一種基于圖像顯著性與svm的飛機(jī)目標(biāo)檢測方法
【專利摘要】本發(fā)明涉及一種基于圖像顯著性與SVM的飛機(jī)目標(biāo)檢測方法，顯著性區(qū)域檢測中有兩種視覺注意方式，分別是：自底向上(數(shù)據(jù)驅(qū)動(dòng))的注意方式、自頂向下(任務(wù)驅(qū)動(dòng))的注意方式。本發(fā)明先提取訓(xùn)練樣本的方向梯度直方圖(HOG)特征，訓(xùn)練支持向量機(jī)(SVM)分類器，然后使用一種基于剩余譜理論的自底向上的視覺注意模型進(jìn)行顯著性區(qū)域檢測，快速提取可能存在目標(biāo)的候選區(qū)域，然后提取候選區(qū)域的HOG特征，再使用訓(xùn)練好的SVM分類器對候選區(qū)域進(jìn)行分類，完成目標(biāo)檢測。
【專利說明】
-種基于圖像顯著性與SVM的飛機(jī)目標(biāo)檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計(jì)算機(jī)圖像處理，設(shè)及飛機(jī)目標(biāo)檢測方法，具體設(shè)及一種基于圖像顯 著性與SVM的飛機(jī)目標(biāo)檢測方法。
【背景技術(shù)】
[0002] 可見光圖像目標(biāo)檢測是目標(biāo)檢測領(lǐng)域重要的分支之一，在軍事領(lǐng)域有極為重要的 應(yīng)用。目前，在飛機(jī)檢測方面，國內(nèi)外的專家學(xué)者已經(jīng)做了大量的研究工作。比較早的有基 于圖像角點(diǎn)與邊緣特征的飛機(jī)檢測方法，通過角點(diǎn)和邊緣所圍成的外觀形狀來判斷飛機(jī)的 位置。另外，由于飛機(jī)在圖像中的獨(dú)特形狀，現(xiàn)有技術(shù)中出現(xiàn)過一種用于飛機(jī)檢測的圓濾波 器檢測方法;但是，該方法容易受到飛機(jī)尺寸的限制，對尺度不合適的飛機(jī)區(qū)域采用圓濾波 器并不能達(dá)到好的檢測效果。而基于圖像顯著性的飛機(jī)檢測方法，則主要利用人眼的視覺 系統(tǒng)特點(diǎn)初步獲取圖像中的飛機(jī)可疑區(qū)域，然后與目標(biāo)特征相結(jié)合實(shí)現(xiàn)對飛機(jī)位置的檢 測。
[0003] 在基于統(tǒng)計(jì)學(xué)習(xí)的方法中，可見光圖像中的目標(biāo)檢測通常被認(rèn)定為一個(gè)二分類問 題，即待檢測目標(biāo)要么是目標(biāo)，要么不是目標(biāo)。隨著機(jī)器學(xué)習(xí)與特征提取等方法研究的不斷 深入W及不斷被應(yīng)用到種類目標(biāo)檢測中，現(xiàn)有的機(jī)器學(xué)習(xí)方法與特征提取方法使得目標(biāo)檢 測的準(zhǔn)確性有了很大的提高，但仍不能高效、準(zhǔn)確地提取出圖像中包含目標(biāo)的候選區(qū)域。

【發(fā)明內(nèi)容】

[0004] 要解決的技術(shù)問題
[0005] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于圖像顯著性與SVM的飛機(jī)目 標(biāo)檢測方法，將基于顯著性區(qū)域檢測的圖像分割運(yùn)用到目標(biāo)檢測領(lǐng)域W解決檢測精度不高 等問題。
[0006] 技術(shù)方案
[0007] -種基于圖像顯著性與SVM的飛機(jī)目標(biāo)檢測方法，其特征在于步驟如下：
[000引步驟1、數(shù)據(jù)準(zhǔn)備:從公眾可獲得的各類圖像中選取可見光機(jī)場圖像作為訓(xùn)練樣本 及待檢測目標(biāo)圖集，并轉(zhuǎn)換為灰度圖，圖中飛機(jī)的最大外接正方形的尺寸從最小值:aiXai， 至最大值為32X32;選取部分圖像作為訓(xùn)練樣本，將圖像中飛機(jī)區(qū)域切割后作為正樣本，其 他區(qū)域切割后作為負(fù)樣本;剩余的部分圖像作為測試樣本;所述的訓(xùn)練的樣本縮放為33X33 大小的尺寸；
[0009] 步驟2:分別提取正負(fù)訓(xùn)練樣本的HOG特征；
[0010] 步驟3:將提取到的每一個(gè)正負(fù)樣本的HOG特征與其類別標(biāo)簽，正樣本為1，負(fù)樣本 為-1組合成一個(gè)向量，訓(xùn)練SVM分類器；
[0011] 步驟4:采用基于剩余譜理論的顯著性檢測方法獲取測試樣本中圖像的顯著圖；
[0012] 步驟5:通過面積闊值化方法提取顯著圖中的連通域，產(chǎn)生飛機(jī)目標(biāo)的候選區(qū)域， 過程如下：
[0014]
[oou]步驟5曰:首先計(jì)算顯著圖的均值另和方差滬；
[0015]
[0016] 其中，W表示圖像的寬，h表示圖像的高，SaKiJ)表示顯著圖中第i行第j列的像素 值；
[0017] 步驟化:利用顯著圖的均值^和方差系計(jì)算闊值T，W該闊值T分割顯著圖；所述闊 值T:
[001 引
[0019] 系數(shù)k是為了平衡標(biāo)準(zhǔn)差.容和均值//在闊值T取值時(shí)的權(quán)重A = ex-p(.-(V/15);
[0020] 步驟5c、對闊值化后的顯著圖進(jìn)行連通域?yàn)V波：W大小為mXm的矩形窗，W第i行 第j列像素Q J)為中屯、截取一個(gè)鄰域；W某區(qū)域的像素個(gè)數(shù)來定義該區(qū)域的面積，求出處 于所述鄰域范圍內(nèi)的顯著區(qū)域的面積;如果該面積大于一定闊值，就保留該區(qū)域，否則不保 留;將所有保留下來的區(qū)域作為飛機(jī)目標(biāo)的候選區(qū)域；
[0021 ]步驟6:從飛機(jī)目標(biāo)的候選區(qū)域提取飛機(jī)目標(biāo)，過程如下：
[0022] 步驟6a、構(gòu)建響應(yīng)矩陣：
[0023] 構(gòu)建一個(gè)二維的響應(yīng)矩陣M，矩陣中每個(gè)元素的取值為一個(gè)二維數(shù)組Mij(s，r)其 中i G [1 ,W] ,j G [1 ,h]，s用于記錄窗口尺寸,r用于記錄存在飛機(jī)目標(biāo)的窗口所產(chǎn)生的SVM 響應(yīng);初始化時(shí)，該響應(yīng)矩陣初始化為一個(gè)與圖像大小相同的全0矩陣；
[0024] W任一候選區(qū)域的局部像素極大值作為該候選區(qū)域的中屯、，稱為:種子點(diǎn)；
[0025] 步驟化、二次窗口法剔除無效種子點(diǎn)，保留最可能的飛機(jī)區(qū)域，過程如下：
[00%] (A)確定第一次圖像塊窗口 ：窗口是一個(gè)W種子點(diǎn)為中屯、的矩形窗口，窗口的尺寸 為hiXhi，其中：
[0027]
[00%]其中，into函數(shù)表示四舍五入取整。W該窗口對原圖像進(jìn)行截取，將截取到的圖 像塊縮放為33X33大小，提取圖像塊的HOG特征，然后將HOG特征代入到SVM分類器中，計(jì)算 SVM分類器響應(yīng)值ri;
[0029] (B)確定第二次圖像塊窗口 ：窗口是一個(gè)W種子點(diǎn)為中屯、的矩形窗口，窗口的尺寸 為h2Xh2,其中：
[0030] h2 = 2(hi-l)+l
[0031] W該窗口對原圖像進(jìn)行截取，將截取到的圖像塊縮放為a3Xa3大小，提取圖像塊的 HOG特征，然后將HOG特征代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值K;
[0032] (C)判斷是否保留該區(qū)域：
[0033] 如果兩次計(jì)算得到的分類器響應(yīng)值均小于0,則認(rèn)為該種子點(diǎn)對應(yīng)的飛機(jī)候選區(qū) 域無效，因此剔除該無效種子點(diǎn)；
[0034] 否則，認(rèn)為窗口包含的區(qū)域存在飛機(jī)或包含了飛機(jī)的大部分機(jī)身，將該兩次響應(yīng) 中的較大值賦值到響應(yīng)矩陣中種子點(diǎn)對應(yīng)的坐標(biāo)位置上，稱為響應(yīng)矩陣的種子點(diǎn)，并記錄 下該響應(yīng)對應(yīng)的窗口尺寸;具體地，設(shè)當(dāng)前坐標(biāo)為：（u，v)，將需要記錄的SVM分類器響應(yīng)值， 賦給響應(yīng)矩陣的種子點(diǎn)處元素M(u，v)的二維數(shù)組中的r值;將產(chǎn)生該響應(yīng)時(shí)對應(yīng)的截取窗 口尺寸中的正方形邊長值，賦給響應(yīng)矩陣的種子點(diǎn)處元素M(u，v)的二維數(shù)組中的S值；
[0035] 步驟6c、優(yōu)化響應(yīng)矩陣，確定飛機(jī)區(qū)域：
[0036] (1)優(yōu)化每個(gè)種子點(diǎn)中記錄的窗口尺寸：
[0037] 對每一個(gè)響應(yīng)矩陣的種子點(diǎn)，先根據(jù)W下公式計(jì)算變換后的窗口邊長值h3:
[00；3 引
[0039] W響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中屯、，Wh3Xh3為窗口尺寸建立截取窗口對原圖 像進(jìn)行截取，將截取到的圖像塊縮放為曰3 X曰3大小，提取圖像塊的HOG特征，然后將HOG特征 代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值n;
[0040] 再根據(jù)W下公式計(jì)算變換后的窗口邊長值h4:
[0041]
[0042] W響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中屯、，Wh4 X h4為窗口尺寸建立截取窗口對原圖 像進(jìn)行截取，將截取到的圖像塊縮放為曰3 X曰3大小，提取圖像塊的HOG特征，然后將HOG特征 代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值r4;
[0043] 找出r，r3，r4中的最大值，替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的HI， W所述新的r值對應(yīng)的窗口邊長值替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的S值；
[0044] 確定飛機(jī)區(qū)域，得到最終目標(biāo)檢測結(jié)果；
[0045] (2)依據(jù)優(yōu)化后的響應(yīng)矩陣，W響應(yīng)矩陣的種子點(diǎn)處記錄的坐標(biāo)作為原圖像中飛 機(jī)目標(biāo)所在正方形區(qū)域的中屯、，W該種子點(diǎn)處記錄的S值作為原圖像中飛機(jī)目標(biāo)所在正方 形區(qū)域的邊長，即可確定每個(gè)飛機(jī)區(qū)域，得到最終的飛機(jī)目標(biāo)檢測結(jié)果。
[0046] 有益效果
[0047] 本發(fā)明提出的一種基于圖像顯著性與SVM的飛機(jī)目標(biāo)檢測方法，顯著性區(qū)域檢測 中有兩種視覺注意方式，分別是：自底向上(數(shù)據(jù)驅(qū)動(dòng)）的注意方式、自頂向下(任務(wù)驅(qū)動(dòng)）的 注意方式。本發(fā)明先提取訓(xùn)練樣本的方向梯度直方圖化OG)特征，訓(xùn)練支持向量機(jī)(SVM)分 類器，然后使用一種基于剩余譜理論的自底向上的視覺注意模型進(jìn)行顯著性區(qū)域檢測，快 速提取可能存在目標(biāo)的候選區(qū)域，然后提取候選區(qū)域的HOG特征，再使用訓(xùn)練好的SVM分類 器對候選區(qū)域進(jìn)行分類，完成目標(biāo)檢測。
[004引本發(fā)明將基于剩余譜理論的圖像顯著性檢測與支持向量機(jī)的學(xué)習(xí)方法巧妙地結(jié) 合起來，改進(jìn)了目標(biāo)區(qū)域的選擇，提高了檢測精度和檢測的魯棒性，模型簡單，執(zhí)行效率高。
【附圖說明】
[0049] 圖1:基于SVM的檢測網(wǎng)絡(luò)的訓(xùn)練流程圖
[0050] 圖2:基于圖像顯著性與SVM的可見光圖像飛機(jī)檢測流程圖
【具體實(shí)施方式】
[0051] 現(xiàn)結(jié)合實(shí)施例、附圖對本發(fā)明作進(jìn)一步描述：
[0052] 實(shí)施方案步驟如下：
[0化3]步驟1:數(shù)據(jù)準(zhǔn)備。
[0054] 從G00GLE-EARTH上截取可見光機(jī)場圖像作為訓(xùn)練樣本及待檢測目標(biāo)，統(tǒng)一轉(zhuǎn)換為 灰度圖，圖中飛機(jī)的最大外接正方形的尺寸從最小值:曰1 Xai，至最大值為曰2 X曰2不等。在本 實(shí)施例中，山=20，曰2 = 80。從運(yùn)些截取后的圖像中，采集用于訓(xùn)練的正負(fù)樣本(各2000個(gè)）， 人工標(biāo)注其飛機(jī)區(qū)域。正樣本為各種姿態(tài)、不同型號的飛機(jī)，負(fù)樣本為飛機(jī)場中存在的建筑 物、飛機(jī)場內(nèi)的標(biāo)示、飛機(jī)尾部、飛機(jī)場中道路的交叉口等。在訓(xùn)練時(shí)所用樣本均被統(tǒng)一縮 放為33X33大小的尺寸，對于每幅測試圖像，不需要裁剪。在本實(shí)施例中，曰3 = 64。
[0055] 步驟2:提取正負(fù)訓(xùn)練樣本的HOG特征。
[0056] 先使用Gamma校正的方法對縮放后尺寸為a3Xa3的圖像歸一化。然后將圖像均勻地 劃分成bi Xbi個(gè)"單元格"（cell),每個(gè)單元格的大小為Cl Xci個(gè)像素，其中：ci = a3/bi。為便 于計(jì)算，通常將a3，bi，ci的取值調(diào)整為整數(shù)值，本實(shí)施例中，bi = 8，ci = 8。求出單元格內(nèi)每個(gè) 像素的梯度方向，根據(jù)其梯度方向的幅值加權(quán)投影到對應(yīng)的直方圖區(qū)間中，一個(gè)單元格對 應(yīng)一個(gè)N維(運(yùn)里N=9，即從每個(gè)單元格中提取9維特征)的向量。隨后取b2 X b2個(gè)單元格組合 成一個(gè)塊(block),塊與塊的起始位置之間的間隔取di個(gè)像素，使得塊之間互有重疊，塊的 選取順序?yàn)?先從左到右，再從上到下。在本實(shí)施例中，b2 = 2，di = 8,即：水平方向和垂直方 向分別有7個(gè)塊，使得圖像共包含49個(gè)塊。每個(gè)單元格仍取N維特征，塊的特征由單元格的直 方圖特征向量按照單元格的排列順序串聯(lián)組成;整個(gè)圖像的冊G特征則由各個(gè)塊的冊G特征 向量串聯(lián)組成。在本實(shí)施例中，每個(gè)塊有9 X 2 X 2共36維特征，整個(gè)歸一化圖像共有36 X 49 共1764維特征。
[0057] 步驟3:將上一步中提取到的每一個(gè)正負(fù)樣本的HOG特征與其類別標(biāo)簽(正樣本為 1，負(fù)樣本為-1)組合成一個(gè)向量，訓(xùn)練SVM分類器。本實(shí)施例中SVM的核函數(shù)采用徑向基核函 數(shù)。
[0058] 步驟4:訓(xùn)練完畢后，使用基于剩余譜理論的顯著性檢測方法獲取測試圖像的顯著 圖。
[0059] (1)設(shè)待檢測灰度圖像I的寬度為W個(gè)像素，高度為h個(gè)像素，對圖像的像素
[0060] 集合I(X)(其中I(x)G[0,255]，xG[l，w*h])進(jìn)行傅里葉變換F(Kx)),并提取圖 像頻
[0061 ]域的相位特征與振幅特征；
[0062] A(f)=R(F(I(x))) (1)
[0063] P(f)=S(F(I(x))) (2)
[0064] 其中，A(f)表示頻率f的振幅，P(f)表示頻率f的相位，R(FQU)))表示取F(Kx)) 振幅，S(FQU)))表示取F(Kx))相位。
[0065] (2)計(jì)算振幅的log譜Uf )，并對log譜進(jìn)行均值濾波，然后求log譜的剩余譜R(f):
[0066] L(f) = log(A(f)) (3)
[0067] R(f)=L(f)-hn(f)A(f) (4)
[006引上式中hn(f)是大小為n Xn(本實(shí)施方案中選擇3 X 3大?。┚禐V波卷積核，定義 為
[0069]
[0070] (3)將剩余譜與相位譜結(jié)合求得新的圖像頻譜，對該圖像頻譜進(jìn)行傅里葉反變換 求得新的圖像，并對得到的圖像利用高斯卷積核進(jìn)行圖像平滑，即可得到基于剩余譜理論 的圖像顯著圖S(X):
[0071] S(x)=g(x)沖-i[exp(R(f)+P(f))]2 (5)
[0072] 上式中，F(xiàn)i(f)為傅里葉反變換，g(x)表示高斯卷積核。
[0073] 步驟5:通過面積闊值化方法提取顯著圖中的連通域，W此產(chǎn)生飛機(jī)目標(biāo)的候選區(qū) 域。
[0074] (1)首先計(jì)算顯著圖的均值和方差滬.
[0075] (6)
[0076] 饑
[0077] 其中，W表示圖像的寬，h表示圖像的高，SaKiJ)表示顯著圖中第i行第j列的像素 值。
[0078] (2)利用顯著圖的均值和方差滬計(jì)算闊值T，W該闊值T分割顯著圖。運(yùn)里的闊值 T：
[0079] (8)
[0080] 系數(shù)k是為了平衡標(biāo)準(zhǔn)差^和均值另在闊值T取值時(shí)的權(quán)重，本實(shí)施例中： Z、二exp(--15) 運(yùn)樣取值可W使闊值T與標(biāo)準(zhǔn)差多滿足一定的反比特性，降低標(biāo)準(zhǔn)差過大 時(shí)對闊值的影響，或在標(biāo)準(zhǔn)差過小的時(shí)候能適當(dāng)?shù)脑黾訕?biāo)準(zhǔn)差的影響。
[0081] (3)對闊值化后的顯著圖進(jìn)行連通域?yàn)V波。W大小為m Xm的矩形窗，W第i行第j 列像素（ij)為中屯、截取一個(gè)鄰域，本實(shí)施例中，IU = IIdW某區(qū)域的像素個(gè)數(shù)來定義該區(qū) 域的面積，可求出處于所述鄰域范圍內(nèi)的顯著區(qū)域的面積。如果該面積大于一定闊值(本實(shí) 施例中，闊值取60)，就保留該區(qū)域，否則不保留。將所有保留下來的區(qū)域作為飛機(jī)目標(biāo)的候 選區(qū)域。
[0082] 步驟6:從飛機(jī)目標(biāo)的候選區(qū)域提取飛機(jī)目標(biāo)。
[0083] (1)構(gòu)建響應(yīng)矩陣
[0084] 構(gòu)建一個(gè)二維的響應(yīng)矩陣M，矩陣中每個(gè)元素的取值為一個(gè)二維數(shù)組Mi, j(S，r)其 中i G [1，w]，j G [1，h]，s用于記錄窗口尺寸，!用于記錄存在飛機(jī)目標(biāo)的窗口所產(chǎn)生的SVM 響應(yīng)。初始化時(shí)，該響應(yīng)矩陣初始化為一個(gè)與圖像大小相同的全0矩陣。
[0085] W某個(gè)候選區(qū)域的局部像素極大值作為該候選區(qū)域的中屯、，稱為：種子點(diǎn)（即：可 能存在飛機(jī)目標(biāo)的區(qū)域中屯、位置）。
[0086] (2)剔除無效種子點(diǎn)，保留最可能的飛機(jī)區(qū)域
[0087] 為提高篩選的準(zhǔn)確率，本發(fā)明提出一種二次窗口法，具體如下：
[0088] (A)確定第一次圖像塊窗口
[0089] 該窗口是一個(gè)W種子點(diǎn)為中屯、的矩形窗口，窗口的尺寸為hiXhi，其中：
[0090]
巧）
[0091] 其中，into函數(shù)表示四舍五入取整。W該窗口對原圖像進(jìn)行截取，將截取到的圖 像塊縮放為33X33大小，提取圖像塊的HOG特征，然后將HOG特征代入到SVM分類器中，計(jì)算 SVM分類器響應(yīng)值ri。
[0092] (B)確定第二次圖像塊窗口
[0093] 該窗口是一個(gè)W種子點(diǎn)為中屯、的矩形窗口，窗口的尺寸為h2Xh2,其中：
[0094] h2 = 2(hi-l)+l (10)
[00%] W該窗口對原圖像進(jìn)行截取，將截取到的圖像塊縮放為a3Xa3大小，提取圖像塊的 HOG特征，然后將HOG特征代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值K。
[0096] (C)判斷是否保留該區(qū)域
[0097] 如果兩次計(jì)算得到的分類器響應(yīng)值均小于0,則認(rèn)為該種子點(diǎn)對應(yīng)的飛機(jī)候選區(qū) 域無效，因此剔除該無效種子點(diǎn)。
[0098] 否則，認(rèn)為窗口包含的區(qū)域存在飛機(jī)或包含了飛機(jī)的大部分機(jī)身，可將該兩次響 應(yīng)中的較大值賦值到所述響應(yīng)矩陣中種子點(diǎn)對應(yīng)的坐標(biāo)位置上，該點(diǎn)稱為響應(yīng)矩陣的種子 點(diǎn)，并記錄下該響應(yīng)對應(yīng)的窗口尺寸。具體地，設(shè)當(dāng)前坐標(biāo)為：（u，v)，將需要記錄的SVM分類 器響應(yīng)值，賦給響應(yīng)矩陣的種子點(diǎn)處元素M(u，V)的二維數(shù)組中的r值;將產(chǎn)生該響應(yīng)時(shí)對應(yīng) 的截取窗口尺寸中的正方形邊長值，賦給響應(yīng)矩陣的種子點(diǎn)處元素M(u，v)的二維數(shù)組中的 S值。
[0099] (3)優(yōu)化響應(yīng)矩陣，確定飛機(jī)區(qū)域
[0100] (A)優(yōu)化每個(gè)種子點(diǎn)中記錄的窗口尺寸
[0101] 對毎一個(gè)晌巧巧隨的種子點(diǎn)，先根據(jù)W下公式計(jì)算變換后的窗口邊長值h3:
[0102]
(U)
[0103] W響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中屯、，Wh3Xh3為窗口尺寸建立截取窗口對原圖 像進(jìn)行截取，將截取到的圖像塊縮放為曰3 X曰3大小，提取圖像塊的HOG特征，然后將HOG特征 代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值n。
[0104] 再根據(jù)W下公式計(jì)算變換后的窗口邊長值h4:
[010 引
（12)
[0106] W響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中屯、，Wh4Xh4為窗口尺寸建立截取窗口對原圖 像進(jìn)行截取，將截取到的圖像塊縮放為曰3 X曰3大小，提取圖像塊的HOG特征，然后將HOG特征 代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值r4。
[0107] 找出r，n，T4中的最大值，替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的r值， W所述新的r值對應(yīng)的窗口邊長值替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的S值。
[0108] (B)確定飛機(jī)區(qū)域，得到最終目標(biāo)檢測結(jié)果
[0109]依據(jù)優(yōu)化后的響應(yīng)矩陣，W響應(yīng)矩陣的種子點(diǎn)處記錄的坐標(biāo)作為原圖像中飛機(jī)目 標(biāo)所在正方形區(qū)域的中屯、，W該種子點(diǎn)處記錄的S值作為原圖像中飛機(jī)目標(biāo)所在正方形區(qū) 域的邊長，即可確定每個(gè)飛機(jī)區(qū)域，得到最終的飛機(jī)目標(biāo)檢測結(jié)果。
【主權(quán)項(xiàng)】
1. 一種基于圖像顯著性與SVM的飛機(jī)目標(biāo)檢測方法，其特征在于步驟如下： 步驟1、數(shù)據(jù)準(zhǔn)備:從公眾可獲得的各類圖像中選取可見光機(jī)場圖像作為訓(xùn)練樣本及待 檢測目標(biāo)圖集，并轉(zhuǎn)換為灰度圖，圖中飛機(jī)的最大外接正方形的尺寸從最小值:ai Xai，至最 大值為a2Xa2;選取部分圖像作為訓(xùn)練樣本，將圖像中飛機(jī)區(qū)域切割后作為正樣本，其他區(qū) 域切割后作為負(fù)樣本;剩余的部分圖像作為測試樣本;所述的訓(xùn)練的樣本縮放為a 3Xa3大小 的尺寸； 步驟2:分別提取正負(fù)訓(xùn)練樣本的HOG特征； 步驟3:將提取到的每一個(gè)正負(fù)樣本的HOG特征與其類別標(biāo)簽，正樣本為1，負(fù)樣本為-1 組合成一個(gè)向量，訓(xùn)練SVM分類器； 步驟4:采用基于剩余譜理論的顯著性檢測方法獲取測試樣本中圖像的顯著圖； 步驟5:通過面積閾值化方法提取顯著圖中的連通域，產(chǎn)生飛機(jī)目標(biāo)的候選區(qū)域，過程 如下： 步驟5a:首先計(jì)算顯著圖的均值&和方差7: 其中，w表示圖像的寬，h表示圖像的高，Sal(i，j)表示顯著圖中第i行第j列的像素值； 步驟5b:利用顯著圖的均值i和方差歹計(jì)算閾值T，以該閾值T分割顯著圖；所述閾值T:系數(shù)k是為了平衡標(biāo)準(zhǔn)差表和均值;?在閾值T取值時(shí)的權(quán)重A = expC-i715); 步驟5c、對閾值化后的顯著圖進(jìn)行連通域?yàn)V波：以大小為mXm的矩形窗，以第i行第j 列像素（i，j)為中心截取一個(gè)鄰域；以某區(qū)域的像素個(gè)數(shù)來定義該區(qū)域的面積，求出處于所 述鄰域范圍內(nèi)的顯著區(qū)域的面積;如果該面積大于一定閾值，就保留該區(qū)域，否則不保留； 將所有保留下來的區(qū)域作為飛機(jī)目標(biāo)的候選區(qū)域； 步驟6:從飛機(jī)目標(biāo)的候選區(qū)域提取飛機(jī)目標(biāo)，過程如下： 步驟6a、構(gòu)建響應(yīng)矩陣： 構(gòu)建一個(gè)二維的響應(yīng)矩陣M，矩陣中每個(gè)元素的取值為一個(gè)二維數(shù)組Mi, j(s，r)其中ie [1，w]，je [1，h]，s用于記錄窗口尺寸，r用于記錄存在飛機(jī)目標(biāo)的窗口所產(chǎn)生的SVM響應(yīng)； 初始化時(shí)，該響應(yīng)矩陣初始化為一個(gè)與圖像大小相同的全〇矩陣； 以任一候選區(qū)域的局部像素極大值作為該候選區(qū)域的中心，稱為:種子點(diǎn)； 步驟6b、二次窗口法剔除無效種子點(diǎn)，保留最可能的飛機(jī)區(qū)域，過程如下： (A)確定第一次圖像塊窗口：窗口是一個(gè)以種子點(diǎn)為中心的矩形窗口，窗口的尺寸為In Xlu，其中：其中，int()函數(shù)表示四舍五入取整。以該窗口對原圖像進(jìn)行截取，將截取到的圖像塊 縮放為a3 Xa3大小，提取圖像塊的HOG特征，然后將HOG特征代入到SVM分類器中，計(jì)算SVM分 類器響應(yīng)值η; (Β)確定第二次圖像塊窗口 ：窗口是一個(gè)以種子點(diǎn)為中心的矩形窗口，窗口的尺寸為^ Xh2,其中： h2 = 2(hi_l)+l 以該窗口對原圖像進(jìn)行截取，將截取到的圖像塊縮放為a3Xa3大小，提取圖像塊的HOG 特征，然后將HOG特征代入到SVM分類器中，計(jì)算SVM分類器響應(yīng)值r2; (C)判斷是否保留該區(qū)域： 如果兩次計(jì)算得到的分類器響應(yīng)值均小于0,則認(rèn)為該種子點(diǎn)對應(yīng)的飛機(jī)候選區(qū)域無 效，因此剔除該無效種子點(diǎn)； 否則，認(rèn)為窗口包含的區(qū)域存在飛機(jī)或包含了飛機(jī)的大部分機(jī)身，將該兩次響應(yīng)中的 較大值賦值到響應(yīng)矩陣中種子點(diǎn)對應(yīng)的坐標(biāo)位置上，稱為響應(yīng)矩陣的種子點(diǎn)，并記錄下該 響應(yīng)對應(yīng)的窗口尺寸;具體地，設(shè)當(dāng)前坐標(biāo)為：（u，v)，將需要記錄的SVM分類器響應(yīng)值，賦給 響應(yīng)矩陣的種子點(diǎn)處元素M(u，v)的二維數(shù)組中的r值;將產(chǎn)生該響應(yīng)時(shí)對應(yīng)的截取窗口尺 寸中的正方形邊長值，賦給響應(yīng)矩陣的種子點(diǎn)處元素M(u，v)的二維數(shù)組中的s值； 步驟6c、優(yōu)化響應(yīng)矩陣，確定飛機(jī)區(qū)域： (1) 優(yōu)化每個(gè)種子點(diǎn)中記錄的窗口尺寸： 對每一個(gè)響應(yīng)矩陣的種子點(diǎn)，先根據(jù)以下公式計(jì)算變換后的窗口邊長值h3:以響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中心，以h3 Xh3為窗口尺寸建立截取窗口對原圖像進(jìn) 行截取，將截取到的圖像塊縮放為a3 Xa3大小，提取圖像塊的HOG特征，然后將HOG特征代入 到SVM分類器中，計(jì)算SVM分類器響應(yīng)值r 3; 再根據(jù)以下公式計(jì)算變換后的窗口邊長值h4:以響應(yīng)矩陣的種子點(diǎn)處的坐標(biāo)為中心，以h4Xh4為窗口尺寸建立截取窗口對原圖像進(jìn) 行截取，將截取到的圖像塊縮放為a3 Xa3大小，提取圖像塊的HOG特征，然后將HOG特征代入 到SVM分類器中，計(jì)算SVM分類器響應(yīng)值r4; 找出r，r3，r4中的最大值，替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的r值，以所 述新的r值對應(yīng)的窗口邊長值替換響應(yīng)矩陣的種子點(diǎn)處元素的二維數(shù)組中原有的s值； 確定飛機(jī)區(qū)域，得到最終目標(biāo)檢測結(jié)果； (2) 依據(jù)優(yōu)化后的響應(yīng)矩陣，以響應(yīng)矩陣的種子點(diǎn)處記錄的坐標(biāo)作為原圖像中飛機(jī)目 標(biāo)所在正方形區(qū)域的中心，以該種子點(diǎn)處記錄的s值作為原圖像中飛機(jī)目標(biāo)所在正方形區(qū) 域的邊長，即可確定每個(gè)飛機(jī)區(qū)域，得到最終的飛機(jī)目標(biāo)檢測結(jié)果。
【文檔編號】G06K9/46GK105956592SQ201610303628
【公開日】2016年9月21日
【申請日】2016年5月10日
【發(fā)明人】李映, 聶金苗, 陳迪
【申請人】西北工業(yè)大學(xué)