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

本发明专利技术公开了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，包括以下步骤：采集低空目标图像，检测定位低空目标候选区域；提取低空目标模板的特征参数；对特征参数中的特征进行降维处理；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。本发明专利技术的方法计算量小、复杂度低、抗干扰能力强，能快速准确的识别检测多种低空目标，且虚警率低。

Low altitude target detection and recognition method based on data driven and knowledge driven

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很大的影响。当在具有目标的先验信息的前提下，由上而下的知识驱动型方法可以直接在图像中进行目标检测识别。例如模板匹配、高斯混合模型、隐马尔科夫模型等。该类方法几何解析性比较好，具有一定的抗干扰性以及易于并行处理的优点。但是这类方法的计算量比较大，需要占据大的存储空间。综上，单一的数据驱动型检测如SVM，或是单一的知识驱动型检测如模板匹配，都存在区域选择没有针对性的问题，在对未知的场景图像进行目标检测时使用滑动窗口遍历，时间复杂度高，窗口冗余，而且只基于某一特定的特征作为分类的标准对于目标多样性的变化没有很好的鲁棒性。基于深度学习的目标检测利用深度学习将特征提取和分类器集成到框架中，以通过样本学习特征。一般从像素点出发，第一层先提取低层不变特征，如边缘特征、方向特征等，在后续层次中逐步变换它们，例如使它们具有平移不变性、旋转不变性等。或者使用特征聚合并最终提取重复出现的特征。但是基于深度学习的目标检测方法的训练成本很高，且复杂度高，需要大量的训练才可能达到满意的程度，这类方法并不能很好的解决找不到足够多数据的问题。在训练的过程中，深度网络的泛化性能、过度学习、网络深度以及局部极值等都是需要解决的问题。另外为了达到提高准确率的目标，除了增加网络深度、提高硬件配置和调整合适参数外，目前没有更有效的办法。
技术实现思路
本专利技术的目的在于提供一种复杂度低、抗干扰能力强、检测虚警率低的低空目标检测与识别方法。实现本专利技术目的的技术解决方案为：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，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。本专利技术与现有技术相比，其显著优点：1)相比于深度学习，本专利技术大大降低了训练的复杂度，无需准备上千张正负样本，针对每类待识别的目标只需准备十几张正样本求取目标模板的平均特征，与未知场景检测到的可疑目标的相应特征进行相似度的计算即可；2)相较于单一的数据驱动型或单一的知识驱动型检测，避免了用滑动窗口遍历未知场景图像进行特征提取和目标检测，采用基于灰度投影的目标检测方法，直接对检测到的可疑目标进行定位和特征提取，提高了效率；同时参考了四类低空目标的平均模板作为先验信息，具有一定的抗干扰性，易于并行处理；3)借鉴变异系数法的思想，对待识别目标的特征进行排序，只保留有利于区分目标种类的显著特征，相比于直接的模板特征匹配，计算量少；4)提取特征时不局限于一种特征，将来源不同的特征整合到一起，去除冗余，有利于后续的分析处理；5)求取目标模板的平均特征，引入具有高层语义信息的形状先验，在颜色纹理、复杂背景、信息丰富的多样性中提取出目标的不变性，利用该不变性进行目标识别以减少虚警率。下面结合附图对本专利技术作进一步详细描述。附图说明图1为本专利技术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的流程图。图2为本专利技术实施例中基于水平灰度投影的低空图像空地分离示意图，其中图(a)为空地分离示意图，(b)为低空图像的水平灰度投影图。图3为本专利技术实施例中可疑目标定位结果示意图，其中图(a)为水平混合灰度梯度指标，图(b)为垂直混合灰度梯度指标，(c)为定位结果图。图4为本专利技术实施例中常见低空目标平均模板示意图，图(a)为轻型飞机平均模板示意图，图(b)为三角翼平均模板示意图，图(c)为热气球平均模板示意图，图(d)为无人机平均模板示意图。图5为本专利技术实施例中物体长宽比、分散度与紧凑度示意图。图6为本专利技术实施例中仿射不变矩验证图，其中图(a)为原目标图，图(b)为仿射变换后的图。图7为本专利技术实施例中HOG特征提取图，其中图(a)为轻型飞机平均模板边缘图，图(b)为可视化HOG特征。具体实施方式结合图1，本专利技术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，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。进一步地，步骤1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；这是由于地面背景与天空背景的灰度相似性较小，水平灰度投影会发生明显的阶跃变化，因此找到发生阶跃变化的位置，就相当于找到了天空背景和地面背景分离的位置，以便去除地面复杂背景对低空目标检测与识别的干扰；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)、本文档来自技高网...

【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】
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：

【专利技术属性】
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