一种基于类内差异的层次化单分类舰船目标虚警剔除方法技术

本发明专利技术公开了一种基于类内差异的层次化单分类舰船目标虚警剔除方法，将光学遥感图像分为大船、小船和虚警切片，然后基于大船特征数据建立第一层分类器，利用第一层分类器可基本将舰船检测中最需要关注的大船识别出来；当大船特征比较明显时，经过一级检测就可将大船检测出来，因此可实现快速检测大船的目的；将漏检的大船数据集进行训练形成第二层分类器，当第一层分类器未把大船识别出来时，第二层分类器可将该容易漏检的大船检测出来，因此可提高检测概率；经过第一层分类器和第二层分类器的筛除，把小船数据集中具有大船特征的剔除，保留具有明显小船特征的数据，形成小船错分集，提高小船的检测概率。

【技术实现步骤摘要】
一种基于类内差异的层次化单分类舰船目标虚警剔除方法
本专利技术属于目标识别领域
，具体涉及一种基于类内差异的层次化单分类 舰船目标虚警剔除方法。
技术介绍
舰船检测对于国家海洋安全、海洋管理、监控非法捕捞等具有突出作用。近年来， 随着遥感技术的显著进步，遥感技术也被广泛的应用于舰船检测领域。其中光学遥感图像 舰船检测具有非常的重要意义。光学遥感图像具有分辨率高、覆盖面广、包含的信息量大等 突出特点，但是容易受到多种因素的影响产生噪声、阴影等干扰。另外，在舰船检测中海面 背景相对比较复杂，而且还会受到云层干扰等情况，不但增加了虚警，同时也降低了目标与 虚警的区分度。从而，增加了舰船检测的复杂度。 目前的光学遥感图像舰船检测算法主要有：1)基于图像灰度与边缘信息进行阈 值分割；2)基于局部对比度阈值判决进行预判决，再用神经网络分类器进行进一步目标鉴 另IJ ;3)引入机器学习理论将目标与虚警分成不同子类进行机器学习，最终找到能将目标与 虚警区分的分类器，等算法。综合目前这些方法都能剔除部分虚警，但是均很难将极易判为 舰船的虚警进行有效剔除，如：云和小岛等。而有些方法中用到的分类器比如说神经网络、 SVM等通常只用了一层分类器，很难同时保证推广性和拟合性。在舰船鉴别阶段，通常都是 逐次判断直到所有层均判断为船时方可判为船，这样不利于应用于要求将判定目标快速输 出的场合。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于类内差异的层次化单分类舰船目标虚警 剔除方法，能够剔除阈值分割检测不到的虚警，同时提高检测概率和降低虚警概率。 本专利技术的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，包括如下步 骤： 第一步、对光学遥感图像进行特征提取： 将采集的多个光学遥感图像中包括大船的图像标记为大船切片，包含小船的图像 标记为小船切片，不包含舰船的图像标记为虚警切片；分别提取每张切片的特征，并按切片 类型分别形成大船数据集RDC、小船数据集RXC和虚警数据集RXJ ; 第二步、建立第一层分类器： 依据单分类方法，采用径向基核函数将大船数据集RDC映射到高维空间，在此高 维空间寻找最优的分类超平面，以该最优的分类超平面对应的参数构建分类模型，定义为 第一层分类器； 第三步：采用第一层分类器对所有大船数据集RDC、小船数据集RXC以及虚警数据 集RXJ进行分类预测，具体为： 将大船数据集RDC、小船数据集RXC以及虚警数据集RXJ输入到第一层分类器中， 分别得到大船数据集RDC中未被认定为大船的大船漏检集EDC1、小船数据集RXC中未被认 定为大船的小船漏检集EXC1以及虚警数据集RXJ中未被认定为大船的虚警剔除集EXJ1 ; 第四步：建立第二层分类器： 将第三步得到的大船漏检集EDC1作为训练数据集，并采用第二步的方法，建立第 二层分类器； 第五步：采用第二层分类器对大船漏检集EDC1、小船漏检集EXC1以及虚警剔除集 EXJ1进行预测，分别得到大船漏检集EDC1中未被认定为大船的大船漏检集EDC2、小船漏检 集EXC1中未被认定为大船的小船漏检集EXC2以及虚警剔除集EXJ1中未被认定为大船的 虚警剔除集EXJ2 ; 第六步：将大船漏检集EDC2和小船漏检集EXC2组成的数据集采用第二步的方法 进行训练，得到第三层分类器； 第七步：对待分类的图像进行预测： S1 :对待分类图像的特征进行提取； S2:将待分类图像的特征输入第一层分类器中，若被判定为大船，将判定结果输 出；若未被判定为大船，执行步骤S2 ; S3:将待分类图像的特征输入第二层分类器中，若被判定为大船，将判定结果输 出；若未被判定为大船，执行步骤S4 ; S4:将待分类图像的特征输入第三层分类器中，若被判定为小船，将判定结果输 出；若未被判定为小船，则判定该待分类图像为虚警，输出。 进一步的，将图像中舰船长度大于图像四分之一的图像标记为大船切片，将长度 不足图像的四分之一的标记为小船切片，剩余的标记为虚警切片。 进一步的，三种切片的尺寸均为128像素*128像素。 较佳的，所述第一步和第七步的S1中的特征为：10个基于邻域的灰度类和纹理类 特征，以及7个基于分割出的目标特征：长宽比、最小外接矩形面积、矩形度、空间扩展度、 对称度、面积和短轴长。 较佳的，所述第二步中分类超平面满足检测概率大于95%的前提下，虚警率取最 小值。 较佳的，所述第四步的最优的分类超平面满足的条件为检测概率最高。 本专利技术具有如下有益效果： 1)、将光学遥感图像分为大船、小船和虚警切片，然后基于大船特征数据建立第一 层分类器，利用第一层分类器可基本将舰船检测中最需要关注的大船识别出来；当大船特 征比较明显时，经过一级检测就可将大船检测出来，因此可实现快速检测大船的目的； 将漏检的大船数据集进行训练形成第二层分类器，当第一层分类器未把大船识别 出来时，第二层分类器可将该容易漏检的大船检测出来，因此可提高检测概率； 经过第一层分类器和第二层分类器的筛除，把小船数据集中具有大船特征的剔 除，保留具有明显小船特征的数据，形成小船错分集EXC2 ;同时，通过两层分类器将大船数 据集中大船特征不明显的数据剔除出来，形成大船错分集EDC2,用上述两个错分集训练得 到第三层分类器，即具有小船特征的分类器，由此，可将第一和第二层分类器无法识别的小 船检测出来，提高小船的检测概率。 通过第一、二、三层分类器逐层对虚警数据集进行剔除，即分别剔除虚警中大船和 小船的样本，最后得到真正的虚警，由此，可降低虚警率。 2)、经过试验验证，本专利技术的方法在目前阈值剔除虚警的基础上又剔除掉55%的 虚警，而且还保证了大船的检测概率在95%以上，不但具有好的推广性能，而且保证了与虚 警极其相似的现有样本的检测性能，同时还可以实现部分大小船的分类并分层输出。 【附图说明】 图1为本专利技术中三层分类器的建立流程图； 图2为本专利技术中对待分类图像的预测流程图； 【具体实施方式】 下面结合附图并举实施例，对本专利技术进行详细描述。 本专利技术的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，如图1所 示，包括如下步骤： 第一步：对光学遥感图像进行特征提取： 读入训练样本图像，提取特征。共有17个特征，包括：10个基于邻域灰度和纹理 特征以及长宽比、最小外接矩形面积、矩形度、空间扩展度、对称度、面积、短轴长等特征。得 到大船、小船、虚警数据集分别为RDC、RXC、RXJ。 第二步：建立第一层分类器： 用大船样本集RDC进行训练，此处选用0C-SVM分类器，其思想是：将输入样本X非 线性映射到一个高维特征空间，在此高维特征空间建立一个超平面ω · φ(χ)-ρ =〇,将 映射点与原点以间隔Ρ隔开。其中ω为超平面法向量，φ(χ)为样本X在高维空间的映 射点。为了寻找距原点最远的最优超平面，需要最大化本文档来自技高网...

【技术保护点】
一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，包括如下步骤：第一步、对光学遥感图像进行特征提取：将采集的多个光学遥感图像中包括大船的图像标记为大船切片，包含小船的图像标记为小船切片，不包含舰船的图像标记为虚警切片；分别提取每张切片的特征，并按切片类型分别形成大船数据集RDC、小船数据集RXC和虚警数据集RXJ；第二步、建立第一层分类器：依据单分类方法，采用径向基核函数将大船数据集RDC映射到高维空间，在此高维空间寻找最优的分类超平面，以该最优的分类超平面对应的参数构建分类模型，定义为第一层分类器；第三步：采用第一层分类器对所有大船数据集RDC、小船数据集RXC以及虚警数据集RXJ进行分类预测，具体为：将大船数据集RDC、小船数据集RXC以及虚警数据集RXJ输入到第一层分类器中，分别得到大船数据集RDC中未被认定为大船的大船漏检集EDC1、小船数据集RXC中未被认定为大船的小船漏检集EXC1以及虚警数据集RXJ中未被认定为大船的虚警剔除集EXJ1；第四步：建立第二层分类器：将第三步得到的大船漏检集EDC1作为训练数据集，并采用第二步的方法，建立第二层分类器；第五步：采用第二层分类器对大船漏检集EDC1、小船漏检集EXC1以及虚警剔除集EXJ1进行预测，分别得到大船漏检集EDC1中未被认定为大船的大船漏检集EDC2、小船漏检集EXC1中未被认定为大船的小船漏检集EXC2以及虚警剔除集EXJ1中未被认定为大船的虚警剔除集EXJ2；第六步：将大船漏检集EDC2和小船漏检集EXC2组成的数据集采用第二步的方法进行训练，得到第三层分类器；第七步：对待分类的图像进行预测：S1：对待分类图像的特征进行提取；S2：将待分类图像的特征输入第一层分类器中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S2；S3：将待分类图像的特征输入第二层分类器中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S4；S4：将待分类图像的特征输入第三层分类器中，若被判定为小船，将判定结果输出；若未被判定为小船，则判定该待分类图像为虚警，输出。...

【技术特征摘要】
1. 一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，包括如下 步骤： 第一步、对光学遥感图像进行特征提取： 将采集的多个光学遥感图像中包括大船的图像标记为大船切片，包含小船的图像标记 为小船切片，不包含舰船的图像标记为虚警切片；分别提取每张切片的特征，并按切片类型 分别形成大船数据集RDC、小船数据集RXC和虚警数据集RXJ ; 第二步、建立第一层分类器： 依据单分类方法，采用径向基核函数将大船数据集RDC映射到高维空间，在此高维空 间寻找最优的分类超平面，以该最优的分类超平面对应的参数构建分类模型，定义为第一 层分类器； 第三步：采用第一层分类器对所有大船数据集RDC、小船数据集RXC以及虚警数据集 RXJ进行分类预测，具体为： 将大船数据集RDC、小船数据集RXC以及虚警数据集RXJ输入到第一层分类器中，分别 得到大船数据集RDC中未被认定为大船的大船漏检集EDC1、小船数据集RXC中未被认定为 大船的小船漏检集EXC1以及虚警数据集RXJ中未被认定为大船的虚警剔除集EXJ1 ; 第四步：建立第二层分类器： 将第三步得到的大船漏检集EDC1作为训练数据集，并采用第二步的方法，建立第二层 分类器； 第五步：采用第二层分类器对大船漏检集EDC1、小船漏检集EXC1以及虚警剔除集EXJ1 进行预测，分别得到大船漏检集EDC1中未被认定为大船的大船漏检集EDC2、小船漏检集 EXC1中未被认定为大船的小船漏检集EXC2以及虚警剔除集EXJ1中未被认定为大船的虚警 剔除集EXJ2 ; 第六步：将大船漏检集EDC2和小船漏检集EXC2组成的数据集...

【专利技术属性】
技术研发人员：龙腾，杨小婷，毕福昆，陈亮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11