本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及了基于深度卷積和梯度旋轉(zhuǎn)不變性的航拍圖像目標(biāo)檢測方法。

背景技術(shù)：

近年來，隨著航拍技術(shù)的不斷發(fā)展，高分辨率航拍遙感相機相繼研制成功，航拍圖像在應(yīng)急救災(zāi)、數(shù)字城市建設(shè)、工程設(shè)計等重大需求領(lǐng)域得到了廣泛的應(yīng)用；同時，隨著大數(shù)據(jù)技術(shù)的興起為航拍圖像處理提供了新的思路。航拍圖像包含的豐富信息量，覆蓋了各個尺度的物體，且分布密集，如何快速高效地實現(xiàn)航拍圖像目標(biāo)檢測至關(guān)重要。

航拍圖像具有大范圍、寬視角、高分辨率、數(shù)據(jù)量巨大的特點，這給目標(biāo)檢測帶來巨大的問題與挑戰(zhàn)。航拍圖像成像角度變化大，一般的特征算子需要提取出不同角度的特征，再進行合并與篩選，這使得計算量大大的增加；同時，且由于航拍鏡頭的變化以及航拍目標(biāo)的多變使得通常的目標(biāo)檢測算法難以適用于航拍圖像目標(biāo)檢測。目前的研究主要是通過結(jié)合低層特征與模型來實現(xiàn)對航拍圖像目標(biāo)的分割與檢測，沒有充分考慮到圖像的高層特征以及隱藏在其中的角度不變特征。

技術(shù)實現(xiàn)要素：

為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供基于深度卷積和梯度旋轉(zhuǎn)不變性的航拍圖像目標(biāo)檢測方法，克服了航拍圖像成像角度變化大、航拍鏡頭變化大以及航拍目標(biāo)多變帶來的困難。

為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

基于深度卷積和梯度旋轉(zhuǎn)不變性的航拍圖像目標(biāo)檢測方法，包括以下步驟：

(1)輸入航拍圖像，利用BING算法對目標(biāo)進行粗定位，提取包含目標(biāo)的感興趣區(qū)域；

(2)對于步驟(1)提取到的感興趣區(qū)域，采用AlexNet深度卷積網(wǎng)絡(luò)進行分析，選取AlexNet深度卷積網(wǎng)絡(luò)的Pooling5層為最佳角度不敏感特征，即AP特征；

(3)基于旋轉(zhuǎn)梯度不變性，提取感興趣區(qū)域的旋轉(zhuǎn)梯度不變特征，即RGT特征；

(4)采用SFFS算法融合步驟(2)得到的AP特征和步驟(3)得到的RGT特征，生成AP-RGT特征；

(5)使用支持向量機對生成的AP-RGT特征進行訓(xùn)練分類，并在SVM分類器后進行非極大值抑制的過程，過濾錯誤的分類，再建立優(yōu)化問題，求解得到目標(biāo)檢測結(jié)果。

進一步地，步驟(1)的具體過程如下：

(a)使用模板[-1,0，+1]作用于航拍圖像，計算出航拍圖像的梯度值b_k,l，并通過尺度變換將其歸一化到8*8的尺度，得到歸一化的梯度特征值N_g，其中，b_k,l的下標(biāo)k、l分別表示模板[-1,0，+1]的行和列；

(b)利用二進制估計算法，對梯度特征值N_g進行估計，獲得BING特征：

$g_l={\mathrm{\Σ}}_{k=1}^{N_g}{2}^{8-k}{b}_{k,l};$

(c)將獲得的BING特征輸入到LinearSVM中進行訓(xùn)練，得到SVM分類器，作為第一級分類器，將得到的第一級分類器作用于訓(xùn)練樣本所在的位置，得到待選目標(biāo)框，通過非極大值抑制濾去錯誤的待選目標(biāo)框，將剩下的待選目標(biāo)框作為第二級分類器的訓(xùn)練樣本，輸入到LinearSVM中進行訓(xùn)練，得到第二級分類器；

(d)利用窮舉法從航拍圖像上得到的感興趣區(qū)域的所有待選區(qū)域，將步驟(c)得到的級聯(lián)分類器作用于各個待選區(qū)域，每一個待選區(qū)域通過線性模型w∈R⁶⁴打分機制進行評分：s_l＝＜w,g_l＞，得分s_l最高的待選區(qū)域即為感興趣區(qū)域，其中＜w,g_l＞表示將線性模型w和BING特征g_l作內(nèi)積運算。

進一步地，步驟(3)的具體過程如下：

(A)設(shè)提取到的感興趣區(qū)域圖像為I(x,y)，S(x,y)為其對應(yīng)的離散圖像：

$S(x,y)=\underset{v=0}{\overset{y}{\Σ}}\underset{u=0}{\overset{x}{\Σ}}I(u,v)$

計算離散圖像的局部空間值：

Σ(x,y,s)＝S(x+s,y+s)+S(x-s-1,y-s-1)-S(x+s,y-s-1)-S(x-s-1,y+s)上式中s表示某一尺度，(x,y)為感興趣區(qū)域內(nèi)的點；

為增加特征的尺度不變性并降低計算復(fù)雜度，利用金字塔尺度空間獲取不同尺度下的局部空間值，再通過比較得到局部空間極值，局部空間極值對應(yīng)的尺度即為給定尺度；

(B)采用可變核函數(shù)檢測感興趣區(qū)域，在檢測過程中，對于同一個點采用兩個不同大小的核函數(shù)，在步驟(A)獲得的給定尺度s下，內(nèi)部的核函數(shù)為2s+1，外部的核函數(shù)為4s+1，則濾波器響應(yīng)：

F(x,y,s)＝B(x,y,s)-B(x,y,2s)

上式中B(x,y,s)為區(qū)域規(guī)范化輸出：

B(x,y,s)＝(2s+1)^-2Σ(x,y,s)

上式中Σ(x,y,s)為步驟(A)得到的局部空間極值，表示大小為2s+1的區(qū)域中所有像素和；

(C)在給定尺度下獲取感興趣特征點，以感興趣特征點為圓心抽取直徑為sp的統(tǒng)計塊，處于統(tǒng)計塊內(nèi)的點的坐標(biāo)表示：

$P\left(s\right)=\left\{(u,v)\right|\sqrt{{(s*u-x)}^2+{(s*v-y)}^2}\≤\frac{sp}{2}\}$

上式中s*u，s*v分別對應(yīng)為x，y在給定尺度s下的離散值；

(D)將統(tǒng)計塊內(nèi)的笛卡爾梯度方向作為該統(tǒng)計塊的方向，計算統(tǒng)計塊內(nèi)的梯度值并歸一化，得到RGT特征。

:進一步地，步驟(4)的具體過程如下：

(Ⅰ)設(shè)AP-RGT特征的集合為Z，集合Z初始為空集，在AP特征集和RGT特征集的并集中選擇一個子集t加入集合Z中，并使加入子集t后的集合Z的評價函數(shù)達(dá)到最優(yōu)；

(Ⅱ)在集合Z中剔除子集z，并使剔除子集z后的集合Z的評價函數(shù)達(dá)到最優(yōu)；

(Ⅲ)循環(huán)步驟(Ⅰ)-(Ⅱ)，得到nrep個候選集合Z；

(IV)計算各候選集合Z的貝葉斯分類精度：

J_nrep(Z)＝1-E[{ε(Z,T_r；D_r)}]

上式中，E(*)表示求期望，ε(Z,T_r；D_r)則表示貝葉斯分類錯分率，T_r表示錯分的集合，D_r表示訓(xùn)練集，r＝1,2,…,nrep；

選擇貝葉斯分類精度值最大對應(yīng)的集合Z作為融合后的AP-RGT特征集。

進一步地，在步驟(5)中，使用的分類函數(shù)為其中x_i為輸入，y_i為輸出，x_i,y_i∈Z，Z為步驟(4)得到的AP-RGT特征集，為當(dāng)前特征距離分類平面的間隔，為設(shè)置的特征距離分類平面的最大間隔，b為偏移量，ω為需要求取的目標(biāo)檢測結(jié)果；將作為優(yōu)化問題的目標(biāo)函數(shù)，求得該問題的最優(yōu)解即為最終的目標(biāo)檢測結(jié)果。

采用上述技術(shù)方案帶來的有益效果：

本發(fā)明提出基于AP特征的提取方法，解決航拍圖像鏡頭旋轉(zhuǎn)以及飛行帶來仿射變換等問題；結(jié)合旋轉(zhuǎn)梯度不變性，引入RGT特征，增加了特征的魯棒性與表征力，進一步提高目標(biāo)檢測的準(zhǔn)確率；利用SFFS算法將AP和RGT兩類特征進行融合生成AP-RGT特征，在降低維數(shù)的同時，提高了檢測速度。突破了航拍圖像在飛行過程中由于旋轉(zhuǎn)需要多次提取不同角度特征的局限性。本發(fā)明適用于高分辨率的航拍圖像目標(biāo)檢測。

附圖說明

圖1是本發(fā)明的基本流程圖。

具體實施方式

以下將結(jié)合附圖，對本發(fā)明的技術(shù)方案進行詳細(xì)說明。

如圖1所示，基于深度卷積和梯度旋轉(zhuǎn)不變性的航拍圖像目標(biāo)檢測方法，包括以下步驟：

步驟1、輸入航拍圖像，利用BING算法對目標(biāo)進行粗定位，提取包含目標(biāo)的感興趣區(qū)域。

使用模板[-1,0，+1]作用于航拍圖像，計算出航拍圖像的梯度值b_k,l，通過尺度變換將其歸一化到8*8的尺度，得到歸一化的梯度特征值N_g，其中，b_k,l的下標(biāo)k、l分別表示模板[-1,0，+1]的行和列；

利用二進制估計算法，對梯度特征值N_g進行估計，獲得BING特征：

$g_l={\mathrm{\Σ}}_{k=1}^{N_g}{2}^{8-k}{b}_{k,l}$

將獲得的BING特征輸入到LinearSVM中進行訓(xùn)練，得到SVM分類器，作為第一級分類器，將得到的第一級分類器作用于訓(xùn)練樣本所在的位置，得到待選目標(biāo)框，通過非極大值抑制濾去錯誤的待選目標(biāo)框，將剩下的待選目標(biāo)框作為第二級分類器的訓(xùn)練樣本，輸入到LinearSVM中進行訓(xùn)練，得到第二級分類器。

利用窮舉法從航拍圖像上得到的感興趣區(qū)域的所有待選區(qū)域，將上述級聯(lián)分類器作用于各個待選區(qū)域，每一個待選區(qū)域通過線性模型w∈R⁶⁴打分機制進行評分：s_l＝＜w,g_l＞，得分s_l最高的待選區(qū)域即為感興趣區(qū)域，其中＜w,g_l＞表示將線性模型w和BING特征g_l作內(nèi)積運算。

步驟2、對于步驟1提取到的感興趣區(qū)域，采用AlexNet網(wǎng)絡(luò)進行分析，提取AlexNet網(wǎng)絡(luò)的池化層Pooling5、全連結(jié)層Fc6、Fc7的特征來分析角度不敏感性，選取AlexNet網(wǎng)絡(luò)的Pooling5層為最佳角度不敏感特征，即AP特征。

步驟3、基于旋轉(zhuǎn)梯度不變性，提取感興趣區(qū)域的旋轉(zhuǎn)梯度不變特征，即RGT特征。

設(shè)提取到的感興趣區(qū)域圖像為I(x,y)，S(x,y)為其對應(yīng)的離散圖像：

$S(x,y)=\underset{v=0}{\overset{y}{\Σ}}\underset{u=0}{\overset{x}{\Σ}}I(u,v)$

計算離散圖像的局部空間值：

∑(x,y,s)＝S(x+s,y+s)+S(x-s-1,y-s-1)-S(x+s,y-s-1)-S(x-s-1,y+s)上式中s表示某一尺度，(x,y)為感興趣區(qū)域內(nèi)的點；

為增加特征的尺度不變性并降低計算復(fù)雜度，利用金字塔尺度空間獲取不同尺度下的局部空間值，再通過比較得到局部空間極值，局部空間極值對應(yīng)的尺度即為給定尺度。

采用可變核函數(shù)檢測感興趣區(qū)域，在檢測過程中，對于同一個點采用兩個不同大小的核函數(shù)，在獲得的給定尺度s下，內(nèi)部的核函數(shù)為2s+1，外部的核函數(shù)為4s+1，則濾波器響應(yīng)：

F(x,y,s)＝B(x,y,s)-B(x,y,2s)

上式中B(x,y,s)為區(qū)域規(guī)范化輸出：

B(x,y,s)＝(2s+1)^-2∑(x,y,s)

上式中∑(x,y,s)為前述得到的局部空間極值，表示大小為2s+1的區(qū)域中所有像素和。

在給定尺度下獲取感興趣特征點，以感興趣特征點為圓心抽取直徑為sp的統(tǒng)計塊，處于統(tǒng)計塊內(nèi)的點的坐標(biāo)表示：

$P\left(s\right)=\left\{(u,v)\right|\sqrt{{(s*u-x)}^2+{(s*v-y)}^2}\≤\frac{sp}{2}\}$

上式中s*u，s*v分別對應(yīng)為x，y在給定尺度s下的離散值。

將統(tǒng)計塊內(nèi)的笛卡爾梯度方向作為該統(tǒng)計塊的方向，計算統(tǒng)計塊內(nèi)的梯度值并歸一化，得到RGT特征。

步驟4、采用SFFS算法融合步驟2得到的AP特征和步驟3得到的RGT特征，生成AP-RGT特征。

設(shè)AP-RGT特征的集合為Z，集合Z初始為空集，在AP特征集和RGT特征集的并集中選擇一個子集t加入集合Z中，并使加入子集t后的集合Z的評價函數(shù)達(dá)到最優(yōu)。

在集合Z中剔除子集z，并使剔除子集z后的集合Z的評價函數(shù)達(dá)到最優(yōu)。

循環(huán)上述過程，得到nrep個候選集合Z。計算各候選集合Z的貝葉斯分類精度：

J_nrep(Z)＝1-E[{ε(Z,T_r；D_r)}]

上式中，E(*)表示求期望，ε(Z,T_r；D_r)則表示貝葉斯分類錯分率，T_r表示錯分的集合，D_r表示訓(xùn)練集，r＝1,2,…,nrep；

選擇貝葉斯分類精度值最大對應(yīng)的集合Z作為融合后的AP-RGT特征集。

步驟5、使用支持向量機對生成的AP-RGT特征進行訓(xùn)練分類，并在SVM分類器后進行非極大值抑制的過程，過濾錯誤的分類，再建立優(yōu)化問題，求解得到目標(biāo)檢測結(jié)果。

使用的分類函數(shù)為其中x_i為輸入，y_i為輸出，x_i,y_i∈Z，Z為步驟4得到的AP-RGT特征集，為當(dāng)前特征距離分類平面的間隔，為設(shè)置的特征距離分類平面的最大間隔，b為偏移量，ω為需要求取的目標(biāo)檢測結(jié)果；將作為優(yōu)化問題的目標(biāo)函數(shù)，求得該問題的最優(yōu)解即為最終的目標(biāo)檢測結(jié)果。

以上實施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明保護范圍之內(nèi)。