一种可用于无人机对空中目标飞机敌友自动识别的方法

摘要

本发明公开一种可用于无人机对空中目标飞机敌友自动识别的方法，根据无人机传感器传送至系统的图像，进行图像灰度化、分割、目标检测等处理，得到目标图像，计算目标图像的区域矩和轮廓矩，计算结果作为神经网络分类与识别的输入，并与给定目标飞机数据库的六型飞机的相应数据进行比对，判断目标图像内是否有数据库内定义的飞机，若有，判别是敌机还是友机，即给出目标图像内飞机的定性描述。

说明书

技术领域

本发明公开一种可用于无人机对空中目标飞机敌友自动识别的方法，可用于无人机自主作战或与有人机协同作战时对目标飞机敌友的自动判断，目的是增强无人机军事作战效能，属于飞机计算机视觉技术领域。

背景技术

目前，世界战略格局深度变化，核威慑条件下带有大国博弈背景的信息化局部战争已常态化，近几场局部战争表明：无人机已成为信息化局部战争的主要空中力量之一，对战争胜负产生重大甚至决定性影响。虽然无人机在赢得局部战争胜利中发挥了越来越重要的作用，但迄今为止无人机的操纵仍需人参与，无人机的目标识别是通过无人机操作员或传感器操作员人工实现的。随着模式识别技术的发展，尤其是计算机视觉技术的发展，各种高新技术被引入图像传输系统、图像处理系统和图像识别，研究无人机空中目标飞机敌友自动识别，增强无人机自主作战或协同作战的战场态势感知能力及其识别信息的时效性、准确性就显得十分迫切和必要。

目前,无人机已广泛应用到各行各业，国内对侦察图片中地面飞机、桥梁、港口等重要军事目标判读的研究已取得大量成果，然而在实际过程中，状况瞬息万变，需要对实时和近实时信息做即时判断和识别，延时过久的判断识别难以有效地协助作战活动。而关于无人机目标飞机敌友自动识别因保密原因而未见到相关报道。

发明内容

本发明的目的是发明一种可用于无人机对空中目标飞机敌友自动识别方法，增强无人机空中敌友目标飞机的自动识别能力，提高无人机自主作战或协同作战的军事效能。

本发明所述的一种可用于无人机对空中目标飞机敌友自动识别的方法，其技术解决方案如下：

1)对输入图像进行分割，确定图像内的目标图像区域和轮廓；

2)计算目标图像区域矩和轮廓矩；

3)将目标图像区域矩和轮廓矩输入神经网络进行学习、分类和识别，分别与数据库六型目标飞机数据进行比较：

若与某型飞机数据误差小于设定值，则目标图像为该型飞机；

若与六型飞机的任意型飞机数据即使完成了设定的最大学习步数误差仍超过设定值, 则目标图像中不包含在数据库内，继续进行对图像识别或退出识别。

本发明所述的一种可用于无人机对空中目标飞机敌友自动识别的方法，具体步骤如下：

步骤1、对输入图像进行分割，确定目标图像区域和轮廓

对输入图像进行预处理，把图像看做作具有不同灰度级的两类区域：目标区域和背景区域的组合，将输入图像转换为灰度图，再根据灰度图计算得出灰度直方图，根据灰度直方图信息选取合理阈值，将图像中各个像素的灰度值与该阈值相比较，根据比较结果得到目标图像区域及轮廓；

设一幅图像的灰度值为1～k级，灰度值为i的像素数记为r

则灰度值为r

P(r

即：

作r

根据灰度直方图计算出两峰之间的最低值，该值为图像的阈值；利用该阈值对图像进行分割，将目标图像从天空背景图中分离出来，得到目标图像区域和轮廓；

步骤2、计算目标图像区域矩和目标图像轮廓矩

利用图像矩具有平移、旋转和比例因子不变性的特征来识别目标图像，继而判别出目标图像的敌友属性；

利用轮廓提取后的二值化图像作为处理区域来计算分割出来的目标图像的不变矩；

矩m

目标图像区域中或轮廓上的任意点(x,y)的p+q阶矩m

其中，p为x的最高阶数，q为y的最高阶数；f(x,y)为密度函数，取值分成两种情况：①计算目标图像区域矩时，f(x,y)在目标图像区域内取1，在目标图像区域外取0；②计算目标图像轮廓矩时，f(x,y)在目标图像轮廓上取1，在目标图像轮廓外取0：

目标图像的中心(x

关于目标图像的中心(x

则定义M

M

M

M

M

设

将上述不变矩化为正交投影不变矩：

M′

M′

M′

M′

M′

M′

M′

由目标图像区域的正交投影不变矩M′

该目标图像的特征向量将作为神经网络分类与识别的输入量；

步骤3、利用神经网络对目标图像进行分类和识别

把被识别对象归为某一类别的基本做法就是在样本训练基础上确定某个判决规则，使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小；

利用已知样本进行训练，从而建立起非线性模型；然后对每一种输入样本设定一个期望输出值，由输入层经隐含层向输出层传播--模式顺传播；实际输出与期望输出的差即是误差；按照误差平方最小这一规则，由输出层往隐含层修正连接权值--误差逆传播；随着模式顺传播和误差逆传播过程的交替反复进行，网络的实际输出逐渐向所对应的期望输出逼近，误差减小到可接受程度；

若目标图像的区域与轮廓矩特征输入值与目标飞机数据库的区域与轮廓矩特征误差小于设定的误差值，则目标图像为目标数据库内的该型飞机；或进行到预定设定的学习次数为止,超过该次数或误差大于设定值，则判定不是该型，退出神经网络学习，进入与下一型目标飞机比较，即输入数据要依次与目标飞机数据库得六型飞机矩特征数据进行比较，若直至识别出目标图像机型或目标图像与目标飞机数据库的六型飞机的数据都不匹配，则判定识别失败或未识别出。

本发明的积极效果在于：

提供了一种可用于无人机空中目标飞机敌友自动识别的实现方法，该方法根据无人机传感器传送至系统的图像，进行图像灰度化、分割、目标检测等处理，得到目标图像，计算目标图像的区域矩和轮廓矩，计算结果作为神经网络分类与识别的输入，并与给定目标飞机数据库的六型飞机的相应数据进行比对，判断目标图像内是否有数据库内定义的飞机，若有，判别是敌机还是友机，即给出目标图像内飞机的定性描述。

附图说明

图1为本发明应用中观察时的视点与飞机关系示意图；

图2为本发明实际应用案例1的实施过程图；

图3为本发明实际应用案例2的实施过程图。

具体实施方式

通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。

实施例1

建立目标飞机数据库：

(1)选取六型目标飞机，分别是FF6战斗机,FF3战斗机,FB轰炸机,FA攻击机， FM1战斗机，FF4战斗机。根据上述六型目标飞机的正视图，顶视图及侧视图的数据，在3DMAX上生成六型目标飞机的3D模型；

(2)根据视点变化求出目标飞机的3D模型的投影区域和轮廓图，并存储区域矩和轮廓矩数据。采取的视点变化规律是：俯仰视角变化范围(-90°,90°)，变化步长15°；方位视角变化范围(-90°,90°)，变化步长15°，根据视点变化，求出六型目标飞机在该视点下正交投影的区域矩和轮廓矩的1014(13X13X6)个3D模型；视点与飞机关系图如附图1所示；

(3)根据(2)分别计算六型飞机1014(13X13X6)个投影后的区域矩和轮廓矩，并存储在相应机型的目标飞机数据类下；数据库中存储数据的数据结构为：目标飞机机型，视点的俯仰视角、方向视角，该视点下的目标飞机模型的区域矩和轮廓矩；

(4)利用(3)数据，将1014组训练样本数据输入设计的神经网络，进行学习、分类。

实施例2

步骤1：对输入图像进行分割，确定目标图像

对输入图像(附图2中的图像1)进行预处理，并将输入图像转换为灰度图，根据灰度图计算得出灰度直方图(附图2中的灰度直方图1)，根据灰度直方图信息选取合理阈值，将图像中各个像素的灰度值与该阈值相比较，根据比较结果得到目标图像区域及轮廓(附图2中的二值图1)；

步骤2：计算目标图像区域矩和目标图像轮廓矩

利用轮廓提取后的二值化图像(附图2中的二值图1)作为处理区域来计算分割出来的目标图像的不变矩：

目标图像的正交投影区域矩：M′

目标图像的正交投影轮廓矩：M′

步骤3：利用神经网络对目标图像进行分类和识别

将步骤2计算得到的12个矩作为神经网络的变量分类与识别的输入量；

本实施例使用的神经网络由输入层、隐含层、输出层构成。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。其中，输入层包含12个节点，隐含层包含20个节点，输出层包含6个节点。

设置的误差值为0.001，若目标图像的区域与轮廓矩特征输入值与目标飞机数据库的区域与轮廓矩特征误差小于设定的误差值，则目标图像为目标数据库内的该型飞机；或进行到预定设定的学习次数为止。本发明选取的学习次数为数据库学习次数最大值60000次，超过该次数或误差大于设定值，则判定不是该型，退出神经网络学习，进入与下一型目标飞机比较，即输入数据要依次与目标飞机数据库得六型飞机矩特征数据进行比较，若直至识别出目标图像机型或目标图像与目标飞机数据库的六型飞机的数据都不匹配，则判定识别失败或未识别出。

依据上述步骤进行提取目标图像的特征向量，判断目标图像是否归属己知的六类飞机机型，进而完成敌友识别。

实施例3

步骤1：对输入图像进行分割，确定目标图像

对输入图像(附图3中的图像2)进行预处理，并将输入图像转换为灰度图，根据灰度图计算得出灰度直方图(附图3中的灰度直方图2)，根据灰度直方图信息选取合理阈值，将图像中各个像素的灰度值与该阈值相比较，根据比较结果得到目标图像区域及轮廓(附图3中的二值图2)；

步骤2：计算目标图像区域矩和目标图像轮廓矩

利用轮廓提取后的二值化图像(附图3中的二值图2)作为处理区域来计算分割出来的目标图像的不变矩：

目标图像的正交投影区域矩：M′

目标图像的正交投影轮廓矩：M′

步骤3：利用神经网络对目标图像进行分类和识别

将步骤2计算得到的12个矩作为神经网络的变量分类与识别的输入量；

本实施例使用的神经网络由输入层、隐含层、输出层构成。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。其中，输入层包含12个节点，隐含层包含20个节点，输出层包含6个节点。

设置的误差值为0.001，若目标图像的区域与轮廓矩特征输入值与目标飞机数据库的区域与轮廓矩特征误差小于设定的误差值，则目标图像为目标数据库内的该型飞机；或进行到预定设定的学习次数为止。本实施例选取的学习次数为数据库学习次数最大值60000次，超过该次数或误差大于设定值，则判定不是该型，退出神经网络学习，进入与下一型目标飞机比较，即输入数据要依次与目标飞机数据库得六型飞机矩特征数据进行比较，若直至识别出目标图像机型或目标图像与目标飞机数据库的六型飞机的数据都不匹配，则判定识别失败或未识别出。

依据上述步骤进行提取目标图像的特征向量，判断目标图像是否归属己知的六类飞机机型，进而完成敌友识别。

实施例3：

在网络上找到76张包含与数据库内六型飞机之一相同的单机图片应用本发明方法进行识别，识别结果见表1：

表1.张飞机图像识别结果表

随着高新技术的应用，使得作战系统需要处理的信息量大大增加，准确度要求越来越高，这就对目标识别的准确性及速度提出了更高要求，尽早发现、识别敌我目标，做出迅速反应，取得战争主动权、这是在现代高技术战争中能否取胜的关键因素之一。

本发明方法可以有效解决无人机军事作战时对空中飞机的敌友识别问题，后续随着目标飞机数据库的扩容，可自动识别更多的目标飞机，为无人机自主作战或与有人机协同作战提供一种切实可行的方法。

本发明方法还可应用于导航制导、警戒系统、防御系统中。