一种偏振高光谱低空侦察图像典型目标检测方法技术

本发明专利技术结合CNN框架、偏振高光谱成像技术和辨别字典学习的发展，在偏振高光谱低空目标检测模拟环境下，提出一种新的偏振高光谱低空侦察图像典型目标检测方法。通过对CNN框架中较为成熟的Faster R‑CNN进行改进，提出了双字典驱动CNN分类器用于目标检测，采用双字典反向传播(DPBP)用于双字典分类器的端到端学习和CNN的特征表示，采用样本权重法来提高定位性能，把多任务损失用于DPCL和边界框回归的联合训练；将偏振高光谱图像引入目标检测，选取了三类典型目标进行测试，初步验证了模型和样本的有效性。本文方法的优点在于可以结合不同的CNN框架，灵活性较高，能够增强偏振高光谱图像目标和背景的对比度，在一定程度上降低了背景的复杂程度，使得目标更为突出，有助于检测结果的，对于提高偏振成像目标探测和识别具有重要意义。

【技术实现步骤摘要】
一种偏振高光谱低空侦察图像典型目标检测方法
本专利技术隶属于偏振成像探测和计算机视觉领域，涉及一种新的目标检测新方法，适用偏振高光谱低空侦察图像典型目标检测。
技术介绍
近年来，无人机运用于战场侦察、打击的规模越来越大，对战场目标的快速自动识别是无人机领域重要的性能指标和发展趋势之一，在目标图像的质量不断提升的同时，对目标检测算法进行研究改进，可以进一步提升无人机等低空平台的目标检测效能。由于深卷积神经网络(ConvolutionNeuralNetwork，CNN)的发展和训练数据集规模的不断增加，目标检测近年来产生了突破性进展。最先进的目标检测方法一般采用基于区域的CNN框架，该框架包括三个组成部分：候选区域，特征提取和目标类别分类。到目前为止，已经提出了很多候选区域方法和深度CNN架构，但目标类别分类方法比较单一，主要以SVM/softmax分类器为主，虽然提高了目标检测的精度和鲁棒性，但仍然是直接从CNN特征中学习到一个最佳映射，缺乏显式挖掘深层特征的复杂结构的能力。辨别字典学习(DictionaryPairLearning，DDL)在近十年来取得了巨大的成功，而DDL的目的是学习一个字典并考虑其表示精度和判别能力，因此更适合作为目标类别分类的分类器。现有的DDL方法的存在两个主要不足：第一，使用的是常规手提特征的方法(例如，SIFT和HOG)；第二，涉及繁重的“L0”或“L1”范数正则化以生成稀疏编码向量，限制了其在具有高特征维度和大量数据的场景中的运用。针对该问题，有学者提出投影双字典学习(ProjectiveDictionaryPairLearning，P-DPL)方法，大大提高了计算效率，本专利技术在P-DPL方法的模型基础上，设计了双字典分类器层(DictionaryPairClassifierLayer，DPCL)用于目标检测，由深层CNN生成DPCL需要的深层特征，通过CNN框架和DPCL的结合来提高无人侦察平台的图像分类和目标检测性能。在低空典型目标的分类识别问题方面，目前有基于主成分分析(PrincipalComponentsAnalysis，PCA)白化的卷积神经网络结构来处理军事目标的大规模图像分类问题；有学者基于深度学习提出了自动目标识别技术思路，结合深度特征和空间金字塔池化技术实现军事目标的自动检测。但以上所使用的目标图像均为传统的可见光彩色图像，偏振高光谱探测能够将获取图像的信息扩展到多维度，同时增大目标和背景的对比度，更加有利于目标的检测工作，因此高光谱偏振图像在军事侦察领域具有更好的前瞻性和广泛的应用前景。
技术实现思路
基于此，本专利技术提出了一种偏振高光谱低空侦察图像典型目标检测方法，包括如下步骤：步骤一、采集多场景下的图像样本集，所述图像样本集包括测试样本集和训练样本集；步骤二、将所述样本集发送到优化系统进行处理；步骤三、由所述优化系统输出检测结果。所述采集多场景下的图像样本集包括利用偏振高光谱低空目标检测模拟平台进行样本集的采集；所述优化系统包括深卷积神经网络CNN模块和双字典分类器层DPCL模块，所述CNN模块由卷积层、池化层和全连接层构成，用于提取图像特征，评估分数判断是否为目标，所述DPCL模块基于CNN提取的图像特征进行目标的分类和定位，分为目标DPCL和类别DPCL，用于计算作为特定目标类别的得分。所述将所述样本集发送到优化系统进行处理，包括，步骤2.1、采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL；步骤2.2、通过CNN提取特征，并对所述特征进行复制，同时传递给目标DPCL层和类别DPCL层；步骤2.3、计算目标类别得分，并判定目标类别；步骤2.4、通过边界框回归计算目标边界框的位置。所述采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL，包括，首先，定义DPCL如下：其中，λ>0,κ>0，是标量常数，表示Xk的互补数据矩阵，为约束项；其次，对双字典(Dk，Pk)分别优化，{Pk,Dk}的偏导数定义为：根据得出Xk的偏导数：获得所有之后，执行反向传播更新CNN参数。所述通过CNN提取特征，并对所述特征进行复制，同时传递给目标DPCL层和类别DPCL层，包括：给定测试图像上一个候选区域I，首先从I提取CNN特征x，然后定义第k类别的重构残差：DPCL的分类规则如下：当y≠0时，进一步使用边界框回归调整目标最初定位的位置，通过CNN层提取特征后，特征被复制并同时传递给目标DPCL层和类别DPCL层。所述计算所述目标类别得分，并判定目标类别，包括：首先，输入区域特征x的目标分数Q(x)被定义为：其中T控制检测的精度和检测背景召回率，本专利技术根据验证集经验设置为0.5，并基于Q(x)是否为0来识别背景；其次，类别分数S(x，k)被定义为：其中，K是目标类别的数量，β设置为0.003，最后使用乘法定则来融合目标分数和类别分数，x属于第k类的类别分数定义为：设置φ表示CNN层函数，Ii表示带有类别标签yi的输入区域，特征x＝φ(I,ω)，则最终分类损失定义为：其中|∈{0,1}是指标函数，R{ω，D，P}表示关于CNN的参数和两个DPCL的正则化项。所述通过边界框回归计算目标边界框的位置，包括，令和是候选区域I的预测和地面实况边界框，其中k表示I属于第k个目标类别，然后将边界框回归损失定义为：其中H1(z)是Huber损失，对异常值具有鲁棒性：根据求和规则，合并Lcls和Lloc，多任务损失定义为：其中是表示Ii是否为目标的指标。最后，输出目标检测结果。本专利技术的有益效果：可以结合不同的CNN框架，灵活性较高，能够增强偏振高光谱图像目标和背景的对比度，在一定程度上降低了背景的复杂程度，使得目标更为突出，有助于检测结果的，对于提高偏振成像目标探测和识别具有重要意义。附图说明图1为本专利技术的目标检测框架图图2为本专利技术的模型检测过程流程图图3为本专利技术的图像采集设备和缩比模型图4为FasterR-CNN框架下两种图像的检测效果对比图5为本专利技术的CNN+DPCL检测效果图图6为本专利技术的模拟不同场景下所获取的目标图像具体实施方式下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。目标检测的框架如图1所示，整个过程分图像数据采集、网络模型训练、目标样本检测等三个阶段。在图像数据采集阶段，利用偏振高光谱低空目标检测模拟平台，获得目标在多场景下的图像训练样本集；第二阶段，采用采用特征学习和分类器学习联合训练机制，并以DPBP算法实现端到端优化CNN+DPCL框架；在第三阶段，则通过CNN提取特征被复制并同时传递给DPCL，完成目标类别判定，得到检测结果。模型框架由CNN模块和DPCL模块两个部分组成。其中，CNN模块由卷积层、池化层和全连接层构成，用于提取图像特征，DPCL模块基于CNN提取的图像特征进行目标的分类和定位，分为目标DPCL和类别DPCL，前者评估分数判断是否为目标，而后者计算作为特定目标类别的得分。3×1网格内的三个值对应于三个输入区域，每个图像区域的本文档来自技高网...

【技术保护点】
1.一种偏振高光谱低空侦察图像典型目标检测方法，其步骤如下：步骤一、采集多场景下的图像样本集，所述图像样本集包括测试样本集和训练样本集；步骤二、将所述样本集发送到优化系统进行处理；步骤三、由所述优化系统输出检测结果。

【技术特征摘要】
1.一种偏振高光谱低空侦察图像典型目标检测方法，其步骤如下：步骤一、采集多场景下的图像样本集，所述图像样本集包括测试样本集和训练样本集；步骤二、将所述样本集发送到优化系统进行处理；步骤三、由所述优化系统输出检测结果。2.根据权利要求1所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述采集多场景下的图像样本集包括利用偏振高光谱低空目标检测模拟平台进行样本集的采集。3.根据权利要求1所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述优化系统包括深卷积神经网络CNN模块和双字典分类器层DPCL模块，所述CNN模块由卷积层、池化层和全连接层构成，用于提取图像特征，评估分数判断是否为目标，所述DPCL模块基于CNN提取的图像特征进行目标的分类和定位，分为目标DPCL和类别DPCL，用于计算作为特定目标类别的得分。4.根据权利要求3所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述将所述样本集发送到优化系统进行处理，包括：步骤2.1、采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL；步骤2.2、通过CNN提取特征，并对所述特征进行复制，同时传递给目标DPCL层和类别DPCL层；步骤2.3、计算目标类别得分，并判定目标类别；步骤2.4、通过边界框回归计算目标边界框的位置。5.根据权利要求4所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL，包括：首先，定义DPCL如下：其中，λ>0,κ>0，是标量常数，表示Xk的互补数据矩阵，为约束项；其次，对双字典(Dk，Pk)分别优化，{Pk,Dk}的偏导数定义为：根...

【专利技术属性】
技术研发人员：徐国明，曹宇剑，袁宏武，王峰，鲁磊纪，
申请(专利权)人：徐国明，
类型：发明
国别省市：安徽,34