[發(fā)明專利]基于多源影像聯(lián)合形狀分析與多屬性融合的目標識別方法

有效

• 申請?zhí)枺?/td>: 201910722047.1
• 申請日: 2019-08-06
• 公開（公告）號: CN110443201B
• 公開（公告）日: 2023-01-10
• 發(fā)明（設計）人: 陳浩;陳穩(wěn);高通
• 申請（專利權）人: 哈爾濱工業(yè)大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/46;G06V10/764
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.基于多源影像聯(lián)合形狀分析與多屬性融合的目標識別方法，其特征在于：所述方法具體過程為：

步驟一、手動配準好光學遙感影像和SAR遙感影像，僅利用光學遙感影像進行直線檢測，獲取大量疑似艦船?？看a頭的切片，并根據(jù)直線角度，旋轉碼頭切片至水平；

步驟二、對水平碼頭切片的光學遙感影像和SAR遙感影像進行聯(lián)合形狀分析，獲取疑似艦船坐標，即得到艦船長度、寬度信息，提取對應坐標的疑似艦船切片；

步驟三、提取疑似艦船切片的多源組合特征，經(jīng)由預先訓練好的單分類支持向量機，從而將疑似艦船分類為艦船目標和非艦船目標；

步驟四、對分類為艦船的目標，提取艦船目標的光學切片，分別進行飛行甲板類型、船頭尖角位置、船頭輪廓類型、垂直發(fā)射裝置位置共4個部位的檢測，提取艦船目標的SAR切片，進行艦橋位置共1個部位的檢測；

步驟五、根據(jù)獲取的艦船長度、寬度信息，與檢測得到的5個部位檢測結果進行多屬性融合的艦船型號識別；

步驟六、基于步驟五取投票結果最大的一類作為艦船型號識別結果；

所述步驟一中手動配準好光學遙感影像和SAR遙感影像，僅利用光學影像進行直線檢測，獲取大量疑似艦船停靠碼頭的切片，并根據(jù)直線角度，旋轉碼頭切片至水平；具體過程為：

步驟一一、手動配準好光學遙感影像和SAR遙感影像，在光學遙感影像上根據(jù)任意點周圍灰度分布信息均勻的原則，選取海面上的種子點，種子點選取應滿足下式：

滿足屬性P(x,y)的點即為種子點，其中U代表鄰域，I為圖像灰度，(x,y)為海面上的任一點，(x_q,y_q)為(x,y)的周圍八鄰域點，a為海水的灰度閾值；

步驟一二、根據(jù)選取的種子點進行區(qū)域生長，獲取整個海面區(qū)域，取反則獲得整個陸地區(qū)域，取兩者的交界線，即可獲得海陸交界線，將海陸交界線進行形態(tài)學膨脹，從而獲取海陸交界地帶；

步驟一三、在海陸交界地帶進行直線檢測，認為該直線為艦船本身或艦船所?？康拇a頭，從而根據(jù)該直線角度旋轉碼頭切片至水平，即獲得包含水平停放艦船的碼頭切片；

所述步驟二中對水平碼頭切片的光學遙感影像和SAR遙感影像進行聯(lián)合形狀分析，獲取疑似艦船坐標，提取對應坐標的疑似艦船切片；具體過程為：

步驟二一、在旋轉至水平的光學和SAR碼頭切片上進行艦船目標檢測，首先利用SAR影像經(jīng)由非極大值抑制確定顯著性點，然后對光學影像每個顯著性點的x方向進行灰度分析，來尋找船頭、船尾與海水的交界點，從而獲得艦船的橫坐標；

步驟二二、再利用對SAR影像每個顯著性點x方向左右各100個像素對應的y方向的亮度值進行統(tǒng)計，從而獲得y方向亮度曲線，在計算出海面平均亮度后，得到艦船與海水在y方向上的分界線，從而獲得船身上下的縱坐標；

步驟二三、根據(jù)橫縱坐標，標記回旋轉至水平的光學和SAR碼頭切片即提取出疑似艦船目標；

所述步驟三中提取疑似艦船切片的多源組合特征，經(jīng)由預先訓練好的單分類支持向量機，從而將疑似艦船分類為艦船目標和非艦船目標；具體過程為：

針對疑似艦船目標的光學與SAR切片，分別提取光學切片的幾何特征、不變矩特征、梯度直方圖特征以及SAR切片的幾何特征、不變矩特征、散射特征，從而構造一個多特征融合向量，經(jīng)由訓練好的單分類支持向量機，實現(xiàn)艦船目標的檢測；

所述步驟四中對分類為艦船的目標，提取艦船的目標的光學切片，分別進行飛行甲板類型、船頭尖角位置、船頭輪廓類型、垂直發(fā)射裝置位置共4個部位的檢測，提取艦船的目標的SAR切片，進行艦橋位置共1個部位的檢測；具體過程為：

步驟四一、基于特征點匹配方法實現(xiàn)對飛行甲板的檢測；

步驟四二、基于輪廓提取方法獲取船頭輪廓類型、船頭尖角位置；

步驟四三、基于亮度顯著性方法獲取艦橋、垂直發(fā)射裝置位置；

所述步驟四一中基于特征點匹配方法實現(xiàn)對飛行甲板的檢測；具體過程為：

利用尺度不變特征變換提取艦船目標的SIFT特征點；

利用提取到的SIFT特征點，再基于詞袋技術構建每個正負訓練樣本的特征向量，然后將特征向量輸入支持向量機分類器進行訓練，得到訓練好的SVM分類器；

在艦船目標上滑動窗口提取小切片，構建SIFT詞袋特征，經(jīng)由訓練好的SVM分類器實現(xiàn)對飛行甲板的檢測；

所述步驟四二中基于輪廓提取方法獲取船頭輪廓類型、船頭尖角位置；具體過程為：

通過Canny算子對艦船目標提取邊緣影像，對提取的邊緣影像進行形態(tài)學處理即獲得艦船目標的二值影像，在對二值影像進行輪廓提取，獲得艦船目標的外輪廓；

利用預先訓練好的不同型號的真實船頭輪廓圖作為卷積算子，對獲得艦船目標的外輪廓圖進行卷積濾波，形成船頭輪廓響應圖，再經(jīng)由閾值判斷區(qū)分不同類型船頭弧度的艦船，并且同時獲得船頭尖角的位置；

所述步驟四三中基于亮度顯著性方法獲取艦橋、垂直發(fā)射裝置位置；具體過程為：

步驟四三一、設I為輸入的遙感影像的灰度圖，尺寸為M×N，對于I中的像素亮度顯著圖中任意一像素點的亮度顯著值BBSM_ij的值為

其中，D(I_ij,I_mn)是像素I_ij和像素I_mn的絕對差值；m、n、i、j為灰度圖中某一點坐標值；

D(I_ij,I_mn)＝|I_ij-I_mn| (3)

BBSM_ij為每一像素點的亮度顯著值，從而構成亮度顯著圖；

步驟四三二、對于SAR遙感影像先經(jīng)過步驟四三一處理，獲得亮度顯著圖，在經(jīng)過閾值分割，從而得到顯著性目標的二值影像，再篩選滿足艦橋幾何約束條件的連通域，取連通域中心坐標即獲得亮度顯著目標的中心坐標，即艦橋中心位置；

艦橋幾何約束條件包括：閾值分割后得到的連通域緊湊度小于0.8，閾值分割后得到的連通域面積大于500像素，小于2000像素，長寬比大于2；

步驟四三三、對光學遙感影像先經(jīng)過步驟四三一處理，獲得亮度顯著圖，在經(jīng)過閾值分割，從而得到顯著性目標的二值影像，再篩選滿足垂直發(fā)射裝置幾何約束條件的連通域，取連通域中心坐標即獲得亮度顯著目標的中心坐標，即垂直發(fā)射裝置中心位置：

垂直發(fā)射裝置幾何約束條件包括：閾值分割后得到的連通域緊湊度大于0.7，閾值分割后得到的連通域面積大于85像素，小于350像素，長寬比小于2.5；

所述步驟五中根據(jù)獲取的艦船長度、寬度信息，與檢測得到的5個部位檢測結果進行多屬性融合的艦船型號識別；具體過程為：

對于艦船長度，規(guī)定長度在285-325像素的艦船類型為驅逐艦，長度在326-366像素的艦船類型為巡洋艦，其它長度則為其它艦船；

對于艦船寬度，規(guī)定寬度在38-45像素的艦船類型為驅逐艦，寬度在30-37像素的艦船類型為巡洋艦，其它寬度則為其它艦船；

針對飛行甲板類型，檢測到美式類型飛行甲板的艦船認為是驅逐艦或者巡洋艦，其他類型飛行甲板的艦船為其它艦船；

針對船頭輪廓類型，根據(jù)預先訓練的驅逐艦和巡洋艦的真實船頭輪廓圖，能夠檢測出驅逐艦船頭輪廓的艦船認為是驅逐艦，能夠檢測出巡洋艦船頭輪廓的艦船認為是巡洋艦，都不能檢測出的認為是其它艦船；

針對船頭尖角位置，利用對輪廓響應點進行非極大值抑制，獲得輪廓響應的極大值點，即船頭的中心點，從而獲得船頭尖角位置的坐標；船頭尖角位置的坐標和艦船前端的坐標若一致，則認為該艦船類型與船頭輪廓類型一致，否則認為是其它艦船；

針對艦橋位置，艦橋與船頭的距離在115-160像素內認為是驅逐艦，在161-210像素內認為是巡洋艦，其它情況則認為是其它艦船；

針對垂直發(fā)射裝置位置，前端垂直發(fā)射裝置與船頭的距離在60-80像素內認為是驅逐艦，在81-100像素內認為是巡洋艦，其它情況則認為是其它艦船；后端垂直發(fā)射裝置與船頭的距離在205-265像素內認為是驅逐艦，在266-325像素內認為是巡洋艦，其它情況則認為是其它艦船；其中前后端任取一個作為判斷標準即可；

所述步驟六中基于步驟五取投票結果最大的一類作為艦船型號識別結果；具體過程為：

將艦船的部位檢測結果分七次進行投票，取投票結果的最大值作為艦船類型識別結果。