一种基于图像显著性与SVM的飞机目标检测方法技术

本发明专利技术涉及一种基于图像显著性与SVM的飞机目标检测方法，显著性区域检测中有两种视觉注意方式，分别是：自底向上(数据驱动)的注意方式、自顶向下(任务驱动)的注意方式。本发明专利技术先提取训练样本的方向梯度直方图(HOG)特征，训练支持向量机(SVM)分类器，然后使用一种基于剩余谱理论的自底向上的视觉注意模型进行显著性区域检测，快速提取可能存在目标的候选区域，然后提取候选区域的HOG特征，再使用训练好的SVM分类器对候选区域进行分类，完成目标检测。

【技术实现步骤摘要】

本专利技术属于计算机图像处理，涉及飞机目标检测方法，具体涉及一种基于图像显著性与SVM的飞机目标检测方法。
技术介绍
可见光图像目标检测是目标检测领域重要的分支之一,在军事领域有极为重要的应用。目前，在飞机检测方面，国内外的专家学者已经做了大量的研究工作。比较早的有基于图像角点与边缘特征的飞机检测方法，通过角点和边缘所围成的外观形状来判断飞机的位置。另外，由于飞机在图像中的独特形状，现有技术中出现过一种用于飞机检测的圆滤波器检测方法；但是，该方法容易受到飞机尺寸的限制，对尺度不合适的飞机区域采用圆滤波器并不能达到好的检测效果。而基于图像显著性的飞机检测方法，则主要利用人眼的视觉系统特点初步获取图像中的飞机可疑区域，然后与目标特征相结合实现对飞机位置的检测。在基于统计学习的方法中，可见光图像中的目标检测通常被认定为一个二分类问题，即待检测目标要么是目标，要么不是目标。随着机器学习与特征提取等方法研究的不断深入以及不断被应用到种类目标检测中，现有的机器学习方法与特征提取方法使得目标检测的准确性有了很大的提高,但仍不能高效、准确地提取出图像中包含目标的候选区域。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种基于图像显著性与SVM的飞机目标检测方法，将基于显著性区域检测的图像分割运用到目标检测领域以解决检测精度不高等问题。技术方案一种基于图像显著性与SVM的飞机目标检测方法，其特征在于步骤如下：步骤1、数据准备：从公众可获得的各类图像中选取可见光机场图像作为训练样本及待检测目标图集，并转换为灰度图，图中飞机的最大外接正方形的尺寸从最小值：a1×a1，至最大值为a2×a2；选取部分图像作为训练样本，将图像中飞机区域切割后作为正样本，其他区域切割后作为负样本；剩余的部分图像作为测试样本；所述的训练的样本缩放为a3×a3大小的尺寸；步骤2：分别提取正负训练样本的HOG特征；步骤3：将提取到的每一个正负样本的HOG特征与其类别标签，正样本为1，负样本为-1组合成一个向量，训练SVM分类器；步骤4：采用基于剩余谱理论的显著性检测方法获取测试样本中图像的显著图；步骤5：通过面积阈值化方法提取显著图中的连通域，产生飞机目标的候选区域，过程如下：步骤5a：首先计算显著图的均值和方差 μ ‾ = 1 w h Σ i = 1 h Σ j = 1 w S a l ( i , j ) ]]> δ 2 ‾ = 1 w h Σ i = 1 h Σ j = 1 w ( S a l ( i , j ) - μ ‾ ) 2 ]]>其中，w表示图像的宽，h表示图像的高，Sal(i,j)表示显著图中第i行第j列的像素值；步骤5b：利用显著图的均值和方差计算阈值T，以该阈值T分割显著图；所述阈值T： T = μ ‾ + k · δ ‾ ]]>系数k是为了平衡标准差和均值在阈值T取值时的权重步骤5c、对阈值化后的显著图进行连通域滤波：以大小为n1×n1的矩形窗，以第i行第j列像素(i,j)为中心截取一个邻域；以某区域的像素个数来定义该区域的面积，求出处于所述邻域范围内的显著区域的面积；如果该面积大于一定阈值，就保留该区域，否则不保留；将所有保留下来的区域作为飞机目标的候选区域；步骤6：从飞机目标的候选区域提取飞机目标，过程如下：步骤6a、构建响应矩阵：构建一个二维的响应矩阵M，矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h]，s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应；初始化时，该响应矩阵初始化为一个与图像大小相同的全0矩阵；以任一候选区域的局部像素极大值作为该候选区域的中心，称为：种子点；步骤6b、二次窗口法剔除无效种子点，保留最可能的飞机区域，过程如下：(A)确定第一次图像块窗口：窗口是一个以种子点为中心的矩形窗口，窗口的尺寸为h1×h1，其中： h 1 = int ( a 3 2 - 1 ) ]]>其中，int()函数表示四舍五入取整。以该窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r1；(B)确定第二次图像块窗口：窗口是一个以种子点为中心的矩形窗口，窗口的尺寸为h2×h2，其中：h2＝2(h1-1)+1以该窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r2；(C)判断是否保留该区域：如果两次计算得到的分类器响应值均小于0，则认为该种子点对应的飞机候选区域无效，因此剔除该无效种子点；否则，认为窗口包含的区域存在飞机或包含了飞机的大部分机身，将该两次响应中的较大值赋值到响应矩阵中种子点对应的坐标位置上，称为响应矩阵的种子点，并记录下该响应对应的窗口尺寸；具体地，设当前坐标为：(u,v)，将需要记录的SVM分类器响应值，赋给响应矩阵的种子点处元素M(u,v)的二维数组中的r值；将产生该响应时对应的截取窗口尺寸中的正方形边长值，赋给响应矩阵的种子点处元素M(u,v)的二维数组中的s值；步骤6c、优化响应矩阵，确定飞机区域：(1)优化每个种子点中记录的窗口尺寸：对每一个响应矩阵的种子点，先根据本文档来自技高网...

【技术保护点】
一种基于图像显著性与SVM的飞机目标检测方法，其特征在于步骤如下：步骤1、数据准备：从公众可获得的各类图像中选取可见光机场图像作为训练样本及待检测目标图集，并转换为灰度图，图中飞机的最大外接正方形的尺寸从最小值：a1×a1，至最大值为a2×a2；选取部分图像作为训练样本，将图像中飞机区域切割后作为正样本，其他区域切割后作为负样本；剩余的部分图像作为测试样本；所述的训练的样本缩放为a3×a3大小的尺寸；步骤2：分别提取正负训练样本的HOG特征；步骤3：将提取到的每一个正负样本的HOG特征与其类别标签，正样本为1，负样本为‑1组合成一个向量，训练SVM分类器；步骤4：采用基于剩余谱理论的显著性检测方法获取测试样本中图像的显著图；步骤5：通过面积阈值化方法提取显著图中的连通域，产生飞机目标的候选区域，过程如下：步骤5a：首先计算显著图的均值和方差μ‾=1whΣi=1hΣj=1wSal(i,j)]]>δ2‾=1whΣi=1hΣj=1w(Sal(i,j)-μ‾)2]]>其中，w表示图像的宽，h表示图像的高，Sal(i,j)表示显著图中第i行第j列的像素值；步骤5b：利用显著图的均值和方差计算阈值T，以该阈值T分割显著图；所述阈值T：T=μ‾+k·δ‾]]>系数k是为了平衡标准差和均值在阈值T取值时的权重步骤5c、对阈值化后的显著图进行连通域滤波：以大小为n1×n1的矩形窗，以第i行第j列像素(i,j)为中心截取一个邻域；以某区域的像素个数来定义该区域的面积，求出处于所述邻域范围内的显著区域的面积；如果该面积大于一定阈值，就保留该区域，否则不保留；将所有保留下来的区域作为飞机目标的候选区域；步骤6：从飞机目标的候选区域提取飞机目标，过程如下：步骤6a、构建响应矩阵：构建一个二维的响应矩阵M，矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h]，s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应；初始化时，该响应矩阵初始化为一个与图像大小相同的全0矩阵；以任一候选区域的局部像素极大值作为该候选区域的中心，称为：种子点；步骤6b、二次窗口法剔除无效种子点，保留最可能的飞机区域，过程如下：(A)确定第一次图像块窗口：窗口是一个以种子点为中心的矩形窗口，窗口的尺寸为h1×h1，其中：h1=int(a32-1)]]>其中，int()函数表示四舍五入取整。以该窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r1；(B)确定第二次图像块窗口：窗口是一个以种子点为中心的矩形窗口，窗口的尺寸为h2×h2，其中：h2＝2(h1‑1)+1以该窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r2；(C)判断是否保留该区域：如果两次计算得到的分类器响应值均小于0，则认为该种子点对应的飞机候选区域无效，因此剔除该无效种子点；否则，认为窗口包含的区域存在飞机或包含了飞机的大部分机身，将该两次响应中的较大值赋值到响应矩阵中种子点对应的坐标位置上，称为响应矩阵的种子点，并记录下该响应对应的窗口尺寸；具体地，设当前坐标为：(u,v)，将需要记录的SVM分类器响应值，赋给响应矩阵的种子点处元素M(u,v)的二维数组中的r值；将产生该响应时对应的截取窗口尺寸中的正方形边长值，赋给响应矩阵的种子点处元素M(u,v)的二维数组中的s值；步骤6c、优化响应矩阵，确定飞机区域：(1)优化每个种子点中记录的窗口尺寸：对每一个响应矩阵的种子点，先根据以下公式计算变换后的窗口边长值h3：h3=s-int(h2-h13)]]>以响应矩阵的种子点处的坐标为中心，以h3×h3为窗口尺寸建立截取窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r3；再根据以下公式计算变换后的窗口边长值h4：h4=s+int(h2-h13)]]>以响应矩阵的种子点处的坐标为中心，以h4×h4为窗口尺寸建立截取窗口对原图像进行截取，将截取到的图像块缩放为a3×a3大小，提取图像块的HOG特征，然后将HOG特征代入到SVM分类器中，计算SVM分类器响应值r4；找出r,r3,r4中的最大值，替换响应矩阵的种子点处元素的二维数组中原有的r值，以所述新的r值对应的窗口边长值替换响应矩阵的种子点处元素的二维数组中...

【技术特征摘要】
1.一种基于图像显著性与SVM的飞机目标检测方法，其特征在于步骤如下：步骤1、数据准备：从公众可获得的各类图像中选取可见光机场图像作为训练样本及待检测目标图集，并转换为灰度图，图中飞机的最大外接正方形的尺寸从最小值：a1×a1，至最大值为a2×a2；选取部分图像作为训练样本，将图像中飞机区域切割后作为正样本，其他区域切割后作为负样本；剩余的部分图像作为测试样本；所述的训练的样本缩放为a3×a3大小的尺寸；步骤2：分别提取正负训练样本的HOG特征；步骤3：将提取到的每一个正负样本的HOG特征与其类别标签，正样本为1，负样本为-1组合成一个向量，训练SVM分类器；步骤4：采用基于剩余谱理论的显著性检测方法获取测试样本中图像的显著图；步骤5：通过面积阈值化方法提取显著图中的连通域，产生飞机目标的候选区域，过程如下：步骤5a：首先计算显著图的均值和方差 μ ‾ = 1 w h Σ i = 1 h Σ j = 1 w S a l ( i , j ) ]]> δ 2 ‾ = 1 w h Σ i = 1 h Σ j = 1 w ( S a l ( i , j ) - μ ‾ ) 2 ]]>其中，w表示图像的宽，h表示图像的高，Sal(i,j)表示显著图中第i行第j列的像素值；步骤5b：利用显著图的均值和方差计算阈值T，以该阈值T分割显著图；所述阈值T： T = μ ‾ + k · δ ‾ ]]>系数k是为了平衡标准差和均值在阈值T取值时的权重步骤5c、对阈值化后的显著图进行连通域滤波：以大小为n1×n1的矩形窗，以第i
\t行第j列像素(i,j)为中心截取一个邻域；以某区域的像素个数来定义该区域的面积，求出处于所述邻域范围内的显著区域的面积；如果该面积大于一定阈值，就保留该区域，否则不保留；将所有保留下来的区域作为飞机目标的候选区域；步骤6：从飞机目标的候选区域提取飞机目标，过程如下：步骤6a、构建响应矩阵：构建一个二维的响应矩阵M，矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h]，s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应；初始化时，该响应矩阵初始化为一个与图像大小相同的全0矩阵；以任一候选区域的局部像素极大值作为该候选区域的中心，称为...

【专利技术属性】
技术研发人员：李映，聂金苗，陈迪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61