CN110969128A - 一种基于多特征融合的海面背景下红外船舰的检测方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的海面背景下红外船舰的检测方法。其方法步骤主要包括：步骤1.获取待处理的红外图像R'(x,y)，并对图像R'(x,y)进行图像预处理，得到待检测完成预处理图像R(x,y)；步骤2.对图像R(x,y)进行Gist特征提取；步骤3.对图像R(x,y)进行HOG特征提取；步骤4.进行目标检测的KSH训练步骤；步骤5.进行目标检测的KSH测试步骤；步骤6.通过计算训练集和测试集里的Hash编码之间的汉明距离，即可判断海上船舰的检测，完成目标检测。利用多特征融合技术解决了通过单一特征提取算法的效率低下以及检测目标数据出现偏差的问题，提高了检测的准确率。

Description

一种基于多特征融合的海面背景下红外船舰的检测方法

技术领域

本发明涉及图像检测领域，具体涉及一种基于多特征融合的海面背景下红外船舰的检测方法。

背景技术

红外图像在军事方面具有极为广泛的应用，在各国海军所研究的重点项目里，海面背景下红外舰船目标的检测占据显著地研究地位。由于海面上船舰红外图像的检测有众多复杂背景以及不确定因素，对检测精度和虚警概率产生一定的影响，由此对于红外图像里目标的特征提取成为研究的热点，针对海面红外图像这一复杂背景提取船舰特征也是该领域研究范围之一。

目前，大多数红外图像海面船舰的目标检测通常采用的对采集得到的红外图像进行相应预处理，并对所处理得到的图像进行背景抑制和噪声削减以达到起伏和增强目标信号的双重目的，通过单一特征处理算法进行相应目标特征识别，从而达到目标船舰识别效果。

然而，利用单一特征提取算法提取目标船舰特征进行目标识别，其效率较为低下，目标检测的质量也较有偏差，亦或出现目标识别错误显现，从而影响军事数据提取。

发明内容

本发明的目的在于：为了解决通过单一特征提取算法的效率低下以及检测目标数据出现偏差的问题，提供了一种基于多特征融合的海面背景下红外船舰的检测方法。

为了解决上述技术问题，本发明采用的技术方案如下：

一种基于多特征融合的海面背景下红外船舰的目标检测方法，包括以下步骤：

步骤1.获取待处理的红外图像R'(x,y)，并对图像R'(x,y)进行图像预处理，主要包括以下部分：图像降噪处理、图像对比度增强、滑窗操作提取ROI区域，得到待检测完成预处理图像R(x,y)。

步骤2.对图像R(x,y)进行Gist特征提取，主要是对图像目标进行边缘信息和纹理信息较为敏感，通过搭建多个方向与多个尺度的Gabor滤波器，运用卷积和级联运算，形成相对应的Gist特征描述符，从而完成Gist特征提取。

进一步的，Gist特征提取首先构建二维Gabor滤波器，计算公式如下：

其中，式(1)中(x,y)表示图像R(x,y)中元素坐标，σ_x,σ_y表示x和y方向的高斯因子方差，f₀表示Gabor滤波器中心频率，

表示为谐波因子相位差。

进一步的，对所构建的二维Gabor滤波器搭建相应目标Gabor滤波器组，计算公式如下：

其中，式(2)中a^-m表示为小波尺寸变化系数，θ表示为旋转变换的角度因子，n表示为目标Gabor滤波器组尺寸度数，m表示为目标Gabor滤波器组的方向数。

进一步的，将Gabor滤波器组与输入目标区域进行卷积并级联，从而形成Gist特征提取描述符，计算公式如下：

进一步的，在实际应用于红外图像时，应将图片分为n×n个图像块，设其大小为r×c，将其中一个图像块i结合Gabor滤波器组g_mn(x,y)生成Gist特征描述符G_i，以此类推，将所有图像块的特征描述组合成一个向量集

并对该向量集进行均值化生成

并按照次序级联，得到全局Gist描述符G^G。

步骤3.对图像R(x,y)进行HOG特征提取，主要是对图像进行横纵坐标的方向梯度进行计算，并据此计算每个像素位置的梯度值。将图像像素分成小像素，比如：3*3cell，通过统计每个cell的梯度直方图，并将每n个cell组成一个block，其中n个cell的特征描述串联组合，即为该block的特征描述，图像内所有block的特征描述串联组合，即为待检测目标的HOG特征描述。

进一步的，将所输入的红外图像进行灰度化处理，并利用Gamma压缩处理进行图像归一化操作，计算公式如下：

R(x,y)＝R(x,y)^gamma (4)

进一步的，计算图像x轴和y轴方向梯度，并求取相应的梯度模值和方向，计算公式如下：

进一步的，将图像像素分成小像素，比如：3*3cell，通过统计每个cell的梯度直方图，并将每n个cell组成一个block，其中n个cell的特征描述串联组合，即为该block的特征描述，图像内所有block的特征描述串联组合，即为待检测目标的HOG特征描述。

步骤4.进行目标检测的训练步骤，对现有目标图像库中选择一定数量的图像重复上述步骤，得到相应的特征提取向量作为训练集，并对其通过多特征核Hash算法进行融合，形成一个Kernel Space，之后设定一个目标函数进行KSH学习，训练该算法的编码精度，从而得到一个Hash编码训练集。

步骤4.1.对于KSH学习，首先进行Hash的生成，对随机选取的M个样本构造一个预测函数f(x)，并对该预测函数进行符号函数的运算，最终形成Hash函数，公式如下：

步骤4.2.对于KSH学习，之后进行目标函数的构造，计算公式如下：

其中，l表示为监督信息中样本数目，r表示为哈希编码位数，s表示为监督信息矩阵，H_l表示为l×r的编码矩阵。

其中H_l每一行为原始数据集X_l的Hash编码，设相应变量

A＝[a₁,L,a_r]∈R^m×r，并将带入目标函数，则得到:

步骤5.进行目标检测的测试步骤，将之前R(x,y)所得到的特征描述放入已经训练完成的Kernel Space并进行Hash编码，即二进制Hash码，从而得到一个Hash编码测试集。

步骤6.通过计算训练集和测试集里的Hash编码之间的汉明距离，即可判断海上船检的检测，完成目标检测。

附图说明

图1为本发明目标检测方法的流程图；

图2为本发明的KSH融合检测系统框架图；

图3为本发明红外图像图像处理过程图(一)；

图4为本发明红外图像图像处理过程图(二)；

图5为本发明的检测结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，提出相应具体实施方案，对本发明进一步详细说明。

一种基于多特征融合的海面背景下红外船舰的检测方法，其检测方法的流程图如图1所示，包括对船舰红外图像的预处理，图像目标多种特征提取，多特征融合，KSH学习训练，提取哈希码，汉明距离比对。

KSH检测系统结构图如图2所示，包括以下部分。

进行目标检测的训练步骤，对现有目标图像库中选择一定数量的图像重复上述步骤，得到相应的特征提取向量作为训练集，并对其通过多特征核Hash算法进行融合，形成一个Kernel Space，之后设定一个目标函数进行KSH学习，训练该算法的编码精度，从而得到一个Hash编码训练集。

对于KSH学习，首先进行Hash的生成，对随机选取的M个样本构造一个预测函数f(x)，并对该预测函数进行符号函数的运算，最终形成Hash函数，公式如下：

h(x)＝sgn(f(x))

对于KSH学习，之后进行目标函数的构造，计算公式如下：

其中，l表示为监督信息中样本数目，r表示为哈希编码位数，s表示为监督信息矩阵，H_l表示为l×r的编码矩阵。

其中H_l每一行为原始数据集X_l的Hash编码，设相应变量

A＝[a₁,L,a_r]∈R^m×r，并将带入目标函数，则得到:

进行目标检测的测试步骤，将之前R(x,y)所得到的特征描述放入已经训练完成的Kernel Space并进行Hash编码，即二进制Hash码，从而得到一个Hash编码测试集。

通过计算训练集和测试集里的Hash编码之间的汉明距离，即可判断海上船检的检测，完成目标检测。

在实施以上方案的前提是对原有红外图像进行相应预处理，为后期特征提取提供更加准确的结果，主要包括：获取待处理的红外图像R'(x,y)，并对图像R'(x,y)进行图像预处理，主要包括以下部分：图像降噪处理、图像对比度增强、滑窗操作提取ROI区域，得到待检测完成预处理图像R(x,y)；图3包括图像预处理部分。

Claims (6)

1.一种海面背景下红外船舰的目标检测方法，其特征在于采用多特征融合技术进行目标检测。

2.根据权利要求书1所述的多特征融合目标检测方法，其特征在于，包括以下步骤：步骤1.获取待处理的红外图像R'(x,y)，并对图像R'(x,y)进行图像预处理，得到待检测完成预处理图像R(x,y)；步骤2.对图像R(x,y)进行Gist特征提取；步骤3.对图像R(x,y)进行HOG特征提取；步骤4.进行目标检测的训练步骤；步骤5.进行目标检测的测试步骤；步骤6.通过计算训练集和测试集里的Hash编码之间的汉明距离，即可判断海上船检的检测，完成目标检测。

3.根据权利要求书2所述的红外图像预处理，主要包括：图像降噪处理、图像对比度增强、滑窗操作提取ROI区域。

4.根据权利要求书2所述的对图像R(x,y)进行Gist特征提取，其特征在于，主要是对图像目标进行边缘信息和纹理信息较为敏感，通过搭建多个方向与多个尺度的Gabor滤波器，运用卷积和级联运算，形成相对应的Gist特征描述符，从而完成Gist特征提取。

(1)Gist特征提取首先构建二维Gabor滤波器，计算公式如下：

(2)对构建的滤波器搭建目标Gabor滤波器组，计算公式如下：

g_mn(x,y)＝a^-mg(x',y'),a＞1

x'＝a^-m(xcosθ+ysinθ)

y'＝a^-m(-xsinθ+ycosθ)

(3)将Gabor滤波器组与输入目标区域进行卷积并级联，从而形成Gist特征提取描述符，计算公式如下：

(4)在实际应用于红外图像时，应将图片分为n×n个图像块，设其大小为r×c，将其中一个图像块i结合Gabor滤波器组g_mn(x,y)生成Gist特征描述符G_i，以此类推，将所有图像块的特征描述组合成一个向量集

并对该向量集进行均值化生成

并按照次序级联，得到全局Gist描述符G^G。

5.根据权利要求书2所述的对图像R(x,y)进行HOG特征提取，其特征在于，主要是对图像进行横纵坐标的方向梯度进行计算，并据此计算每个像素位置的梯度值。

(1)将所输入的红外图像进行灰度化处理，并利用Gamma压缩处理进行图像归一化操作，计算公式如下：

R(x,y)＝R(x,y)^gamma

(2)计算图像两轴方向梯度、梯度模值和方向，计算公式如下：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

(3)将图像像素分成小像素，通过统计每个cell的梯度直方图，并将每n个cell组成一个block，其中n个cell的特征描述串联组合，即为该block的特征描述，图像内所有block的特征描述串联组合，即为待检测目标的HOG特征描述。

6.根据权利要求书2所述的对进行目标检测的训练步骤，其特征在于，对现有目标图像库中选择一定数量的图像重复上述步骤，得到相应的特征提取向量作为训练集，并对其通过多特征核Hash算法进行融合，形成一个Kernel Space，之后设定一个目标函数进行KSH学习，训练该算法的编码精度，从而得到一个Hash编码训练集。

对于KSH学习，首先进行Hash的生成，对随机选取的M个样本构造一个预测函数f(x)，并对该预测函数进行符号函数的运算，最终形成Hash函数，公式如下：

h(x)＝sgn(f(x))

对于KSH学习，之后进行目标函数的构造，计算公式如下：

Images