基于光电传感器的目标轮廓提取及其识别

查长军，高先和，谭 敏

合肥学院电子信息与电气工程系，安徽合肥，230601

1 问题的提出

对于边境或无人区而言，经常出现的目标主要是人和动物，由于外形轮廓存在较大差异，因此可以将轮廓作为特征对目标进行识别。然而，目前的研究更多的是采用传统的方法来判别目标类别［1-2］，且没有深入探究测试样本特征维数对识别性能的影响。

本文针对以上问题，利用主动式传感器组构成前端采集系统，并结合稀疏表示理论［3-6］，给出了一种基于稀疏表示的目标轮廓识别（Sparse Representation Profiling Classification，SRPC）算法，并与传统算法在多个方面进行了性能比较。

2 轮廓特征提取及其数据表示

本文主要采用S个主动式光电传感器组成传感单元，均匀间隔地安装在长为2m的垂直支架上，如图1所示。由于采用的传感器输出只有高低电平两种状态，因此，当物体经过传感器视场时，通过读取各传感器输出状态信息并显示出来，即可得到近似物体外形轮廓图像。

假设经过第i（1≤i≤S）个传感器视场时，光电传感器输出状态信号为xi（t），前端抽样信号为：

式中T为抽样周期。利用抽样信号s（t）对输出信号xi（t）进行抽样，可得到：

图1 稀疏传感器采集系统

若信号pi（t）的每个抽样值表示为pi，n，则S个传感器同时被抽样时，所有样值组成的矩阵即为物体轮廓图像的一种稀疏近似表示形式：

其中L为总的抽样数。

由于传感器抽样率一定，当不同物体以不同速度经过传感器视场时，得到的抽样数L也就不同。为便于处理，将稀疏矩阵P转换成维数大小相同的矩阵Q∈ RS×n（n＜L）。

本文主要研究单人、单人蹲下、双人以及动物（狗）4种轮廓分类问题。在实际应用中，由于目标进入传感视场时的速度、位置以及姿态等条件不同，本文收集了多角度、不同速率和姿态进入视场的样本进行训练，如图2所示。

图2 物体轮廓图像

3 稀疏表示

对于一个k类分类问题，假设每一类的训练样本数为N1，N2，…，Nk，每个样本矩阵大小为S×h；若按列向量υ∈Rm（m＝S×h）排列，则k类所有样本组成训练样本矩阵为D＝ ［v1，1，v1，2，…，vk，nk］∈Rm＋N，其中N＝N1＋N2＋…＋Nk；若给定一个测试样本y∈Rm，则该样本可由所有训练样本线性表示：

其中x∈RN为系数向量。若y属于第i类，则除该类样本系数不为零外，其他类样本系数都为零。根据稀疏表示理论可知，由于系数向量稀疏，因此可以通过l1范数得到向量x的估计［7-10］，即：

为了得到训练样本矩阵，将收集到的物体轮廓样本进行如下处理。

算法：

（1）输入：物体轮廓样本Pi∈RS×Li（i≤N）；

（2）将各样本矩阵Pi转换成维数大小相同的矩阵Qi∈RS×n（n＜Li）；

（3）将矩阵Qi按列向量排成一列，得到向量qi∈Rt（t＝S×n）；

（4）将所有向量按列组合在一起即可得到训练样本矩阵：D∈ ［q1，q2，…，qN］∈ Rt×N。

4 分类算法

根据以上过程可知，由于测试样本与其稀疏表示系数中的非零系数值类别相一致，因此，本文根据稀疏表示系数中较大值对测试样本进行分类，算法过程如下。

SRPC算法：

（1）输入：训练样本矩阵D∈Rt×N和测试样本P∈ RS×L；

（2）预处理：① 按列归一化训练样本矩阵D；②将测试样本P按照上节算法转换成列向量p∈Rt（t＝S×n）；

（5）类别判别准则：最小残差对应的类别判为测试样本类别。

图3 不同维数的测试样本系数

5 实验仿真与结果分析

实验采用了S＝16个光电传感器组成前端稀疏信号捕获单元，通过稀疏传感器采集系统收集了单人、双人、单人蹲下以及动物（狗）4类轮廓样本构建训练样本库。由于采样获取的稀疏信号矩阵大小不同，为便于后期处理，采用SRPC算法，将采集的样本处理成大小为16×h矩阵。每类训练样本数为50，样本总数为200；每类测试样本数为50，测试样本总数为200。实验方法主要是将本文提出的SRPC算法与传统的NN、KNN、SVM、ID3分类方法进行性能比较。

实验1 稀疏性分析：同一个单人轮廓样本转换成不同维数矩阵，采用随机矩阵进一步降维，然后求解得到的系数向量稀疏程度如图3所示。从图中可以看出，尽管转换后的样本维数不同，但系数向量仍然稀疏，且较大值系数分布在单人类别。

实验2 样本特征维数不同时，各方法识别性能比较：实验条件设置如表1所示，采用随机矩阵将样本投影到设定的维数，在同一个特征维数测试样本循环测试20次，取其平均值作为该特征维数下的识别率，实验仿真结果如图4所示。从图4（a）中可以看出，分类效果较好的SRPC与NN方法性能较接近，在特征维数为18时，SRPC识别率已达到95．8%，随着特征维数的增加，SRPC、SVM、NN 和KNN4种方法分类效果渐渐趋于一致；当样本矩阵Q大小为16×16时，样本维数相对图4（b）来说增加了1倍，特征维数为16时，识别率较高的SRPC方法识别率为95．4%，而其他4种方法识别率最大为94．75%，略低于本文方法；从图4（b）中可以看到，SVM、KNN与NN方法分类效果较为一致；随着特征维数的增加，SRPC、SVM、KNN和NN4种方法分类效果趋于一致；而图4中ID3方法分类效果最差。

表1 实验设置

图4 不同特征维数识别率比较

6 结 语

本文针对不同类型物体外形轮廓特征不同，给出了一个基于光电传感器的稀疏轮廓图像采样系统，结合稀疏表示理论，提出了一种基于稀疏表示的目标轮廓识别算法。数值仿真与实验结果表明：在不同的特征空间，提出的SRPC算法对不同类型物体轮廓具有良好的分类效果；能够较好地识别不同角度、运动速度及姿态等各种情况的稀疏轮廓信息，识别性能具有很好的鲁棒性。然而，在实际应用中，可能有多类物体同时进入稀疏传感器检测视场时，如何正确识别物体类别组合有待下一步研究。

［1］David J Russomanno，Srikan Chari，Kenny Emmanuel，et al．Testing and Evaluation of Profiling Sensors for Perimeter Security［J］．ITEA，2010，31（1）：121-130

［2］Ronald B Sartain，Keith Aliberti，Troy Alexander，et al．Long-wave infrared profile feature extractor（PFx）sensor［C］／／SPIE Defense，Security，and Sensing．International Society for Optics and Photonics：Orlando，Florida，USA，2009：733311-733311-7

［3］Donoho D L．Compressed sensing［J］．IEEE Transactions on Information Theory，2006，52（4）：1289-1306

［4］Candès E．Compressive sampling［C］／／Proceedings oh the International Congress of Mathematicians．Madrid，2006：1433-1452

［5］John Wright，Allen Y．Yang，Arvind Ganesh S，et al．Robust Face Recognition via Sparse Representation［J］．IEEE Transactions，2009，31（2）：1-18

［6］Katia Estabridis．Automatic target recognition via sparse representations［C］／／SPIE Defense，Security，and Sensing．International Society for Optics and Photonics．Orlando，Florida，2010：769600-769600-9

［7］Candès E Tao T．Near optimal signal recovery from random projections：Universal encoding strategies［J］．IEEE Transactions on Information Theory，2006，52（12）：5406-5425

［8］Candès E，Tao T．Decoding by linear programming［J］．IEEE Transactions on Information Theory，2005，51（12）：4203-4215

［9］Chen S B，Donoho D L，Saunders M A．Atomic decomposition by basis pursuit［J］．SIAM Journal on Scientific Computing，1998，20（1）：33-61

［10］Donoho D L，Elad M，Temlyakov V N．Stable recovery of sparse overcomplete representations in the presence of noise［J］．IEEE Transactions on Information Theory，2006，52（1）：6-18