陳 燕

(中北大學 信息與通信工程學院，山西 太原 030051)

0 引 言

遠洋船舶作為遠洋運輸?shù)闹饕d體，對其進行目標檢測與分類識別對于海洋生態(tài)環(huán)境保護、海洋交通與國防安全產生重要意義，遠洋船舶目標檢測中的圖像分類識別方法成為相關領域中的研究熱點。

周慧與等利用特征金字塔深度網絡定位船舶圖像，采用CNN網絡劃分船舶圖像類別。但該方法在實際應用過程中需通過反復的實驗確定CNN網絡參數(shù)，效率低且耗費大量時間。王莉等在研究船舶圖像分類識別方法中，構建約束稀疏表達線性編碼模型，依照相似度判斷函數(shù)，實現(xiàn)船舶圖像分別識別目的。但該方法在實際應用過程中學習能力有限，導致最終所得分類結果具有一定誤差。針對這些問題，研究遠洋船舶目標檢測中圖像分類識別方法，使遠洋船舶圖像分類的效果得到整體提升。

1 遠洋船舶圖像分類識別方法

1.1 遠洋船舶圖像特征提取

遠洋船舶圖像特征提取是遠洋船舶目標檢測中圖像分類識別的基礎。采用小波分析法提取遠洋船舶圖像特征，獲取高頻或低頻系數(shù)。而遠洋船舶圖像的大部分有效信息均存在于低頻系數(shù)內，因此遠洋船舶目標檢測中圖像分類識別過程中可將低頻系數(shù)作為分類的特征向量。若一維圖像信號()∈()于子空間V內實施標準正交基展開，以表示尺度，由此得到：

式中，=〈,?〉。

以和分 別描述尺度與小波系數(shù)，則()可表示為：

遠洋船舶圖像(,)是一種二維信號，所以需要構建二維尺度函數(shù)，公式描述如下：

利用式(4)描述二維小波變換過程中的三組正交基函數(shù)：

1.2 雙向遞歸神經網絡的遠洋船舶圖像分類識別

以表示隱含層，利用式(5)能夠描述單向遞歸神經網絡的輸出y：

式中：W和b分別表示連接隱含層與輸出層的權重矩陣和輸出層偏差向量；W和W分別表示隱藏至隱含層的權重矩陣和連接輸出層與隱含層的權重矩陣，tan和b分別表示激活函數(shù)與隱含層偏差向量。

作為單向RNN的擴展，BRNN內包含2個隱含層，這兩者間依照相反的時間順序排序進行連接?；诖?，BRNN可使用過去的數(shù)據和未來的數(shù)據，表示前進方向的非約束重量，由此得到的y可表示為：

式中，上標表示后向隱藏的激活。

針對輸入與輸出的影響水平與隱含層學習率的控制來說，BRNN內的權重設定極為重要。線性回歸過程中經由輸入與權重的乘積然后相加生成輸出：

式中：用于描述偏差，其主要功能為令輸出與神經元輸入間實現(xiàn)平衡。

1.3 基于粒子群算法的神經網絡優(yōu)化

權重與偏差作為BRNN分類器內的2個關鍵參數(shù)，兩者對最終的分類結果產生直接影響。因此為了提升BRNN分類性能，采用粒子群算法這2個參數(shù)進行優(yōu)化，改善BRNN不穩(wěn)定的缺陷，提升BRNN分類精度，基本流程如圖1所示。以權重為例，具體參數(shù)優(yōu)化步驟如下：

1 初始化粒子群相關超參數(shù)。初始化不同粒子的位置與速度，根據專家經驗設定權重值；將位置描述成網絡參數(shù)，以均方差描述適應度值。

2 確定不同的適應度值，并更新。若全局最優(yōu)粒子的適應度值下降，低于所設定的閾值，那么將停滯計數(shù)器的數(shù)值提升1，相反，將停滯計數(shù)器清零。

3 確定是否符合收斂標準，若符合，則轉入步驟7。

4 如果停滯計數(shù)器的值不小于最大迭代次數(shù)，則轉入步驟6；相反轉入步驟5。

5 更新全部的速度與位置，轉入步驟2。

6 停滯計數(shù)器清零，更新慣性權重，同時二次初始化除外的剩余，轉入步驟2。

圖1 改進粒子群算法的基本流程Fig. 1 Basic flow of improved particle swarm optimization algorithm

7 輸出作為BRNN內權重的優(yōu)化結果，結束。

2 實驗結果與分析

2.1 實驗數(shù)據和環(huán)境

為驗證本文所研究的遠洋船舶目標檢測中圖像分類識別方法在遠洋船舶圖像分類中的應用效果，在Matlab軟件實時編程驗證本文方法功性能。實驗對象為來自不同時間、不同類別的遠洋船舶目標檢測圖片集，其中共包含1 034幅遠洋船舶目標檢測所用的圖像，其中共包含4個遠洋船舶類別，不同遠洋船舶類別圖像的數(shù)量與來源如表1所示。

表1 實驗對象來源與構成Tab. 1 Source and composition of experimental objects

2.2 最優(yōu)參數(shù)選擇

為了有效評價本文方法的性能，將Spearman相關系數(shù)與Pearson相關系數(shù)作為分析指標，前者描述本文方法的準確性，后者可分析本文方法的性能。2個分析指標的取值范圍均為[0,1]，取值越接近1表示本文方法性能越好。在計算本文方法的Pearson相關系數(shù)前，需先進行回歸分析，也就是對本文方法所得的分類結果與主觀分析所得的主觀分類結果之間進行非線性映射。Spearman相關系數(shù)S與Pearson相關系數(shù)P的計算公式：

本文方法中BRNN分類器內不同時間步長對本文方法的應用性能也同樣產生顯著影響，因此，對比BRNN分類器內不同時間步長條件下本文方法的S值與P值，所得結果如圖2所示。分析圖2能夠得到，在時間步長為60的條件下，本文方法的S值與P值分別為0.974和0.972，均為不同時間步長條件下的最大值。在此之后隨著時間 步長的提升，本文方法的S值與P值都呈現(xiàn)不同程度地降低，由此可知本文方法中的時間步長應設定為60。

圖2 不同時間步長條件下本文方法的應用性能Fig. 2 Application performance of this method under different time steps

2.3 分類識別結果

采用本文方法對游艇類船舶和戰(zhàn)斗類船舶進行分類識別，所得結果如圖3所示。分析圖3(a)能夠得到，采用本文方法能夠在包干若干船舶的圖像中有效分類識別出3艘游艇類；分析圖3(b)能夠得到采用本文方法能夠在包含艇艘船舶的圖像中有效分類識別出2艘戰(zhàn)斗類。以上實驗結果充分說明采用本文方法可有效實現(xiàn)不同類型遠洋船舶圖像分別識別。

圖3 實驗對象分類結果Fig. 3 Classification results of experimental objects

2.4 圖像分類識別精度測試

不同類別船舶圖像分類識別精度測試過程中，以S值與整體精度為評價指標，同時以文獻[3]中基于特征金字塔模型的方法和文獻[4]中基于約束稀疏表達的方法為對比方法，分析本文方法與2種對比方法的S值與整體分類識別精度，所得結果如表2所示。分析表2得到，采用本文方法劃分實驗對象類別過程中，本文方法的所得的S值與整體精度分別高于0.94%和97%，與2種對比方法相比均具有明顯優(yōu)勢，由此說明本文方法與2種對比方法相比能夠得到更準確的分類結果。

表2 分類精度分析Tab. 2 Classification accuracy analysis

3 結 語

本文提出遠洋船舶目標檢測中圖像分類識別方法，根據遠洋船舶圖像特征，采用雙向遞歸神經網絡對遠洋船舶圖像進行分類研究，并通過改進粒子群算法優(yōu)化雙向遞歸神經網絡，提升分類性能。實驗結果顯示，本文方法在設定條件下能夠準確劃分實驗對象類別。