CN108334823A - 基于机器学习的高分辨率遥感影像集装箱区域检测方法 - Google Patents
基于机器学习的高分辨率遥感影像集装箱区域检测方法 Download PDFInfo
- Publication number
- CN108334823A CN108334823A CN201810055195.8A CN201810055195A CN108334823A CN 108334823 A CN108334823 A CN 108334823A CN 201810055195 A CN201810055195 A CN 201810055195A CN 108334823 A CN108334823 A CN 108334823A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- container area
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器学习的高分辨率遥感影像集装箱区域检测方法,以解决目前进行集装箱码头检测存在的依赖人工效率低下、对地理信息依赖严重的问题。本方法首先对遥感影像行主直线分析,提取影像关键结构信息,然后选取训练样本,计算训练样本的HOG特征并进行SVM分类模型训练,最后利用训练好的SVM分类模型对遥感影像进行分类,判断输出是否为集装箱区域。本发明实现了完全自动地从高分辨率遥感影像中检测集装箱区域,不依赖于人工和地理信息,并且识别效率高。
Description
技术领域
本发明涉及集装箱码头检测技术,具体涉及一种基于机器学习的高分辨率遥感影像集装箱区域检测方法。
背景技术
目前,图像检测技术已经在实际场景当中由非常广泛的应用,但是它们大多数是针对光学高分辨率影像而言的,而对于遥感影像的目标检测,由于其成像特点造成针对遥感影像的目标检测困难重重。集装箱码头的自动检测对于航运信息的自动化管理有着重要的意义,高分辨率遥感影像的诞生使之成为可能。
现有的利用遥感影像进行集装箱码头检测的方法主要划分为两大类:一种是基于人工目视判读的方法,即人工观察遥感影像,从中勾选出集装箱码头,并记录它们的地理坐标位置。这种方法严重依赖人工,效率低下。另一种是通过结合地理信息数据库进行叠加处理的方法,该种方法虽然在影像纠正和各项标定完全的情况下精度较高,但是其对地理信息的依赖严重制约了它的灵活性。
发明内容
针对目前利用遥感影像进行集装箱码头检测存在的依赖人工效率低下、对地理信息的依赖严重等问题,本发明提供了一种基于机器学习的完全自动的从高分辨率遥感影像中检测集装箱区域的方法。
本发明提供的基于机器学习的高分辨率遥感影像集装箱区域检测方法,实现包括:
步骤1,对遥感影像进行主直线提取,并二值化主直线提取后的遥感影像;
步骤2,从步骤1处理后的遥感影像中选取训练样本,其中,正负样本的大小一致,个数比例保持为1:1;
步骤3,计算各训练样本的HOG特征向量,然后进行SVM分类模型训练;SVM分类模型的输入是正负样本的HOG特征向量,输出是否是集装箱区域的判定结果;其中,HOG为方向梯度直方图,SVM为支持向量机;
步骤4,利用训练好的SVM分类模型对遥感影像进行分类,检测集装箱区域。
所述的步骤2中,选取主直线提取后结构信息丰富且稳定的区块为正样本,选取主直线提取后缺少结构信息火结构信息紊乱的区块为负样本。
所述的步骤3中,将每个样本在64×64的图像块上滑窗计算,将每一个像素点的HOG特征级联得到样本的特征。
所述的步骤4中,对待检测的遥感影像,首先进行主直线提取并二值化,然后将处理后的图像按照设定大小分区,对各图像块进行滑窗检测,计算HOG特征,然后利用训练好的SVM分类模型检测是否是集装箱区域。
相对于现有技术,本发明的优点与积极效果在于:(1)本方法基于主直线分析的遥感影像边缘结构信息提取,能有效从原始影像中过滤冗余信息,获取关键的边缘结构信息,便于后续分析。(2)基于HOG特征和SVM的集装箱检测模型训练和检测,有效跨越了图像边缘结构的影像信息到集装箱区域的高层语义信息之间的鸿沟。(3)本发明方法实现了完全自动从高分辨率遥感影像中检测集装箱区域,不依赖于人工和地理信息,大大提高了识别效率。
附图说明
图1是本发明的基于机器学习的高分辨率遥感影像集装箱区域检测方法主要流程图;
图2是应该本发明的一个示例;其中A为集装箱待检测区域,B为对A进行主直线分析后的图,C为所选取的训练样本示意图,D为支持向量机模型按块判别为集装箱区域的结果图;
图3是采用本发明方法处理后得到的集装箱区域的灰度效果图。
具体实施方式
下面将结合附图和实施例对本发明的技术方案作进一步的详细说明。
下面结合图1和图2来说明本发明提供的一种基于机器学习的高分辨率遥感影像集装箱区域检测方法。该方法可分为四个部分:1)首先对输入图像进行主直线分析,提取影像关键结构信息,过滤冗余信息;2)在主直线分析的基础上抽样选取训练样本;3)计算训练样本的HOG特征并进行SVM分类模型训练;4)利用训练好的SVM分类模型对遥感影像进行分类;
第一部分:对遥感影像主直线分析,包括如下步骤:
(1)选取待分析影像的红、绿、蓝3个波段的遥感影像作为分析输入。
(2)对输入影像作主直线提取。
(3)二值化主直线提取后的遥感影像得到第一部分的输出。
图2中,A为集装箱待检测区域的灰度示意图;经过主直线提取并进行二值化后得到图像B。主直线提取的方法可采用参考文献[Gioi R G V,Jakubowicz J,Morel J M,etal.LSD:A line segment detector[J].Image Processing on Line,2012,2(4):35-55]中记载。
本方法直接对遥感影像进行主直线提取,即提取了影像的关键结构信息,又过滤掉了冗余信息,符合集装箱区域自身在图像中的特点,以使得后期能有效识别集装箱区域。
第二部分,从第一部分处理后的图像中选取训练样本。
(1)正负样本个数比例保持1:1。
(2)正负样本大小保持一致,皆为64×64像素大小。
(3)正样本选取主直线提取后结构信息丰富且稳定的区块。负样本选取缺少结构信息,或者结构信息不存在规律,呈现紊乱的区块。例如图2中,图像C中的上面两张是正样本,下面两张是负样本。
第三部分,计算正负训练样本的HOG特征向量:
(1)将每个样本在64×64的图像块上滑窗计算;
(2)将每一个像素点的HOG特征级联得到图像块的特征;
(3)每一图像块的特征维度为1870维。
然后进行SVM分类模型训练。SVM分类模型的输入时正负样本的HOG特征向量,输出是对应像素位置局部窗口(64x64)是否是集装箱区域的判定。本发明设置64×64窗口对图像进行处理,经验证,处理速度快且具有较高的识别率。
第四部分,利用训练好的SVM分类模型对遥感影像进行分类,步骤如下:
(1)针对待检测遥感影像,首先进行主直线提取。
(2)二值化上一步中所得的主直线图。
(3)将影像按照64×64大小的图像块分区。
(4)在分区后的影像上进行滑窗检测,计算HOG特征并利用SVM分类模型进行分类检测。
本发明利用训练好的SVM分类模型直接对遥感影像进行分类,实现快捷且最后能有效识别出集装箱区域。
传统针对遥感影像的分类问题,都是基于像素灰度信息直接进行分类模型的训练与预测,而本发明针对集装箱区域检测的问题,首先对遥感影像进行直线提取,然后利用主直线图作为输入数据,再分块进行SVM分类训练与判别,最后对判别结果整合处理,实现了对集装箱区域的快捷、有效的检测,且识别率高。
如图3所示,利用本发明方法对某遥感影像识别集装箱区域,识别的区域用黑色框框出,可见,本发明方法能快捷有效地检测出遥感影像中的集装箱区域。
Claims (5)
1.一种基于机器学习的高分辨率遥感影像中集装箱区域检测方法,其特征在于,包括:
步骤1,对遥感影像进行主直线提取,并二值化主直线提取后的遥感影像;
步骤2,从步骤1处理后的遥感影像中选取训练样本,其中,正负样本的大小一致,个数比例保持为1:1;
步骤3,计算各训练样本的HOG特征向量,然后进行SVM分类模型训练;SVM分类模型的输入是正负样本的HOG特征向量,输出是否是集装箱区域的判定结果;其中,HOG为方向梯度直方图,SVM为支持向量机;
步骤4,利用训练好的SVM分类模型对遥感影像进行分类,检测集装箱区域。
2.根据权利要求1所述的方法,其特征在于,所述的步骤2中,选取主直线提取后结构信息丰富且稳定的区块为正样本,选取主直线提取后缺少结构信息火结构信息紊乱的区块为负样本。
3.根据权利要求1所述的方法,其特征在于,所述的步骤2中,选取的正负样本均为64×64像素的图像。
4.根据权利要求1或3所述的方法,其特征在于,所述的步骤3中,将每个样本在64×64的图像块上滑窗计算,将每一个像素点的HOG特征级联得到样本的特征。
5.根据权利要求1或3所述的方法,其特征在于,所述的步骤4中,对待检测的遥感影像,首先进行主直线提取并二值化,然后将处理后的图像按照设定大小分区,对各图像块进行滑窗检测,计算HOG特征,然后利用训练好的SVM分类模型检测是否是集装箱区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055195.8A CN108334823A (zh) | 2018-01-19 | 2018-01-19 | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055195.8A CN108334823A (zh) | 2018-01-19 | 2018-01-19 | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334823A true CN108334823A (zh) | 2018-07-27 |
Family
ID=62925270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810055195.8A Pending CN108334823A (zh) | 2018-01-19 | 2018-01-19 | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334823A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN113538455A (zh) * | 2021-06-15 | 2021-10-22 | 聚好看科技股份有限公司 | 三维发型匹配方法及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170294027A1 (en) * | 2016-04-08 | 2017-10-12 | Orbital Insight, Inc. | Remote determination of quantity stored in containers in geographical region |
-
2018
- 2018-01-19 CN CN201810055195.8A patent/CN108334823A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170294027A1 (en) * | 2016-04-08 | 2017-10-12 | Orbital Insight, Inc. | Remote determination of quantity stored in containers in geographical region |
Non-Patent Citations (2)
Title |
---|
CAMPOS-TABERNER M,ET AL: "《Processing of extremely high-resolution Lidar and RGB data: outcome of the 2015 IEEE GRSS data fusion contest–part a: 2-D contest》", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
牛新 等: "《基于深度学习的光学遥感机场与飞行器目标识别技术》", 《大数据》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109410190B (zh) * | 2018-10-15 | 2022-04-29 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN113538455A (zh) * | 2021-06-15 | 2021-10-22 | 聚好看科技股份有限公司 | 三维发型匹配方法及电子设备 |
CN113538455B (zh) * | 2021-06-15 | 2023-12-12 | 聚好看科技股份有限公司 | 三维发型匹配方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN110008877A (zh) | 一种基于Faster RCNN的变电站隔离开关检测识别方法 | |
CN102749034B (zh) | 基于图像处理的铁路道岔缺口偏移量检测方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN105095837A (zh) | 一种台标识别方法和系统 | |
CN108334823A (zh) | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 | |
CN113076860B (zh) | 一种野外场景下的鸟类检测系统 | |
CN109165592B (zh) | 一种基于pico算法的实时可旋转的人脸检测方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN113160209A (zh) | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 | |
CN108596262A (zh) | 一种基于计算机视觉进行植物病斑分类的方法及系统 | |
CN108563997A (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |