的球面谐波系数，为球面谐波函数。

假设无人机图像为朗伯凸表面，图像中任意一点（y，z）的反射率为μ（y，z），表示该点的法线方向，则计算无人机图像相关亮度特征公式为：

用公式表示无人机图像的球面谐波基，所有无人机图像特征经过此公式优化处理，可以得到模糊图像在谐波下的无人机图像。 2.2 球面谐波基图像近似识别过程

在球面谐波基的无人机模糊特征识别模型中，根据无人机图像反射率和法线数据，可创建球面谐波基图像数据 。由于图像与图像之间存在一定的关联性，但图像形状大致相同。极大程度上降低了图像的分辨率，以确保实现图像差异特征最小化。 针对无人机图像的形状特征的可变性，计算该无人机图像的法线，输入球面谐波基图像模型中，为图像差异特征识别提供依据。假设一幅无人机图像J 包含p 个维列向量，p 为图像的像素个数，通过上述方法建立图像的球面谐波基图图像C，通过公式（4）解决最小二乘问题，实现无人机图像模糊特征估计。

在上述表达式中，C 表示谐波基无人机图像的矩阵形式，矩阵每一列都包含着一个

谐波基图图像，一共有m 列，识别的无人机图像系数 与真实的无人机图像系数 之间相差常数倍，建立关系式为，其中 为反射率图的直流系数。

根据上面阐述的方法，能够获取模糊无人机图像在谐波下的图像，完成模糊无人机图像的特征识别。 3 实验结果与分析

为了验证本文提出算法的有效性，需要进行一次模拟仿真实验。在实验的过程中，随机选取310张不同高度的无人机图像作为实验初始数据，其中分别选取无人机远程采集训练图像和测试图像，依据图像的基本特征对模糊图像实现有效识别。图1为随机选取无人机远程采集样本：

在采集到的无人机图像中，其所包含的无人机图像清晰度完全不同，这主要是由于飞行速度不同造成的，符合真实的实验环境。根据实验数据建立无人机数据集合，具体数据如表1所示。

为了更好地研究实验结果，针对模糊无人机图像提取基本特征时，需将图像进行优化训练，由于图像之间存在一定的关联性，本文针对图像样本进行背景分离，分离结果如图2所示。

从图2可以看出，经过一系列处理将背景滤除化，仅仅保留所研究的无人机图像，在对模糊图像特征进行识别时，只对非模糊区域进行操作处理，分别对基于颜色的特征，基于纹理的特征和两者的结合特征进行测试。公式表示该实验判断标准分类准确率，设置D 为分类无人机图像个数，A 为训练集合中该无人机图像数量。 图1 模糊无人机样本图像 表1 无人机数据集合 图2 图像分离结果

根据实验数据结果归纳出各种无人机图像的识别准确率和总体准确率，并绘制无人机图像识别准确率表格，如表2所示。

表2 传统的基于高斯模型的识别准确率

根据表2和表3对比数据可知，利用本文算法进行远程采集模糊无人机图像的差异特征识别，具有一定的有效性，极大程度上提高了模糊图像的识别准确率，避免了传统算法的局限性，为今后的低空无人机图像识别打下了结实基础。 表3 本文算法无人机图像识别准确率 4 结束语

由于在远程采集模糊无人机图像特征识别过程中存在一定的复杂干扰，本文引入扬长避短的思想，提出了一种基于球面谐波基无人机图像的识别算法，并对传统算法和改进算法做了比较深入的探讨，在此基础上构造了新的球面谐波基图像模型。经过分析，利用改进算法建立的模糊无人机图像差异特征识别模型，具有一定的优越性，极大程度上降低了远程采集无人机图像信息误差率，提高了模糊无人机低空飞行图像的识别效率，为无人机智能模式识别领域奠定了结实的基础。

【相关文献】

［1］王守志，何东健，韩金玉.基于并行点火PCNN 的玉米病害彩色图像分割方法［J］.农业机械学报，2011，（11）：148－153.

［2］Vijayakumar J，Arumugam S.Powdery mildew disease identification for vellaikodi variety of betelvine plants using digital image processing［J］.European Journal of Scientific Research，2012，（03）：409－415.

［3］Mr J Vijayakumar，Dr S Arumugam.Recognition of powdery mildew disease for betelvine plants using digital image processing［J］.International Journal of Distributed and Parallel Systems，2012（2）：231－241.

［4］Zhang Z Y，Zha H Y.Principal Manifolds and Nonlinear Dimensionality Reduction via Tangent Space Alignment［J］.SIAM Journal on Scientitic Computing，2004（1）：313－338.

［5］Li M，Yuan B Z.2D－LDA：A Statistical Linear Discriminant Analysis for Image Matrix［J］.Pattern Recognition Letters，2005（5）：527－532.

［6］Yang Z R，Zwolinski M.Mutual information theory for adaptive mixture models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，（04）：396－403.

［7］杜 辉.基于小波变换的彩色图像中快速图像边缘化参差拼接算法［J］.科技通报，2012，12（28）：89－90.

［8］李 敏，李 俊.基于人类视觉系统特性的图像质量评价算法［J］.科技通报，2013，30（5）：160.