بخشی از مقاله
چکیده
شناسایی و طبقهبندی انواع مختلف کشتیهایی که از یک گذرگاه آبی عبور میکنند، از مسائلی است که امروزه مورد توجه بسیاری از محققین قرار گرفته است. شناسایی و طبقهبندی کشتیها میتواند از جنبههای مختلفی مانند امنیتی، کنترلی و نظامی مورد توجه قرار گیرد، که در هر یک از موارد مذکور، با توجه به نوع کشتی اقدامات خاصی صورت میگیرد. در این مقاله ما سعی بر ارائه روشی برای شناسایی و طبقهبندی پنج کلاس مختلف از کشتیها داریم.
در این مقاله، ابتدا نقاط کلیدی مربوط به تصاویر طبقههای مختلف با استفاده از الگوریتم تسریع استخراج ویژگیهای مستحکم1 استخراج میشوند. سپس با استفاده از مدل کیف کلمات2 و اعمال تابع K-Means، نقاط کلیدی بدست آمده خوشهبندی میشوند. سپس هیستوگرام مراکز خوشه ها را بعنوان کلمات بصری، به ازای تصاویر موجود در دستههای مختلف به دست میآوریم، و در نهایت با دستهبندی آن با ماشین بردار پشتیبان 3 نوع کشتی را تشخیص میدهیم. نتایج تجربی نشان میدهند که با روش ارایه شده کشتیها با دقت بالایی در این پنج گروه طبقهبندی میشوند.
مقدمه
امروزه به دلیل افزایش تعداد و حجم تردد کشتیها در بندرگاهها نیاز است که امنیت و کنترل خودکار بندرگاهها با توجه به طبقهبندی4 کشتیها تأمین شود. شناسایی5 کشتیها میتواند نقش مهمی در برنامههای مختلف کاربردی از قبیل مدیریت کشتیهای ماهیگیری، فعالیتهای مختلف دریایی و خدمات ترافیک شناورها داشته باشد
جهت کنترل امنیت در آبهای سرزمینی هر کشوری، نیاز به کنترل عبور انواع مختلف کشتیها در منطقه موردنظر است. تحقیقات مختلفی در این زمینه صورت گرفته است. پاتریشیا و همکاران جهت شناسایی کشتی از الگوریتم استخراج ویژگیهای مستقل از مقیاس6 با استفاده از یک دوربین و در یک پسزمینه شلوغ در محیطهای دریایی استفاده کردند. در این روش با استفاده از یک فرایند تصدیق هندسی، موارد مشابه و نادرست از تصویر حذف میشوند
گاگنون و همکاران تحقیق خود را بر روی تصاویر راداری 7SAR انجام دادند که طی چهار مرحله کار شناسایی یک کشتی صورت میپذیرد. در مرحله اول طی عملیات بخشبندی ابتدا پیکسلهای نامرتبط از سایر پیکسلهای هدف حذف میشوند. سپس در گام دوم طول کشتی محاسبه شده و در مرحله سوم با استفاده از یک دستهبندیکننده کشتیها به دو دسته نظامی و یا تجاری دستهبندی میشوند. در نهایت با استفاده از الگوریتم تجزیه و تحلیل اجزای اصلی8، مرحله شناسایی انجام میگیرد. با توجه به مجموعه آموزشی موجود، نرخ شناسایی تا %79 بدستآمده است
در روش ارائه شده توسط آلوز و همکاران شناسایی کشتی بر روی تصاویر مادونقرمز انجام میگیرد که پس از نویز زدایی تصاویر، لبهها با استفاده از روش [4] Canny استخراج میشوند. دستهبندی با استفاده از هیستوگرام لبه و شبکه عصبی صورت میگیرد که دقت 70 تا 80 درصد در این روش حاصل میشود .[5] لی و همکاران تحقیق خود را بر روی تصاویر مادون قرمز از کشتیهای جنگی انجام دادهاند.
این کار طی سه مرحله و بر روی سه کلاس از شناورها انجام شده است. کلاسها عبارتند از: ناو هواپیمابر، ناوشکن و ناوچه. در مرحله اول منطقه هدف که همان کشتی است بر اساس ویژگیهای برجسته از تصویر اصلی جدا میشود. در گام دوم بوسیلهی گشتاورهای Hu، ویژگیهای کشتی استخراج میشوند و در گام سوم طبقهبندی کشتیها توسط ماشین بردار پشتیبان انجام میگیرد
در تحقیقی که توسط Huilin و همکاران [7] انجام گرفته است، یک روش طبقهبندی جدید برای تصاویر مختلف با استفاده از روش مدل کیف کلمات و مبتنی بر الگوریتم SIFT ارائه شد. در این تحقیق ابتدا هر تصویر به تعدادی از قسمتهای شبکهای یک شکل تقسیمبندی میشود و سپس با استفاده از الگوریتم SIFT خصوصیات کلیدی مربوط به هر یک از قسمتها مستقیما استخراج میشود
این تحقیق بر روی 6 دسته مختلف از تصاویر انجام گرفت که هر دسته شامل 60 تصویر بود. هدف اصلی این تحقیق دستیابی به یک دقت بالا برای طبقهبندی تصاویر بود و در تحقیق فوق به دقت 90 درصدی برای تصاویر انتخابی دست یافتند.
هدف اصلی در این مقاله شناسایی و طبقهبندی کشتیها در یک گذرگاه آبی با استفاده از استخراج ویژگیهای مقاوم تسریع شده میباشد. تصاویر موردنظر میتوانند با توجه به مکان دوربین، از زاویه کناری بهطوریکه بیشترین طول کشتی در آن مشخص باشد، تهیه شوند. شناسایی تصاویر، با استفاده از نقاط کلیدی استخراج شده از تصویر کشتی صورت میگیرد و از آنجا که تعداد این نقاط کلیدی قابل پیشبینی نیست، با افزایش آنها به همان اندازه مسئله شناسایی کشتی پیچیده خواهد شد. برای کاهش تعداد این نقاط با حفظ دقت تشخیص و کمکردن بار محاسباتی و تسریع فرآیند شناسایی، از مدل استخراج ویژگیهای مقاوم تسریع شده در انتخاب نقاط کلیدی استفاده می نماییم.
مراحل تشخیص و شناسایی تصاویر
در بحث شناسایی و طبقهبندی کشتیها، ممکن است دو نوع یا دو کلاس مختلف از کشتیها از لحاظ شکل و قالب بسیار شبیه به هم باشند. حال اگر بخواهیم از توصیفکنندهایی مانند SIFT و یا SURF استفاده کنیم، ممکن است که نتوانیم به راحتی این دو کلاس را از هم تفکیک کنیم. بنابراین برای تفکیک این کلاسها کافی است ویژگیهای دیگری مانند خصوصیت رنگ9 یا خصوصیت بافت10 را به بردار ویژگیها اضافه کنیم تا این دو کلاس از یکدیگر تفکیک شوند. جهت استخراج ویژگیها از ویژگیهای سطح پایین مانند لبهها، تقاطع و رنگ استفاده میشود. استخراج ویژگیها، توصیف آنها و شناسایی تصاویر از چند بخش اصلی تشکیل شده است که شکل 1 مراحل این کار را نشان میدهد. این مراحل در اکثر سامانههای تشخیص یا دستهبندی کننده تصاویر مورد استفاده قرار میگیرند.
شکل :1 مراحل شناسایی یک تصویر
استخراج ویژگی با روش تسریع ویژگیهای پایدار SURF
توصیفگر SURF یک توصیفگر قوی برای آشکارسازی ویژگیهای محلی است که تا حدود زیادی از توصیفگر SIFT الهام گرفته است و بهعنوان یک جایگزین کارآمد بهجای توصیفگر SIFT طراحیشده است.[9] ویژگیهای شناساییشده توسط SURF نسبت به ویژگیهای شناساییشده توسط SIFT ، مناسبتر و قویتر میباشند. شکل 2 نشان میدهد که ویژگیهای شناسایی شده توسط SURFعمدتاً در لبههای تصویر شناسایی شدهاند و این نشان دهنده عملکرد بسیار خوب این الگوریتم است، زیرا ویژگیهایی انتخاب میشوند که احتمال تطبیق را تا حد زیادی افزایش میدهند و نسبت به نقاط کلیدی SIFT تعداد کمتر ولی تاثیر بیشتری دارند. بنابراین SURF نسبت به SIFT برای بسیاری از تصاویر بهتر عمل میکند.
شکل :2 ویژگیهای تشخیص داده شده توسط الگوریتم SURF بر روی 5 کلاس از کشتیها
این توصیفگر میتواند جهت استخراج نقاط کلیدی در بحث پردازش تصویر و حوزه بینایی ماشین مانند تشخیص شیء و یا بازسازی تصاویر سهبعدی استفاده شود. این توصیفگر جهت پیدا کردن نقاط کلیدی از ماتریس هسین بهره میگیرد .[9] با توجه به نقطه = - , - در یک تصویر، ماتریس هسین - , - در مقیاس بصورت زیر تعریف میشود:
کانولوشن بسیار زمانبر می باشد بنابراین میتوان آنرا بوسیلهی انتگرال تصاویر بیان نمود. با استفاده از فیلترهای جعبهای، دترمینان ماتریس هسین را میتوان بصورت زیر تقریب زد:
∆ = × − - 0.9 × - 2 - 3 -
، و به ترتیب به کانولوشن فیلترهای جعبهای با تصویر در نقطه = - , - اشاره میکنند. فضاهای مقیاس معمولا بوسیله هرمهای تصویر بدست میآیند. هرمهای تصویر در SURF بجای کاهش دادن اندازه تصویر، بوسیلهی تغییر دادن اندازه فیلترهای جعبهای بدست میآیند. نخستین لایه مقیاس از خروجی فیلتر کردن 9 × 9 بدست میآید و در همان مقیاس σ = 1.2 است. لایههای بعدی بوسیله فیلترکردن تصویر با ماسکهای بزرگتر بدست میآیند، ماسکهایی مانند 9 × 9، 15 × 15، 21 × 21 و .27 × 27
نقاط کلیدی نقاطی هستند که در میان 8 همسایگی در آن سطح و 2×9 همسایگی در سطوح بالا و پائین آن سطح، بیشینه مقدار را دارا باشند. سپس نقاط کلیدی در مقیاس و فضای تصویر درونیابی میشوند. تغییرناپذیری دوران بهوسیلهی شناسایی کردن جهت غالب در هر نقطه کلیدی در دسترس است .جهت غالب بهوسیلهی محاسبه کردن مجموع پاسخهای عمودی و افقی موجک Haar درون یک پنجره جهتی کشوئی که زاویه ⁄3 را پوشش میدهد، تقریب زده میشود. پاسخهای این دو جهت منجر به تولید بردار میشوند و طولانیترین بردار جهت نقطهی کلیدی را نشان میدهد. اندازه کرنل فیلترها به 4s*4s مقیاسدهی میشوند. در اینجا s مقیاس نقطه ویژگی است. پاسخها بهوسیله یک تابع گوسی متمرکز در نقطه ویژگی وزن دهی میشوند. بهمنظور استخراج کردن توصیفگر، پنجرههایی مربعی شکل در امتداد جهت غالب با اندازه 2.0σساخته میشوندمتعاقباً. پنجره به زیر نواحی 4×4 تقسیم میشود. سپس برای هر زیر ناحیه، چندین ویژگی ساده از پاسخهای موجک در فضای 5 × 5 با اندازه 2σمحاسبه میشود که در شکل 3 آورده شدهاند.
شکل :3 ساخت پنجرههای مربعی شکل جهت استخراج ویژگیها
