The invention discloses a low altitude target detection and recognition method combining data-driven type and knowledge-driven type, which comprises the following steps: collecting low altitude target image, detecting and locating low altitude target candidate area; extracting feature parameters of low altitude target template; dimension reduction processing of features in feature parameters; extracting feature parameters of low altitude target candidate area target, combining low altitude target The feature parameters of the target template are used to calculate the similarity between the low altitude target candidate area and the low altitude target template. According to the similarity, a low altitude target candidate area is selected as the result of low altitude target detection and recognition. The method has the advantages of small calculation amount, low complexity, strong anti-interference ability, fast and accurate recognition and detection of a variety of low altitude targets, and low false alarm rate.
【技术实现步骤摘要】
结合数据驱动型和知识驱动型的低空目标检测与识别方法
本专利技术属于可见光图像处理领域,特别是一种结合数据驱动型和知识驱动型的低空目标检测与识别方法。
技术介绍
随着科学技术的进步和人类生活消费水平的提高,拥有如无人机、航空模型等低空目标的个人和团队越来越多,各种低空目标的飞行技术越来越成熟,应用也越来越广泛,但也越来越多的暴露出严重的安全隐患和管理难题。对低空目标的检测和识别是当前研究的热点。一个通用的目标检测识别流程一般要对输入图像先进行图像校正、平滑去噪或是配准融合、几何变换等预处理操作,以便于提高物体检测的概率。目标检测时可以采用图像分割或是感兴趣区域检测、异常检测等方法检测出可疑目标。接着对可疑目标进行特征提取,可以提取的目标特征包括光谱特征、空间特征、时间特征与统计特征等等。最终根据这些提取的特征对可疑目标进行相应的分类、识别、确认等操作。从检测与识别的一个发展历程来看,目标的检测与识别有这几类方法:由下而上的数据驱动型、由上而下的知识驱动型以及基于深度学习的目标检测。由下而上的数据驱动型是一种试图通过图像数据来解释模型的方法,一般包括图像预处理、图像分割、特征抽取以及目标分类四大步骤,例如K均值、SVM、boost等方法。其中,可以提取的目标特征包括灰度特征、颜色特征、形状特征、矩特征、纹理特征和兴趣点特征等。这类方法的适用面很广,不仅对单目标检测,对复杂场景的分析也同样有效。然而,这种类型的匹配算法较为复杂,并且更容易受到图像分割效果的影响。当图像分割的准确度不高时,其匹配精度可能会受到 ...
【技术保护点】
1.一种结合数据驱动型和知识驱动型的低空目标检测与识别方法,其特征在于,包括以下步骤:/n步骤1、采集低空目标图像,检测定位低空目标候选区域;/n步骤2、提取低空目标模板的特征参数;/n步骤3、对特征参数中的特征进行降维处理;/n步骤4、提取低空目标候选区域目标的特征参数,结合低空目标模板的特征参数求取低空目标候选区域与低空目标模板的相似度,根据相似度选取某一低空目标候选区域作为低空目标检测与识别结果。/n
【技术特征摘要】 【专利技术属性】
1.一种结合数据驱动型和知识驱动型的低空目标检测与识别方法,其特征在于,包括以下步骤:
步骤1、采集低空目标图像,检测定位低空目标候选区域;
步骤2、提取低空目标模板的特征参数;
步骤3、对特征参数中的特征进行降维处理;
步骤4、提取低空目标候选区域目标的特征参数,结合低空目标模板的特征参数求取低空目标候选区域与低空目标模板的相似度,根据相似度选取某一低空目标候选区域作为低空目标检测与识别结果。
2.根据权利要求1所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法,其特征在于,步骤1所述采集低空目标图像,检测定位低空目标候选区域,具体为:
步骤1-1、将采集到的低空目标图像转换为水平灰度投影图;
步骤1-2、根据水平灰度投影图获取阶跃变化的位置即天空与地面分离的位置,该位置上方的平均灰度值大于下方的平均灰度值;
步骤1-3、根据水平混合灰度梯度指标和垂直混合灰度梯度指标检测定位低空目标候选区域,具体为:将水平混合灰度梯度指标和垂直混合灰度梯度指标均达到极大值时对应的空间位置作为低空目标所在位置,其中,
水平混合灰度梯度指标Ux(i)、垂直混合灰度梯度指标Uy(j)分别为:
其中,u(i,j)=|I(i+1,j)-I(i,j)|+|I(i,j+1)-I(i,j)|;
式中,I(*,*)为像素点(*,*)的灰度值,N、M分别为图像I(x,y)的长、宽;
步骤1-4、以低空目标所在位置为中心生成P个不同大小的矩形区域作为低空目标候选区域。
3.根据权利要求1所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法,其特征在于,步骤1所述低空目标包括轻型飞机、三角翼、热气球和无人机。
4.根据权利要求1所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法,其特征在于,步骤2所述低空目标模板的特征参数包括:
(1)基本形状特征:由低空目标模板的轮廓计算出的长宽比、分散度与紧凑度;
长宽比ar为:
式中,W为低空目标模板轮廓的最小外接矩形的长,H为低空目标模板轮廓的最小外接矩形的宽;
分散度di为:
式中,L为低空目标模板轮廓的周长,S为低空目标模板轮廓内的面积;
紧凑度co为:
式中,D为低空目标模板轮廓的最小外接矩形的面积;
(2)通过图像中心矩构造出的仿射不变矩特征为:
技术研发人员:张俊举,黄奕峰,严松,洪宇,周园松,杨刘,高原,李亚,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
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。