CN112418057A - 一种基于多光谱的地面伤员识别方法及系统 - Google Patents
一种基于多光谱的地面伤员识别方法及系统 Download PDFInfo
- Publication number
- CN112418057A CN112418057A CN202011300276.3A CN202011300276A CN112418057A CN 112418057 A CN112418057 A CN 112418057A CN 202011300276 A CN202011300276 A CN 202011300276A CN 112418057 A CN112418057 A CN 112418057A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- spectral
- acquisition
- band
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 91
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000003066 decision tree Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000002310 reflectometry Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种基于多光谱的地面伤员识别方法及系统；该方法可以包括：根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；利用所述目标谱段采集针对目标环境的单波段图像；将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
Description
技术领域
本发明实施例涉及搜索救援技术领域，尤其涉及一种基于多光谱的地面伤员识别方法及系统。
背景技术
当前，战场环境下的伤员搜救技术通常采用无人机搭载RGB高清相机结合热红外成像仪进行低空搜寻，但是在战场环境下，作战人员均处于伪装条件，比如身着迷彩服等，仅依靠机载视觉很难发现伤员；此外，热红外成像技术分辨率较差，受环境温度影响较大，通常在战场上热源较多、环境温度大于30℃，较易造成误检，无法准确地检测到人体的热信号。
发明内容
有鉴于此，本发明实施例期望提供一种基于多光谱的地面伤员识别方法及系统；能够提高分辨率和识别准确率，降低伤员识别的环境依赖度。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种基于多光谱的地面伤员识别方法，所述方法包括：
根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
利用所述目标谱段采集针对目标环境的单波段图像；
将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
第二方面，本发明实施例提供了一种基于多光谱的地面伤员识别系统，所述系统包括：第一采集部分、筛选部分、第二采集部分、图像处理部分、目标伤员识别部分；其中，
所述第一采集部分，包括地物光谱仪，经配置为对存在测试目标的测试区域进行高光谱数据采集，获得高光谱数据；
所述筛选部分，经配置为根据所述高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
所述第二采集部分，包括符合所述目标谱段要求的多光谱相机，所述经配置为利用所述目标谱段采集针对目标环境的单波段图像；
所述图像处理部分，经配置为将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
所述目标伤员识别部分，经配置为根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
本发明实施例提供了一种基于多光谱的地面伤员识别方法及系统；利用选定的目标谱段进行多光谱数据采集，并将采集到的多光谱数据利用光谱特征构建的决策树进行识别，相较于当前采用可见光和红外热成像技术进行伤员识别时所存在的分辨率差、干扰强的问题，提高了伤员识别的分辨率以及抗干扰能力；并且相较于高光谱数据采集方案，降低了需要进行数据处理的数据体量，提升了数据处理速度和数据处理的实时性。
附图说明
图1为本发明实施例提供的一种基于多光谱的地面伤员识别方法流程示意图；
图2为本发明实施例提供的采集高度对应的草地的光谱强度示意图；
图3为本发明实施例提供的采集角度对应的草地的光谱强度示意图；
图4为本发明实施例提供的迷彩服与绿色植被光谱曲线示意图；
图5为本发明实施例提供的针对可见光图像的目视识别效果图；
图6为本发明实施例提供的基于多光谱的地面伤员识别方法的识别效果示意图；
图7为本发明实施例提供的一种基于多光谱的地面伤员识别系统组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
战场环境中必定会出现大量的伤员，而伤员搜救工作不仅是以人为本的重要体现，更是战时战斗力的重要保障。根据现有研究内容表明，陆地各种伤员受伤后因未被及时发现而死亡的占死亡总数的76.2％；而快速找寻到伤员，可使伤员死亡率降低2/3。然而，通往搜救现场的道路通常已被毁坏，且存在环境复杂危险、搜索范围大、人员分布不确定、人员特征不明显等不利情况，并且救护人员数量有限，采用传统的伤员搜救方案已经无法快速并准确搜索到受伤人员。因此，快速有效地搜寻伤员不仅成为应急医学救援面临的首要问题，而且也是降低失踪、死亡率的首要因素。
从技术发展特征和使用方式来看，伤员搜寻技术可分为约束式方案和无约束式方案两种。以约束式方案为例，需要战斗人员携带有穿戴式救生设备，但是目前穿戴式救生装备主要存在增加身体载荷、设备使用不便、电磁兼容产生不确定性等问题，降低了战斗人员的战斗力。所以，无约束式方案成为了重要发展的伤员搜寻技术，利用人体生命特征进行搜索可以减轻伤员负担。目前相关的无约束式搜寻技术主要采用无人机搭载RGB高清相机和热红外成像仪进行低空搜寻，但在战场环境下，作战人员都处于伪装条件，仅凭RGB高清相机所采集的照片依靠机载视觉很难发现伤员；此外，热红外成像技术分辨率较差，受环境温度影响较大，通常战场上热源较多、环境温度较容易就会大于30℃，由此会使得热红外成像技术无法检测到人体热信号。为了避免目前相关无约束式搜寻技术存在的问题及不足，本发明实施例期望利用多光谱目标识别技术所具备的抗伪装、抗干扰性、实时性强等优点，将其应用于战场伤员搜寻。
对于光谱技术来说，其将成像信息从可见光波段拓展到300至1100纳米nm波段之间，通过目标与背景光谱特性曲线之间的差别，利用提取特征将目标从背景中识别出来。对于光谱成像仪来说，根据分辨率的不同，可分为高光谱和多光谱，其中，高光谱数据体量大、冗余度高，包含的信息丰富，但是需要的探测器数量也更多，导致数据处理的实时性变差；而多光谱一般选择其中4至10个特征光谱进行数据处理并识别目标，降低了数据量，提升了数据处理的实时性。
参见图1，其示出了本发明实施例提供的一种基于多光谱的地面伤员识别方法，该方法可以包括：
S101：根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
S102：利用所述目标谱段采集针对目标环境的单波段图像；
S103：将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
S104：根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
通过图1所示的技术方案，利用选定的目标谱段进行多光谱数据采集，并将采集到的多光谱数据利用光谱特征构建的决策树进行识别，相较于当前采用可见光和红外热成像技术进行伤员识别时所存在的分辨率差、干扰强的问题，提高了伤员识别的分辨率以及抗干扰能力；并且相较于高光谱数据采集方案，降低了需要进行数据处理的数据体量，提升了数据处理速度和数据处理的实时性。
对于图1所示的技术方案，需要说明的是，光谱特性曲线不仅与测试对象自身特性有关，而且受外部环境和数据采集方法的影响，所以，为更好的反映测试对象的自身特性曲线，在针对存在测试目标的测试区域进行高光谱数据采集之前，需要通过测试实验对采集的外部条件进行设定，基于此，在一些示例中，所述根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段之前，所述方法还包括：
根据预先执行的采集因素对于光谱强度的影响测试，确定针对所述测试区域进行高光谱数据采集的采集条件。
具体来说，在本发明实施中，采集条件优选包括采集高度以及采集角度。在上述示例中，进行测试实验时，试验器具优选为ATP9100便携式地物光谱仪。该仪器进行测试实验的参数设置为：积分时间为自动、采集设置多次检测：检测次数3、扫描次数1。在不同外部环境及采集因素条件下进行测量之前需进行暗电流校正，排除当前环境下仪器自身电流对数据的影响。
首先，为排除不同高度对光谱强度曲线的影响，可以在光线较强时段，比如11:00至14:00采用垂直方向分别在20cm、50cm及1m高度对以草地为例的测试区域进行光谱强度测试，每组测试时间不超过10分钟。不同采集高度对应的草地的光谱强度如图2所示，可以看出，三个高度对应的光谱强度曲线几乎重合，只在550nm至700nm波段有少许差异，因此，可以将该波段以50nm为一组，分成3组，每组125个数据。对同一波段下不同高度测量的3组数据进行单因素方差分析，检验水平P值依次为0.6467、0.7103、0.9354。由于P＞0.05，可以表明：采集高度对光谱强度影响无显著性差异。
接着，为排除不同角度对光谱强度曲线的影响，在光线较强时段，比如11:00至14:00时段，将采集高度固定为50cm，分别采用50°、70°、90°探头倾角对草地进行数据采集以进行光谱强度测试，每组测试时间不超过10分钟。不同采集角度对应的草地的光谱强度如图3所示，可以看出，三条曲线在400nm至700nm波段差异较明显，因此，将该波段以50nm为一组，分成6组，每组125个数据。对同一波段下不同角度测量的3组数据进行单因素方差分析，结果如表1所示：
表1
| 波段 | F值 | P值 |
| 400nm～450nm | 88.83 | ＜0.05 |
| 450nm～500nm | 28.12 | ＜0.05 |
| 500nm～550nm | 0.85 | 0.4286 |
| 550nm～600nm | 6.55 | 0.0016＜0.05 |
| 600nm～650nm | 6.77 | 0.0013＜0.05 |
| 650nm～700nm | 2.13 | 0.1202 |
通过表1的数据可以表明，采集角度对光谱强度影响较大，有显著性差异。
基于上述两项测试，可以确定采集高度无需特殊设定，而采集角度则设定为90°。
基于上述示例确定的采集条件，在一些示例中，所述根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段，包括：
当所述测试区域中存在测试识别目标时，基于所述采集条件对存在所述测试识别目标的所述测试区域进行高光谱数据采集，获得高光谱数据的光谱曲线；
根据所述高光谱数据的光谱曲线的特征信息筛选多个所述目标谱段。
需要说明的是，在确定完成采集条件后，就可以进行上述示例所阐述的目标谱段的筛选过程，具体来说，测试区域仍旧为草地，将铺设在草地上的不同类型迷彩服视作伤员作为测试识别目标，详细来说，迷彩服类型包括林地迷彩、城市迷彩和荒漠迷彩。在光线较强时段，即11:00至14:00，采用50cm高度、垂直方向进行数据采集，每组数据采集控制在10分钟以内。在实施过程中发现云层遮蔽等环境因素引起的光线变化对光谱强度影响较大。由于反射率＝目标光谱强度/白板光谱强度，并且白板光谱强度与目标光谱强度均受到外部环境影响，所以采用反射率可较好地反映测试区域的特性曲线，降低天气等环境变化对光谱曲线的影响。为进一步降低影响，尽量选择晴天无云的环境进行测量，每隔半小时校对一次暗电流和参考光谱。基于以上测试条件，可以获得迷彩服与绿色植被光谱曲线如图4所示，该光谱曲线为光谱反射率曲线，由图4可知，林地迷彩与荒漠迷彩反射率相似，城市迷彩反射率略高于林地与荒漠迷彩。在400nm至500nm波段，各迷彩服与绿色植被光谱曲线走势一致，反射率较低且难以区分，但是在此波段范围内纹理信息较为丰富，可作为辅助识别的有效手段之一；550nm至560nm波段，绿色植被光谱曲线出现一个由植被叶绿素引起的反射峰，反射率远大于各种迷彩服；660nm至690nm波段，绿色植被对光的反射率较低有一个吸收峰，各迷彩服反射率较高；710nm处绿色植被反射率急剧上升迅速达到顶峰，出现高反射率平台一直持续到880nm处，此波段迷彩服与绿色植被对比度高，特征明显，可作为特征识别；940nm处绿色植被由于水分原因又出现一个低于迷彩服反射率的吸收峰。通过以上分析可以确定目标谱段为蓝波段、绿波段、红波段、红边波段、近红外波段，如下表2所示。
表2
在获得目标谱段之后，就可以将其应用于真实环境下的多光谱数据采集，在一些示例中，所述利用所述目标谱段采集针对目标环境的单波段图像，包括：
每次针对每个所述目标谱段均采集一张针对所述目标环境的单波段图像。
对于上述示例，具体来说，由于目标谱段如表2所示，因此，可以基于该目标谱段选择合适的多光谱相机，本发明实施例优选为无人机搭载MS600型通用多光谱相机，可实现6个通道光谱图像数据的同步获取，重量仅170g，具体包括相机主机、下行光传感器(DLS，Downwelling Light Sensor)、GPS模块，能够通过灰板辐射定标获得精确反射率数据。
基于上述示例，每次采集时，各目标谱段均对应采集一张单波段图像，在从这些单波段图像中确定识别目标之前，需要进行相应的图像处理过程，因此，所述将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像，包括：
将每次采集到的多个与目标谱段对应的单波段图像合成为单次采集获得的单幅光谱强度数据文件；
将多次采集获得的多幅光谱强度数据文件拼接为所述目标环境的全景图像；
对所述目标环境的全景图像按照设定的灰板进行定标，获得待识别图像。
具体来说，上述三个步骤在实施过程中可以分别认为是图像配准、图形拼接以及辐射标定步骤。详细来说，对于图像配准步骤，由于MS600相机每次曝光可生成6幅个目标谱段对应的单波段图像，此步骤主要是将此6幅单波段图像合成一幅TIFF格式的光谱强度数据文件，合成后每个像素点对应的是一串由6个元素组成的光谱强度数组，为后续的图像拼接步骤做准备。在具体实施过程中，首先可以选择5至10组具有代表性图像，比如选择无人机正常飞行中的连续影像，避开大面积水体及高层楼顶，由于地物高度差较大会致使拼接算法在选取特征点异常从而出现“拉花”现象，导致此处的光谱不能反映相应地物的真实反射率，误导识别算法；接着，根据相机参数设置，比如像元大小、焦距、校验模型Brown等，完成内定向，此步骤还可对获取的多光谱影像进行降噪处理，检验图像的完整性，并计算出每个像素点对应的GPS坐标信息；然后进行空中三角测量自动转点，选取特征点，从而使得在图像拼接步骤时将临近图像间的特征点一一对应即可完成图像拼接，匹配完成后会自动进行像点精化，删除粗差点。输出包含航高等信息的虚拟相机参数，根据虚拟相机参数对多光谱影像中不同光谱通道的图像进行波段配准，从而生成6合1的TIFF格式光谱强度_Multi数据文件。
对于图形拼接步骤，由于无人机(UAV，Unmanned Aerial Vehicle)飞行高度低，摄像机视场角度小等原因，造成单幅图像覆盖面积小，需采集多幅图像进行拼接，获取全景图像。在实施过程中，首先，根据相机参数设置功能完成内定向，结合航空平台的飞行参数、POS信息、GPS信息以及多光谱相机视场、焦距、探测器像元数等参数，通过计算得到多光谱影像像元级的地理坐标信息；接着，在拼接前需在点位布局图中删除起飞及降落时的影像，不同航高的图像在同一参数下拼接会造成图像扭曲变形；然后进行空中三角测量、概略数字地表模型(DSM，Digital Surface Model)、单片正射影像、镶嵌正射影像，根据数字正射影像图(DOM，Digital Orthophoto Map)空间分辨率，即地面分辨率和格网间距(一般为地面分辨率的10倍)，生成拼接图像。拼接完成后可利用DOM产品下的影像修剪工具将结果裁剪成规则图形，也可利用选区编辑工具对局部变形或色彩不均地区进行影像修补，若测试区域地物存在变形，可通过选取编辑更换局部影像。
对于辐射标定步骤，对拼接后的单幅影像进行辐射定标，因标定的灰板图像为16bit TIFF格式，设定相机捕获原始数据格式也设置为16bit TIFF格式。拍摄灰板时高度一般在50至80cm，拍摄时还需要注意避开阴影遮挡，确保灰板占图像面积的一半以上，以便于灰板的自动识别。灰板拍摄时需拍3～5次，因拍摄灰板时影像更新速率为每秒2帧，调节时间较长，一般前两组图像受过曝影响不可用。为减少环境因素影响，每次采集数据前后，都需进行灰板拍摄。进行辐射定标时依次添加灰板原始图像，灰板的识别可使用自动识别，成像背景复杂时也可借助手动选取标定板范围，灰板识别成功后通常会在文件夹下产生一个_MASK文件。通过辐射校正，可以将多光谱影像的灰度值，比如像元亮度值(DN，DigitalNumber)值，转换为目标区域的反射率值，处理结束后生成16bit TIFF格式6合1反射率数据。DN值在0～65535之间，反射率在0～1之间。
通过上述示例及其具体阐述，将采集到的单波段图像通过图像配准、图形拼接以及辐射标定步骤进行图像处理之后，就得到需进行目标伤员识别的待识别图像；对于待识别图像，在一些示例中，所述根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员，包括：
基于多个目标谱段之间的相关运算构建针对所述目标伤员的敏感光谱指数；
结合所述敏感光谱指数以及设定的辅助特征参数构建决策树模型并设置判定阈值；
根据所述决策树模型以及所述判定阈值，从所述待识别图像中识别处于所述目标环境中的目标伤员。
对于上述示例，具体来说，可以将待识别图像输入设定的目标识别模型，进行自动化识别与定位。详细来说，为克服单波段筛选的盲目性，可通过波段间的相关运算，构建敏感光谱指数以增强目标差异，最终构建目标识别模型进行目标伤员提取。举例来说，可以为不同波段的反射率赋予不同的加权值，从而能够放大地物差异，并根据设定的公式计算形成光谱指数；利用基于灰度共生矩阵的纹理计算作为辅助特征参数，协助剔除反射率无法区分的特征，如形状、纹理特征等。最终，以光谱指数、纹理辅助特征等参数为子节点构建决策树，设置合理阈值，当待识别图像输入至该决策树时，就可以所述待识别图像中识别处于所述目标环境中的目标伤员。
为了直观的验证本发明实施例所提供的基于多光谱的地面伤员识别方法的优势和效果，以下通过具体实验进行对比。实验设备为：(1)ATP9100便携式地物光谱仪，波长范围300～1100nm，2048像素CCD探测器，可测量辐照度、光谱强度、反射率、吸光度，光谱分辨率1.4nm，波长精度0.5nm，信噪比＞800；(2)M100四旋翼无人机，自重2355g，最大起飞重量3600g，可搭载有效载荷1245g，最大航行速度22m/s，最大可承受风速10m/s，悬停精度垂直方向0.5m、水平方向2.5m，最大通信距离5km，负载1kg时可悬停13min；(3)MS600型通用多光谱相机，可实现6个通道光谱图像数据的同步获取，重量仅170g，包括相机主机、DLS、GPS模块，通过灰板辐射定标可获得精确反射率数据；(4)禅思Zenmuse X3云台相机，Sony ExmorR CMOS影像传感器，CMOS尺寸为1/2.3英寸(6.17mm×4.55mm)，焦距3.57mm，图像尺寸4096×2160，分辨率可达1200万有效像素。其中，MS600型通用多光谱相机用于采集多光谱图像数据，禅思Zenmuse X3云台相机用于采集可见光图像数据。
实验的环境为草地环境，该环境优选为足球场，面积为90m×120m，该环境以黄绿相间草地为主；铺设在草地上的林地迷彩服视作伤员作为测试识别目标。采集时间段为10：30至14：30之间，采集环境天气晴，微风。
实验方式具体为：M100四旋翼无人机飞行高度100m，此时多光谱相机MS600地面分辨率为6.25cm、幅宽80m×60m。为方便拼接，采用自动捕获模式重叠率触发，航向重叠度80％，旁向重叠度75％，MS600相机最快捕获图像速度1.5s/次，则M100最快航行速度为8m/s，最快6s可完成多光谱图像捕获。在无人机爬升阶段分别在20m、50m、100m高度处使用X3云台相机对目标区域进行拍摄以完成可见光图像捕获进行目标识别。
图5为禅思Zenmuse X3云台相机分别在20m、50m、100m高度处拍摄的可见光图像，通过对可见光图像进行可视化分析可以得知：林地迷彩伪装人员在草地背景下的隐藏性较好，目视识别效果不理想。
图6为通过前述技术方案进行目标伤员的识别效果图，基于前述技术方案及其示例和具体阐述内容，通过实验分析找到合理的用于进行伪装识别特征波段，结合筛选的指数，构建决策树算法，设置合理阈值，可进行伪装目标的有效提取，最后对结果进行小斑块去除及孔洞填充，可提高识别精度。如图6所示，图中十字标记处即为自动识别目标位置。由于每张图片都自带GPS定位信息，标定位置为图像的中心点GPS位置，再根据地面分辨率每个像元的尺寸可算得每个像素点的GPS定位信息。前述技术方案所提供的识别方法能够有效提取迷彩伪装人员所在位置。此外，对于无法避免的误识别在具体实施过程中也可利用热红外技术进一步筛选，弥补误识别的缺陷。
基于前述技术方案相同的发明构思，参见图7，其示出了本发明实施例提供的一种基于多光谱的地面伤员识别系统70，所述系统70包括：第一采集部分701、筛选部分702、第二采集部分703、图像处理部分704、目标伤员识别部分705；其中，
所述第一采集部分701，包括地物光谱仪，经配置为对存在测试目标的测试区域进行高光谱数据采集，获得高光谱数据；
所述筛选部分702，经配置为根据所述高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
所述第二采集部分703，包括符合所述目标谱段要求的多光谱相机，所述经配置为利用所述目标谱段采集针对目标环境的单波段图像；
所述图像处理部分704，经配置为将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
所述目标伤员识别部分705，经配置为根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
在一些示例中，所述第一采集部分701，还经配置为根据预先执行的采集因素对于光谱强度的影响测试，确定针对所述测试区域进行高光谱数据采集的采集条件。
在一些示例中，所述第二采集部分703，经配置为每次针对每个所述目标谱段均采集一张针对所述目标环境的单波段图像。
在一些示例中，所述图像处理部分704，经配置为：
将每次采集到的多个与目标谱段对应的单波段图像合成为单次采集获得的单幅光谱强度数据文件；
将多次采集获得的多幅光谱强度数据文件拼接为所述目标环境的全景图像；
对所述目标环境的全景图像按照设定的灰板进行定标，获得待识别图像。
在一些示例中，所述目标伤员识别部分705，经配置为：
基于多个目标谱段之间的相关运算构建针对所述目标伤员的敏感光谱指数；
结合所述敏感光谱指数以及设定的辅助特征参数构建决策树模型并设置判定阈值；
根据所述决策树模型以及所述判定阈值，从所述待识别图像中识别处于所述目标环境中的目标伤员。
需要说明的是，上述系统70中的各组成部分及其示例的具体阐述，参见前述技术方案中相应的步骤阐述，在此不再赘述。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于多光谱的地面伤员识别程序，所述基于多光谱的地面伤员识别程序被至少一个处理器执行时实现上述技术方案中所述基于多光谱的地面伤员识别方法步骤。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多光谱的地面伤员识别方法，其特征在于，所述方法包括：
根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
利用所述目标谱段采集针对目标环境的单波段图像；
将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
2.根据权利要求1所述的方法，其特征在于，所述根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段之前，所述方法还包括：
根据预先执行的采集因素对于光谱强度的影响测试，确定针对所述测试区域进行高光谱数据采集的采集条件。
3.根据权利要求2所述的方法，其特征在于，所述根据对存在测试目标的测试区域进行高光谱数据采集所获得的高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段，包括：
当所述测试区域中存在测试识别目标时，基于所述采集条件对存在所述测试识别目标的所述测试区域进行高光谱数据采集，获得高光谱数据的光谱曲线；
根据所述高光谱数据的光谱曲线的特征信息筛选多个所述目标谱段。
4.根据权利要求1所述的方法，其特征在于，所述利用所述目标谱段采集针对目标环境的单波段图像，包括：
每次针对每个所述目标谱段均采集一张针对所述目标环境的单波段图像。
5.根据权利要求4所述的方法，其特征在于，所述将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像，包括：
将每次采集到的多个与目标谱段对应的单波段图像合成为单次采集获得的单幅光谱强度数据文件；
将多次采集获得的多幅光谱强度数据文件拼接为所述目标环境的全景图像；
对所述目标环境的全景图像按照设定的灰板进行定标，获得待识别图像。
6.根据权利要求5所述的方法，其特征在于，所述根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员，包括：
基于多个目标谱段之间的相关运算构建针对所述目标伤员的敏感光谱指数；
结合所述敏感光谱指数以及设定的辅助特征参数构建决策树模型并设置判定阈值；
根据所述决策树模型以及所述判定阈值，从所述待识别图像中识别处于所述目标环境中的目标伤员。
7.一种基于多光谱的地面伤员识别系统，其特征在于，所述系统包括：第一采集部分、筛选部分、第二采集部分、图像处理部分、目标伤员识别部分；其中，
所述第一采集部分，包括地物光谱仪，经配置为对存在测试目标的测试区域进行高光谱数据采集，获得高光谱数据；
所述筛选部分，经配置为根据所述高光谱数据的光谱曲线筛选用于进行多光谱数据采集的目标谱段；
所述第二采集部分，包括符合所述目标谱段要求的多光谱相机，所述经配置为利用所述目标谱段采集针对目标环境的单波段图像；
所述图像处理部分，经配置为将所述单波段图像按照设定的图像处理策略进行处理，获得待识别图像；
所述目标伤员识别部分，经配置为根据设定的光谱特征构建决策树，并根据所述待识别图像以及所述决策树在所述目标环境中识别目标伤员。
8.根据权利要求7所述的系统，其特征在于，所述第一采集部分，还经配置为根据预先执行的采集因素对于光谱强度的影响测试，确定针对所述测试区域进行高光谱数据采集的采集条件。
9.根据权利要求7所述的系统，其特征在于，所述第二采集部分，经配置为每次针对每个所述目标谱段均采集一张针对所述目标环境的单波段图像；
所述图像处理部分，经配置为：
将每次采集到的多个与目标谱段对应的单波段图像合成为单次采集获得的单幅光谱强度数据文件；
将多次采集获得的多幅光谱强度数据文件拼接为所述目标环境的全景图像；
对所述目标环境的全景图像按照设定的灰板进行定标，获得待识别图像。
10.根据权利要求9所述的系统，其特征在于，所述目标伤员识别部分，经配置为：
基于多个目标谱段之间的相关运算构建针对所述目标伤员的敏感光谱指数；
结合所述敏感光谱指数以及设定的辅助特征参数构建决策树模型并设置判定阈值；
根据所述决策树模型以及所述判定阈值，从所述待识别图像中识别处于所述目标环境中的目标伤员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011300276.3A CN112418057A (zh) | 2020-11-19 | 2020-11-19 | 一种基于多光谱的地面伤员识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011300276.3A CN112418057A (zh) | 2020-11-19 | 2020-11-19 | 一种基于多光谱的地面伤员识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418057A true CN112418057A (zh) | 2021-02-26 |
Family
ID=74773565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011300276.3A Pending CN112418057A (zh) | 2020-11-19 | 2020-11-19 | 一种基于多光谱的地面伤员识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418057A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035411A (zh) * | 2022-06-17 | 2022-09-09 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
| WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技（武汉）有限公司 | 一种多光谱成像的智能识别方法及系统 |
| CN110018122A (zh) * | 2019-04-26 | 2019-07-16 | 南京砺剑光电技术研究院有限公司 | 基于多光谱成像技术的迷彩伪装材料检测装置和方法 |
-
2020
- 2020-11-19 CN CN202011300276.3A patent/CN112418057A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技（武汉）有限公司 | 一种多光谱成像的智能识别方法及系统 |
| CN110018122A (zh) * | 2019-04-26 | 2019-07-16 | 南京砺剑光电技术研究院有限公司 | 基于多光谱成像技术的迷彩伪装材料检测装置和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁娜等: "利用AOTF多光谱成像系统实现伪装目标的识别", 《应用光学》 * |
| 魏青等: "基于无人机多光谱影像的地物识别", 《新疆农业科学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
| CN115035411A (zh) * | 2022-06-17 | 2022-09-09 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11719680B2 (en) | Methods and systems for analyzing a field | |
| Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
| DadrasJavan et al. | UAV-based multispectral imagery for fast Citrus Greening detection | |
| Minařík et al. | Use of a multispectral UAV photogrammetry for detection and tracking of forest disturbance dynamics | |
| Berni et al. | Remote sensing of vegetation from UAV platforms using lightweight multispectral and thermal imaging sensors | |
| Morsy et al. | Airborne multispectral lidar data for land-cover classification and land/water mapping using different spectral indexes | |
| Yang | A high-resolution airborne four-camera imaging system for agricultural remote sensing | |
| Lu et al. | A comparison of multisensor integration methods for land cover classification in the Brazilian Amazon | |
| CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
| JP2012196167A (ja) | 植物種識別方法 | |
| Yang et al. | Yield estimation from hyperspectral imagery using spectral angle mapper (SAM) | |
| CN112418057A (zh) | 一种基于多光谱的地面伤员识别方法及系统 | |
| Aliero et al. | The usefulness of unmanned airborne vehicle (UAV) imagery for automated palm oil tree counting | |
| Pitt et al. | Use of remote sensing for forest vegetation management: a problem analysis | |
| De Biasio et al. | UAV-based environmental monitoring using multi-spectral imaging | |
| CN111413279A (zh) | 多光谱探测的视频处理方法、装置及多光谱探测终端 | |
| Yang et al. | Comparison of hyperspectral imagery with aerial photography and multispectral imagery for mapping broom snakeweed | |
| Cimtay et al. | A new vegetation index in short-wave infrared region of electromagnetic spectrum | |
| CN114511781A (zh) | 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质 | |
| Tommaselli et al. | Geometric performance of a camera with single sensor and multiple heads | |
| Guliaeva et al. | Determining the Drying Out of Coniferous Trees Using Airborne and Satellite Data | |
| Singh | 3 Choosing a Sensor for UAS | |
| Holasek et al. | HSI mapping of marine and coastal environments using the advanced airborne hyperspectral imaging system (AAHIS) | |
| Swaminathan et al. | Selection of appropriate multispectral camera exposure settings and radiometric calibration methods for applications in phenotyping and precision agriculture | |
| Domenzain et al. | Jean-Marc Gilliot, Joël Michelin, Romain Faroux, Luis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |