一种无人机遥感图像特定目标自动搜索方法技术

本发明专利技术提供一种无人机遥感图像特定目标自动搜索方法，首先分别对目标图像和场景图像进行尺度空间编码，形成图像的多尺度表征；然后基于目标图像和场景图像的尺度空间编码，计算目标图像与场景图像的尺度配准比例，实现尺度配准；最后基于目标图像与场景图像的尺度配准和尺度空间编码，计算目标相似度，并最终确定目标，减少了目标搜索的计算量，提高了效率和准确率，解决了在无人机遥感图像特定目标自动搜索过程中，由于大尺度和角度的变化带来的目标丢失和效率低下的问题。

An automatic target searching method for UAV remote sensing image

【技术实现步骤摘要】
一种无人机遥感图像特定目标自动搜索方法
本专利技术属于遥感图像处理领域，具体涉及一种无人机遥感图像特定目标自动搜索方法。
技术介绍
随着无人机技术的普及，越来越多的任务采用无人机采集信息，图像信息也是无人机采集的最多的信息之一。然而，在图像的采集过程中，无人机不同于其他飞行器，其飞行高度、速度、角度没有固定的任务标准。造成采集的图像中的目标可能会有较大的尺度和角度变化。这种情况为目标的自动搜索带来了巨大的挑战，因此，采用无人机遥感图像执行特定目标的自动搜索任务是目前亟待解决的问题。特定目标的搜索是指以固定目标的图像为样本，在无人机采集的遥感图像中自动检测和识别到需要的特定目标。目前，在无人机目标搜索过程中，有两个主要的因素制约目前的产业化应用：第一是效率，第二是准确率，部分成果研究在机载平台上实现目标的实时检测，如专利号CN201610294924.6，但是其对目标的大尺度和角度变化的考虑有所欠缺。部分成果研究采用深度神经网络实现对地特定目标识别，如CN201711422364.9，但是其难以在机载平台上实时使用。根据理论和市场调研结果，目前还没有可以直接应用于无人机机载平台上且能够达到工业级应用效果的自动搜索方法。
技术实现思路
本专利技术的目的是提供一种无人机遥感图像特定目标自动搜索方法，以解决在无人机遥感图像特定目标自动搜索过程中，由于大尺度和角度的变化带来的目标丢失和效率低下的问题。为了达到上述目的，本专利技术所采用的技术方案是：一种无人机遥感图像特定目标自动搜索方法，包括以下步骤：S1、分别对目标图像和场景图像进行尺度空间编码，形成图像的多尺度表征；S2、基于目标图像和场景图像的尺度空间编码，计算目标图像与场景图像的尺度配准比例，实现尺度配准；S3、基于目标图像与场景图像的尺度配准和尺度空间编码，计算目标相似度，并最终确定目标。进一步的，所述的步骤S1具体包括以下步骤：S11、分别对目标图像和场景图像划分若干个尺度，然后对每个尺度分别提取SIFT特征；S12、定义目标图像的特征集合为：其中，表示对应尺度x下的SIFT特征集合，H代表特征点个数，128是特征的维数，D表示目标图像特征在N1个尺度下的特征集合；定义场景图像的特征集合为：其中表示对应尺度x下的SIFT特征集合，K代表特征点个数，128是特征的维数，C表示目标图像的特征在N2个尺度下的特征集合；S13、采用特征包框架对特征进行直方图编码，定义码书总计包含M个码字，则该码书可以表示为目标图像和场景图像的每个特征hu均对应有一个其最接近的码字bm，定义单位向量则有B·eu＝bm；S14、将指定尺度下的所有的特征离散化为直方图：其中，P代表在当前尺度下特征点的个数，表示在当前尺度下把hu映射到对应的码字，W代表码字的权重；则目标图像的尺度空间编码为场景图像的尺度空间编码为进一步的，所述的步骤S2具体包括：构造尺度配准的能量函数，并根据所构造的能量函数计算目标图像和场景图像的尺度配准比例，所构造的能量函数如下：其中，表示尺度配准比例，表征目标图像和场景图像不同尺度之间的匹配程度，具体为：其中，Hx表示目标图像在尺度x下的空间编码，表示场景图像在尺度下的空间编码。进一步的，所述的步骤S3具体包括以下步骤：S31、基于尺度配准比例选择目标图像的SIFT特征集和场景图像中对应尺度下的SITF特征集进行特征匹配；S32、采用广义的欧式距离计算向量相似度可以表示为：S33、对步骤S32得到的相似度进行排序，即可完成目标图像和场景图像特征点之间的匹配并获得多个匹配的点；S34、过滤掉步骤S33所获得的多个匹配的点中错误的点，即可得到最终的目标。进一步的，所述的步骤S34中在过滤错误的点的过程中，采用RANSAC算法。与现有技术相比，本专利技术的有益效果是：本专利技术在对数据进行处理前，首先对目标图像和场景图像进行尺度空间编码和尺度配准，最后基于目标图像与场景图像的尺度配准和尺度空间编码，计算目标相似度，并最终确定目标，减少了目标搜索的计算量，提高了效率和准确率，解决了在无人机遥感图像特定目标自动搜索过程中，由于大尺度和角度的变化带来的目标丢失和效率低下的问题。附图说明图1是本专利技术一种无人机遥感图像特定目标自动搜索方法的流程示意图；图2是本专利技术在分别对目标图像和场景图像进行尺度空间编码的流程示意图；图3是本专利技术基于尺度配准和尺度空间编码计算目标相似度、并最终确定目标的流程示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种无人机遥感图像特定目标自动搜索方法，包括以下步骤：S1、分别对目标图像和场景图像进行尺度空间编码，形成图像的多尺度表征；本专利技术在目标具有大尺度变换的情况下，大量的噪声和模糊特征队被引入。现有的基于尺度不变性的特征(如SIFT、SURF特征等)在后续的匹配过程变得非常容易失配。因此，在考虑大尺度变换的基础上，提取稳定的特征是尺度空间编码的预处理过程，如图2所示，尺度空间编码具体包括以下步骤：S11、分别对目标图像和场景图像划分若干个尺度，然后对每个尺度分别提取SIFT特征；S12、定义目标图像的特征集合为：其中，表示对应尺度x下的SIFT特征集合，H代表特征点个数，128是特征的维数，D表示目标图像特征在N1个尺度下的特征集合；定义场景图像的特征集合为：其中表示对应尺度x下的SIFT特征集合，K代表特征点个数，128是特征的维数，C表示目标图像的特征在N2个尺度下的特征集合；S13、采用特征包框架对特征进行直方图编码，定义码书总计包含M个码字，则该码书可以表示为目标图像和场景图像的每个特征hu均对应有一个其最接近的码字bm，定义单位向量则有B·eu＝bm；S14、将指定尺度下的所有的特征离散化为直方图：其中，P代表在当前尺度下特征点的个数，表示在当前尺度下把hu映射到对应的码字，W代表码字的权重；则目标图像的尺度空间编码为场景图像的尺度空间编码为S2、基于目标图像和场景图像的尺度空间编码，计算目标图像与场景图像的尺度配准比例，实现尺度配准；基于上一步对图像在多尺度空间编码，本过程通过尺度配准确定两个图像之间的尺度水平关系，所构造尺度配准的能量函数如下：其中，表示尺度配准比例，表征目标图像和场景图像不同尺度之间的匹配程度，具体为：其中，Hx表示目标图像在尺度x下的空间编码，表示场本文档来自技高网...

【技术保护点】
1.一种无人机遥感图像特定目标自动搜索方法，其特征在于，包括以下步骤：/nS1、分别对目标图像和场景图像进行尺度空间编码，形成图像的多尺度表征；/nS2、基于目标图像和场景图像的尺度空间编码，计算目标图像与场景图像的尺度配准比例，实现尺度配准；/nS3、基于目标图像与场景图像的尺度配准和尺度空间编码，计算目标相似度，并最终确定目标。/n

【技术特征摘要】
1.一种无人机遥感图像特定目标自动搜索方法，其特征在于，包括以下步骤：
S1、分别对目标图像和场景图像进行尺度空间编码，形成图像的多尺度表征；
S2、基于目标图像和场景图像的尺度空间编码，计算目标图像与场景图像的尺度配准比例，实现尺度配准；
S3、基于目标图像与场景图像的尺度配准和尺度空间编码，计算目标相似度，并最终确定目标。


2.根据权利要求1所述的一种无人机遥感图像特定目标自动搜索方法，其特征在于，所述的步骤S1具体包括以下步骤：
S11、分别对目标图像和场景图像划分若干个尺度，然后对每个尺度分别提取SIFT特征；
S12、定义目标图像的特征集合为：其中，表示对应尺度x下的SIFT特征集合，H代表特征点个数，128是特征的维数，D表示目标图像特征在N1个尺度下的特征集合；
定义场景图像的特征集合为：其中表示对应尺度x下的SIFT特征集合，K代表特征点个数，128是特征的维数，C表示目标图像的特征在N2个尺度下的特征集合；
S13、采用特征包框架对特征进行直方图编码，定义码书总计包含M个码字，则该码书可以表示为目标图像和场景图像的每个特征hu均对应有一个其最接近的码字bm，定义单位向量则有B·eu＝bm；
S14、将指定尺度下的所有的特征离散化为直方图：

其中，P代表在当前尺度下特征点的个数，表示在当前尺度下把hu映射到对应的码字，...

【专利技术属性】
技术研发人员：赵雪专，张争，裴利沈，李东辉，丁肖摇，李涛，马腾，
申请(专利权)人：盐城禅图智能科技有限公司，
类型：发明
国别省市：江苏;32