陳向奎，康 牧

(洛陽(yáng)師范學(xué)院信息技術(shù)學(xué)院，河南 洛陽(yáng)471022)

0 引 言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，環(huán)境問(wèn)題越來(lái)越突出，海洋中蘊(yùn)含著各式各樣的資源，如石油、天然氣等，海洋成為另一個(gè)可開(kāi)發(fā)空間，如何均衡有限的海洋資源與人類(lèi)的關(guān)系是社會(huì)可持續(xù)發(fā)展的一個(gè)重要研究課題。

海洋環(huán)境中對(duì)船舶進(jìn)行識(shí)別跟蹤能夠掌控船舶的安全生產(chǎn)和對(duì)環(huán)境的影響。自從19 世紀(jì)40年代提出關(guān)于神經(jīng)元的數(shù)學(xué)模型后，人工神經(jīng)網(wǎng)絡(luò)［1］有了突飛猛進(jìn)的發(fā)展，并且具有大規(guī)模并行、分布式處理、自組織、自學(xué)習(xí)的優(yōu)點(diǎn)，從而被廣泛的應(yīng)用于語(yǔ)音識(shí)別、人臉識(shí)別、表情識(shí)別等方面［2］。本文利用BP神經(jīng)網(wǎng)絡(luò)抗干擾性強(qiáng)、識(shí)別精準(zhǔn)等優(yōu)點(diǎn)對(duì)船舶進(jìn)行識(shí)別跟蹤。首先獲取原始圖像，然后進(jìn)行預(yù)處理，分別以圖像的全部灰度值為訓(xùn)練樣本和以新不變矩特征向量為樣本集輸入到3 層BP神經(jīng)網(wǎng)絡(luò)中，對(duì)含不同噪聲均值的圖像進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果表明以新不變矩特征向量作為樣本集時(shí)抗噪能力強(qiáng)，識(shí)別率高。最后以新不變矩特征向量作為樣本集進(jìn)行目標(biāo)跟蹤得到跟蹤誤差。

1 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別跟蹤技術(shù)研究

1.1 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別流程圖

利用捕捉設(shè)備獲取被識(shí)別船舶的圖像，將獲取到的圖像進(jìn)行圖像處理，包括圖像灰度化進(jìn)行圖像增強(qiáng)，圖像閾值分割，將圖像與背景進(jìn)行分離，便于后續(xù)的特征提取。利用不變矩進(jìn)行特征提取，優(yōu)先是此方法不受位置、方位、大小的影響，提取的特征向量能穩(wěn)定地反映提取目標(biāo)。最后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別。

圖1 識(shí)別流程圖Fig.1 Recognition flowchart

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的圖像跟蹤流程圖

通過(guò)攝像頭捕捉運(yùn)動(dòng)畫(huà)面，通過(guò)監(jiān)視器查看攝像機(jī)捕捉到的圖像，然后通過(guò)圖像增強(qiáng)、圖像校正對(duì)采集到的圖像進(jìn)行噪聲抑制和干擾剔除，提高圖像的質(zhì)量和對(duì)比度，然后進(jìn)行一系列圖像信號(hào)處理和模式識(shí)別得到目標(biāo)的位置，對(duì)已定位的目標(biāo)進(jìn)行跟蹤，調(diào)整其位置偏差，最后將此值傳送給伺機(jī)機(jī)構(gòu)進(jìn)行處理，實(shí)現(xiàn)目標(biāo)跟蹤。

圖2 跟蹤流程圖Fig.2 Tracking flowchart

1.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［3］

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)和隱節(jié)點(diǎn)組成。本文選用僅含1 層隱節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

圖3 中，i 為第i 層輸入;j 為第j 層隱層;k 為第k 層輸出;輸入節(jié)點(diǎn)為圖像每個(gè)特征值所對(duì)應(yīng)的特征向量;輸出節(jié)點(diǎn)為經(jīng)過(guò)分類(lèi)器分類(lèi)后所屬于的類(lèi)別。

圖3 BP神經(jīng)網(wǎng)絡(luò)Fig.3 BP neural network

利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別跟蹤實(shí)質(zhì)上是信號(hào)的傳播，類(lèi)似于人體神經(jīng)的工作進(jìn)程，信號(hào)的傳遞歸納如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)正反信號(hào)傳播Fig.4 Positive and negative signal propagation of BP neural network

設(shè)BP神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，輸入層里共m個(gè)，輸出層里共n個(gè)，隱層里共p個(gè)，神經(jīng)網(wǎng)絡(luò)中待訓(xùn)練樣本個(gè)數(shù)為N 對(duì)，因此可得到神經(jīng)網(wǎng)絡(luò)中輸入、輸出為:

輸入層輸入

理想情況下輸出向量

經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算后得到的實(shí)際輸出

隱層的加權(quán)向量

隱層的輸出向量

輸出層的加權(quán)向量

式中:wij為輸入層與隱層之間的關(guān)系;vjt為隱層與輸出層之間的關(guān)系;θj為隱層各節(jié)點(diǎn)的最大值;ri為輸出層各節(jié)點(diǎn)的最大值。

采用Sigmoid 型函數(shù)［4］作為層與層之間的傳輸函數(shù)，兩邊求導(dǎo)可得:

輸入與輸出之間的關(guān)系為:

因此得:

故得:

第k 對(duì)樣本(Xk，Yk)理想輸出值與實(shí)際輸出值之間的差為:

差值總和為:

輸出的校正誤差為:

由式(1)知:

隱層的校正誤差為:

全局誤差對(duì)輸入層和隱層連接權(quán)和最大值的負(fù)梯度為:

根據(jù)梯度下降原則，得:

式中:0 < α < 1，0 < β < 1;i=1，2，…，m;t=1，2，…，n;j=1，2，…，p。

從而得到調(diào)整后的輸入層和隱層連接權(quán)和最大值:

因而，通過(guò)上述推理得到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如下:

1)初始化網(wǎng)絡(luò)參數(shù)，即為wij，vjt，θj，rt賦予初值。

2)在輸入層輸入需要識(shí)別的樣本(X1，Y1)。

3)通過(guò)輸入樣本、輸入層與隱層之間的關(guān)系以及最大值計(jì)算出隱層的輸出值:bt=f(st)，其中st=+ θi，j=1，2，…，p。

4)計(jì)算輸出層的輸出:ot=f(lt)，其中l(wèi)t=+ ri，t=1，2，…，n。

5)計(jì)算輸出層各個(gè)節(jié)點(diǎn)之間的校正差值:dt=ot·(1- ot)·(yt- ot)，t=1，2，…，n。

6)計(jì)算隱層各個(gè)節(jié)點(diǎn)的校正差值:ej=bj·(1-bj)(1-ot)·(yt-ot)·vjt，t=1，2，…，n。

7)計(jì)算隱層到輸出層的新連接值:vjt(L+ 1)=vjt(L)+ αdtbjrt(L+1)=rt(L)+ αdt。

8)計(jì)算輸入層到隱層的新連接值:wij(L+1)=wij(L)+ βejxi，θj(L+1)=θj(L)+ βej。

9)然后進(jìn)行下一組樣本的訓(xùn)練，直至所有的樣本訓(xùn)練完成，不斷調(diào)整連接權(quán)值和閾值，通過(guò)輸出層得到輸出值。

2 實(shí)驗(yàn)結(jié)果

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別

本文將輸入的圖像對(duì)為16 ×16，訓(xùn)練集和測(cè)試集由每幅圖像總的像素向量組成。選用的神經(jīng)網(wǎng)絡(luò)由1 層輸入層、1 層隱層和1 層輸出層組成。輸入層的節(jié)點(diǎn)數(shù)為16 ×16，輸出節(jié)點(diǎn)為4，根據(jù)參考文獻(xiàn)［5］，隱層節(jié)點(diǎn)為11，測(cè)試不同噪聲級(jí)別樣本圖像的識(shí)別率如表1所示。

表1 不同噪聲級(jí)別樣本圖像的識(shí)別率Tab.1 Recognition rate of different noise

從表1 可看出，隨著噪聲的增大，識(shí)別率會(huì)越來(lái)越低，說(shuō)明抗噪能力差。

將新不變矩特征［5］作為樣本集，測(cè)試不同噪聲級(jí)別樣本圖像的識(shí)別率如表2所示。

表2 不同噪聲級(jí)別樣本圖像的識(shí)別率Tab.2 Recognition rate of different noise

由表1和表2對(duì)比可知，在采用3 層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別時(shí)，以新不變矩特征向量作為樣本集時(shí)抗噪能力強(qiáng)，識(shí)別率高。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的圖像跟蹤

本文以新不變矩特征向量作為訓(xùn)練圖像進(jìn)行跟蹤，得到的識(shí)別誤差曲線(xiàn)如圖5所示。

圖5 識(shí)別誤差曲線(xiàn)Fig.5 The recognition error curve

隨著時(shí)間的增長(zhǎng)，BP神經(jīng)網(wǎng)絡(luò)收斂，誤差越來(lái)越小，跟蹤效果越好。

3 結(jié) 語(yǔ)

本文通過(guò)對(duì)獲取的原始圖像分別以圖像的全部灰度值為訓(xùn)練樣本和以新不變矩特征向量為樣本集輸入到3 層BP神經(jīng)網(wǎng)絡(luò)中，對(duì)含不同噪聲均值的圖像進(jìn)行識(shí)別。結(jié)果表明，以新不變矩特征向量作為樣本集時(shí)抗噪能力強(qiáng)，識(shí)別率高。最后以新不變矩特征向量作為樣本集進(jìn)行目標(biāo)跟蹤得到跟蹤誤差。

［1］WANG Yong-qing.Principles and methods of artificial intelligence［M］.Xi＇an Jiaotong University Press，2002:385-387.

［2］RAFAEL M，ABDELLAH E F.Multilayer neural networks:an experimental evaluation of on-line training methods［J］.Computers ＆ Operations Research，2004，31:1491-1513.

［3］JIAO Li-cheng.Neural network theory［M］.Xidian University Press，1995.

［4］ZHAO Kuang-suo，LIN Jun-qing.Recognition of ship noise based on neural network［J］.Ship Science and Technology，1995，11(6):32-36.

［5］CHANG Hua.Research on underwater target recognition based on BP neural networks［D］.Northeastern University，2010.