·656 智能系统学报 第11卷 目标得到了较好的识别效果：文献[3]提出了一种 变性； 能同时检测多个半径不一的圆形目标的Hough改 进算法；文献[4]采用模板匹配方法对提取了边缘 分层的 SVM BoF-SIFT 分类器 特征的目标进行粗检测，然后利用形状模型完成细 特征 决策级融合 匹配进行飞机的识别，这一过程中采用PCA(princi- 训练集 改进的SC SVM 特征 分类器2 算法 pal component analysis)降维方法增强样本空间的可 H不店币 样本库 SVM 描述性，但耗时较长，通用性不强。以上研究表明： 特征 分类器3 类 单一特征的识别性能有限，将单一特征应用在多类 测试集 特征提取 目标分类识别上容易造成某一类目标的显著特征丢 失而降低识别的准确性。因此多特征融合是提高多 图1算法的整体框架 Fig.1 The framework of the algorithm 目标分类识别性能的一个有效方案。 在多特征融合领域包含特征级和决策级融合2 2)分类器的训练：利用3种特征，采用交叉验 个方面，特征级融合保留了目标的有效信息且分类 证的方法训练基于径向基核函数的一对一支持向量 精度较高，但该类方法不宜实现多种异构特征的融 机，得到多个一对一的支持向量机分类器： 合；决策级融合整体上降低了误判率，计算复杂度低 3)根据所设计的决策级概率融合策略，确定最 且易于实现异构特征的融合。文献[5]对高分辨率 优的概率融合权值： 遥感图像多个场景分别提取图像的视觉词袋局部特 4)将测试集特征分别送入已训练好的相对应 征、颜色直方图特征以及Gabor纹理特征，并对SVM 的支持向量机分类器得到单一特征的输出概率，在 (support vector machine)分类结果进行自适应加权 最优权值组合的基础上得到决策级融合结果。 综合获得了较高的识别率。该算法在决策级融合过 2多特征提取 程中较合理地解决了不同目标的显著特征差异性问 题，但所选择的数据库存在一定的偶然因素；文献 特征提取是目标分类识别中至关重要的一步 [6]采用多核学习的决策级融合算法实现对飞机、 本文选取了能够适应光学遥感图像平移、缩放和旋 油罐和舰船的分类。该方法融合了目标的形状核、 转差异性的分层的BoF-SIFT特征、改进的SC特征 点核以及外观核，得到了较理想的识别结果，然而耗 和Hu不变矩特征。 时较长，分析其所用数据库可知目标的旋转差异性 2.1分层的BoF-SIFT特征 小，特征适应性不强。尽管多特征决策级融合在解 鉴于遥感图像目标在尺度、缩放和旋转等方面 决分类问题上表现出了一定的优势，但计算复杂度 均具有较大的差异性，且在外界环境中受到光照强 较高是该类方法发展的最大瓶颈。 度、背景复杂及阴影的干扰，对目标的准确分类识别 综上所述，本文提出了一种新的多特征决策级 带来了极大的难度。由于SIFT(scale invariant fea- 融合的多类目标识别算法，在特征提取阶段提出了 ture transform)特征在多种特征描述算子中拥有较 一种对目标的全局和局部特性描述充分的分层的 优的鲁棒性，广泛应用在各个领域，因此本文在传统 BoF-SIFT(bag of feature-scale invariant feature trans- 的SIFT特征基础上提出了一种分层的BoF-SIFT特 form)特征，并对传统的形状SC(shape context)特征 征对遥感图像进行表示。 做了多方面的改进使其具有较强旋转适应性，在分 首先针对每个目标所能检测到的特征点数量和 类识别阶段设计了多特征决策级融合策略，该融合 位置不同，导致SFT特征维数不唯一的问题，本文 方法易于实现，最终取得令人满意的识别结果。 采用固定目标的特征点数及位置的方法给予处理： 其次BoF思想能直观地表示目标的特征，既能体现 1 算法整体框架 同一目标的相似度，又能体现不同目标的差异性：图 本文算法的整体框架如图1所示。 像金字塔思想能更细致地表示目标特征的分布特性， 算法大致分为4个步骤。 以上3点结合就得到了分层的BoF-SFT特征表示。 1)特征提取：将光学遥感图像中的4类目标分 生成分层的BoF-SFT特征的过程如图2所示。 为训练集和测试集，分别提取分层的BoF-SFT特 1)生成SFT描述子：样本总数为m,目标的像 征、改进的SC特征和Hu不变矩特征，以上选取的3 素大小为100×100，为了能充分表示目标的局部特 种特征共性是都能满足目标的平移、缩放和旋转不 征及统一特征维数，除去边缘2个像素的边缘效应 将剩余区域均匀划分为11×11=121个特征点，每两目标得到了较好的识别效果；文献［３］提出了一种 能同时检测多个半径不一的圆形目标的 Ｈｏｕｇｈ 改 进算法；文献［４］采用模板匹配方法对提取了边缘 特征的目标进行粗检测，然后利用形状模型完成细 匹配进行飞机的识别，这一过程中采用 ＰＣＡ（ｐｒｉｎｃｉ⁃ ｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）降维方法增强样本空间的可 描述性，但耗时较长，通用性不强。 以上研究表明： 单一特征的识别性能有限，将单一特征应用在多类 目标分类识别上容易造成某一类目标的显著特征丢 失而降低识别的准确性。 因此多特征融合是提高多 目标分类识别性能的一个有效方案。 在多特征融合领域包含特征级和决策级融合 ２ 个方面，特征级融合保留了目标的有效信息且分类 精度较高，但该类方法不宜实现多种异构特征的融 合；决策级融合整体上降低了误判率，计算复杂度低 且易于实现异构特征的融合。 文献［５］对高分辨率 遥感图像多个场景分别提取图像的视觉词袋局部特 征、颜色直方图特征以及 Ｇａｂｏｒ 纹理特征，并对 ＳＶＭ （ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）分类结果进行自适应加权 综合获得了较高的识别率。 该算法在决策级融合过 程中较合理地解决了不同目标的显著特征差异性问 题，但所选择的数据库存在一定的偶然因素；文献 ［６］采用多核学习的决策级融合算法实现对飞机、 油罐和舰船的分类。 该方法融合了目标的形状核、 点核以及外观核，得到了较理想的识别结果，然而耗 时较长，分析其所用数据库可知目标的旋转差异性 小，特征适应性不强。 尽管多特征决策级融合在解 决分类问题上表现出了一定的优势，但计算复杂度 较高是该类方法发展的最大瓶颈。 综上所述，本文提出了一种新的多特征决策级 融合的多类目标识别算法，在特征提取阶段提出了 一种对目标的全局和局部特性描述充分的分层的 ＢｏＦ⁃ＳＩＦＴ（ｂａｇ ｏｆ ｆｅａｔｕｒｅ⁃ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅ ｔｒａｎｓ⁃ ｆｏｒｍ）特征，并对传统的形状 ＳＣ（ｓｈａｐｅ ｃｏｎｔｅｘｔ）特征 做了多方面的改进使其具有较强旋转适应性，在分 类识别阶段设计了多特征决策级融合策略，该融合 方法易于实现，最终取得令人满意的识别结果。 １ 算法整体框架 本文算法的整体框架如图 １ 所示。 算法大致分为 ４ 个步骤。 １）特征提取：将光学遥感图像中的 ４ 类目标分 为训练集和测试集，分别提取分层的 ＢｏＦ⁃ＳＩＦＴ 特 征、改进的 ＳＣ 特征和 Ｈｕ 不变矩特征，以上选取的 ３ 种特征共性是都能满足目标的平移、缩放和旋转不 变性； 图 １ 算法的整体框架 Ｆｉｇ．１ Ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ２）分类器的训练：利用 ３ 种特征，采用交叉验 证的方法训练基于径向基核函数的一对一支持向量 机，得到多个一对一的支持向量机分类器； ３）根据所设计的决策级概率融合策略，确定最 优的概率融合权值； ４）将测试集特征分别送入已训练好的相对应 的支持向量机分类器得到单一特征的输出概率，在 最优权值组合的基础上得到决策级融合结果。 ２ 多特征提取 特征提取是目标分类识别中至关重要的一步， 本文选取了能够适应光学遥感图像平移、缩放和旋 转差异性的分层的 ＢｏＦ⁃ＳＩＦＴ 特征、改进的 ＳＣ 特征 和 Ｈｕ 不变矩特征。 ２．１ 分层的 ＢｏＦ⁃ＳＩＦＴ 特征 鉴于遥感图像目标在尺度、缩放和旋转等方面 均具有较大的差异性，且在外界环境中受到光照强 度、背景复杂及阴影的干扰，对目标的准确分类识别 带来了极大的难度。 由于 ＳＩＦＴ（ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａ⁃ ｔｕｒｅ ｔｒａｎｓｆｏｒｍ）特征在多种特征描述算子中拥有较 优的鲁棒性，广泛应用在各个领域，因此本文在传统 的 ＳＩＦＴ 特征基础上提出了一种分层的 ＢｏＦ⁃ＳＩＦＴ 特 征对遥感图像进行表示。 首先针对每个目标所能检测到的特征点数量和 位置不同，导致 ＳＩＦＴ 特征维数不唯一的问题，本文 采用固定目标的特征点数及位置的方法给予处理； 其次 ＢｏＦ 思想能直观地表示目标的特征，既能体现 同一目标的相似度，又能体现不同目标的差异性；图 像金字塔思想能更细致地表示目标特征的分布特性， 以上 ３ 点结合就得到了分层的 ＢｏＦ⁃ＳＩＦＴ 特征表示。 生成分层的 ＢｏＦ⁃ＳＩＦＴ 特征的过程如图 ２ 所示。 １）生成 ＳＩＦＴ 描述子：样本总数为 ｍ，目标的像 素大小为 １００×１００，为了能充分表示目标的局部特 征及统一特征维数，除去边缘 ２ 个像素的边缘效应 将剩余区域均匀划分为 １１×１１ ＝ １２１ 个特征点，每两 ·６５６· 智 能 系 统 学 报 第 １１ 卷