本發明專利技術是基于圓周頻率濾波與梯度方向直方圖相結合的一種高分辨率遙感圖像中民航飛機自動檢測方法，該方法共有五大步驟。步驟一：讀取高分辨率遙感圖像數據，并進行多尺度圓周頻率濾波；步驟二：提取訓練正、負樣本的梯度方向直方圖特征；步驟三：訓練基于梯度方向直方圖特征的Adaboost分類器；步驟四：利用Adaboost分類器進行精檢測；步驟五：通過區域生長聚類，定位飛機目標。本發明專利技術克服了高分辨率遙感圖像背景復雜、偽目標繁多的問題，可以在虛警率較低的前提下保證較高的檢測率，在高分辨率遙感圖像目標檢測技術領域里具有廣闊的應用前景。
【技術實現步驟摘要】
本專利技術涉及基于圓周頻率濾波與梯度方向直方圖(Histograms of OrientedGradients，HOG)特征的，屬于高分辨率遙感圖像目標檢測
技術介紹
一直以來，對圖像中感興趣目標的檢測與識別都是一項的重要研究課題。近年來，隨著遙感技術的不斷發展和圖像分辨率的不斷提高，從高分辨率遙感圖像中自動地檢測與識別各種目標不僅具有重要的軍事應用價值，也越來越成為民航遙感領域關注的熱點。其中高分辨率遙感圖像中的民航飛機自動檢測，作為目標檢測的重要組成部分，由于其在城 市規劃、機場管理等方面的重要指導作用，也一直在研究和探索中。但通常情況下，由于高分辨率遙感圖像的復雜性以及飛機機身的大小、對比度等因素的影響，想要在虛警較少的前提下保證較高的檢測率并不容易。目前存在的飛機檢測方法有很多，大多數方法都是根據飛機機身的某些單一的特征進行檢測的。比如利用飛機的角點或直線特征，還有仿射尺度不變特征或仿射不變矩描述子特征。除此之外，也有利用模板匹配技術，完成飛機目標的檢測。但是這些特征所攜帶的信息比較單一，僅用其中一、兩種往往會產生大量的虛警，難以應對高分辨率遙感圖像復雜的背景；而把多種特征結合起來又毫無疑問會大大增加算法的復雜性和實現難度。本專利技術針對上述情況，提出一種基于圓周頻率濾波與梯度方向直方圖特征相結合的方法，首先通過多尺度圓周頻率濾波，進行粗檢測，得到民航飛機目標的候選點集；再利用訓練得到的Adaboost分類器，進行精檢測，取得了良好的檢測效果。
技術實現思路
I、目的本專利技術的目的是提供基于圓周頻率濾波與梯度方向直方圖特征相結合的。該方法利用圓周頻率濾波與基于梯度方向直方圖特征的Adaboost分類器，來進行民航飛機目標檢測。2、技術方案本專利技術是通過以下技術方案實現的本專利技術，它包括如下步驟步驟一讀入圖像，并對輸入圖像進行圓周頻率濾波，本專利技術讀入的遙感圖像分辨率約為I米。所謂圓周頻率濾波就是計算圖像中每一個像素點的圓周頻率響應，并把響應值大于某一閾值的像素點作為飛機目標的候選點集保留下來；小于該閾值的點則認為是非飛機區域而排除掉。其計算過程如下假設圖像上有一坐標為(i, j)的點，fk(k=0, I, . . . , N-1)表示以(i, j)為中心以r為半徑的圓周上逆時針方向像素的灰度值所組成的一維數列，其中r為這個圓周的半徑，N為這個圓周序列的點數。求這個一維數列的傅立葉變換的幅值f(i，j)，如下所示權利要求1.，其特征在于它包括如下步驟步驟一讀入圖像，并對輸入圖像進行圓周頻率濾波，讀入的遙感圖像分辨率為I米；所述圓周頻率濾波就是計算圖像中每一個像素點的圓周頻率響應，并把響應值大于某一閾值的像素點作為飛機目標的候選點集保留下來；小于該閾值的點則認為是非飛機區域而排除掉；其計算過程如下 設圖像上有一坐標為(i，j)的點，fk(k=0, 1，. . .，N-1)表示以(i, j)為中心以r為半徑的圓周上逆時針方向像素的灰度值所組成的一維數列，其中r為這個圓周的半徑，N為這個圓周序列的點數，求這個一維數列的傅立葉變換的幅值f(i，j)，如下所示2.根據權利要求I所述的，其特征在于步驟二中所述的提取訓練樣本的梯度方向直方圖特征，其具體實現過程為 (1)對40*40的輸入圖像計算圖像的梯度，得到40*40的梯度圖像； (2)選擇梯度圖像左上角16*16的部分作為第一個塊區，該塊區包含大小為8*8的胞元cel I共2*2個；對于每個胞元cell，都統計出一個9維的梯度方向直方圖，其中的方向間隔采用無符號梯度，采樣間隔為180° /9=20° ;把2*2個胞元cell的梯度方向直方圖組合起來，再用該塊區的能量密度進行歸一化，就得到該塊區的2*2*9=36維的特征描述符，記為F0; (3)讓塊區以8為步長在圖像中遍歷，每一步都會得到36維的特征描述符Fi，其中O ^ i ^ 15為移動的步數；最后把Fi (O ^ i ^ 15)組合起來，即求得到該樣本圖像的16*36=576維的特征描述符。3.根據權利要求I所述的，其特征在于步驟三中所述的訓練Adaboost分類器，其具體實現過程為給定樣本(X1, Yi),, (xm, ym)，(Xi e χ, Yi e Y= {-I, +1})， (O初始化Dji)=l/m(l ^ i ^ m), m為訓練樣本總數； (2)t=l，開始迭代，共迭代T次； (3)利用Dt(i)，(I彡i彡m)訓練弱分類器，并利用之進行較弱判定即weakhypothesis ht:X — {-1，+1} 計算其分類誤差為全文摘要本專利技術是基于圓周頻率濾波與梯度方向直方圖相結合的，該方法共有五大步驟。步驟一讀取高分辨率遙感圖像數據，并進行多尺度圓周頻率濾波；步驟二提取訓練正、負樣本的梯度方向直方圖特征；步驟三訓練基于梯度方向直方圖特征的Adaboost分類器；步驟四利用Adaboost分類器進行精檢測；步驟五通過區域生長聚類，定位飛機目標。本專利技術克服了高分辨率遙感圖像背景復雜、偽目標繁多的問題，可以在虛警率較低的前提下保證較高的檢測率，在高分辨率遙感圖像目標檢測
里具有廣闊的應用前景。文檔編號G06K9/62GK102945374SQ20121040926公開日2013年2月27日 申請日期2012年10月24日 優先權日2012年10月24日專利技術者史振威, 于新然, 安振宇, 湯唯 申請人:北京航空航天大學本文檔來自技高網...
【技術保護點】
一種高分辨率遙感圖像中民航飛機自動檢測方法，其特征在于：它包括如下步驟：步驟一：讀入圖像，并對輸入圖像進行圓周頻率濾波，讀入的遙感圖像分辨率為1米；所述圓周頻率濾波就是計算圖像中每一個像素點的圓周頻率響應，并把響應值大于某一閾值的像素點作為飛機目標的候選點集保留下來；小于該閾值的點則認為是非飛機區域而排除掉；其計算過程如下：設圖像上有一坐標為(i,j)的點，fk(k=0,1,...,N?1)表示以(i,j)為中心以r為半徑的圓周上逆時針方向像素的灰度值所組成的一維數列，其中r為這個圓周的半徑，N為這個圓周序列的點數，求這個一維數列的傅立葉變換的幅值f(i,j)，如下所示：f(i,j)=(Σk=0N-1fkcoscπkN)2+(Σk=0N-1fksincπkN)2上式中f(i,j)為圓周上的數列fk經過離散傅立葉變換后的幅值；c是常量，代表求離散傅立葉變換時正弦和余弦函數的周期數；由于飛機主要由機頭、一對機翼和尾翼組成，當半徑r的取值使得圓周掃過這4部分時，它們分別對應于fk當飛機比背景亮的4個峰或當飛機比背景暗的4個谷，因此飛機區域的圓周序列fk通常有4個峰和4個谷，即近似4周期的正弦信號；而當傅里葉變換中正弦或余弦函數的周期與fk的周期相同時，該傅里葉變換的幅值f(i,j)的絕對值最大，即在飛機中心的圓周頻率響應的幅值大，因此令常數c=8，代表傅里葉變換的正弦與余弦函數有四個周期；選擇圓周半徑r為4像素，采樣點數N為40個，常數c為8，這樣，長度為30到50像素的飛機區域會得到相對較強的響應，平坦的背景區域的響應相對較弱；此外為了檢測更大的飛機，還對輸入圖像進行兩次降采樣，采樣率為1.30、1.80，使得大飛機也有較強的濾波響應，稱為多尺度圓周頻率濾波，還有一些復雜的背景如房屋、道路邊緣以及與飛機形狀近似的建筑也會有較強的響應，這些點將在后面分類器精檢測的過程中被排除掉；步驟二：提取訓練樣本的梯度方向直方圖特征；因為欲利用分類器對圓周頻率濾波結果進行精檢測，因此這一步是為后面訓練分類器服務；訓練樣本為在Google?Earth軟件上截取的大小為40*40的圖片，用來提取特征；這里采用的是梯度方向直方圖特征，特征提取的流 程如下：首先將樣本圖像計算圖像梯度，之后再將梯度圖像分成小的連通區域，此連通區域被稱為胞元cell，然后統計出胞元cell中所有像素點的梯度方向直方圖，最后把這些直方圖組合起來便構成特征描述符；為了使特征描述符對光照變化和陰影干擾具有更強的不變性，算法將這些局部直方圖在圖像的更大的范圍內進行對比度歸一化即contrast?normalized；歸一化所采用的方法是：先計算各直方圖在其所在塊區中的能量密度，然后根據這個能量密度對區間中的各個胞元做歸一化；步驟三：訓練Adaboost分類器；步驟二結束后，用提取的梯度方向直方圖特征訓練Adaboost分類器，由于梯度方向直方圖特征不具有方向不變性，因此需要訓練復數個Adaboost分類器以檢測不同方向的飛機，這里訓練了0°到315°等間隔的8個方向的分類器，訓練樣本為在Google?Earth軟件上截取的大小為40*40的圖片；其中負樣本，即非飛機圖片5000幅；8個方向的正樣本，即飛機圖片，每個方向各有3000幅；訓練Adaboost分類器的流程如下：假定訓練集為(x1,y1),...,(xm,ym)，訓練樣本的權重分布為Dt(i)(1≤i≤m)；其中xi為樣本特征，yi為樣本標簽；假定起初時，所有的權重Dt(i)都相同，并且Y={?1,+1}；AdaBoost算法是在一系列的迭代中重復利用給定的弱分類器，并根據樣本分布Dt(i)做出較弱的判定ht:X?→{?1,+1}在每一次判定后算法會由較弱的判定結果求出弱分類器的分類誤差εt，并根據此誤差εt調整權重分布Dt(i)，增加錯誤樣本的權重，使得弱分類器進一步專注于訓練集中的困難樣本；這樣，當T次迭代結束后，就得到了最終的分類器，其分類假設為：其中ht(x)為原弱分類器分類假設，αt是由每次分類誤差εt求得的權重系數；步驟四：用訓練好的Adaboost分類器進行精檢測；分類器訓練完成后，把候選點集中所有點的梯度方向直方圖特征輸入Adaboost分類器，落在分類超平面正方向一側的點則認為是最終檢測到的民航飛機目標，反之則認為是偽目標而排除掉；此外為了檢測到更大的飛機，此步對原始輸入圖像也進行了兩次降采樣，采樣率為1.30、1.80；同時為了對飛機的方向變化更加魯棒，對原圖及降采...
【技術特征摘要】
【專利技術屬性】
技術研發人員：史振威，于新然，安振宇，湯唯，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。