【技术实现步骤摘要】
一种基于多种先验信息约束的卫星视频目标智能检测方法
本专利技术涉及遥感
，尤其涉及一种基于多种先验信息约束的卫星视频目标智能检测方法。
技术介绍
遥感成像发展初期，我国获得的高分辨率航天光学遥感数据主要是静态图片。很难满足对诸如森林火灾、地震洪水等自然灾害的有效观测以及某些敏感地区的实时监控。视频卫星作为一种新型对地观测卫星，通过“凝视”成像方式对某一区域进行连续观测，特别适用于动态目标的观测。与航空图像相比，卫星视频序列中的车辆像素范围从几像素到十几像素不等，同时也表现出与背景的低对比度。因此，没有可用的外观或形状信息可以提取出来，进行一个通用的分类算法。考虑到上述卫星视频的特点，当前主流的深度学习车辆检测算法，由于卷积操作的局限性无法在这类场景下提取到目标的特征而获得较好的检测结果。基于运动信息的检测方法可以实现对视频中感兴趣目标的检测，它通过与建立的背景模型进行比较，在图像中搜索变化的像素。针对移动目标检测，开发了帧差、中值背景建模、高斯混合模型、视觉背景提取器等多种算法。但是，由于CCD中的暗电流、量子...
【技术保护点】
1.一种基于多种先验信息约束的卫星视频目标智能检测方法，其特征在于，该方法包括以下步骤：/n步骤1，图像超像素分割：获取卫星视频中图像，基于线性迭代算法对整张图像生成超像素；/n步骤2，超像素边界连接性计算：基于人眼显著性模型计算各个超像素的边界连接性；/n步骤3，运动热图生成：利用背景建模的方法生成图像的运动热图；/n步骤4，多种先验信息约束：将超像素边界连接性信息引入背景概率，分别得到背景和前景两个先验信息约束，将图像的运动热图也作为先验信息约束，构建由背景、前景、运动热图三个先验信息约束的代价函数方程，并对该代价函数方程进行优化计算，通过最小二乘法计算出最终的显著性目标图。/n
【技术特征摘要】
1.一种基于多种先验信息约束的卫星视频目标智能检测方法，其特征在于，该方法包括以下步骤：
步骤1，图像超像素分割：获取卫星视频中图像，基于线性迭代算法对整张图像生成超像素；
步骤2，超像素边界连接性计算：基于人眼显著性模型计算各个超像素的边界连接性；
步骤3，运动热图生成：利用背景建模的方法生成图像的运动热图；
步骤4，多种先验信息约束：将超像素边界连接性信息引入背景概率，分别得到背景和前景两个先验信息约束，将图像的运动热图也作为先验信息约束，构建由背景、前景、运动热图三个先验信息约束的代价函数方程，并对该代价函数方程进行优化计算，通过最小二乘法计算出最终的显著性目标图。
2.根据权利要求1所述的基于多种先验信息约束的卫星视频目标智能检测方法，其特征在于，步骤1的具体方法为：
将输入的卫星视频图像转化到CIE-LAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，完成对图像像素进行局部聚类；设置预分割的超像素的数量Nr以及紧凑性参数Nc，通过迭代聚类生成满足紧凑性和数量要求的超像素。
3.根据权利要求2所述的基于多种先验信息约束的卫星视频目标智能检测方法，其特征在于，设置图像总像素个数和超像素个数之间的比值范围为120-140，通过图像总像素个数除以比值得到超像素的数量Nr，设置紧凑性参数Nc的取值范围为25-35。
4.根据权利要求1所述的基于多种先验信息约束的卫星视频目标智能检测方法，其特征在于，步骤2的具体方法为：
通过连接所有相邻的超像素(m，n)，计算出它们的平均颜色在CIE-LAB空间中的欧式距离E(m，n)，以此为权重构建一个无向加权图P，进而计算出图像中所有超像素间的互相关性Cc(m，n)，定义为：
即对任意两个超像素，其互相关性为在无向加权图P上最短路径的累计权重和，则每个超像素m所属的本征区域面积就为：
其中，N为超像素的总数，W(m,mi)表示某个超像素mi对m所在的本征区域的贡献权重；
类似地，定义某个超像素对本区域边界接触的“长度”为：
Q为与m相邻的超像素个数，δ(mi∈Bd)为判断m与...
【专利技术属性】
技术研发人员：雷俊锋，董宇轩，眭海刚，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
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。