本發(fā)明屬于遙感圖像目標(biāo)檢測(cè)與識(shí)別領(lǐng)域，涉及一種車輛高分遙感圖像的基于LLC特征的弱監(jiān)督識(shí)別方法，可以在沒有人工標(biāo)注出具體目標(biāo)的訓(xùn)練樣本中訓(xùn)練出目標(biāo)模型并應(yīng)用于高分辨率遙感圖像中車輛目標(biāo)的檢測(cè)與識(shí)別。

背景技術(shù)：
遙感圖像目標(biāo)檢測(cè)與識(shí)別一直是遙感圖像處理和模式識(shí)別領(lǐng)域研究的熱點(diǎn)課題,它是隨著遙感技術(shù)的發(fā)展而興起的一項(xiàng)新技術(shù)，具有作用距離遠(yuǎn)、覆蓋范圍廣、執(zhí)行效率高等方面的優(yōu)點(diǎn)，同時(shí)也有著重要的軍事意義和民用價(jià)值。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)，模式識(shí)別，數(shù)據(jù)挖掘等方面的技術(shù)對(duì)遙感信息提取和處理產(chǎn)生了至關(guān)重要的作用。目前根據(jù)機(jī)器學(xué)習(xí)的形式，可以把遙感圖像目標(biāo)識(shí)別算法主要分為兩類：無監(jiān)督的目標(biāo)自動(dòng)識(shí)別算法和有監(jiān)督目標(biāo)自動(dòng)識(shí)別算法。所謂無監(jiān)督目標(biāo)自動(dòng)識(shí)別算法，就是在沒有任何標(biāo)注的訓(xùn)練數(shù)據(jù)中，由算法尋求目標(biāo)的潛在特性，從而完成遙感圖像中的目標(biāo)自動(dòng)檢測(cè)與識(shí)別。而有監(jiān)督目標(biāo)檢測(cè)算法則是對(duì)已經(jīng)由人工標(biāo)注完全的正負(fù)訓(xùn)練樣本集進(jìn)行訓(xùn)練學(xué)習(xí)，是計(jì)算機(jī)找出特定目標(biāo)的一類特征，然后根據(jù)訓(xùn)練結(jié)果對(duì)測(cè)試數(shù)據(jù)中的目標(biāo)進(jìn)行自動(dòng)檢測(cè)和識(shí)別。然而，無監(jiān)督的目標(biāo)自動(dòng)識(shí)別結(jié)果往往不夠準(zhǔn)確，傳統(tǒng)的無監(jiān)督學(xué)習(xí)的方法在復(fù)雜背景下的遙感圖像中更是難以達(dá)到理想的效果。有監(jiān)督的目標(biāo)檢測(cè)雖然在許多領(lǐng)域已經(jīng)取得了比較好的結(jié)果，但是在遙感圖像中，由于圖像數(shù)量繁多，每幅圖像包含信息量大，目標(biāo)種類多，數(shù)量大等諸多因素，使得對(duì)遙感圖像數(shù)據(jù)庫的人工標(biāo)注顯得尤為困難。此外，由于圖像分辨率有限，背景復(fù)雜等因素，目前常用的圖像特征(例如HOG和BOW)并不能在遙感圖像目標(biāo)識(shí)別任務(wù)中取得十分突出的效果。為此，本發(fā)明提出一種基于LLC特征的弱監(jiān)督遙感目標(biāo)自動(dòng)識(shí)別算法，可以對(duì)復(fù)雜背景下的遙感圖像目標(biāo)提取有效的特征向量，并在沒有人工標(biāo)注出具體目標(biāo)的訓(xùn)練樣本中進(jìn)行迭代訓(xùn)練學(xué)習(xí)，得到的目標(biāo)模型可以應(yīng)用于遙感圖像中復(fù)雜背景下的車輛目標(biāo)的自動(dòng)檢測(cè)也識(shí)別。因此，本發(fā)明可以大大減少人工標(biāo)注的復(fù)雜度，節(jié)省人工標(biāo)注的時(shí)間，同時(shí)保證最終在弱監(jiān)督訓(xùn)練出的目標(biāo)模型可以在測(cè)試圖像庫中對(duì)車輛目標(biāo)進(jìn)行自動(dòng)檢測(cè)與識(shí)別。

技術(shù)實(shí)現(xiàn)要素：
要解決的技術(shù)問題為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種車輛高分遙感圖像的基于LLC特征的弱監(jiān)督識(shí)別方法，可以在沒有人工標(biāo)注出具體目標(biāo)的訓(xùn)練樣本中獲取初始化訓(xùn)練樣本集，然后提取樣本圖塊的LLC特征利用SVM分類器進(jìn)行反復(fù)迭代訓(xùn)練學(xué)習(xí)，得出最優(yōu)目標(biāo)分類器。最后利用這個(gè)分類器對(duì)測(cè)試圖像中的候選圖塊進(jìn)行分類和定位。技術(shù)方案一種車輛高分遙感圖像的基于LLC特征的弱監(jiān)督識(shí)別方法，其特征在于步驟如下：步驟1提取訓(xùn)練圖像的顯著圖：將輸入圖像下采樣為N×N個(gè)像素，然后針對(duì)圖像中的每個(gè)像素提取顯著性特征并選取“基于視覺注意機(jī)制的遙感圖像感興趣目標(biāo)分割方法”中的14顯著性特征，記為[sm1,sm2,…,sm14]，然后將各類顯著特征分量圖的權(quán)重視為相同的，通過求取所有顯著特征分量圖的均值作生產(chǎn)顯著圖sm，步驟2圖像分割，獲取候選目標(biāo)圖塊：采用自適應(yīng)閾值分割方法對(duì)顯著圖進(jìn)行顯著區(qū)域分割，其中閾值令t∈[0.5,5]中的兩個(gè)值對(duì)圖像分割后得到二值圖以二值圖中的顯著值為1的像素集為顯著區(qū)域，求取顯著區(qū)域的外接矩形獲取顯著圖塊；其中：W為顯著圖sm的列數(shù)，H為顯著圖sm的行數(shù)，S(x,y)為顯著圖sm在坐標(biāo)為x,y處的顯著值；在訓(xùn)練集中實(shí)施步驟1～2獲得的顯著圖塊為目標(biāo)候選圖塊；在背景訓(xùn)練集中實(shí)施步驟1～2獲得的顯著圖塊為負(fù)樣本字典；步驟3利用在背景訓(xùn)練集中得出的負(fù)樣本字典對(duì)訓(xùn)練集中的目標(biāo)候選圖塊進(jìn)行負(fù)樣本挖掘，完成初始化標(biāo)注，步驟為：步驟a、首先分別提取負(fù)樣本字典和目標(biāo)候選圖塊中的SIFT特征并進(jìn)行聚類，然后使用BOW模型進(jìn)行表示；步驟b、根據(jù)測(cè)量目標(biāo)候選圖塊與負(fù)樣本字典中圖塊的相似性，將與負(fù)樣本字典最不相似的目標(biāo)候選圖塊作為初始化標(biāo)注結(jié)果；其中：||·||1表示L1范數(shù)，表示第i幅圖像中第j個(gè)目標(biāo)候選圖塊，表示負(fù)樣本字典中，其BOW特征與的BOW特征歐氏距離最近的一個(gè)負(fù)樣本圖塊；步驟4迭代訓(xùn)練，優(yōu)化分類器：將所有初始化標(biāo)注結(jié)果作為分類器的初始化正訓(xùn)練樣本，并在負(fù)樣本字典中選取同等數(shù)量的圖塊作為分類器的初始化負(fù)訓(xùn)練樣本，在每一次迭代訓(xùn)練中，首先提取所有訓(xùn)練樣本的LLC特征，利用SVM對(duì)特征訓(xùn)練分類器，然后將訓(xùn)練好的分類器對(duì)所有目標(biāo)候選圖塊進(jìn)行分類，將分類結(jié)果為車輛目標(biāo)的圖塊作為下一次訓(xùn)練的正訓(xùn)練樣本，如此反復(fù)迭代直到達(dá)到迭代停止條件。本發(fā)明利用每一次迭代得到的分類器在負(fù)樣本字典中的錯(cuò)誤率來判斷分類器的性能，當(dāng)本次迭代得到的分類器比上一次迭代的分類器的錯(cuò)誤率高的時(shí)候，迭代停止，并選取上一次迭代得到的分類器為最優(yōu)分類器輸出；步驟5車輛目標(biāo)檢測(cè)識(shí)別：首先利用步驟1和步驟2對(duì)測(cè)試圖像進(jìn)行處理,得到圖像中的顯著圖塊作為目標(biāo)候選圖塊,然后利用步驟4訓(xùn)練出的最優(yōu)分類器對(duì)所有候選圖塊進(jìn)行分類，對(duì)分類為目標(biāo)的圖塊在圖像中進(jìn)行定位即可完成遙感圖像中車輛目標(biāo)的檢測(cè)識(shí)別。所述步驟1中“基于視覺注意機(jī)制的遙感圖像感興趣目標(biāo)分割方法”采用第一屆高分辨率對(duì)地觀測(cè)會(huì)議論文集中張鼎文、韓軍偉和郭雷發(fā)表的“基于視覺注意機(jī)制的遙感圖像感興趣目標(biāo)分割方法”文獻(xiàn)。所述步驟2中的自適應(yīng)閾值分割方法，采用R.Achanta,S.Hemami,F.EstradaandS.Susstrunk,“Frequency-tunedsalientregiondetection,”IEEEConferenceonComputerVisionandPatternRecognition,2009文獻(xiàn)中的方法實(shí)現(xiàn)。所述步驟2中顯著區(qū)域的外接矩形采用Pandey,M.,Lazebnik,S.“Scenerecognitionandweaklysupervisedobjectlocalizationwithdeformablepart-basedmodel”ICCV,2011中所提出的方法進(jìn)行修正。所述步驟3中采用SIFT特征，利用LoweDG.“Distinctiveimagefeaturesfromscale-invariantkeypoints”[J].Internationaljournalofcomputervision,2004文獻(xiàn)中的方法實(shí)現(xiàn)。所述步驟3中采用BOW模型，利用L.Fei-FeiandP.Perona.“ABayesianHierarchicalModelforLearningNaturalSceneCategories.”IEEEComp.Vis.Patt.Recog.2005文獻(xiàn)中的方法實(shí)現(xiàn)。所述步驟4中采用LLC特征，利用Wang,Jinjun,etal.“Locality-constrainedlinearcodingforimageclassification.”ComputerVisionandPatternRecognition(CVPR),2010文獻(xiàn)中的方法實(shí)現(xiàn)。有益效果本發(fā)明提出一種車輛高分遙感圖像的基于LLC特征的弱監(jiān)督識(shí)別方法，可以在沒有人工標(biāo)注出具體目標(biāo)的訓(xùn)練樣本中，首先利用顯著模型，自適應(yīng)分割和負(fù)樣本挖掘方法獲得初始化訓(xùn)練樣本集，然后提取樣本圖塊的LLC特征利用SVM分類器進(jìn)行反復(fù)迭代訓(xùn)練學(xué)習(xí)，得出最優(yōu)目標(biāo)分類器。最后利用這個(gè)分類器對(duì)測(cè)試圖像中的候選圖塊進(jìn)行分類和定位即可完成復(fù)雜背景遙感圖像中車輛目標(biāo)的檢測(cè)和識(shí)別。附圖表說明圖1：本發(fā)明方法的基本流程圖圖2：實(shí)驗(yàn)對(duì)比結(jié)果圖圖3：準(zhǔn)確率-回想率曲線對(duì)比圖具體實(shí)施方式現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述：用于實(shí)施的硬件環(huán)境是：IntelPentium2.93GHzCPU計(jì)算機(jī)、2.0GB內(nèi)存，運(yùn)行的軟件環(huán)境是：MatlabR2011b和WindowsXP。選取了85幅高分辨率遙感圖像進(jìn)行車輛識(shí)別，其中45幅作為訓(xùn)練圖像，另外40幅作為測(cè)試圖像。本發(fā)明具體實(shí)施如下：1.提取訓(xùn)練圖像的顯著圖：將輸入圖像下采樣為200×200個(gè)像素，然后針對(duì)圖像中的每個(gè)像素提取顯著性特征。本發(fā)明選取“基于視覺注意機(jī)制的遙感圖像感興趣目標(biāo)分割方法”中的14顯著性特征，記為[sm1,sm2,…,sm14]。因?yàn)樵谌醣O(jiān)督學(xué)習(xí)中，我們的訓(xùn)練樣本只進(jìn)行了弱標(biāo)注，也就是我們只知道訓(xùn)練樣本中哪些圖像中含有目標(biāo)，哪些圖像中不含有目標(biāo)，而不知道目標(biāo)具體在圖像中的哪個(gè)位置，所以我們不能用訓(xùn)練的方法來對(duì)提取的顯著圖進(jìn)行融合。由于缺少先驗(yàn)知識(shí)，我們將各類顯著特征分量圖的權(quán)重視為相同的，通過求取所有顯著特征分量圖的均值作生產(chǎn)顯著圖sm，2.圖像分割，獲取候選目標(biāo)圖塊：本發(fā)明選取“Frequency-tunedsalientregiondetection”中的自適應(yīng)閾值分割方法對(duì)顯著圖進(jìn)行顯著區(qū)域分割，其中閾值其中：W為顯著圖sm的列數(shù)，H為顯著圖sm的行數(shù)，S(x,y)為顯著圖sm在坐標(biāo)為x,y處的顯著值；令t∈[0.5,5]中的兩個(gè)值對(duì)圖像分割后得到二值圖在二值圖中，顯著值為1的像素集即為顯著區(qū)域。然后通過求取顯著區(qū)域的外接矩形，并采用“Scenerecognitionandweaklysupervisedobjectlocalizationwithdeformablepart-basedmodel”中的方法對(duì)這個(gè)外接矩形進(jìn)行修正來獲取顯著圖塊。在訓(xùn)練集中實(shí)施步驟1～3獲得的顯著圖塊為目標(biāo)候選圖塊；在背景訓(xùn)練集中實(shí)施步驟1～3獲得的顯著圖塊為負(fù)樣本字典；3.利用在背景訓(xùn)練集中得出的負(fù)樣本字典對(duì)訓(xùn)練集中的目標(biāo)候選圖塊進(jìn)行負(fù)樣本挖掘，完成初始化標(biāo)注，步驟為：步驟a、首先分別提取負(fù)樣本字典和目標(biāo)候選圖塊中的SIFT特征并進(jìn)行聚類，然后使用BOW模型進(jìn)行表示；步驟b、根據(jù)測(cè)量目標(biāo)候選圖塊與負(fù)樣本字典中圖塊的相似性，將與負(fù)樣本字典最不相似的目標(biāo)候選圖塊作為初始化標(biāo)注結(jié)果；其中：||·||1表示L1范數(shù)，表示第i幅圖像中第j個(gè)目標(biāo)候選圖塊，表示負(fù)樣本字典中，其BOW特征與的BOW特征歐氏距離最近的一個(gè)負(fù)樣本圖塊；其中，設(shè)置聚類數(shù)k∈[50,200]，每幅遙感圖像中初始化標(biāo)注數(shù)為n∈[1,20]。4.迭代訓(xùn)練，優(yōu)化分類器：將所有初始化標(biāo)注結(jié)果作為分類器的初始化正訓(xùn)練樣本，并在負(fù)樣本字典中選取同等數(shù)量的圖塊作為分類器的初始化負(fù)訓(xùn)練樣本，在每一次迭代訓(xùn)練中，首先根據(jù)文獻(xiàn)“Locality-constrainedlinearcodingforimageclassification”提取所有訓(xùn)練樣本的LLC特征，利用SVM對(duì)特征訓(xùn)練分類器，然后將訓(xùn)練好的分類器對(duì)所有目標(biāo)候選圖塊進(jìn)行分類，將分類結(jié)果為車輛目標(biāo)的圖塊作為下一次訓(xùn)練的正訓(xùn)練樣本，如此反復(fù)迭代直到達(dá)到迭代停止條件。本發(fā)明利用每一次迭代得到的分類器在負(fù)樣本字典中的錯(cuò)誤率來判斷分類器的性能，當(dāng)本次迭代得到的分類器比上一次迭代的分類器的錯(cuò)誤率高的時(shí)候，迭代停止，并選取上一次迭代得到的分類器為最優(yōu)分類器輸出。5.車輛目標(biāo)檢測(cè)識(shí)別：首先利用步驟1和步驟2對(duì)測(cè)試圖像進(jìn)行處理,得到圖像中的顯著圖塊作為目標(biāo)候選圖塊,然后利用步驟4訓(xùn)練出的最優(yōu)分類器對(duì)所有候選圖塊進(jìn)行分類，對(duì)分類為目標(biāo)的圖塊在圖像中進(jìn)行定位即可完成遙感圖像中車輛目標(biāo)的檢測(cè)識(shí)別。本發(fā)明在40幅高分辨率遙感圖像測(cè)試集中進(jìn)行車輛檢測(cè)識(shí)別，并選用準(zhǔn)確率-回想率曲線對(duì)識(shí)別結(jié)果進(jìn)行評(píng)估。其中準(zhǔn)確率-回想率曲線定義為在分割閾值變化下，回想率(TPR)和準(zhǔn)確率(Preci)的變化關(guān)系。計(jì)算公式如下：其中FP為檢測(cè)到的虛警，N為groundtruth中非目標(biāo)的區(qū)域；TP為檢測(cè)到的實(shí)警，P為groundtruth中目標(biāo)的區(qū)域。附圖2為一些對(duì)比實(shí)驗(yàn)結(jié)果，其中，弱監(jiān)督方法指的是利用本發(fā)明方法進(jìn)行遙感圖像車輛識(shí)別的結(jié)果，全監(jiān)督方法指的是利用人工標(biāo)注的訓(xùn)練樣本集，訓(xùn)練基于LLC特征的SVM分類器，對(duì)測(cè)試圖像中候選目標(biāo)圖塊進(jìn)行分類的結(jié)果?？梢钥闯霰景l(fā)明是一種行之有效的弱監(jiān)督遙感車輛識(shí)別算法，并且能夠達(dá)到與全監(jiān)督方法十分接近的車輛識(shí)別效果。附圖3為本發(fā)明方法和全監(jiān)督方法的準(zhǔn)確率-回想率曲線,其中上方的曲線表示本發(fā)明方法的性能，下方的曲線表示傳統(tǒng)的全監(jiān)督方法的性能。從曲線中可以看出，按照本發(fā)明方法訓(xùn)練出的弱監(jiān)督目標(biāo)分類器在目標(biāo)檢測(cè)結(jié)果中可以達(dá)到更高的準(zhǔn)確值，而利用全監(jiān)督方法則可以達(dá)到更高的查全率(TP)，總體來說，本發(fā)明能夠在沒有人工標(biāo)注的情況下自動(dòng)完成訓(xùn)練樣本的初始化和迭代優(yōu)化，最終完成測(cè)試圖像的目標(biāo)識(shí)別和定位，并取得與令人滿意的結(jié)果。