基于图像特征的无人机型号识别

陈聪飞，龙泽凯，郝东来

（西京学院，西安 710123）

0 引言

近年来，随着无人机技术的飞速发展，各种各样的无人机出现在大众视野。无人机的应用扩展到超视距范围，在快递、医疗紧急救援、协助交通管理、巡检、农业、物流、安防等多个领域获得应用［1］。从当今的发展形势上看，无人机将如同手机一样伴随人们的日常生活。无人机的出现给人们带来诸多的便利，但危险也随之而来。最近几年，有些不法分子利用无人机体型小、隐蔽性强、方便灵活等特点从事违法活动。例如，不法分子利用无人机通过美国监狱的围墙来运输非法毒品。另外，无人机还被运用在间谍袭击方面，对国家和公共安全构成了非常严重威胁。考虑到无人机的安全和隐私问题，精准打击某些无人机型的黑飞现象，准确分类各种无人机型对于保护国家安全和公共安全非常重要。

1 相关图像特征介绍

图像的特征提取是图像分类不可缺少的一部分，比较经典的特征提取算法有很多，比如：方向梯度直方图（HOG）、尺度不变特征变换（SIFT）、加速稳健特征（SURF，对SIFT的改进）、高斯函数差分（DOG）、局部二值模式（LBP）等。因HOG具有几何和光学转化不变性、没有旋转和尺度不变性，所以HOG的计算量比较小。LBP具有灰度和旋转不变性、简单易算，其运算速度比其他特征提取的算法快。综合上述特点，本文选取HOG和LBP两种特征提取的算法。

1.1 HOG特征提取

方向梯度直方图（histogram of oriented gradi⁃ent，HOG），最先是由法国研究员Dalal等人提出的，顾名思义就是利用图像局部的方向直方图和梯度来确定特征。

1.1.1 提取原理

将一张频谱图按相同比例大小分成若干个块（block），然后再将每一个块按照同等比例分成若干个细胞单元（cell），计算细胞单元中各个像素点的方向和边缘的梯度，最后逐层串联所有特征得到图像整体特征。

1.1.2 实现过程

（1）将频谱图灰度化，变成一个三维图像。

（2）为了调节频谱图的对比程度、减少频谱图部分阴影、降低噪声对频谱图的影响，必须将频谱图进行归一化处理。本文采用Gamma校正法进行归一化处理。

（3）获取频谱图轮廓的信息，并且进一步降低噪声的影响就要计算频谱图中各个像素点梯度的大小和方向。

（4）将频谱图分割成很小的细胞单元（cells）。

（5）计算各个小细胞单元（cell）的方向梯度直方图，就可以形成每个细胞单元的特征描述符（descriptor）。

（6）频谱图分成若干个block，每个块包含多个cell，把block中的所有cell的特征descriptor串联起来就能够得到block的特征descriptor。

（7）最后将频谱图中的每个block的特征de⁃scriptor组合起来就得到该频谱图的特征descriptor。

HOG特征提取整体流程如图1所示。

图1 HOG特征提取整体流程

●窗口检测。HOG把图像通过窗口（window）和block进行切分，并且以cell为基本单位对频谱图的像素值使用数学计算进行处理。图2是大疆精灵4频谱图的切分处理。

图2 大疆精灵4频谱图的切分

其中，黑色线表示window划分，红色线表示block划分，深红色线表示cell划分。

●频谱图归一化。为了减少噪声等因素对图片处理的影响，所以将整个图片进行归一化处理。归一化Gamma压缩公式为：

计算像素点梯度：假设图像中像素点的坐标为(x,y)，则其梯度为：

其中，H(x,y)表示该点的像素值；G x(x,y)表示水平方向梯度，即该像素点左侧的像素值减去右侧的像素值；G y(x,y)表示垂直方向梯度，即该像素点上方的像素值减去下方的像素值。像素点的梯度幅值和梯度方向（角度）公式为：

一张大疆精灵4频谱图的HOG特征图像及特征直方图如图3所示。

图3 大疆精灵4频谱图提取的HOG特征

从HOG特征图像中可以看到有缺失和特征提取错误的部分，这样就会导致最终的准确率较低，影响判断结果。

1.2 LBP特征提取

局部二值模式（local binary pattern，LBP）是由T.Ojala［3］等人在1996年提出的一种简单有效的特征描述算子，具有灰度和旋转不变性，主要是用于提取图像局部的纹理特征。将LBP定义在一个3×3的窗口内，以中心像素值为定点，和周边的8个灰度像素值相比，若周围的像素值大于中心值，则将其置为1，否则置为0。以中心点左上角像素点为起始位顺时针旋转，这样就可以获得一个8位二进制数，一般需要将二进制数转换成十进制。这个数值就是这个中心像素点的LBP特征值。

图4 LBP特征值

二进制转换为十进制的公式为：

其中，xa和y a分别表示中心点的横坐标和纵坐标，q代表中心点周围的8个像素点，H(a)为中心像素值，H(q)为另外8个像素值，S(x)函数为：

一张大疆精灵4频谱灰度图提取的LBP特征图像如图5所示。

图5 大疆精灵4频谱图提取的LBP特征

从得到的特征图像可以看出图像的轮廓信息比较清晰，这也是LBP的优势所在，但是图像内的详细特征信息没有真实的显示出来。

1.3 HOG-LBP特征融合

在进行特征融合之前，单独使用HOG进行频谱图的特征提取时发现提取到的特征图有缺失的部分，最后得到的准确率较低。LBP具有计算简单、准确率高等优点，但是其对于复杂图像，提取的特征不完整且准确率较低［4］。针对于HOG和LBP两种算法的优缺点，提出将HOG和LBP两种特征提取算法进行特征融合来提高准确率。特征融合技术既融合了多种特征的有效鉴别信息，又能消除大部分冗余的信息，从而实现了信息的有效压缩，节约了信息存储空间，有利于加快运算速度和进行信息的实时处理［5］。特征融合的方法有直方图融合和特征矩阵融合，直方图融合会出现横纵坐标不一致，导致有些特征无法显现、特征不完整等情况，进一步导致识别不准确。基于此，本文选用特征矩阵融合的方法。

具体实现步骤：

（1）将训练集和测试集的图像设置成统一尺寸（本文设置的是256×256），方便后面的特征矩阵的融合。

（2）把所有的图像进行灰度化处理，是为了减少颜色对特征提取的影响。

（3）把训练集分别进行HOG和LBP特征提取，并将得到的两种特征矩阵通过矩阵串联的方式进行融合，必须保证两种特征矩阵的行数一致，列数可以不一致。

（4）将测试集也做上一步处理。

图6 特征融合流程

2 分类器训练及结果

目前，支持向量机（support vector machines，SVM）和AdaBoots是比较常用的图像检测分类算法。SVM是一个有监督的学习模型，它的特点是在分类模型和模型参数的选择上始终优先结构最小化，一般用于二类别分类问题［6］。后来在图像二分类方法的基础上又衍生了多分类的方法，它的特点就是构建多个分类器、分类速度相对较快。本文是利用SVM的多分类的特点对无人机频谱图进行分类。

分别用方向梯度直方图算法、局部二值模式和本文的两者融合的方法分别与SVM进行实验。实验所需的图片尺寸设置为256×256，运行在MATLAB R2018b环境中，AMD Ryzen 5 4600H with Radeon Graphics六核处理器和16 G内存的电脑上。实验结果如表1所示。

表1 实验结果

由表1可知，利用SVM进行训练，HOG-LBP融合特征较HOG和LBP单独特征提取能有效地提高准确率，由于融合后的特征矩阵较大，所以耗时相对较长，但其准确率高的优点完全可以覆盖其时间较长的缺点。

3 结语

本文提出的基于图像特征的无人机型号识别是利用HOG和LBP特征矩阵融合的方法来实现的。特征矩阵的融合能够有效地把图像的所有特征信息整合起来，避免了特征信息遗漏的情况发生。从实验结果可以看出此方法准确率高，可以达到很好的实验效果，能够准确地判别无人机型号，进而打击黑飞现象，保护国家安全和公共安全。