摘要：為了在機載光子雷達條件下實現遠距離艦船類型精確識別的目標，首先對場景點云進行平面擬合、點云聚類、目標提取等處理，獲得艦船點云;然后對船體點云提取體量、表面法向量直方圖、甲板目標分布等三維特征，獲得特征數組;最后利用隨機森林對抽取的特征進行判別分類，實現船體類型精確識別。實驗表明：通過對13種類型船只的多次分類實驗，平均正確識別率在95%以上，有效實現了艦船的類型識別。

　　關鍵詞：光子;聚類算法;艦船;遠距離;識別;隨機森林

　　0引言

　　近年來，隨著社會的發展，海上的活動日益增多，海洋安全關系著國家的安全與穩定。加強對海上艦船的實時識別對于海上救援、船只管理等領域具有重要意義[1，2]，目前多個國家和單位正在研究不同的方法去實現艦船的分類識別。使用艦船圖像作為研究對象具有獲取簡單、來源廣、樣本量大的特點，同時神經網絡算法在大樣本訓練時具有其他算法無法比擬的高精度優勢，因此很多研究人員對傳統神經網絡算法進行改進[3-5]，通過艦船圖像提取特征實現多種艦船的類型識別。此外部分研究人員使用支持向量機[6]、相似度匹配[7]、粒子群算法[8]等傳統分類算法對艦船圖像進行識別，通過二維特征提取、相似度計算也實現了艦船分類。

　　依靠圖像識別艦船在實際應用中存在受不良天氣影響較大的缺點，而雷達具有全天候工作的能力，因此部分科學家研究如何通過雷達回波信號實現艦船識別。科學家提取雷達回波信號[9，10]中的一維特征和二維特征、路線變化、速度變化對目標進行分類識別，完成模糊邏輯分類。此外從艦船的高分辨距離像[11，12]可以提取時域特征和頻域特征，這些特征與傳統分類器的契合度較好，獲得了較好的識別結果。

　　從雷達回波信號中提取的特征大部分都是一維特征、二維特征，對目標描述性不強，或者需要長時間監測目標動態，實時性較差。為解決這個問題，人們使用三維激光雷達[13，14]建立目標模型，提取目標的三維特征，有效的提高了分類精度。船舶自動識別系統(AutomaticIdentificationSystem，AIS)包含船只靜態數據和動態數據，NATALIAD[15]等提取AIS數據中載重噸位(DeadweightTonnage，DWT)、寬度、長度作為分類特征，實現目標分類。

　　目前無人機載測繪雷達最大的探測距離在1500m左右，基于激光雷達回波的艦船分類方法受限于雷達工作距離的限制，無法對2km以外遠距離的艦船進行識別，并且提取的特征是在點云較為密集的基礎上，不適合遠距離稀疏點云的特征提取與識別。光子雷達[16，17]是近年來迅猛發展的新型探測手段，通過蓋革模式下的雪崩光電二極管和時間相關單光子計數技術可以接收遠距離目標反射的微弱回波信號，從中提取目標的三維特征，在目標識別領域具有獨特的優勢。

　　綜上可知，依靠艦船圖像、雷達回波信號和激光雷達進行艦船分類均存在不同的問題。本文研究機載光子雷達在海上遠距離艦船識別中的應用，通過平面擬合、點云聚類將探測區域中的艦船目標提取出來，研究不同類型船只在不同方位的三維特征，在稀疏點云條件下選取具有代表性的三維特征用于類型識別，提高遠距離艦船識別的精度，推進光子雷達在實際中的應用。

　　1數據預處理

　　1.1點云去噪

　　相比于常規激光雷達，光子雷達具有極高的靈敏度，因此在光子雷達工作時會探測到極多的噪聲，需要的信號點云混雜在噪聲點云中難以區分，需要預先進行點云去噪，才可以進行下一步的目標識別。

　　1.2去除海面點云

　　經過1.1步驟后，場景中僅剩下海面點云和艦船點云，機載光子雷達在正右方向探測到的海面場景，海面上分布3艘艦船(左邊部分船體和甲板被遮掩，沒有點云數據)。為了提取艦船點云，首先需要將海面點云去除，讓艦船點云成為一個個獨立的點云集合。

　　海面點云在空間分布上近似一個平面，在正常的天氣情況下，海浪的起伏在1.25~2.5m之間，可以得到海面點云分布在一個高度為5m的包圍盒范圍內，因此設距離閾值為5m，利用經典的平面擬合算法對海面進行擬合，將擬合的平面點云除去，剩余的就是船只點云。

　　2點云聚類

　　經過預處理之后，背景噪聲點云、海面點云基本全部去除，場景中只剩下一艘或者多艘艦船點云，但是對于機器視覺來說，場景中的點云是一個整體，在提取特征之前需要聚類，將同一艘艦船點云歸為一類，然后逐步提取特征。

　　2.1密度聚類算法

　　基于密度的空間聚類算法(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)是一種經典的聚類算法，該算法以點云密度為依據進行區域增長，直至沒有符合條件的點云為止，是一種簡潔有效的算法。DBSCAN算法的缺點是參數依靠人工選取，在應用于不同的數據集時會出現過度分割或者欠分割的結果。

　　2.2聚類結果

　　為測試改進后的自適應DBSCAN算法的聚類效果，本文將采用2個分別包含軍艦點云模型和民船點云模型的場景。可以看出2個場景均被分成3個聚類結果，其中艦船的整體點云幾乎都被歸為一類，與我們的預期結果一致，極少數比較離散的點云被判定為噪聲，不過考慮到艦船的體量以及該離散點云包含的特征極少，不會影響艦船的主要特征提取，因此改進后的聚類算法對于艦船的聚類效果較好，達到預期目標。

　　3艦船型號識別

　　3.1特征分析

　　經過聚類后，不同類型的船只點云已經歸為一個點云集合，因此聚類后的結果可以直接用于特征提取。在遠距離探測的條件下，獲得的目標點云較為稀疏，長度小于100m的艦船模型點云數量極少，且容易淹沒在噪聲中，因此本文研究艦船長度在100m之內。在圖像識別中，很多算法都采用艦船面積作為識別依據之一，由此可以看出目標的維度特征是一個有效的分類特征。

　　隨著劃分環數的增加，6種艦船的正確識別率也隨之上升并且趨于穩定，其中3環劃分在實驗中出現不穩定的情況，從4環開始實驗結果基本穩定且處于較高的水準，在兼顧數據維度與識別正確率的考量下，本文采取4環劃分表示目標的幾何特征。在上文提到在機載光子雷達照射的情況下，除了上層建筑物之外，甲板也是可以完全探測到。甲板的大小特征與上文特征有所重復，因此本文提取甲板形狀特征中的夾角特征，即船頭夾角。

　　不同類型的船只的船頭角度往往不同，相比于民船，軍艦的船頭角度更小。在雷達探測中，在人工不參與的情況下，雷達無法分辨出船頭和船尾，因此本文沿著艦船的長度提取出目標最前端和最后端的點云(首先默認距離雷達較近的一端為船頭)，計算出相應的角度，其中較小的角度作為船頭角度。

　　通常的法向量直方圖是對探測到的目標整體進行統計獲得的，但在稀疏點云條件下，艦船的很多細節特征被模糊化，通過常規的法向量直方圖很難對目標進行區分。和上文研究過程類似，本文選取巡洋艦、航空母艦、護衛艦、貨船、集裝箱船、郵輪6個目標為實驗對象，使用隨機森林分類器研究稀疏點云條件下常規法向量直方圖的分類能力。

　　由于絕大多數艦船目標關于本身長軸對稱，因此本文選取長軸方向的向量作為起始線，計算每一個點的法向量與起始線的夾角，夾角分布在0°~80°之間。為了選取最優維度的直方圖特征，本文分別以20°、30°、45°、60°為間隔，計算不同間隔情況下的正確識別率。

　　3.2分類算法

　　由于目前還沒有公開的機載光子雷達對艦船的點云數據集，本文仿真的艦船模型達不到神經網絡算法訓練量的要求，因此本文選擇隨機森林算法對抽取的特征進行訓練分類，驗證分類結果。隨機森林算法[21]可以看作是簡化的神經網絡算法，它是由多顆決策樹組成，每一棵決策樹都是一個弱分類器，都會對輸入的數據輸出一個結果，隨機森林會對所有輸出的結果進行分析，選擇可能性最高的結果作為輸出，算法步驟為：

　　1)從樣本集中有放回隨機采樣n個樣本;2)從所有特征隨機選擇k個特征，利用這些特征建立決策樹;3)上述步驟重復m次，形成由m棵決策樹組成的隨機森林;4)對于新數據，經過每棵樹決策，最后投票確認分到哪一類。

　　4實驗結果

　　4.1艦船數據

　　鑒于目前沒有公開的機載光子雷達對艦船的探測點云數據集，以及部分艦船屬于國家機密，因此本文利用公開的艦船模型生成艦船點云數據，艦船點云數據部分說明如下。

　　1)艦船類別：本文采用巡洋艦、航空母艦、護衛艦、驅逐艦、中型航母、醫療船、登陸艦、起重船、貨船、集裝箱船、科考船、郵輪、漁船共13種艦船建立模型，上述艦船是包含人們常見的艦船類型，樣本具有代表性。

　　2)點云密度：本文模擬機載光子雷達在5km之外對艦船模型進行掃描，光子雷達的水平分辨率和垂直分辨率均為0.5mrad，因此艦船模型的相鄰點云間距均值M均大于等于2.5m。

　　4.2分類結果

　　本文中隨機森林算法中的決策樹數量設為40，其中正前、右前、正右、右后、正后這5個方位的樣本作為訓練集，正左、左后方位的樣本作為測試集。每一個樣本提取的特征組成一組12維的數組，其中維度特征是3維數據，法向量直方圖是4維數據，幾何特征是4維數據，船頭夾角是1維數據。對每個樣本增加一維標簽后，樣本與13維特征數組建立一對一的關系，特征數組輸入隨機森林進行訓練或者測試。

　　5結論

　　針對目前艦船識別算法訓練復雜、工作距離近、識別率較低、實時性較差的問題，本文以推進光子雷達的實際應用的目的出發，研究了機載光子雷達在遠距離條件下對海面上艦船識別的問題。通過點云去噪、平面擬合、點云聚類等步驟提取艦船點云，研究了稀疏點云條件下的三維特征抽取，完成了經典分類算法的艦船識別，通過比較前人的工作，成功實現了遠距離條件下的艦船類型精確識別，對光子雷達的實際應用具有指導意義。

　　參考文獻

　　[1]WANGWenlong，HANBaojun，ZHANGHongping.Anewalgorithmofsmalltargetdetectionforifraredimageinbackgroundofseaandsky[J].ActaPhotonicaSinica，2009，38(3)：725-728.王文龍，韓保君，張紅萍.一種海空背景下紅外小目標檢測新算法[J].光子學報，2009，38(3)：725-728.

　　[2]SHIWenxu，JIANGJinghong，BAOShengli.Shipdetectionmethodinremotesensingimagebasedonfeaturefusion[J].ActaPhotonicaSinica，2020，49(7)：0710004.史文旭，江金洪，鮑勝利.基于特征融合的遙感圖像艦船目標檢測方法[J].光子學報，2020，49(7)：0710004

　　作者：魏碩1，2，趙楠翔1，2，胡以華1，2，孫萬順1，2，劉彪1，2