本發(fā)明涉及圖像處理技術(shù)，具體是結(jié)合DOG(Difference of Gaussians)斑點(diǎn)檢測算法與CFAR(Constant False-Alarm Rate)檢測算法，針對多源航片的異常場景識別方法。

背景技術(shù)：

本發(fā)明涉及的異常場景與傳統(tǒng)研究定義不同，特指人跡罕至地帶，具有異常人類活動痕跡的場景，基本屬性表現(xiàn)為溫度異?；蚓哂腥嗽旖饘僦破?。這些場所往往深藏大山荒漠，人力普查耗費(fèi)巨大，并具有嚴(yán)重的社會危害性，如違禁藥品加工場、涉恐訓(xùn)練營以及非法賭場。

針對上述場景特點(diǎn)，研究設(shè)計(jì)了無人機(jī)搭載可見光、遠(yuǎn)紅外以及SAR相機(jī)進(jìn)行巡查，并對獲取的多源航拍數(shù)據(jù)進(jìn)行處理。無人機(jī)具有噪聲小，不易察覺，續(xù)航久，成本低等優(yōu)點(diǎn)，是取代人力對偏遠(yuǎn)地區(qū)進(jìn)行排查的有利工具。搭載的多源相機(jī)所獲取的圖像中，可見光影像是反射影像，在一定照度下能夠反映場景的細(xì)節(jié)和形態(tài)紋理特征；紅外影像是輻射影像，在光照較差時(shí)具有較優(yōu)的目標(biāo)探測性能，但是反映真實(shí)場景的細(xì)節(jié)較差，主要利用目標(biāo)的熱性質(zhì)；微波不受天氣情況的影響可以探測目標(biāo)的介電性。多源數(shù)據(jù)對同一目標(biāo)的特性反應(yīng)不同，由信息理論知識可知，結(jié)合這些互補(bǔ)信息能有效的提高目標(biāo)識別能力。

本發(fā)明主要內(nèi)容為多源航片的圖像處理技術(shù)，具體為針對上述三源航片，研發(fā)異常場景的識別算法，并針對兩大異常場景(違禁藥品加工場、涉恐訓(xùn)練營)進(jìn)行驗(yàn)證。就目前而言，國內(nèi)外并未發(fā)現(xiàn)同時(shí)針對該三源航片的場景識別研究。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明結(jié)合DOG斑點(diǎn)檢測算法與CFAR檢測算法，研發(fā)針對可見光、遠(yuǎn)紅外以及SAR圖像的異常場景識別算法，填補(bǔ)了該項(xiàng)應(yīng)用的研究空白。本發(fā)明的技術(shù)解決方案主要分為兩大部分：第一部分為疑似異常區(qū)域探測部分，第二部分為異常場景識別部分。本發(fā)明流程圖如圖1所示，兩部分的詳細(xì)內(nèi)容如下所述。

①基于該處對異常場景的假設(shè)：異常場景一般表現(xiàn)為溫度異?；蚓哂腥嗽旖饘僦破?，本發(fā)明第一部分充分利用圖像特性，提出分別使用DOG檢測算法探測遠(yuǎn)紅外圖像中的溫度異常區(qū)域，使用CFAR算法探測SAR圖像中具有強(qiáng)介電性物質(zhì)(例如金屬)的區(qū)域，最后合并兩者區(qū)域作為疑似異常區(qū)域集。算法包括如下步驟：

第一步，輸入遠(yuǎn)紅外圖像

第二步，對紅外圖像使用DOG檢測算法，并將檢測到的區(qū)域標(biāo)志為R_I。溫度異常在熱紅外圖像中表現(xiàn)為一個(gè)淺色或深色的斑點(diǎn)，本文提出使用DOG斑點(diǎn)檢測算法對該類區(qū)域進(jìn)行探測，它具有計(jì)算速度快，實(shí)時(shí)性強(qiáng)等特點(diǎn)。DOG是一個(gè)空總額的小波母函數(shù)，它從一個(gè)窄高斯減去一個(gè)寬高斯，是墨西哥帽小波的一個(gè)近似。一維情況下它的定義公式如下：

在二維的情況下：

第三步，輸入SAR圖像

第四步，對SAR圖像使用CFAR檢測算法，將檢測到的區(qū)域標(biāo)志為R_s。人工金屬制品為強(qiáng)反射點(diǎn)在SAR圖像中表現(xiàn)一個(gè)亮斑，然而由于SAR圖像自身的成像機(jī)理，使一般的亮斑檢測算法無法達(dá)到理想效果，本發(fā)明提出采用CFAR算法探測該類區(qū)域。CFAR在背景確定的情況下，通過保持恒定的虛警率來進(jìn)行目標(biāo)檢測，其關(guān)鍵在于確定自適應(yīng)的閾值即判決門限。假設(shè)SAR圖像的背景和目標(biāo)的概率密度分布分別為P_b(x)和P_t(x)，T為判決門限如圖2所示。

虛警率p_fa和檢測率p_d分別下式所示。

其中檢測閾值T由下式求得。

求得T以后由以下判決規(guī)則進(jìn)行判斷：

第五步，計(jì)算R_I，R_s各個(gè)區(qū)域的中心位置距離，合并中心位置距離小于一定范圍的區(qū)域(該處距離為經(jīng)驗(yàn)值，可根據(jù)實(shí)際場景設(shè)定以及圖像分辨率自行設(shè)定)，獲得疑似異常區(qū)域集R'。

第一、二步針對遠(yuǎn)紅外圖像，第三、四步針對SAR圖像，兩者并行處理，可以大大縮短算法計(jì)算時(shí)間。

②本發(fā)明第二部分針對疑似異常區(qū)域，分別提取多源HOG(Histogram of Oriented Gradients)特征，并對多源特征使用PCA(PrincipalComponent Analysis)降維后，采用CCA(Canonical Correlation Analysis)進(jìn)行融合，最后對串聯(lián)的融合特征使用訓(xùn)練完成的SVM(Support Vector Machine)判別模型對疑似區(qū)域進(jìn)行場景分類識別。算法包括如下步驟：

第一步，針對疑似異常區(qū)域集R'中每一塊疑似異常區(qū)域，截取多源航片中對應(yīng)圖像塊。因此每一個(gè)疑似異常區(qū)域?qū)?yīng)一組圖像，分別由熱紅外、SAR以及可見圖像塊組成，作為第二部分的輸入。

第二步，對圖像塊進(jìn)行拉伸，統(tǒng)一尺寸，對每組圖像提取HOG特征。HOG對圖像幾何的和光學(xué)的形變都能保持很好的不變性。其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，一些細(xì)微的變化可以被忽略而不影響檢測效果。其大致過程可以歸納為：

(1)灰度化；

(2)采用Gamma校正法對輸入圖像進(jìn)行顏色空間標(biāo)準(zhǔn)化，Gamma壓縮公式如下：

I(x,y)＝I(x,y)^gamma (7)

(3)計(jì)算圖像每個(gè)像素的梯度(包括大小和方向),每個(gè)像素點(diǎn)(x,y)的梯度為：

其中G_x(x,y)，G_y(x,y)，H(x,y)分別表示像素點(diǎn)(x,y)的水平方向梯度，垂直方向梯度以及像素值。像素點(diǎn)(x,y)處的梯度幅值G(x,y)和梯度方向α(x,y)分別為：

(4)將圖像劃分為小cells；

(5)統(tǒng)計(jì)每個(gè)cell組成的梯度直方圖；

(6)將每幾個(gè)cell組成一個(gè)block，每個(gè)block里所有cell的特征描述符串聯(lián)起來得到該block的特征描述符；

(7)將圖像中所有block的特征描述符串聯(lián)起來得到圖像的HOG特征。

第三步，對多源航片HOG特征使用PCA降維后，使用CCA進(jìn)行融合。具體為通過學(xué)習(xí)映射矩陣使多源數(shù)據(jù)分布盡可能一致。三者的投影矩陣可以通過優(yōu)化以下公式獲得：

其中Σ_ij為Φⁱ與Φ^j的協(xié)方差矩，Wⁱ為投影矩陣，其中第k列表示為Φ表示使用PCA降維后的HOG特征。

第四步，串聯(lián)多源映射特征作為融合特征，輸入到SVM分類器中，對該區(qū)域場景進(jìn)行識別。SVM方法是通過一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維乃至無窮維的特征空間中(Hilbert空間)，使得在原來的樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題，在樣本數(shù)目較少的情況也能獲得較好的分類效果。

本發(fā)明的有益效果是：

1、本發(fā)明提出采用DOG探測溫度異常區(qū)域，CFAR探測介電性異常區(qū)域，并合并兩則探測結(jié)果作為疑似異常區(qū)域集，該結(jié)果在虛警較高的前提下，取得了很好的探測結(jié)果。可并行的處理機(jī)制，更大大加快了算法的計(jì)算速度。該方法還解決了可見光在能見度較低時(shí)無法獲取有效圖像的致命缺點(diǎn)，對邊遠(yuǎn)地區(qū)實(shí)現(xiàn)全天時(shí)的監(jiān)測。

2、本發(fā)明提出采用PCA和CCA對可見、遠(yuǎn)紅外、SAR的HOG特征進(jìn)行融合，PCA能去除多源信息中的冗余信息，而CCA則通過映射這些信息使它們的相關(guān)度達(dá)到最大。最后基于多源融合特征使用SVM進(jìn)行場景識別，解決了第一部分虛警率過高的缺點(diǎn)，實(shí)現(xiàn)了特定場景的多源識別任務(wù)。

附圖說明

圖1是本發(fā)明流程圖。

圖2是CFAR算法中判別門限的示意圖。

圖3(a)～(c)依次是含有違禁藥品加工場的遠(yuǎn)紅外、SAR以及可見光圖像，圖3(d)～(f)依次為DOG檢測結(jié)果、CFAR檢測結(jié)果以及疑似異常區(qū)域檢測結(jié)果。圖3(g)為本發(fā)明對于違禁藥品加工場的識別圖。

圖4(a)～(c)依次是含有涉恐訓(xùn)練營的遠(yuǎn)紅外、SAR以及可見光圖像，圖4(d)～(f)依次為DOG檢測結(jié)果、CFAR檢測結(jié)果以及疑似異常區(qū)域檢測結(jié)果。圖4(g)為本發(fā)明對于涉恐訓(xùn)練營的識別圖。

圖5是違禁藥品加工場單源/多源識別結(jié)果圖。

圖6是涉恐訓(xùn)練營單源/多源識別結(jié)果圖。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例對本發(fā)明作詳細(xì)的說明：本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施的例子，驗(yàn)證了本發(fā)明對于違禁藥品加工場、涉恐訓(xùn)練營這兩類場景的識別效果，并給出了詳細(xì)的實(shí)施方式和過程，但本發(fā)明的保護(hù)范圍不應(yīng)限于下述的實(shí)施例。

①首先是使用本發(fā)明識別違禁藥品加工場的實(shí)施例，請先參閱圖1與圖3，圖1是本發(fā)明的流程圖，圖3為本例的輸入、中間過程圖以及結(jié)果圖。如圖所示，本發(fā)明具體實(shí)施分兩大部分，第一部分步驟如下：

第一步，輸入遠(yuǎn)紅外、SAR圖像，如圖3(a)～(b)所示。

第二步，同時(shí)對遠(yuǎn)紅外、SAR圖像實(shí)施金字塔降噪預(yù)處理

第三步，將遠(yuǎn)紅外圖像灰度反轉(zhuǎn)得到反轉(zhuǎn)圖，再分別對原圖和反轉(zhuǎn)圖使用DOG斑點(diǎn)檢測算法，合并兩者結(jié)果得到溫度異常區(qū)域集，如圖3(d)。同時(shí)對SAR圖像使用CFAR檢測算法，得到強(qiáng)反射區(qū)域，如圖3(e)。

第四步，計(jì)算溫度異常區(qū)域、強(qiáng)反射區(qū)域的中心點(diǎn)距離，合并距離小于50像素的區(qū)域，得到疑似異常區(qū)域集,如圖3(f)。

得到疑似異常區(qū)域集后，開始實(shí)施第二部分內(nèi)容，具體步驟如下所示：

第一步，由第一部分獲取的異常區(qū)域坐標(biāo)，截取多源航片中對應(yīng)圖像塊。

第二步，對圖像塊進(jìn)行拉伸，統(tǒng)一尺寸為32*32。針對每一個(gè)異常區(qū)域，分別提取多源航片塊的HOG特征。

第三步，對每一個(gè)區(qū)域的三個(gè)HOG特征使用PCA降維到64維，并使用CCA融合降維后的HOG特征，串聯(lián)得到融合特征。

第四步，將融合特征輸入到SVM分類器中，對該區(qū)域場景進(jìn)行分類識別。保留目標(biāo)場景區(qū)域，清除非目標(biāo)場景的區(qū)域，得到的最終識別結(jié)果如圖3(g)所示。

②其次是使用本發(fā)明識別涉恐訓(xùn)練營的實(shí)施例，請先參閱圖1與圖4，圖1是本發(fā)明的流程圖，圖4為本例的輸入、中間過程圖以及結(jié)果圖。如圖所示，本發(fā)明具體實(shí)施分兩大部分，第一部分步驟如下：

第一步，輸入遠(yuǎn)紅外、SAR圖像，如圖4(a)～(b)所示。

第二步，同時(shí)對遠(yuǎn)紅外、SAR圖像實(shí)施金字塔降噪預(yù)處理

第三步，將遠(yuǎn)紅外圖像灰度反轉(zhuǎn)得到反轉(zhuǎn)圖，再分別對原圖和反轉(zhuǎn)圖使用DOG斑點(diǎn)檢測算法，合并兩者結(jié)果得到溫度異常區(qū)域集，如圖4(d)。同時(shí)對SAR圖像使用CFAR檢測算法，得到強(qiáng)反射區(qū)域集，如圖4(e)。

第四步，計(jì)算溫度異常區(qū)域、強(qiáng)反射區(qū)域的中心點(diǎn)距離，合并距離小于70像素的區(qū)域，得到疑似異常區(qū)域集,如圖4(f)。

得到疑似異常區(qū)域集后，開始實(shí)施第二部分內(nèi)容，具體步驟如下所示：

第一步,由第一部分獲取的異常區(qū)域坐標(biāo)，截取多源航片中對應(yīng)圖像塊。

第二步，對圖像塊進(jìn)行拉伸，統(tǒng)一尺寸為32*32。針對每一個(gè)異常區(qū)域，分別提取多源航片塊的HOG特征。

第三步，對每一個(gè)區(qū)域的三個(gè)HOG特征使用PCA降維到64維，并使用CCA融合降維后的HOG特征，串聯(lián)得到融合特征。

第四步，將融合特征輸入到SVM分類器中，對該區(qū)域場景進(jìn)行分類識別。保留目標(biāo)場景區(qū)域，清除非目標(biāo)場景的區(qū)域，得到的最終識別結(jié)果如圖4(g)所示。

溫度異常和強(qiáng)介電性較好的定義了大多數(shù)異常場景的共同屬性，其中用于驗(yàn)證本發(fā)明算法的違禁藥品加工場、涉恐訓(xùn)練營地均具備這兩種特性。實(shí)驗(yàn)基于單源以及多源數(shù)據(jù)，測試算法對上述兩類場景的識別率。測試實(shí)驗(yàn)結(jié)果驗(yàn)證了多源數(shù)據(jù)所包含的信息具有互補(bǔ)性，本發(fā)明的多源航片識別方法融合多源信息對這類場景具有優(yōu)異的識別效果。具體測試結(jié)果如下表以及圖5～圖6所示：

表1