CN105488505A - 一种对具有旋转角度的目标进行识别的方法 - Google Patents

Abstract

本发明提供一种对具有旋转角度的目标进行识别的方法，其根据目标的旋转角度构造旋转模型，并根据旋转模型构造目标函数，采用目标函数对目标进行变换，接着，判断目标变换前后，目标函数值是否收敛，若是，则对变换的后的目标进行识别。本发明能够快速和准确地纠正目标方向，使得已收集的目标和待识别的目标具有一致的朝向，进而提高目标识别的性能。

Description

一种对具有旋转角度的目标进行识别的方法

技术领域

本发明涉及光学遥感图像的目标识别技术领域，具体是一种对具有旋转角度的目标进行识别的方法。

背景技术

遥感技术的发展极大地丰富了人们获取数据的手段，海量的数据同时也加剧了利用计算机辅助人进行目标自动或半自动解译的需求。然而由于遥感图像大都是正射影像，图像中的目标具有任意的方向性，这使得许多的目标检测识别方法的性能受到了很大的限制。目标切片自动方向纠正技术利用目标本身的结构特征，通过建模其旋转变换模型而确定目标的方向。该技术作为一个重要的数据预处理过程，可以使得许多目标检测识别方法获得更好的性能。

为了减轻目标朝向任意性对检测识别算法的负面影响，研究人员设计了诸多旋转不变的局部特征描述，并应用到目标的检测识别中。但是这些方法在实际的工程应用中尚不成熟，主要体现在两方面：1)不变性与信息的保留是相矛盾的，为了获取某种不变性必然要损失相应的信息；2)旋转不变性的获得往往是与特定的特征紧密结合的，这就限制了其应用范围。

发明内容

(一)要解决的技术问题

本发明的目的在于，提供一种目标识别方法，能够快速和准确地纠正目标方向，使得已收集的目标和待识别的目标具有一致的朝向，进而提高目标识别的性能。

(二)技术方案

本发明提供一种目标识别方法，用于对具有旋转角度的目标进行识别，包括：

S1，根据目标的旋转角度，构造旋转模型；

S2，根据旋转模型，构造目标函数，并根据目标函数对目标进行变换，得到变换后的目标；

S3，判断目标变换前后，目标函数值的差值是否小于一预设值，若是，则执行步骤S4，否则返回执行步骤S2～S3；

S4，对变换的后的目标进行识别。

(三)有益效果

本发明采用的旋转模型为低秩纹理模型，其相比于传统的旋转不变特征保留了更为完整的信息，使得目标识别方法可以更为灵活的选择特征描述；另外，采用拉格拉日函数求解最优化问题，并在循环迭代过程中，逐步逼近目标的方向，提高目标识别的性能。

附图说明

图1为本发明实施例提供的目标识别方法的流程图。

具体实施方式

本发明提供一种对具有旋转角度的目标进行识别的方法，其根据目标的旋转角度构造旋转模型，并根据旋转模型构造目标函数，采用目标函数对目标进行变换，接着，判断目标变换前后，目标函数值是否收敛，若是，则对变换的后的目标进行识别。本发明能够快速和准确地纠正目标方向，使得已收集的目标和待识别的目标具有一致的朝向，进而提高目标识别的性能。

根据本发明的一种实施方式，目标的旋转角度为目标朝向与垂直方向或水平方向的夹角，目标识别方法包括：

S1，根据目标的旋转角度，构造旋转模型；

S2，根据旋转模型，构造目标函数，并根据目标函数对目标进行变换，得到变换后的目标，其中，对目标进行变换包括：将所述目标朝向变换到与垂直方向或水平方向一致。

S3，判断目标变换前后，所述目标函数值的差值是否小于一预设值，若是，则执行步骤S4，否则返回执行所述步骤S2～S3；其中，在此步骤中，通过确定变换前后目标函数值的差值，以判断迭代过程是否收敛。

S4，对变换的后的目标进行识别。

根据本发明的一种实施方式，旋转模型τ的表达式为：

$\mathrm{\τ}=\left[\begin{array}{ccc}sin\mathrm{\θ}& cos\mathrm{\θ}& 0\\ -cos\mathrm{\θ}& sin\mathrm{\θ}& 0\\ 0& 0& 1\end{array}\right],$

其中，θ为目标的旋转角度。

根据本发明的一种实施方式，目标函数为拉格朗日函数，其表达式为：

其中，I为变换前的目标，I⁰为变换后的目标，E为误差矩阵，Δτ为目标变换后旋转模型τ的变化量，Y为算子矩阵，μ为惩罚参数，λ为误差矩阵的稀疏性参数，取值为m，n分别为变换前目标的长和宽，ο表示矩阵Hadamard乘积，为I的梯度；其中，在构造拉格朗日函数时，首先需要初始化构造拉格朗日函数的算子矩阵Y和惩罚参数μ，一般地，将其初始化为：Y＝0，μ＝10^-3。

变换后的目标I⁰的表达式为：

I⁰＝US_1/μ(Σ)V^T，

其中，为的奇异值分解，U和V分别为奇异向量，Σ为奇异值，V^T为V的转置矩阵，S_1/μ(Σ)为S_α(x)函数，其表达式为：

S_α(x)＝sign(x)max(|x|-α,0)，

其中，α为收缩因子，x为操作数，sign()为符号函数，当S_α(x)作用于向量或矩阵时，则表示对向量或矩阵的每个元素分别进行收缩操作。

根据本发明的一种实施方式，步骤S3包括：

根据变换后的目标，更新误差矩阵E：

根据更新后的误差矩阵E，更新旋转模型：

判断目标变换前后，所述目标函数值的差值是否小于一预设值ε，即：

若是，则执行步骤S4，否则返回执行所述步骤S2～S3。其中，ε为预设的值，一般取ε＝10^-5。另外还需要判断目标函数是否到达最小值，要求目标函数值的变化量相当小，即目标函数值迭代前后的相对变化值小于10^-5。在本方法的迭代过程，当收敛条件满足时即意味着目标切片被旋转到一个固定的方向上(垂直或水平)，而迭代过程中的变换后目标即为方向纠正后的目标。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1为本发明实施例提供的目标识别方法的流程图，如图1所示，目标识别方法包括：

S1，根据目标的旋转角度θ，构造旋转模型τ：

$\mathrm{\τ}=\left[\begin{array}{ccc}sin\mathrm{\θ}& cos\mathrm{\θ}& 0\\ -cos\mathrm{\θ}& sin\mathrm{\θ}& 0\\ 0& 0& 1\end{array}\right];$

S2，初始化拉格朗日参数Y＝0，μ＝10^-3，根据旋转模型，构造拉格朗日函数作为目标函数，其表达式为：

其中，I为变换前的目标，I⁰为变换后的目标，E为误差矩阵，Δτ为目标变换后旋转模型τ的变化量，Y为算子矩阵，μ为惩罚参数，λ为误差矩阵的稀疏性参数，取值为m，n分别为变换前目标的长和宽，ο表示矩阵Hadamard乘积，为I的梯度；

根据目标函数对目标进行变换，得到变换后的目标，变换后的目标I⁰的表达式为：

I⁰＝US_1/μ(Σ)V^T，

其中，为的奇异值分解，U和V分别为奇异向量，Σ为奇异值，V^T为V的转置矩阵，S_1/μ(Σ)为S_α(x)函数，其表达式为：

S_α(x)＝sign(x)max(|x|-α,0)，

其中，α为收缩因子，x为操作数，sign()为符号函数，当S_α(x)作用于向量或矩阵时，则表示对向量或矩阵的每个元素分别进行收缩操作；

其中，对目标进行变换包括：将所述目标朝向变换到与垂直方向或水平方向一致。

S3，根据变换后的目标，更新误差矩阵E：

根据更新后的误差矩阵E，更新旋转模型：

判断目标变换前后，所述目标函数值的差值是否小于一预设值ε＝10^-5，即：

若是，则执行步骤S4，否则返回执行所述步骤S2～S3。在本方法的迭代过程，当收敛条件满足时即意味着目标切片被旋转到一个固定的方向上(垂直或水平)，而迭代过程中的变换后目标即为方向纠正后的目标。

S4，对变换的后的目标进行识别，本实施例采用公知方法进行目标识别，此技术手段相对成熟，在此就不再赘述。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种目标识别方法，用于对具有旋转角度的目标进行识别，其特征在于，包括：

S1，根据所述目标的旋转角度，构造旋转模型；

S2，根据所述旋转模型，构造目标函数，并根据所述目标函数对所述目标进行变换，得到变换后的目标；

S3，判断目标变换前后，所述目标函数值的差值是否小于一预设值，若是，则执行步骤S4，否则返回执行所述步骤S2～S3；

S4，对变换的后的目标进行识别。

2.根据权利要求1所述的目标识别方法，其特征在于，所述旋转模型τ的表达式为：

$\mathrm{\τ}=\left[\begin{array}{ccc}sin\mathrm{\θ}& cos\mathrm{\θ}& 0\\ -cos\mathrm{\θ}& sin\mathrm{\θ}& 0\\ 0& 0& 1\end{array}\right],$

其中，θ为目标的旋转角度。

3.根据权利要求2所述的目标识别方法，其特征在于，所述目标函数为拉格朗日函数，其表达式为：

其中，I为变换前的目标，I⁰为变换后的目标，E为误差矩阵，Δτ为目标变换后旋转模型τ的变化量，Y为算子矩阵，μ为惩罚参数，λ为误差矩阵的稀疏性参数，取值为m，n分别为变换前目标的长和宽，о表示矩阵Hadamard乘积，为I的梯度；

所述变换后的目标I⁰的表达式为：

I⁰＝US_1/μ(Σ)V^T，

其中，为的奇异值分解，U和V分别为奇异向量，Σ为奇异值，V^T为V的转置矩阵，S_1/μ(Σ)为S_α(x)函数，其表达式为：

S_α(x)＝sign(x)max(|x|-α,0)，

其中，α为收缩因子，x为操作数，sign()为符号函数，当S_α(x)作用于向量或矩阵时，则表示对向量或矩阵的每个元素分别进行收缩操作。

4.根据权利要求3所述的目标识别方法，其特征在于，所述步骤S3包括：

根据变换后的目标，更新误差矩阵E：

根据更新后的误差矩阵E，更新旋转模型：

判断目标变换前后，所述目标函数值的差值是否小于一预设值ε，即：

若是，则执行步骤S4，否则返回执行所述步骤S1～S3。

5.根据权利要求1所述的目标识别方法，其特征在于，所述旋转角度为所述目标朝向与垂直方向或水平方向的夹角，其中，对所述目标进行变换包括：将所述目标朝向变换到与垂直方向或水平方向一致。