基于机载光子雷达的远距离舰船类型识别

　　摘要：为了在机载光子雷达条件下实现远距离舰船类型精确识别的目标，首先对场景点云进行平面拟合、点云聚类、目标提取等处理，获得舰船点云;然后对船体点云提取体量、表面法向量直方图、甲板目标分布等三维特征，获得特征数组;最后利用随机森林对抽取的特征进行判别分类，实现船体类型精确识别。实验表明：通过对13种类型船只的多次分类实验，平均正确识别率在95%以上，有效实现了舰船的类型识别。

　　关键词：光子;聚类算法;舰船;远距离;识别;随机森林

　　0引言

　　近年来，随着社会的发展，海上的活动日益增多，海洋安全关系着国家的安全与稳定。加强对海上舰船的实时识别对于海上救援、船只管理等领域具有重要意义[1，2]，目前多个国家和单位正在研究不同的方法去实现舰船的分类识别。使用舰船图像作为研究对象具有获取简单、来源广、样本量大的特点，同时神经网络算法在大样本训练时具有其他算法无法比拟的高精度优势，因此很多研究人员对传统神经网络算法进行改进[3-5]，通过舰船图像提取特征实现多种舰船的类型识别。此外部分研究人员使用支持向量机[6]、相似度匹配[7]、粒子群算法[8]等传统分类算法对舰船图像进行识别，通过二维特征提取、相似度计算也实现了舰船分类。

　　依靠图像识别舰船在实际应用中存在受不良天气影响较大的缺点，而雷达具有全天候工作的能力，因此部分科学家研究如何通过雷达回波信号实现舰船识别。科学家提取雷达回波信号[9，10]中的一维特征和二维特征、路线变化、速度变化对目标进行分类识别，完成模糊逻辑分类。此外从舰船的高分辨距离像[11，12]可以提取时域特征和频域特征，这些特征与传统分类器的契合度较好，获得了较好的识别结果。

　　从雷达回波信号中提取的特征大部分都是一维特征、二维特征，对目标描述性不强，或者需要长时间监测目标动态，实时性较差。为解决这个问题，人们使用三维激光雷达[13，14]建立目标模型，提取目标的三维特征，有效的提高了分类精度。船舶自动识别系统(AutomaticIdentificationSystem，AIS)包含船只静态数据和动态数据，NATALIAD[15]等提取AIS数据中载重吨位(DeadweightTonnage，DWT)、宽度、长度作为分类特征，实现目标分类。

　　目前无人机载测绘雷达最大的探测距离在1500m左右，基于激光雷达回波的舰船分类方法受限于雷达工作距离的限制，无法对2km以外远距离的舰船进行识别，并且提取的特征是在点云较为密集的基础上，不适合远距离稀疏点云的特征提取与识别。光子雷达[16，17]是近年来迅猛发展的新型探测手段，通过盖革模式下的雪崩光电二极管和时间相关单光子计数技术可以接收远距离目标反射的微弱回波信号，从中提取目标的三维特征，在目标识别领域具有独特的优势。

　　综上可知，依靠舰船图像、雷达回波信号和激光雷达进行舰船分类均存在不同的问题。本文研究机载光子雷达在海上远距离舰船识别中的应用，通过平面拟合、点云聚类将探测区域中的舰船目标提取出来，研究不同类型船只在不同方位的三维特征，在稀疏点云条件下选取具有代表性的三维特征用于类型识别，提高远距离舰船识别的精度，推进光子雷达在实际中的应用。

　　1数据预处理

　　1.1点云去噪

　　相比于常规激光雷达，光子雷达具有极高的灵敏度，因此在光子雷达工作时会探测到极多的噪声，需要的信号点云混杂在噪声点云中难以区分，需要预先进行点云去噪，才可以进行下一步的目标识别。

　　1.2去除海面点云

　　经过1.1步骤后，场景中仅剩下海面点云和舰船点云，机载光子雷达在正右方向探测到的海面场景，海面上分布3艘舰船(左边部分船体和甲板被遮掩，没有点云数据)。为了提取舰船点云，首先需要将海面点云去除，让舰船点云成为一个个独立的点云集合。

　　海面点云在空间分布上近似一个平面，在正常的天气情况下，海浪的起伏在1.25~2.5m之间，可以得到海面点云分布在一个高度为5m的包围盒范围内，因此设距离阈值为5m，利用经典的平面拟合算法对海面进行拟合，将拟合的平面点云除去，剩余的就是船只点云。

　　2点云聚类

　　经过预处理之后，背景噪声点云、海面点云基本全部去除，场景中只剩下一艘或者多艘舰船点云，但是对于机器视觉来说，场景中的点云是一个整体，在提取特征之前需要聚类，将同一艘舰船点云归为一类，然后逐步提取特征。

　　2.1密度聚类算法

　　基于密度的空间聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)是一种经典的聚类算法，该算法以点云密度为依据进行区域增长，直至没有符合条件的点云为止，是一种简洁有效的算法。DBSCAN算法的缺点是参数依靠人工选取，在应用于不同的数据集时会出现过度分割或者欠分割的结果。

　　2.2聚类结果

　　为测试改进后的自适应DBSCAN算法的聚类效果，本文将采用2个分别包含军舰点云模型和民船点云模型的场景。可以看出2个场景均被分成3个聚类结果，其中舰船的整体点云几乎都被归为一类，与我们的预期结果一致，极少数比较离散的点云被判定为噪声，不过考虑到舰船的体量以及该离散点云包含的特征极少，不会影响舰船的主要特征提取，因此改进后的聚类算法对于舰船的聚类效果较好，达到预期目标。

　　3舰船型号识别

　　3.1特征分析

　　经过聚类后，不同类型的船只点云已经归为一个点云集合，因此聚类后的结果可以直接用于特征提取。在远距离探测的条件下，获得的目标点云较为稀疏，长度小于100m的舰船模型点云数量极少，且容易淹没在噪声中，因此本文研究舰船长度在100m之内。在图像识别中，很多算法都采用舰船面积作为识别依据之一，由此可以看出目标的维度特征是一个有效的分类特征。

　　随着划分环数的增加，6种舰船的正确识别率也随之上升并且趋于稳定，其中3环划分在实验中出现不稳定的情况，从4环开始实验结果基本稳定且处于较高的水准，在兼顾数据维度与识别正确率的考量下，本文采取4环划分表示目标的几何特征。在上文提到在机载光子雷达照射的情况下，除了上层建筑物之外，甲板也是可以完全探测到。甲板的大小特征与上文特征有所重复，因此本文提取甲板形状特征中的夹角特征，即船头夹角。

　　不同类型的船只的船头角度往往不同，相比于民船，军舰的船头角度更小。在雷达探测中，在人工不参与的情况下，雷达无法分辨出船头和船尾，因此本文沿着舰船的长度提取出目标最前端和最后端的点云(首先默认距离雷达较近的一端为船头)，计算出相应的角度，其中较小的角度作为船头角度。

　　通常的法向量直方图是对探测到的目标整体进行统计获得的，但在稀疏点云条件下，舰船的很多细节特征被模糊化，通过常规的法向量直方图很难对目标进行区分。和上文研究过程类似，本文选取巡洋舰、航空母舰、护卫舰、货船、集装箱船、邮轮6个目标为实验对象，使用随机森林分类器研究稀疏点云条件下常规法向量直方图的分类能力。

　　由于绝大多数舰船目标关于本身长轴对称，因此本文选取长轴方向的向量作为起始线，计算每一个点的法向量与起始线的夹角，夹角分布在0°~80°之间。为了选取最优维度的直方图特征，本文分别以20°、30°、45°、60°为间隔，计算不同间隔情况下的正确识别率。

　　3.2分类算法

　　由于目前还没有公开的机载光子雷达对舰船的点云数据集，本文仿真的舰船模型达不到神经网络算法训练量的要求，因此本文选择随机森林算法对抽取的特征进行训练分类，验证分类结果。随机森林算法[21]可以看作是简化的神经网络算法，它是由多颗决策树组成，每一棵决策树都是一个弱分类器，都会对输入的数据输出一个结果，随机森林会对所有输出的结果进行分析，选择可能性最高的结果作为输出，算法步骤为：

　　1)从样本集中有放回随机采样n个样本;2)从所有特征随机选择k个特征，利用这些特征建立决策树;3)上述步骤重复m次，形成由m棵决策树组成的随机森林;4)对于新数据，经过每棵树决策，最后投票确认分到哪一类。

　　4实验结果

　　4.1舰船数据

　　鉴于目前没有公开的机载光子雷达对舰船的探测点云数据集，以及部分舰船属于国家机密，因此本文利用公开的舰船模型生成舰船点云数据，舰船点云数据部分说明如下。

　　1)舰船类别：本文采用巡洋舰、航空母舰、护卫舰、驱逐舰、中型航母、医疗船、登陆舰、起重船、货船、集装箱船、科考船、邮轮、渔船共13种舰船建立模型，上述舰船是包含人们常见的舰船类型，样本具有代表性。

　　2)点云密度：本文模拟机载光子雷达在5km之外对舰船模型进行扫描，光子雷达的水平分辨率和垂直分辨率均为0.5mrad，因此舰船模型的相邻点云间距均值M均大于等于2.5m。

　　4.2分类结果

　　本文中随机森林算法中的决策树数量设为40，其中正前、右前、正右、右后、正后这5个方位的样本作为训练集，正左、左后方位的样本作为测试集。每一个样本提取的特征组成一组12维的数组，其中维度特征是3维数据，法向量直方图是4维数据，几何特征是4维数据，船头夹角是1维数据。对每个样本增加一维标签后，样本与13维特征数组建立一对一的关系，特征数组输入随机森林进行训练或者测试。

　　5结论

　　针对目前舰船识别算法训练复杂、工作距离近、识别率较低、实时性较差的问题，本文以推进光子雷达的实际应用的目的出发，研究了机载光子雷达在远距离条件下对海面上舰船识别的问题。通过点云去噪、平面拟合、点云聚类等步骤提取舰船点云，研究了稀疏点云条件下的三维特征抽取，完成了经典分类算法的舰船识别，通过比较前人的工作，成功实现了远距离条件下的舰船类型精确识别，对光子雷达的实际应用具有指导意义。

　　参考文献

　　[1]WANGWenlong，HANBaojun，ZHANGHongping.Anewalgorithmofsmalltargetdetectionforifraredimageinbackgroundofseaandsky[J].ActaPhotonicaSinica，2009，38(3)：725-728.王文龙，韩保君，张红萍.一种海空背景下红外小目标检测新算法[J].光子学报，2009，38(3)：725-728.

　　[2]SHIWenxu，JIANGJinghong，BAOShengli.Shipdetectionmethodinremotesensingimagebasedonfeaturefusion[J].ActaPhotonicaSinica，2020，49(7)：0710004.史文旭，江金洪，鲍胜利.基于特征融合的遥感图像舰船目标检测方法[J].光子学报，2020，49(7)：0710004

　　作者：魏硕1，2，赵楠翔1，2，胡以华1，2，孙万顺1，2，刘彪1，2