[發(fā)明專利]一種高分辨率遙感圖像中民航飛機(jī)自動(dòng)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210409262.4
• 申請(qǐng)日: 2012-10-24
• 公開(kāi)（公告）號(hào): CN102945374A
• 公開(kāi)（公告）日: 2013-02-27
• 發(fā)明（設(shè)計(jì)）人: 史振威;于新然;安振宇;湯唯
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/54
• 代理公司: 北京慧泉知識(shí)產(chǎn)權(quán)代理有限公司 11232
• 代理人: 王順榮;唐愛(ài)華

1.一種高分辨率遙感圖像中民航飛機(jī)自動(dòng)檢測(cè)方法，其特征在于：它包括如下步驟：

步驟一：讀入圖像，并對(duì)輸入圖像進(jìn)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(jì)算圖像中每一個(gè)像素點(diǎn)的圓周頻率響應(yīng)，并把響應(yīng)值大于某一閾值的像素點(diǎn)作為飛機(jī)目標(biāo)的候選點(diǎn)集保留下來(lái)；小于該閾值的點(diǎn)則認(rèn)為是非飛機(jī)區(qū)域而排除掉；其計(jì)算過(guò)程如下：

設(shè)圖像上有一坐標(biāo)為(i,j)的點(diǎn)，f_k(k=0,1,...,N-1)表示以(i,j)為中心以r為半徑的圓周上逆時(shí)針?lè)较蛳袼氐幕叶戎邓M成的一維數(shù)列，其中r為這個(gè)圓周的半徑，N為這個(gè)圓周序列的點(diǎn)數(shù)，求這個(gè)一維數(shù)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(shù)列f_k經(jīng)過(guò)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(shí)正弦和余弦函數(shù)的周期數(shù)；由于飛機(jī)主要由機(jī)頭、一對(duì)機(jī)翼和尾翼組成，當(dāng)半徑r的取值使得圓周掃過(guò)這4部分時(shí)，它們分別對(duì)應(yīng)于f_k當(dāng)飛機(jī)比背景亮的4個(gè)峰或當(dāng)飛機(jī)比背景暗的4個(gè)谷，因此飛機(jī)區(qū)域的圓周序列f_k通常有4個(gè)峰和4個(gè)谷，即近似4周期的正弦信號(hào)；而當(dāng)傅里葉變換中正弦或余弦函數(shù)的周期與f_k的周期相同時(shí)，該傅里葉變換的幅值f(i,j)的絕對(duì)值最大，即在飛機(jī)中心的圓周頻率響應(yīng)的幅值大，因此令常數(shù)c=8，代表傅里葉變換的正弦與余弦函數(shù)有四個(gè)周期；

選擇圓周半徑r為4像素，采樣點(diǎn)數(shù)N為40個(gè)，常數(shù)c為8，這樣，長(zhǎng)度為30到50像素的飛機(jī)區(qū)域會(huì)得到相對(duì)較強(qiáng)的響應(yīng)，平坦的背景區(qū)域的響應(yīng)相對(duì)較弱；此外為了檢測(cè)更大的飛機(jī)，還對(duì)輸入圖像進(jìn)行兩次降采樣，采樣率為1.30、1.80，使得大飛機(jī)也有較強(qiáng)的濾波響應(yīng)，稱為多尺度圓周頻率濾波，還有一些復(fù)雜的背景如房屋、道路邊緣以及與飛機(jī)形狀近似的建筑也會(huì)有較強(qiáng)的響應(yīng)，這些點(diǎn)將在后面分類器精檢測(cè)的過(guò)程中被排除掉；

步驟二：提取訓(xùn)練樣本的梯度方向直方圖特征；因?yàn)橛梅诸惼鲗?duì)圓周頻率濾波結(jié)果進(jìn)行精檢測(cè)，因此這一步是為后面訓(xùn)練分類器服務(wù)；訓(xùn)練樣本為在Google?Earth軟件上截取的大小為40*40的圖片，用來(lái)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(jì)算圖像梯度，之后再將梯度圖像分成小的連通區(qū)域，此連通區(qū)域被稱為胞元cell，然后統(tǒng)計(jì)出胞元cell中所有像素點(diǎn)的梯度方向直方圖，最后把這些直方圖組合起來(lái)便構(gòu)成特征描述符；為了使特征描述符對(duì)光照變化和陰影干擾具有更強(qiáng)的不變性，算法將這些局部直方圖在圖像的更大的范圍內(nèi)進(jìn)行對(duì)比度歸一化即contrast-normalized；歸一化所采用的方法是：先計(jì)算各直方圖在其所在塊區(qū)中的能量密度，然后根據(jù)這個(gè)能量密度對(duì)區(qū)間中的各個(gè)胞元做歸一化；

步驟三：訓(xùn)練Adaboost分類器；步驟二結(jié)束后，用提取的梯度方向直方圖特征訓(xùn)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(xùn)練復(fù)數(shù)個(gè)Adaboost分類器以檢測(cè)不同方向的飛機(jī)，這里訓(xùn)練了0°到315°等間隔的8個(gè)方向的分類器，訓(xùn)練樣本為在Google?Earth軟件上截取的大小為40*40的圖片；其中負(fù)樣本，即非飛機(jī)圖片5000幅；8個(gè)方向的正樣本，即飛機(jī)圖片，每個(gè)方向各有3000幅；

訓(xùn)練Adaboost分類器的流程如下：假定訓(xùn)練集為(x₁,y₁),...,(x_m,y_m)，訓(xùn)練樣本的權(quán)重分布為D_t(i)(1≤i≤m)；其中x_i為樣本特征，y_i為樣本標(biāo)簽；假定起初時(shí)，所有的權(quán)重D_t(i)都相同，并且Y={-1,+1}；AdaBoost算法是在一系列的迭代中重復(fù)利用給定的弱分類器，并根據(jù)樣本分布D_t(i)做出較弱的判定h_t:X?→{-1,+1}在每一次判定后算法會(huì)由較弱的判定結(jié)果求出弱分類器的分類誤差ε_t，并根據(jù)此誤差ε_t調(diào)整權(quán)重分布D_t(i)，增加錯(cuò)誤樣本的權(quán)重，使得弱分類器進(jìn)一步專注于訓(xùn)練集中的困難樣本；這樣，當(dāng)T次迭代結(jié)束后，就得到了最終的分類器，其分類假設(shè)為：其中h_t(x)為原弱分類器分類假設(shè)，α_t是由每次分類誤差ε_t求得的權(quán)重系數(shù)；

步驟四：用訓(xùn)練好的Adaboost分類器進(jìn)行精檢測(cè)；分類器訓(xùn)練完成后，把候選點(diǎn)集中所有點(diǎn)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(cè)的點(diǎn)則認(rèn)為是最終檢測(cè)到的民航飛機(jī)目標(biāo)，反之則認(rèn)為是偽目標(biāo)而排除掉；此外為了檢測(cè)到更大的飛機(jī)，此步對(duì)原始輸入圖像也進(jìn)行了兩次降采樣，采樣率為1.30、1.80；同時(shí)為了對(duì)飛機(jī)的方向變化更加魯棒，對(duì)原圖及降采樣后的圖像順時(shí)針旋轉(zhuǎn)22.5°，這樣就使檢測(cè)的方向范圍由原來(lái)的8方向細(xì)化為16方向；

步驟五：為了定位檢測(cè)到的民航飛機(jī)，對(duì)步驟四中的檢測(cè)結(jié)果進(jìn)行區(qū)域生長(zhǎng)聚類，并把每一聚類區(qū)域的中心作為飛機(jī)的中心，至此，完成了民航飛機(jī)檢測(cè)的工作。