☞空天防御体系与武器

基于SVM的无人直升机着舰标志识别方法研究

吴鹏飞^1,2，石章松¹，闫鹏浩¹，吴中红¹

(1.海军工程大学 兵器工程学院，湖北 武汉 430033;2.中国人民解放军92925部队，山西 长治 046000)

摘要： 无人直升机在海战场有着非常广泛的用途，但自主着舰一直是其难题。针对基于视觉的无人直升机自主着舰问题，通过着舰标志检测得到较为理想的图像特征；然后采用基于支持向量机(support vector machine,SVM)的机器学习方法对着舰标志进行识别，实现整个着舰标志识别流程，准确率满足要求;并针对2种不同核函数对应的SVM训练算法进行了对比分析，指出了各自适用的条件，具有一定的现实意义和工程实践价值。

关键词： 无人直升机； 着舰标志； 支持向量机；核函数；标志识别

0 引言

舰载无人直升机在现代海战场上有非常广泛的用途，能够执行引导、侦察、警戒和搜救等多种任务，但由于海况复杂，舰船甲板空间有限，使得无人直升机安全着舰成为一个难题^[1]。在众多着舰方法中，基于视觉的着舰最引人注意，这是因为视觉信息具有精度高、视场大、不受电磁干扰等优点^[2]。目前国内外很多研究机构已经开展了相关方面的研究。如加州伯克利分校就旋翼无人机舰船着陆进行了研究^[3]；南京航空航天大学对无人机的视觉着陆进行了广泛而深入的研究，涵盖了基于视觉的整个着陆过程^[4]。以上研究中实验环境过于理想，着舰标志的设计具有特定的形状与图像特征，因此识别准确率较高，但其方法不具有普适性，如若更改着舰标志形状，则其识别率大大降低。本文针对目前着舰标志识别方法的缺点，采用基于支持向量机(support vector machine,SVM)的机器学习方法，对通用着舰标志在模拟着舰环境下进行识别，并针对2种不同核函数对应的SVM训练算法进行了对比分析，指出了各自适用的条件，实验结果证明该方法具有普适性，准确率也满足需要，具有一定的现实意义和工程实践价值。

1 着舰标志检测

1.1 着舰标志

着舰标志是引导舰载机着陆的重要设施，让飞行员参考自身和着陆点的位置，国际上通常采用大写的“H”(helicopter的缩写)作为直升机着陆平台的标志。国际上在对无人直升机自主着舰研究过程中，许多研究机构设计了便于机器视觉识别的新型标志，如图1(左)所示为加州伯克利分校设计的着舰标志^[5]。本文以基于视觉的无人直升机自主着舰为研究背景，考虑到飞行甲板周边环境较为空旷，对着舰标志的干扰较少，且舰船上空间比较紧张很难有额外的空间来放置特殊的着舰标志，故本文直接采取通用型直升机着舰标志“H”，如图1(右)所示。

我国银行理财业务开展年代有限，相关产品结构不够合理，不能满足各类型理财需求。从铲平类型看来，我国银行理财以综合类、债券货币市场类和结构性产品为主，银行根据当前市场经济变化及热点发行，仅从利益驱动方向吸引投资者注意，在金价走高、能源涨价等焦点行业发行理财产品，导致风险过于集中，产品销售数量增减速度较快，产品收益或暴增、或暴跌，导致投资者对理财市场的不信任，产品结构稳定造成金融市场的发展缓慢。

图1 着舰标志
Fig.1 Landing marks

1.2 着舰标志图像预处理

在无人直升机对着舰过程中，机载摄像机采集到的图像信息中存在着光照不均、聚焦模糊、角度偏差等外界干扰。为了避免这些干扰，需对采集到的图像视频信息进行处理，保留图像中形状、特征等核心信息，滤除无关信息，便于减小计算量，并增强有关信息的可检测性。

本文对图像相继进行了以下预处理：阈值分割、灰度化、采样与量化、滤波和二值化。二值化后的图像已基本滤除了背景噪声，只剩下较为明显的目标轮廓图。由于目标轮廓周围存在着明显的像素值差异，根据这一特征，利用相邻像素点之间的比较，根据像素值突变来判断轮廓。其效果如图2所示。

图2 着舰标志轮廓提取
Fig.2 Contour extraction of landing mark

1.3 图像特征提取

图像的特征提取是用一组数据来描述整个图像，这组数据要简单且有代表性^[6]。首先根据链码找到图像边界，并对图像进行轮廓跟踪，进而求出图像的Hu不变矩。Hu不变矩不受光线、噪点和几何形变的干扰，是图像良好的特征。

(1) 链码是一种边界的编码表示法，编码的依据是边界方向。在研究轮廓特征时，常使用原链码来表示图形的轮廓。原链码指从曲线起点开始，按顺时针方向观察每一线段走向，并用相应的指向符表示，结果就形成表示该边界的数码序列^[7]。

(2) 轮廓跟踪指按照一定的顺序，找出边缘点来跟踪得到区域边界^[8]。轮廓跟踪首先要识别图像边界点，边界点识别过程如图3所示，整个轮廓跟踪的流程如图4所示。

图3 图像边界识别流程图
Fig.3 Flow chart of image boundary recognition

图4 轮廓跟踪流程图
Fig.4 Flow chart of contour tracking

(3) Hu特征矩计算：对于一幅图像，可以把像素的坐标看成是一个二维随机变量(x ,y )，那么一幅灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像的特征^[9]。M ×N 的数字图像，其p +q 阶几何矩m _pq 和中心矩μ _pq 为

(1)

(2)

式中：f (i ,j )为图像在坐标点处的灰度值，

3.3.2 着舰标志检测

2 基于SVM的着舰标志识别方法

2.1 支持向量机

3.3.3 基于SVM的训练与测试

2.2 SVM核函数

采用不同的核函数将导致不同的SVM算法，常见的核函数有如下形式：

实验中样本库主要是利用小型旋翼无人机在实验条件下在不同的场景、距离、角度和光线条件下采集的着舰标志图像。目前很多对着舰标志识别的研究都是在室内采集的样本，实验环境过于理想。相较而言，本文的样本集较为全面，可以真实模拟无人直升机着舰时对着舰标志图像的采集样本。在采集的图片中挑选了540张样本，采用随机生成的方式，生成七维向量，样本都经过归一化处理，尺寸为480×272，数据统计如下表2所示，部分样本图片如图7所示。

K (x ,z )=x ^Ty +c .

(3)

(2) 多项式核函数属于全局核函数^[12]，参数d 越大，映射的维度越高，计算量就会越大，适合于正交归一化数据，如式(4)所示：

K (x ,z )=(ax ^Ty +c )^d .

(4)

(3) 径向基核函数属于局部核函数^[13]，其参数决定径向作用范围，学习能力较强，具备良好的推广性，如式(5)所示：

(5)

2.3 基于SVM的着舰标志识别算法框架

基于SVM的着舰标志识别算法框架分为训练和识别两大模块，训练模块部分对图像样本进行预处理、特征提取和SVM训练，识别模块根据离线训练的参数库对着舰标志图像进行判断^[14]。算法框架如图5所示。

中药的提取过程是中药质量传递的关键环节，在设计提取工艺时，应考虑到药材所含成分的理化性质及其之间的差异，如分子大小、熔点、沸点、极性、溶解性等[25]。目前，最常用的提取方法是水蒸气蒸馏法，《中国药典》2015年版中规定的中药挥发油提取方法几乎是水蒸气蒸馏法，但水蒸气蒸馏法不适于热敏性、难溶性成分的提取。因此，需加强各种中药挥发油的最佳工艺基础性研究，完善中药挥发油提取技术。提取方法标准化的同时，具体的工艺参数也需明确，如采用有机溶剂萃取法，则需明确说明所用的有机溶剂名称、用量及萃取时间等。中药挥发油的提取过程若能得到有效控制，则其质量的稳定均一性将随之大大提升。

图5 着舰标志识别算法框架
Fig.5 Framework of the landing mark
identification algorithm

3 实验

3.1 实验环境

(1) 硬件环境：PC机一台，小型无人机一架，无人直升机着舰标志一个。无人机如图6所示，其参数如表1所示。实验用着舰标志为边长1 m的白色正方形，如图6所示。

(2) 软件环境：操作系统为Windows 7，开发平台为MatlabR2014b。

图6 实验用无人机和着舰标志
Fig.6 UAV and Landing mark for experiment

表1 无人机参数
Table 1 Parameters of UAV

3.2 实验步骤

Step 1： 利用无人机对着舰标志图像进行采集，建立样本库，并将其分为训练集和测试集，2个样本库中均包含一定的正样本和负样本；

由于进洞40米为坡积体，尽管已完成顶部管棚灌浆处理，取样判断不乐观，因此采用非常规的开挖方法。冲砂隧洞开挖断面面积6.14～10.36m2，属于小断面洞室，主要采用人工作业。运用分层开挖、局部爆破的方式，保证较小的掏槽开挖进尺，配用小型挖掘设备配合，逐步往前推进。开挖钻孔采用YT-28手风钻作业，出碴采用装载机装运，至洞口再集中倒运到指定弃碴场地。

Step 3： 基于Hu不变矩对处理后的二值图像进行特征提取；

对于在景区中游客不文明行为的表现原因的分析，绝对不可以用“素质太低”之类的武断来加以定性，而必须正视游客自身的特殊性，基于游客的特殊性来分析不文明行为产生的原因，将为景区进行游客文明行为的管理提供基本的逻辑分析的前提。

经过特征提取，已经获得了各个样本图片对应的Hu不变矩，将所有样本的不变矩组建样本库，这样就获得了可以供SVM学习、训练、测试的样本库数据集^[15]。在SVM模型对样本进行学习训练时，需要选择核函数模型，考虑到本文中样本库数据规模一般，特征矩维度较小，同时为了比较各个核函数对识别效果的影响，在对采集到的样本轮廓特征数据集展开训练的过程中，分别采用了高斯镜像基核函数(RBF)和线性核函(linear)，并对2种核函数对样本训练的效果进行了对比。在本算法中，训练效果的判断准则如下：

Step 5： 对测试样本数据进行SVM识别，并针对基于不同核函数的SVM训练算法的结果进行对比分析。

3.3 实验方案

3.3.1 样本库的建立

(1) 线性核函数是最简单的核函数^[11]，主要用于线性可分的情形，它在原始空间中寻找最优线性分类器，具有参数少速度快的优势，如式(3)所示：

例如：教师在给学生进行地理教材中景观图讲解的时候，教师可以利用景观图的美观来激发学生的学习兴趣，让学生进行地理知识的记忆学习，同时也要培养学生自主阅读图像的积极性，让学生结合相关的风土人情进行地理知识的学习，给学生营造轻松快乐的学习环境。

表2 样本数据表
Table 2 Sample data 张

图7 部分样本图片
Fig.7 Part of sample pictures

然后利用二阶和三阶规格中心矩可以求出7个不变矩组(φ ₁,φ ₂,…,φ ₇)，这7个不变矩构成的特征量便是Hu不变矩。

经济效益在综合评价指标中，虽然权重关联度较小，仅为0.628，但关系到当地林农开展抑螺防病林建设的积极性。通过分析可以看出，不同的林农复合经营的经济效益虽然存在一定差异，但由于林禽、林菜、林油以及林药复合经营模式与民生紧密相关，且经营周期均较短，具有较强的市场竞争力，与纯林经营模式相比经济效益均较好，能够带动和促进农民増收及地方经济社会发展，目前在湖区滩地已被广泛推广应用[24-25]。

由于机载摄像机的分辨率较高，如直接对采集的图像进行处理，将给实验计算机带来较大的运算负担。为了减轻计算量并缩短相关程序的运算时间，本文对所有的图像都经过归一化处理，向下采样为尺寸128×128。然后对每一幅图片进行灰度处理、针对不同种类噪声分别滤波、二值化、后期噪声处理、提取边缘、记录轮廓链码和特征提取。边缘识别和滤波处理后的图像轮廓如图8所示，对图像提取特征值的部分数据如表3所示。

Step 2： 对样本库中2个数据集进行预处理；

由于地理位置的优越，近几年来，进入惠州港辖区避台的船舶越来越多，但惠州港所能接收避台的船舶能力有限。因此，在台风来临前，对进入辖区的船舶进行控制是非常有必要的。惠州VTS值班室要加强监控，非本港生产作业船舶进港避风要尽量限制入港，这也是对已在本港抛锚避台船舶和拟进入惠州港避台的船舶安全负责，因此应该足够重视。

在机器学习中，SVM是用来解决分类问题的常用工具^[10]。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。对于非线性可分的样本集，SVM可釆用核函数方法把原始输入数据空间映射到高维核函数空间，从而可将非线性可分样本集转变成特征空间线性问题^[10]。

Step 4： 设计SVM分类器，选择不同核函数对样本进行训练；

图8 边缘识别和滤波处理后的图像轮廓
Fig.8 Image contour after edge recognition and filtering

(1) 对于样本X ，在时，y (x )=1。若y (x )的值等于X 的期望y ，则认为X 是着舰标志，不然为错误判断。

单个冲断系的负反转构造中，单个冲断层系断面下部活化，常被张拉断层利用，其断坪部分仍保留着逆断层的性质。老22-桩古32-桩古18井近北东向地震剖面中，西部的两条逆断层仍保存的十分清楚，桩古18井区附近的逆断层下盘的侵蚀面已低于上部的冲断面，仅表现为张性而无收缩的断层性质（图2）。桩古18井的钻井资料证实，该断层是一个先逆后正的断层，新生代的拉张作用下滑仅利用了原来逆冲断层后缘陡倾断层，这种负反转主要在桩西潜山西部边界逆断层区发育。

个人突发事件：个人突发状况一般为单个旅客的个人事件。例如：寻人寻物、双方打架、突发疾病、不文明现象恶化等状况。个人突发状况处理不当的情况下，也容易造成群体事件，因此旅游类志愿者在工作中要及时处理、秉承以人为本的原则，做到让游客满意，超出个人解决能力范围的，可寻求同伴的帮助或者请示上级领导。

(2) 对于样本X ，在时，y (x )=0。若y (x )的值等于X 的期望y ，则认为X 不是着舰标志，不然为错误判断。

3.3.4 实验结果分析

本文针对2种核函数对样本训练的效果进行了对比：

人神经母细胞瘤细胞SH-SY5Y从中国科学院上海生命科学研究院生物化学与细胞生物学研究所购买。细胞使用含10%胎牛血清，100 U/mL青霉素，100μg/mL链霉素的DMEM培养基，在37℃、5%CO2条件下静置培养。

(1) 线性核函数

线性核函数是最简单的核函数，其涉及到的参数少、速度快、运算较为简单，但主要用于线性可分的情形。由于本文的Hu特征矩向量维度较高，使用线性核函数分类较为勉强，虽然其分类准确度上不太令人满意，但其运算速度较快，综合而言，也在可接受的范围之内。其部分训练结果如表4所示。使用线性核函数模型对全部样本库的识别进行训练，最终识别正确率在83%左右浮动。

表3 部分Hu不变矩
Table 3 Part of Hu invariant moments

表4 部分样本识别结果表
Table 4 Recognition result of part samples

(2) 高斯镜像基核函数

高斯镜像基核函数主要用于线性不可分的情形，如果参数较多，其分类结果非常依赖于合适的参数，这需要通过训练数据的交叉验证来寻找。利用高斯镜像基核函数对样本展开训练的部分结果如表5所示。

可以看到判断失误的多是集中在负样本，但负样本为随机生成，由于其中恰巧有与正样本类似的样本被误判为正样本。使用高斯镜像基核函数模型对全部样本库的识别进行训练，经过多次迭代，最终识别结果正确率在87.5%～93%之间浮动。

国有农场办社会职能改革和农垦国有土地使用权确权登记发证任务基本完成。全国35个垦区中，21个垦区已全面完成国有农场办社会职能改革。全国农垦国有农场中已完成办社会职能改革任务的超过80%。公检法、基础教育机构、基本医疗和公共卫生机构等三项改革任务已基本完成。农垦国有土地确权率、发证率基本达到预期目标。

表5 部分样本识别结果
Table 5 Recognition result of part samples

综上所述，在使用默认参数时，如果特征提取效果较为理想，且包含的信息量足够大，那么很多问题都是线性可分的，那么Linear核训练的效果一般满足需求，但如果特征提取结果不够理想，信息包含量不够大，则通过大量数据的交叉验证，可以找到比Linear核具有更好效果的RBF核，其识别准确率更高。

4 结束语

本文针对基于视觉的无人直升机着舰难题，采用基于SVM的机器学习方法对着舰标志进行识别，实现了整个着舰标志识别流程，准确率满足要求。针对2种不同核函数对应的SVM训练算法进行了对比分析，对比发现在特征提取效果较为理想时，Linear核效果更好，但如果特征提取结果不够理想，信息包含量不够大，则通过大量参数的尝试，可以找到比linear核具有更好效果的RBF核，识别准确率更高。本文所做工作可为基于视觉的无人直升机自主着舰提供参考，具有一定的工程实践价值。

参考文献：

[1] 史阳阳.旋翼型无人机自主着舰目标识别技术研究[D].南京：南京航空航天大学,2013.

SHI Yang-yang.Research on Autonomous Landing Target Identification Technology of Rotorcraft UAV[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2013.

[2] 董立峰,阮军,马秋实.基于不变矩和支持向量机的手势识别[J].微型机与应用,2012，31(6):36-39.

DONG Li-feng,RUAN Jun,MA Qiu-shi.Gesture Recognition Based on Invariant Moment and Support Vector Machine[J].Microcomputer and Application,2012，31(6):36-39.

[3] 邱思雨.小型无人直升机视觉跟踪与识别系统实现[D].哈尔滨：黑龙江大学,2016.

QIU Si-yu.Realization of Visual Tracking and Recognition System of Small Unmanned Helicopter [D].Harbin:Heilongjiang University,2016.

[4] ZENG Fu-cen,SHI Hai-qing,WANG Hong.The Object Recognition and Adaptive Threshold Selection in the Vision System for Landing an Unmanned Aerial Vehicle[C]∥IEEE International Conference on Robotics and Automation,Zhuhai/Macaw,China,2009:117-122.

[5] 杨磊，王晓丹，张玉玺，等.基于多极化多特征提取和SVM的目标识别方法[J].现代防御技术，2012，40(5)：151-153.

YANG Lei,WANG Xiao-dan,ZHANG Yu-xi,et al．Target Recognition Method Based on Multi-Polarization and Multi-Feature Extraction and SVM[J].Modern Defence Technology,2012,40 (5)：151-153.

[6] 朱玮.基于视觉的四旋翼飞行器目标识别及跟踪[D].南京:南京航空航天大学,2014.

ZHU Wei.Target Recognition and Tracking of Four-Rotor Aircraft Based on Vision [D].Nanjing:Nanjing University of Aeronautics and Astronautics,2014.

[7] 蔡鸣，孙秀霞，徐嵩，等．视觉技术辅助的无人机自主着陆组合导航研究[J]．应用光学，2015,36(3):343-350.

CAI Ming,SUN Xiu-xia,XU Song,et al.Research on Autonomous Landing Combined Navigation of UAV Aided by Visual Technology [J].Applied Optics,2015,36(3):343-350.

[8] SINGH S,Vijay Rao D.Recognition and Identification of Target Images Using Feature Based Retrieval in UAV Missions[C]∥IEEE International Conference on Computer Vision and Pattern Recognition,Jodhpur,India,2013:1-4.

[9] KIM H J,KIM M,LIM H,et al.Fully Autonomous Vision-Based Net-Recovery Landing System for a Fixed-Wing UAV[J].Mechatronics IEEE/ASME Transaction on,2013,18(4):1320-1333.

[10] DUAN Hai-bin,ZHANG Qi-fu.Visual Measurement in Simulation Environment for Vision-Based UAV Autonomous Aerial Refueling[J].IEEE Transactions on Instrumentation & Measurement,2015,64(9):2468-2480.

[11] WANG Kai,SUN Chun-zhen,JIANG Yi.Research on Adaptive Guidance Technology of UAV Ship Landing System Based on Net Recovery[J].Procedia Engineering,2015,99:1027-1034.

[12] LAURENT C,FRANCOIS C． Visual Detection and 3D Model-Based Tracking for Landing on an Aircraft Carrier[C]∥IEEE International Conference on Robotics and Automation，Shanghai,China,2011:1746-1751．

[13] 周志华.机器学习[M].北京：清华大学出版社，2016:35-38.

ZHOU Zhi-hua.Machine Learning [M].Beijing:Tsinghua University Press,2016:35-38.

[14] MING Zu-heng,Aurélie Bugeau, Jean-Luc Rouas,et al.Facial Action Units Intensity Estimation by the Fusion of Features with Multi-Kernel Support Vector Machine[C]∥2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition(FG),Ljubljana,Slovenia,2016:1-6.

[15] CHEN Ning,ZHU Jun,CHEN Jian-fei,et al.Dropout Training for Support Vector Machines[J].Computer Science,2015,56(6):89-92.

Identification Method of Landing Mark for Unmanned Helicopter Based on SVM

WU Peng-fei^1,2,SHI Zhang-song¹,YAN Peng-hao¹,WU Zhong-hong¹

(1.Naval University of Engineering,College of Weaponry Engineering，Hubei Wuhan 430033,China; 2.PLA, No.92925 Troop,Shanxi Changzhi 046000,China)

Abstract: Unmanned helicopters have a wide range of application in naval warfare, but autonomous landing has always been a problem. In view of the identification problem of landing mark based on vision, a universal landing mark has been designed, ideal image characteristics has been obtained through the landing mark detection, and then the SVM(support vector machine)-based machine learning method has been used to identify the landing mark. The whole process of the landing mark identification has been implemented, and the identification accuracy can meet the actual demand. The SVM training algorithms based on the two different kinds of kernel functions have been analyzed to point out their applicable conditions, and they have important practical significance and practical engineering values.

Key words: unmanned helicopter; landing mark; support vector machine(SVM); kernel function; landing mark identification

收稿日期： 2018-09-10；修回日期：2018-12-03

第一作者简介： 吴鹏飞(1987-)，男，河北沧州人。博士生，主要研究方向为无人机自主着舰。

通信地址： 430033 湖北省武汉市硚口区解放大道717号兵器工程学院舰艇指控教研室 E-mail：wpf1987@126.com

doi: 10.3969/j.issn.1009-086x.2019.04.01

中图分类号： E926.396; V271.4⁺92; V674.7

文献标志码： A

文章编号： 1009-086X(2019)-04-0001-06

标签：无人直升机论文;  着舰标志论文;  支持向量机论文;  核函数论文;  标志识别论文;  海军工程大学兵器工程学院论文;  中国人民解放军92925部队论文;