[發(fā)明專利]一種基于核稀疏表示的快速遙感目標(biāo)檢測(cè)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611039128.4
• 申請(qǐng)日: 2016-11-21
• 公開（公告）號(hào): CN106650629A
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 高紅民;陳玲慧;陸迎曙;李臣明;楊耀;樊悅;張振;謝科偉;黃昌運(yùn)
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙)32204
• 代理人: 柏尚春

技術(shù)領(lǐng)域

本發(fā)明涉及遙感影像分析領(lǐng)域，特別是涉及一種基于核稀疏表示的快速遙感目標(biāo)檢測(cè)識(shí)別方法。

背景技術(shù)

由于遙感影像的復(fù)雜性，在整幅大幅面的遙感影像中檢測(cè)多類感興趣目標(biāo)物是一個(gè)較難的課題研究方向。在計(jì)算機(jī)視覺領(lǐng)域中，BOVW模型已被廣泛地研究并應(yīng)用到圖像分類與模式識(shí)別任務(wù)中。近年來(lái)，BOVW模型也被引入到遙感目標(biāo)檢測(cè)識(shí)別領(lǐng)域中，并且取得了很好的性能。然而目前所提出的方法既沒有在實(shí)施檢測(cè)識(shí)別算法前，對(duì)大幅面的遙感影像進(jìn)行預(yù)處理即對(duì)興趣目標(biāo)區(qū)域的預(yù)測(cè)處理，也未能在特征編碼階段充分捕捉到所抽取特征間相似度。這分別意味著大量無(wú)意義的冗余計(jì)算與信息丟失對(duì)檢測(cè)識(shí)別性能的負(fù)面影響。更加重要的是，這些方法或者模型都是針對(duì)某一特定的目標(biāo)物提出的，這就在很大程度上限制了他們的應(yīng)用范圍。與此同時(shí)，已有文獻(xiàn)指出顯著圖的方法可以用來(lái)預(yù)測(cè)潛在候選興趣目標(biāo)物的區(qū)域位置，這是因?yàn)榕d趣目標(biāo)物在視覺機(jī)制上通常與背景有著明顯的不同。同時(shí)，已有文獻(xiàn)提出核稀疏表示的方法，通過核函數(shù)，隱形地將輸入數(shù)據(jù)映射到高維特征空間，同時(shí)保證在特征空間的輸入數(shù)據(jù)的稀疏變得更加稀疏，這種稀疏的性質(zhì)對(duì)于修正稀疏表示的缺陷、提高數(shù)據(jù)間的鑒別性以及提升分類性能有著很好的作用。

然而，上述的方法既沒有在實(shí)施檢測(cè)識(shí)別算法前，對(duì)大幅面的遙感影像進(jìn)行預(yù)處理即對(duì)興趣目標(biāo)區(qū)域的預(yù)測(cè)處理，也未能在特征編碼階段充分捕捉到所抽取特征間相似度。這分別意味著大量無(wú)意義的冗余計(jì)算與信息丟失對(duì)檢測(cè)識(shí)別性能的負(fù)面影響。更加重要的是，以上的方法或者模型都是針對(duì)某一特定的目標(biāo)物提出的，這就在很大程度上限制了他們的應(yīng)用范圍。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的是提供一種能夠解決現(xiàn)有技術(shù)中存在的缺陷的基于核稀疏表示的快速遙感目標(biāo)檢測(cè)識(shí)別方法。

技術(shù)方案：本發(fā)明所述的基于核稀疏表示的快速遙感目標(biāo)檢測(cè)識(shí)別方法包括以下步驟：

S1：創(chuàng)建四個(gè)RGB特征通道；

S2：計(jì)算給定圖像的四個(gè)特征通道的四相傅里葉變換，提取相位譜，通過逆傅里葉變換重建四個(gè)特征通道的圖像，從而生成顯著圖；

S3：對(duì)步驟S2得到的顯著圖進(jìn)行二值化劃分，提取候選興趣區(qū)域；

S4：通過有效子窗搜索算法掃描搜索框得到待測(cè)圖像塊，形成遙感目標(biāo)圖像塊訓(xùn)練集；

S5：對(duì)遙感目標(biāo)圖像塊訓(xùn)練集進(jìn)行SIFT特征提取，生成稀疏字典；

S6：采用空間金字塔對(duì)SIFT特征進(jìn)行映射；

S7：核稀疏表示；

S8：求解核稀疏表示；

S9：目標(biāo)的空間金字塔向量表示；

S10：結(jié)合線性的支持向量機(jī)分類算法完成識(shí)別任務(wù)。

進(jìn)一步，所述步驟S7中的核稀疏表示如式(1)所示：

其中v＝[v₁,v₂,v₃,…,v_N]∈R^N×K為稀疏編碼系數(shù)，ξ為重構(gòu)殘差，K(■,■)為mercer核函數(shù)，x＝[x₁,x₂,x₃,…,x_N]∈R^N×D為訓(xùn)練圖像集的SIFT特征，為映射后的稀疏字典，為映射后的特征集，U＝[u₁,u₂,u₃,…,u_K]∈R^K×D為視覺字典。

進(jìn)一步，所述步驟S8中，采用基于主成分析的正交匹配追蹤算法求解核稀疏表示：設(shè)定0<ξ＜＜1，0<ω＜＜K，0<h≤K，K為稀疏度，h為主成分析降維后的維度，計(jì)算稀疏字典的核矩陣Q∈R^K×K對(duì)應(yīng)的正則化特征向量，對(duì)于每個(gè)正則化特征向量，計(jì)算它的核向量Y∈R^1×K，再通過矩陣B對(duì)Q與Y進(jìn)行降維，結(jié)果分別為A＝QB^T＝(a₁,a₂,a₃,…,a_K)∈R^K×h和y＝Y(jié)B^T∈R^1×h，然后以新產(chǎn)生的矩陣A作為字典，向量y作為輸入特征，運(yùn)用OMP算法生成稀疏系數(shù)v∈R^1×K作為圖像向量表示。

進(jìn)一步，所述步驟S3中，提取候選興趣區(qū)域的方法為：二值化顯著圖，將其中正向像素點(diǎn)數(shù)目超過設(shè)定的閾值的區(qū)域作為候選興趣區(qū)域。