通過神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法得到飛機輪廓，再進行特征提取，運用模式識別技術(shù)將目標(biāo)正確的分類。傳統(tǒng)的分類方法，如人工神經(jīng)網(wǎng)絡(luò)在處理小樣本問題時一方面容易出現(xiàn)過學(xué)習(xí)現(xiàn)像，導(dǎo)致算法的推廣性差；另一方面學(xué)習(xí)的性能差，處理非線性問題算法復(fù)雜。而統(tǒng)計學(xué)習(xí)理論是一種專門的小樣本統(tǒng)計理論，基于統(tǒng)計學(xué)習(xí)理論的支持向量機技術(shù)是一種新的模式識別方法，能夠較好地解決小樣本學(xué)習(xí)問題。本文對基于支持向量機的飛機圖像識別算法做了研究。
1 飛機圖像識別算法
1.1 基于鄰域灰度變化極值和神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法
要提取物體的輪廓特征首先必須在圖像上得到輪廓的位置，即得到邊界象素在圖像上的位置。傳統(tǒng)的邊緣檢測算法，如sobel算子、robert算子等有一些缺點，一是提取的邊緣很粗，無法精確得到邊緣象素，而且邊緣具有很強的方向性，使用某一方向性的算子造成的結(jié)果是與之垂直方向的邊緣較為明顯，而相同方向的邊緣則檢測不到。本文提出了基于鄰域灰度變化極值和神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法。
由于圖像的數(shù)據(jù)量大，邊緣檢測網(wǎng)絡(luò)的訓(xùn)練時間較長，而非邊界候選象素對于圖像邊緣提取作用不大。因此，本文采用一種邊界候選象素提取方法，使訓(xùn)練數(shù)據(jù)規(guī)模可觀地減少。
圖像中的邊緣象素都是灰度變化較大的地方，邊界候選象素提取算法就是找到這些點。為此，借鑒經(jīng)典圖像銳化的方法，引入一個3×3的檢測窗口掃描圖像，考察其中心象素與其鄰域象素的灰度變化的值，通過設(shè)定適當(dāng)?shù)拈撝祵⒃紙D像變換為二值邊緣圖像。假定點(x，y)與其鄰域灰度變化的值為max，閾值為T，二值圖像相應(yīng)點處的值為g(x，y)，則其實現(xiàn)算法為：
求得邊緣后，會產(chǎn)生一些并不屬于邊緣點的噪聲，在提取特征前需要將這些噪聲去掉。采用一個矩形區(qū)域在圖像上遍歷，區(qū)域大小可自定，本文選取了15×15象素的區(qū)域。考察每一次區(qū)域內(nèi)的象素點，如果這一區(qū)域的邊緣無黑色的邊緣象素，說明這一區(qū)域正好將一個封閉的噪聲區(qū)域包括在內(nèi)，則將這一區(qū)域內(nèi)象素設(shè)置為白色，排除在邊緣點之外。
圖1是原圖像，圖2是邊緣檢測，做消除噪聲處理的結(jié)果。
物體的幾何形狀在物體的識別中占重要的地位，而不同種類的物體其形狀的差別是很大的，對物體的輪廓提取相應(yīng)的特征，進一步的運用支持向量機進行分類。物體的形狀并不因物體在圖像上的位置、大小和與圖像所處的角度而改變，所以提取的特征向量必須滿足RST(旋轉(zhuǎn)、比例、平移)不變性。物體的主軸率、緊密度、圓方差、橢圓方差、周長平方面積比等特征能很好地概括物體的輪廓特征，這5個特征滿足RST不變性。
得到邊緣象素后，求取主軸率、緊密度、圓方差、橢圓方差、周長平方面積比作為要提取的特征值。設(shè)輪廓邊緣坐標(biāo)為Pi=[xi，yi]T，輪廓為N個隨機向量的集合為P。P={Pi}，i=1，2，…，N。
1.3 支持向量機訓(xùn)練與分類
支持向量機是從線性可分情況下的分類面發(fā)展而來的。對于二維兩類線性可分情況(如圖3所示)，圖中實心點和空心點分別表示兩類的訓(xùn)練樣本，H為把兩類沒有錯誤地分開的分類線，H1，H2分別為過各類樣本中離分類線近的點且平行于分類線的直線，H1和H2之間的距離叫做兩類的分類間隔。分類線就是要求分類線不但能將兩類無錯誤地分開，而且要使兩類的分類間隔。H1，H2上的訓(xùn)練樣本點就稱作支持向量。
運用支持向量機進行飛機圖像識別也是一個二分類問題。有兩類樣本，一類是飛機樣本，另一類是非飛機樣本。訓(xùn)練支持向量機就是要尋找分類面，將飛機樣本和非飛機樣本沒有錯誤地分開。在訓(xùn)練過程中，任一樣本是不是飛機是預(yù)先知道的，將飛機樣本歸為類1，將非飛機樣本歸為類-1。非飛機樣本包括坦克，汽車等。
對任一樣本，提取主軸率、緊密度、圓方差、橢圓方差、周長平方面積比共5個特征向量。設(shè)線性可分樣本集為：
(xi，yi)，i=1，…，n，x∈R5，y∈{+1，-1}
R5表示五維空間，取n個樣本，xi為五維向量。對于飛機樣本，分類為1，即yi=1，對于非飛機樣本，分類為-1，yi=-1。則分類面方程為：
yi[(ω?xi)+b]-1≥0，i=1，2，…，n (10)
滿足條件式(10)且使‖W‖2小的分類面就叫做分類面，訓(xùn)練支持向量機就是求分類面的過程。利用Lagrange優(yōu)化方法可以把上述分類面問題轉(zhuǎn)化為其對偶問題，即在約束條件
n下對a求解下列函數(shù)的值： 
通過一系列化的迭代過程，求出了作為支持向量的樣本以及對應(yīng)的Lagrange乘子ai，根據(jù)式(10)得，分類函數(shù)是：
通過分類函數(shù)，輸入待分類的樣本提取的特征向量，輸出即為該樣本的分類。對任一樣本，提取特征向量，得到x為五維向量，此時y未知。將x代入式(12)，求得該樣本的類別，從而實現(xiàn)了分類。
2 實驗與分析
我們將人工神經(jīng)網(wǎng)絡(luò)與支持向量機做對比實驗。采取480個樣本，其中260個用于訓(xùn)練，220個用于測試，260個訓(xùn)練樣本中飛機樣本和非飛機樣本各占一半。220個測試樣本中有飛機樣本110個，非飛機樣本110個。
人工神經(jīng)網(wǎng)絡(luò)采用了反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò))，并運用基本反向傳播算法，帶有附加動量法，以及帶有附加動量和自適應(yīng)學(xué)習(xí)速率三種訓(xùn)練方法做實驗，采用一個隱含層，隱含層節(jié)點12個。采用不同神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法得到的實驗結(jié)果如表1所示。運用支持向量機得到的實驗結(jié)果如表2所示。
從兩個表的對比，可得如下結(jié)論：
(1)采用人工神經(jīng)網(wǎng)絡(luò)的方法實驗結(jié)果不穩(wěn)定，有些訓(xùn)練方法的效果非常差。支持向量機的訓(xùn)練只進行了56次迭代，而對于神經(jīng)網(wǎng)絡(luò)的方法只有進行幾百次迭代后，識別率才會穩(wěn)定下來。
(2)同一個人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法在不同的迭代次數(shù)下識別率有較大差異，甚至產(chǎn)生迭代次數(shù)低識別率反而高的振蕩現(xiàn)象。
(3)支持向量機實現(xiàn)簡單，訓(xùn)練算法時間短，識別率穩(wěn)定，而且不會出現(xiàn)過學(xué)習(xí)的問題，解決小樣本問題有優(yōu)勢。
實驗證明，支持向量機是一種切實可行的新的機器學(xué)習(xí)方法，他較傳統(tǒng)的學(xué)習(xí)方法識別效果好，識別率更高，而且特別適用于樣本數(shù)較少的小樣本問題，也不會產(chǎn)生過學(xué)習(xí)問題。將支持向量機運用到圖像識別上有很大的價值。
3 結(jié) 語
本文對飛機圖像的識別，采用基于神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法提取物體的輪廓特征，用支持向量機進行分類識別，經(jīng)實驗驗證分類效果較好，對于小樣本的學(xué)習(xí)表現(xiàn)出了優(yōu)勢。而且進一步的推廣還可以解決多分類的問題，具有強大的學(xué)習(xí)能力。