本发明专利技术公开了一种基于条件随机场模型的无人机图像目标类检测方法，其步骤为：(1)对特定区域的场景图片进行采集作为训练样本；(2)通过空间金字塔方法进行SVM分类器训练；(3)通过SVM分类器对特定区域内进行场景识别；(4)对无人机得到的图像进行超像素分割；(5)通过ORB算法提取特征，并在每个超像素块中进行融合作为该超像素块的特征；(6)构建条件随机场模型，将步骤(3)中的场景对目标类的限制加入建模过程；(7)进行参数学习；(8)进行模型推断，基于步骤(7)采用最大后验准则为每一个节点分配一个使其边缘概率最大的标记，最终实现目标类检测。本发明专利技术具有适用范围广、能够提高检测准确度和处理速度等优点。
【技术实现步骤摘要】
本专利技术主要涉及到无人机系统的设计领域，特指一种基于条件随机场模型的无人 机图像目标类检测方法。
技术介绍
目前，无人机系统在各个行业领域都发挥着越来越重要的作用，但是随着无人机 系统传感器获取的图像信息数据量急剧膨胀，迫切需要智能化的处理手段辅助，甚至替代 操作员完成基本的图像分析任务，处理目标信息。目标类检测中图像表现出的不确定性和 模糊性是两个急需解决的重要问题。为了减少这些不确定性和模糊性对目标检测的影响， 一个重要的办法是在检测过程中尽可能多地利用图像中包含的信息，包括图像特征和图像 成分之间的上下文信息。一方面场景信息是一种重要的上下文信息，如飞机出现在机场的 概率要比在旷野中大很多，轮船一般出现在水域附近；另一方面目标不同的目标部件区域 可以由不同的结构和纹理基元构成，不仅同一部件的不同观测具有一定的纹理或结构相似 性，而且相邻的部件之间在空间上也存在相关性。这种多层次的上下文信息对于实现目标 类检测有很大帮助。特别是对于存在环境干扰或遮挡的情况，根据对目标部件分布情况的 分析可以从概率的角度推断出目标的出现。基于部件的条件随机场模型直接对后验概率建 模，既能融合多特征又可以利用上下文信息。基于像素级别的处理往往导致需要处理的基 本单元过多，这大大影响了图像分类的效率，以超像素块为节点建立图模型可以极大减小 图模型规模，降低图像处理的复杂度。
技术实现思路
本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一 种适用范围广、能够提高检测准确度和处理速度的基于条件随机场模型的无人机图像目标 类检测方法。 为解决上述技术问题，本专利技术采用以下技术方案： -种，其步骤为： (1)对特定区域的场景图片进行采集作为训练样本； (2)通过空间金字塔方法进行SVM分类器训练； (3)通过SVM分类器对特定区域内进行场景识别； (4)对无人机得到的图像进行超像素分割； (5)通过0RB算法提取特征，并在每个超像素块中进行融合作为该超像素块的特 征； (6)针对目标类检测特点基于部件模型原理进行条件随机场势函数和邻域设计， 构建条件随机场模型，同时将步骤（3)中的场景对目标类的限制加入建模过程； (7)进行参数学习；采用极大似然估计方法实现求解条件随机场模型的参数问 题，通过学习训练出分类模型； (8)进行模型推断，基于步骤（7)采用最大后验准则为每一个节点分配一个使其 边缘概率最大的标记，最终实现目标类检测。 作为本专利技术的进一步改进：所述步骤（2)中，采用规则网格将图像分块，并提取每 个块的SIFT特征；通过Kmeans聚类形成块类型的码本，利用交叉直方图，选择适合的核函 数对SVM分类器进行训练。 作为本专利技术的进一步改进：所述步骤（4)中，对测试图像进行过分割；采用SLIC 算法进行超像素分割，SLIC算法利用5维特征进行过分割，3维的CIELAB颜色空间的L、a、 b和2维x、y的位置信息，任意设定分割的超像素块数。 作为本专利技术的进一步改进：所述步骤（5)中，对超像素块通过0RB算法提取角点特 征，同时提取RGB颜色特征、纹理特征、灰度值特征共同构成特征向量，并对目标内的超像 素块特征进行整合构成特征向量。 作为本专利技术的进一步改进：所述步骤（6)的具体步骤为： (6. 1)定义邻域结构；计算节点周围最近邻的n个邻节点，作为该节点的邻域系 统；其中最近邻的依据采用图像空间内的二维距离进行判断；由图G = (V，E)表示概率分 布，即在图G中，结点v G V表示一个随机变量Yv，边e G E表示随机变量之间的概率依赖 关系；若两个超像素块相邻，则在CRF模型中他们对应的结点上加入一条边，用来表示两个 结点是相邻的； (6. 2)构建双层模型； 第一层模型：建立观测y和部件标记h的关联，采用观测图像的颜色特征、纹理 特征和局部不变性特征作为输入 yi，融合不同特征的超像素块在图像空间中的位置对应于 CRF图模型中顶点的概念；超像素块之间通过实线连接，表示存在着相互依赖的关系；多个 超像素块在物理上可能对应于同一个目标部件； 第二层模型：建立部件标记h和目标标记X之间的关联；采用多类别的部件标记 作为观测，衡量变量X在给定h下的后验概率；同样，hi与h存在物理相关性，X与整个h 相关。模型的训练和推断在一个整体的框架下进行，通过数学手段略去对h的直接使用。 与现有技术相比，本专利技术的优点在于： 1、本专利技术的，将采集到的图像 作为训练图像，通过空间金字塔方法对SVM分类器进行训练，而后通过分类器对测试图像 进行场景分类。下一步对图像进行超像素分割，以超像素为节点建立图模型，而后对图像进 行特征提取与描述，并基于部件模型建立条件随机场，同时将场景对目标类的限制融入模 型的构建中，并将提取的特征向量作为输入对目标建模，然后进行参数估计和模型推断，最 后实现对目标类的检测。在本专利技术的处理过程中，模型可以快速提取图像局部特征，并能 充分利用上下文信息，相比于基于像素的条件随机场模型在训练和推导速度上具有明显优 势。 2、本专利技术的，首先基于已经采 集的图像，尤其是特定区域的图像通过空间金字塔（Spatial Pyramid)方法训练SVM分类 器，实现对场景尤其是特定区域场景的判断。而后结合已知特定场景这个上下文信息，对基 于部件建立条件随机场模型进行限制，从而提高检测的准确度。 3、本专利技术为了减少计算复杂度和空间复杂度，首先通过SLIC算法对图像进行超 像素分割，以超像素为单位建立节点，快速融合多种图像特征。其中一种提取特征的方法是 利用ORB算法实现对角点特征的快速提取与描述。 4、本专利技术的，整体训练推理速 度较快，对目标类检测精度较高。 【附图说明】 图1是本专利技术方法的流程示意图。 图2是本专利技术在具体应用实例中空中无人机目标类检测结果的示意图。 图3是本专利技术在具体应用实例中以海洋背景进行目标类检测结果的示意图。 图4是本专利技术在另一个具体应用实例中以海洋背景进行目标类检测结果的示意 图。 【具体实施方式】 以下将结合说明书附图和具体实施例对本专利技术做进一步详细说明。 如图1所示，本专利技术的，其步 骤为： (1)对特定区域所场景图片进行采集作为训练样本； 采集训练图像，针对无人机在特定区域执行任务的特点，预先采集该区域的所必 须出现的场景图像作为后期的训练图像。 (2)通过空间金字塔方法进行SVM分类器训练； 基于经典的空间金字塔方法对SVM分类器进行训练，用规则网格将图像分块，并 提取每个块的SIFT特征，通过Kmeans聚类形成块类型的码本；利用交叉直方图，同时选择 适合的核函数对SVM分类器进行训练。 (3)通过SVM分类器实现对特定区域内场景的识别； (4)超像素分割和提取特征。 对图像进行超像素分割，实现方法采用SLIC算法将图像过分割为多个超像素块， 尽可能的保留目标的边缘特征。 采用现有的SLIC算法进行超像素分割。SLIC算法利用5维特征进行过分割，3维 的CIELAB颜色空间的L、a、b和本文档来自技高网...
【技术保护点】
一种基于条件随机场模型的无人机图像目标类检测方法，其特征在于，步骤为：(1)对特定区域的场景图片进行采集作为训练样本；(2)通过空间金字塔方法进行SVM分类器训练；(3)通过SVM分类器对特定区域内进行场景识别；(4)对无人机得到的图像进行超像素分割；(5)通过ORB算法提取特征，并在每个超像素块中进行融合作为该超像素块的特征；(6)针对目标类检测特点基于部件模型原理进行条件随机场势函数和邻域设计，构建条件随机场模型，同时将步骤(3)中的场景对目标类的限制加入建模过程；(7)进行参数学习；采用极大似然估计方法实现求解条件随机场模型的参数问题，通过学习训练出分类模型；(8)进行模型推断，基于步骤(7)采用最大后验准则为每一个节点分配一个使其边缘概率最大的标记，最终实现目标类检测。
【技术特征摘要】
1. 一种基于条件随机场模型的无人机图像目标类检测方法，其特征在于，步骤为： (1) 对特定区域的场景图片进行采集作为训练样本； (2) 通过空间金字塔方法进行SVM分类器训练； (3) 通过SVM分类器对特定区域内进行场景识别； (4) 对无人机得到的图像进行超像素分割； (5) 通过ORB算法提取特征，并在每个超像素块中进行融合作为该超像素块的特征； (6) 针对目标类检测特点基于部件模型原理进行条件随机场势函数和邻域设计，构建 条件随机场模型，同时将步骤（3)中的场景对目标类的限制加入建模过程； (7) 进行参数学习；采用极大似然估计方法实现求解条件随机场模型的参数问题，通 过学习训练出分类模型； (8) 进行模型推断，基于步骤（7)采用最大后验准则为每一个节点分配一个使其边缘 概率最大的标记，最终实现目标类检测。2. 根据权利要求1所述的基于条件随机场模型的无人机图像目标类检测方法，其特征 在于，所述步骤（2)中，采用规则网格将图像分块，并提取每个块的SIFT特征；通过Kmeans 聚类形成块类型的码本，利用交叉直方图，选择适合的核函数对SVM分类器进行训练。3. 根据权利要求1所述的基于条件随机场模型的无人机图像目标类检测方法，其特征 在于，所述步骤（4)中，对测试图像进行过分割；采用SLIC算法进行超像素分割，SLIC算法 利用5维特征进行过分割，3维的CIELAB颜色空间的L、a、b和2维x、y的位置...
【专利技术属性】
技术研发人员：牛轶峰，朱华勇，吴雪松，吴立珍，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。