摘要：為了在機(jī)載光子雷達(dá)條件下實(shí)現(xiàn)遠(yuǎn)距離艦船類(lèi)型精確識(shí)別的目標(biāo)，首先對(duì)場(chǎng)景點(diǎn)云進(jìn)行平面擬合、點(diǎn)云聚類(lèi)、目標(biāo)提取等處理，獲得艦船點(diǎn)云;然后對(duì)船體點(diǎn)云提取體量、表面法向量直方圖、甲板目標(biāo)分布等三維特征，獲得特征數(shù)組;最后利用隨機(jī)森林對(duì)抽取的特征進(jìn)行判別分類(lèi)，實(shí)現(xiàn)船體類(lèi)型精確識(shí)別。實(shí)驗(yàn)表明：通過(guò)對(duì)13種類(lèi)型船只的多次分類(lèi)實(shí)驗(yàn)，平均正確識(shí)別率在95%以上，有效實(shí)現(xiàn)了艦船的類(lèi)型識(shí)別。

　　關(guān)鍵詞：光子;聚類(lèi)算法;艦船;遠(yuǎn)距離;識(shí)別;隨機(jī)森林

　　0引言

　　近年來(lái)，隨著社會(huì)的發(fā)展，海上的活動(dòng)日益增多，海洋安全關(guān)系著國(guó)家的安全與穩(wěn)定。加強(qiáng)對(duì)海上艦船的實(shí)時(shí)識(shí)別對(duì)于海上救援、船只管理等領(lǐng)域具有重要意義[1，2]，目前多個(gè)國(guó)家和單位正在研究不同的方法去實(shí)現(xiàn)艦船的分類(lèi)識(shí)別。使用艦船圖像作為研究對(duì)象具有獲取簡(jiǎn)單、來(lái)源廣、樣本量大的特點(diǎn)，同時(shí)神經(jīng)網(wǎng)絡(luò)算法在大樣本訓(xùn)練時(shí)具有其他算法無(wú)法比擬的高精度優(yōu)勢(shì)，因此很多研究人員對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)[3-5]，通過(guò)艦船圖像提取特征實(shí)現(xiàn)多種艦船的類(lèi)型識(shí)別。此外部分研究人員使用支持向量機(jī)[6]、相似度匹配[7]、粒子群算法[8]等傳統(tǒng)分類(lèi)算法對(duì)艦船圖像進(jìn)行識(shí)別，通過(guò)二維特征提取、相似度計(jì)算也實(shí)現(xiàn)了艦船分類(lèi)。

　　依靠圖像識(shí)別艦船在實(shí)際應(yīng)用中存在受不良天氣影響較大的缺點(diǎn)，而雷達(dá)具有全天候工作的能力，因此部分科學(xué)家研究如何通過(guò)雷達(dá)回波信號(hào)實(shí)現(xiàn)艦船識(shí)別。科學(xué)家提取雷達(dá)回波信號(hào)[9，10]中的一維特征和二維特征、路線變化、速度變化對(duì)目標(biāo)進(jìn)行分類(lèi)識(shí)別，完成模糊邏輯分類(lèi)。此外從艦船的高分辨距離像[11，12]可以提取時(shí)域特征和頻域特征，這些特征與傳統(tǒng)分類(lèi)器的契合度較好，獲得了較好的識(shí)別結(jié)果。

　　從雷達(dá)回波信號(hào)中提取的特征大部分都是一維特征、二維特征，對(duì)目標(biāo)描述性不強(qiáng)，或者需要長(zhǎng)時(shí)間監(jiān)測(cè)目標(biāo)動(dòng)態(tài)，實(shí)時(shí)性較差。為解決這個(gè)問(wèn)題，人們使用三維激光雷達(dá)[13，14]建立目標(biāo)模型，提取目標(biāo)的三維特征，有效的提高了分類(lèi)精度。船舶自動(dòng)識(shí)別系統(tǒng)(AutomaticIdentificationSystem，AIS)包含船只靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)，NATALIAD[15]等提取AIS數(shù)據(jù)中載重噸位(DeadweightTonnage，DWT)、寬度、長(zhǎng)度作為分類(lèi)特征，實(shí)現(xiàn)目標(biāo)分類(lèi)。

　　目前無(wú)人機(jī)載測(cè)繪雷達(dá)最大的探測(cè)距離在1500m左右，基于激光雷達(dá)回波的艦船分類(lèi)方法受限于雷達(dá)工作距離的限制，無(wú)法對(duì)2km以外遠(yuǎn)距離的艦船進(jìn)行識(shí)別，并且提取的特征是在點(diǎn)云較為密集的基礎(chǔ)上，不適合遠(yuǎn)距離稀疏點(diǎn)云的特征提取與識(shí)別。光子雷達(dá)[16，17]是近年來(lái)迅猛發(fā)展的新型探測(cè)手段，通過(guò)蓋革模式下的雪崩光電二極管和時(shí)間相關(guān)單光子計(jì)數(shù)技術(shù)可以接收遠(yuǎn)距離目標(biāo)反射的微弱回波信號(hào)，從中提取目標(biāo)的三維特征，在目標(biāo)識(shí)別領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。

　　綜上可知，依靠艦船圖像、雷達(dá)回波信號(hào)和激光雷達(dá)進(jìn)行艦船分類(lèi)均存在不同的問(wèn)題。本文研究機(jī)載光子雷達(dá)在海上遠(yuǎn)距離艦船識(shí)別中的應(yīng)用，通過(guò)平面擬合、點(diǎn)云聚類(lèi)將探測(cè)區(qū)域中的艦船目標(biāo)提取出來(lái)，研究不同類(lèi)型船只在不同方位的三維特征，在稀疏點(diǎn)云條件下選取具有代表性的三維特征用于類(lèi)型識(shí)別，提高遠(yuǎn)距離艦船識(shí)別的精度，推進(jìn)光子雷達(dá)在實(shí)際中的應(yīng)用。

　　1數(shù)據(jù)預(yù)處理

　　1.1點(diǎn)云去噪

　　相比于常規(guī)激光雷達(dá)，光子雷達(dá)具有極高的靈敏度，因此在光子雷達(dá)工作時(shí)會(huì)探測(cè)到極多的噪聲，需要的信號(hào)點(diǎn)云混雜在噪聲點(diǎn)云中難以區(qū)分，需要預(yù)先進(jìn)行點(diǎn)云去噪，才可以進(jìn)行下一步的目標(biāo)識(shí)別。

　　1.2去除海面點(diǎn)云

　　經(jīng)過(guò)1.1步驟后，場(chǎng)景中僅剩下海面點(diǎn)云和艦船點(diǎn)云，機(jī)載光子雷達(dá)在正右方向探測(cè)到的海面場(chǎng)景，海面上分布3艘艦船(左邊部分船體和甲板被遮掩，沒(méi)有點(diǎn)云數(shù)據(jù))。為了提取艦船點(diǎn)云，首先需要將海面點(diǎn)云去除，讓艦船點(diǎn)云成為一個(gè)個(gè)獨(dú)立的點(diǎn)云集合。

　　海面點(diǎn)云在空間分布上近似一個(gè)平面，在正常的天氣情況下，海浪的起伏在1.25~2.5m之間，可以得到海面點(diǎn)云分布在一個(gè)高度為5m的包圍盒范圍內(nèi)，因此設(shè)距離閾值為5m，利用經(jīng)典的平面擬合算法對(duì)海面進(jìn)行擬合，將擬合的平面點(diǎn)云除去，剩余的就是船只點(diǎn)云。

　　2點(diǎn)云聚類(lèi)

　　經(jīng)過(guò)預(yù)處理之后，背景噪聲點(diǎn)云、海面點(diǎn)云基本全部去除，場(chǎng)景中只剩下一艘或者多艘艦船點(diǎn)云，但是對(duì)于機(jī)器視覺(jué)來(lái)說(shuō)，場(chǎng)景中的點(diǎn)云是一個(gè)整體，在提取特征之前需要聚類(lèi)，將同一艘艦船點(diǎn)云歸為一類(lèi)，然后逐步提取特征。

　　2.1密度聚類(lèi)算法

　　基于密度的空間聚類(lèi)算法(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)是一種經(jīng)典的聚類(lèi)算法，該算法以點(diǎn)云密度為依據(jù)進(jìn)行區(qū)域增長(zhǎng)，直至沒(méi)有符合條件的點(diǎn)云為止，是一種簡(jiǎn)潔有效的算法。DBSCAN算法的缺點(diǎn)是參數(shù)依靠人工選取，在應(yīng)用于不同的數(shù)據(jù)集時(shí)會(huì)出現(xiàn)過(guò)度分割或者欠分割的結(jié)果。

　　2.2聚類(lèi)結(jié)果

　　為測(cè)試改進(jìn)后的自適應(yīng)DBSCAN算法的聚類(lèi)效果，本文將采用2個(gè)分別包含軍艦點(diǎn)云模型和民船點(diǎn)云模型的場(chǎng)景。可以看出2個(gè)場(chǎng)景均被分成3個(gè)聚類(lèi)結(jié)果，其中艦船的整體點(diǎn)云幾乎都被歸為一類(lèi)，與我們的預(yù)期結(jié)果一致，極少數(shù)比較離散的點(diǎn)云被判定為噪聲，不過(guò)考慮到艦船的體量以及該離散點(diǎn)云包含的特征極少，不會(huì)影響艦船的主要特征提取，因此改進(jìn)后的聚類(lèi)算法對(duì)于艦船的聚類(lèi)效果較好，達(dá)到預(yù)期目標(biāo)。

　　3艦船型號(hào)識(shí)別

　　3.1特征分析

　　經(jīng)過(guò)聚類(lèi)后，不同類(lèi)型的船只點(diǎn)云已經(jīng)歸為一個(gè)點(diǎn)云集合，因此聚類(lèi)后的結(jié)果可以直接用于特征提取。在遠(yuǎn)距離探測(cè)的條件下，獲得的目標(biāo)點(diǎn)云較為稀疏，長(zhǎng)度小于100m的艦船模型點(diǎn)云數(shù)量極少，且容易淹沒(méi)在噪聲中，因此本文研究艦船長(zhǎng)度在100m之內(nèi)。在圖像識(shí)別中，很多算法都采用艦船面積作為識(shí)別依據(jù)之一，由此可以看出目標(biāo)的維度特征是一個(gè)有效的分類(lèi)特征。

　　隨著劃分環(huán)數(shù)的增加，6種艦船的正確識(shí)別率也隨之上升并且趨于穩(wěn)定，其中3環(huán)劃分在實(shí)驗(yàn)中出現(xiàn)不穩(wěn)定的情況，從4環(huán)開(kāi)始實(shí)驗(yàn)結(jié)果基本穩(wěn)定且處于較高的水準(zhǔn)，在兼顧數(shù)據(jù)維度與識(shí)別正確率的考量下，本文采取4環(huán)劃分表示目標(biāo)的幾何特征。在上文提到在機(jī)載光子雷達(dá)照射的情況下，除了上層建筑物之外，甲板也是可以完全探測(cè)到。甲板的大小特征與上文特征有所重復(fù)，因此本文提取甲板形狀特征中的夾角特征，即船頭夾角。

　　不同類(lèi)型的船只的船頭角度往往不同，相比于民船，軍艦的船頭角度更小。在雷達(dá)探測(cè)中，在人工不參與的情況下，雷達(dá)無(wú)法分辨出船頭和船尾，因此本文沿著艦船的長(zhǎng)度提取出目標(biāo)最前端和最后端的點(diǎn)云(首先默認(rèn)距離雷達(dá)較近的一端為船頭)，計(jì)算出相應(yīng)的角度，其中較小的角度作為船頭角度。

　　通常的法向量直方圖是對(duì)探測(cè)到的目標(biāo)整體進(jìn)行統(tǒng)計(jì)獲得的，但在稀疏點(diǎn)云條件下，艦船的很多細(xì)節(jié)特征被模糊化，通過(guò)常規(guī)的法向量直方圖很難對(duì)目標(biāo)進(jìn)行區(qū)分。和上文研究過(guò)程類(lèi)似，本文選取巡洋艦、航空母艦、護(hù)衛(wèi)艦、貨船、集裝箱船、郵輪6個(gè)目標(biāo)為實(shí)驗(yàn)對(duì)象，使用隨機(jī)森林分類(lèi)器研究稀疏點(diǎn)云條件下常規(guī)法向量直方圖的分類(lèi)能力。

　　由于絕大多數(shù)艦船目標(biāo)關(guān)于本身長(zhǎng)軸對(duì)稱(chēng)，因此本文選取長(zhǎng)軸方向的向量作為起始線，計(jì)算每一個(gè)點(diǎn)的法向量與起始線的夾角，夾角分布在0°~80°之間。為了選取最優(yōu)維度的直方圖特征，本文分別以20°、30°、45°、60°為間隔，計(jì)算不同間隔情況下的正確識(shí)別率。

　　3.2分類(lèi)算法

　　由于目前還沒(méi)有公開(kāi)的機(jī)載光子雷達(dá)對(duì)艦船的點(diǎn)云數(shù)據(jù)集，本文仿真的艦船模型達(dá)不到神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練量的要求，因此本文選擇隨機(jī)森林算法對(duì)抽取的特征進(jìn)行訓(xùn)練分類(lèi)，驗(yàn)證分類(lèi)結(jié)果。隨機(jī)森林算法[21]可以看作是簡(jiǎn)化的神經(jīng)網(wǎng)絡(luò)算法，它是由多顆決策樹(shù)組成，每一棵決策樹(shù)都是一個(gè)弱分類(lèi)器，都會(huì)對(duì)輸入的數(shù)據(jù)輸出一個(gè)結(jié)果，隨機(jī)森林會(huì)對(duì)所有輸出的結(jié)果進(jìn)行分析，選擇可能性最高的結(jié)果作為輸出，算法步驟為：

　　1)從樣本集中有放回隨機(jī)采樣n個(gè)樣本;2)從所有特征隨機(jī)選擇k個(gè)特征，利用這些特征建立決策樹(shù);3)上述步驟重復(fù)m次，形成由m棵決策樹(shù)組成的隨機(jī)森林;4)對(duì)于新數(shù)據(jù)，經(jīng)過(guò)每棵樹(shù)決策，最后投票確認(rèn)分到哪一類(lèi)。

　　4實(shí)驗(yàn)結(jié)果

　　4.1艦船數(shù)據(jù)

　　鑒于目前沒(méi)有公開(kāi)的機(jī)載光子雷達(dá)對(duì)艦船的探測(cè)點(diǎn)云數(shù)據(jù)集，以及部分艦船屬于國(guó)家機(jī)密，因此本文利用公開(kāi)的艦船模型生成艦船點(diǎn)云數(shù)據(jù)，艦船點(diǎn)云數(shù)據(jù)部分說(shuō)明如下。

　　1)艦船類(lèi)別：本文采用巡洋艦、航空母艦、護(hù)衛(wèi)艦、驅(qū)逐艦、中型航母、醫(yī)療船、登陸艦、起重船、貨船、集裝箱船、科考船、郵輪、漁船共13種艦船建立模型，上述艦船是包含人們常見(jiàn)的艦船類(lèi)型，樣本具有代表性。

　　2)點(diǎn)云密度：本文模擬機(jī)載光子雷達(dá)在5km之外對(duì)艦船模型進(jìn)行掃描，光子雷達(dá)的水平分辨率和垂直分辨率均為0.5mrad，因此艦船模型的相鄰點(diǎn)云間距均值M均大于等于2.5m。

　　4.2分類(lèi)結(jié)果

　　本文中隨機(jī)森林算法中的決策樹(shù)數(shù)量設(shè)為40，其中正前、右前、正右、右后、正后這5個(gè)方位的樣本作為訓(xùn)練集，正左、左后方位的樣本作為測(cè)試集。每一個(gè)樣本提取的特征組成一組12維的數(shù)組，其中維度特征是3維數(shù)據(jù)，法向量直方圖是4維數(shù)據(jù)，幾何特征是4維數(shù)據(jù)，船頭夾角是1維數(shù)據(jù)。對(duì)每個(gè)樣本增加一維標(biāo)簽后，樣本與13維特征數(shù)組建立一對(duì)一的關(guān)系，特征數(shù)組輸入隨機(jī)森林進(jìn)行訓(xùn)練或者測(cè)試。

　　5結(jié)論

　　針對(duì)目前艦船識(shí)別算法訓(xùn)練復(fù)雜、工作距離近、識(shí)別率較低、實(shí)時(shí)性較差的問(wèn)題，本文以推進(jìn)光子雷達(dá)的實(shí)際應(yīng)用的目的出發(fā)，研究了機(jī)載光子雷達(dá)在遠(yuǎn)距離條件下對(duì)海面上艦船識(shí)別的問(wèn)題。通過(guò)點(diǎn)云去噪、平面擬合、點(diǎn)云聚類(lèi)等步驟提取艦船點(diǎn)云，研究了稀疏點(diǎn)云條件下的三維特征抽取，完成了經(jīng)典分類(lèi)算法的艦船識(shí)別，通過(guò)比較前人的工作，成功實(shí)現(xiàn)了遠(yuǎn)距離條件下的艦船類(lèi)型精確識(shí)別，對(duì)光子雷達(dá)的實(shí)際應(yīng)用具有指導(dǎo)意義。

　　參考文獻(xiàn)

　　[1]WANGWenlong，HANBaojun，ZHANGHongping.Anewalgorithmofsmalltargetdetectionforifraredimageinbackgroundofseaandsky[J].ActaPhotonicaSinica，2009，38(3)：725-728.王文龍，韓保君，張紅萍.一種海空背景下紅外小目標(biāo)檢測(cè)新算法[J].光子學(xué)報(bào)，2009，38(3)：725-728.

　　[2]SHIWenxu，JIANGJinghong，BAOShengli.Shipdetectionmethodinremotesensingimagebasedonfeaturefusion[J].ActaPhotonicaSinica，2020，49(7)：0710004.史文旭，江金洪，鮑勝利.基于特征融合的遙感圖像艦船目標(biāo)檢測(cè)方法[J].光子學(xué)報(bào)，2020，49(7)：0710004

　　作者：魏碩1，2，趙楠翔1，2，胡以華1，2，孫萬(wàn)順1，2，劉彪1，2