基于视觉词袋模型的遥感图像目标识别方法

文档序号:6509012阅读:775来源:国知局
基于视觉词袋模型的遥感图像目标识别方法
【专利摘要】本发明公开了一种基于视觉词袋模型的遥感图像目标识别方法,属于图像识别【技术领域】。本发明针对传统遥感图像目标检测识别算法效果不佳的缺点,将视觉词袋模型引入到高分辨率遥感图像中用于目标的检测识别,同时为了精简视觉单词码本得到精简且最具鉴别力的视觉单词,本发明结合相关性及冗余度分析去除视觉单词码本中不相关、弱相关以及冗余的视觉单词,选出了对目标识别最为重要的视觉单词,减少了后续测试的计算量,提高了效率,为遥感图像目标的检测识别提供了一个新的研究方向。
【专利说明】基于视觉词袋模型的遥感图像目标识别方法
【技术领域】
[0001]本发明涉及一种遥感图像目标识别方法,尤其涉及一种基于视觉词袋模型的遥感图像目标识别方法,属于图像识别【技术领域】。
【背景技术】
[0002]随着遥感技术的迅猛发展,遥感图像的空间分辨率越来越高,对遥感图像中感兴趣的目标进行定位和辨识已经成为一个重要的研究方向。利用遥感图像来检测目标,在军事和民用领域都有着广泛的应用前景。尤其是在军事方面,利用遥感图像来检测重要军事目标(例如飞机、坦克、导弹发射井等),已经应用于国防建设中。
[0003]常用的目标识别算法有两种:一种是由下而上的数据驱动型,另一种是由上而下的知识驱动型。目前基于遥感图像的目标检测技术,大多采用第一种策略,即先对图像进行分割或是边缘提取,然后采用模板匹配的方法来检测目标。但是由于遥感图像质量和目标阴影的影响,分割后的目标通常会断开成几个区域,很难完整地提取目标的边缘轮廓,所以还需要再进行区域合并或者边缘连接,这种方法不仅实现起来复杂而且抗干扰能力很弱,同时由于待识别目标的类型往往很多,很难用一个统一的模板去匹配所有的目标,因此检测结果经常不令人满意。
[0004]视觉词袋是一种比较流行的基于局部属性的图像表示方法,在物体识别、人体行为分析等计算机视觉问题中得到了广泛的应用,该方法源于文本分析领域中的词袋表示(bag-of-words),近些年来,基于视觉词袋的图像表达已被广泛地应用到计算机视觉和多媒体领域。因此,可以考虑采用视觉词袋模型来进行遥感图像目标识别,利用高分辨率遥感目标图像训练集构建描述目标特性的视觉单词码本(visual codebook,),将遥感目标图像从原来由图像像素点描述转化为视觉词袋表示(即由该幅图像所提取的局部特征关于训练集视觉单词码本中各视觉单词出现频次的统计值)。但由于视觉单词码本规模较大,一般都包含几百甚至上千个视觉单词,且视觉单词码本的规模对于后续的目标检测尤为重要,会影响整个过程的结果及效率。

【发明内容】

[0005]本发明所要解决的技术问题在于克服现有技术不足,提供一种基于视觉词袋模型的遥感图像目标识别方法,使用相关性和冗余度分析来对视觉单词码本中的视觉单词进行选择,最终得到精简且鉴别力强的描述目标的遥感目标图像视觉单词码本,从而能在保证识别准确率的前提下,有效减少后续目标检测识别的计算量,提高目标检测识别的效率。
[0006]本发明的基于视觉词袋模型的遥感图像目标识别方法,首先选取各典型类别目标的遥感图像构建训练集;然后分别提取训练集中各遥感图像以及测试遥感图像的视觉词袋特征;最后利用视觉词袋特征比较测试遥感图像与训练集中各遥感图像之间的相似度,如测试遥感图像与训练集中各遥感图像之间的相似度均小于预设的相似度阈值,则判定测试遥感图像不是待识别目标;如否,则判定测试遥感图像为待识别目标,且其类别为与其相似度最大的训练集遥感图像的目标类别;所述视觉词袋特征按照以下方法提取:
[0007]步骤1、分别提取训练集中各遥感图像的局部特征,并对所提取出的所有局部特征进行聚类,所得到的每个聚类中心作为一个视觉单词,所有聚类中心构成初始视觉单词码本;
[0008]步骤2、对初始视觉单词码本进行精简,具体如下:
[0009]步骤2-1、对视觉单词码本中的每一个视觉单词,分别计算其与目标类别集合之间的类别相关性,并将与目标类别集合之间的类别相关性小于一预设相关性阈值的视觉单词从初始视觉单词码本中剔除,得到去相关后的视觉单词码本;初始视觉单词码本中的第i
个视觉单词Fi与目标类别集合C之间的类别相关性按照下式计算:
【权利要求】
1.一种基于视觉词袋模型的遥感图像目标识别方法,其特征在于,首先选取各典型类别目标的遥感图像构建训练集;然后分别提取训练集中各遥感图像以及测试遥感图像的视觉词袋特征;最后利用视觉词袋特征比较测试遥感图像与训练集中各遥感图像之间的相似度,如测试遥感图像与训练集中各遥感图像之间的相似度均小于预设的相似度阈值,则判定测试遥感图像不是待识别目标;如否,则判定测试遥感图像为待识别目标,且其类别为与其相似度最大的训练集遥感图像的目标类别;所述视觉词袋特征按照以下方法提取: 步骤1、分别提取训练集中各遥感图像的局部特征,并对所提取出的所有局部特征进行聚类,所得到的每个聚类中心作为一个视觉单词,所有聚类中心构成初始视觉单词码本;步骤2、对初始视觉单词码本进行精简,具体如下: 步骤2-1、对视觉单词码本中的每一个视觉单词,分别计算其与目标类别集合之间的类别相关性,并将与目标类别集合之间的类别相关性小于一预设相关性阈值的视觉单词从初始视觉单词码本中剔除,得到去相关后的视觉单词码本;初始视觉单词码本中的第i个视觉单词Fi与目标类别集合C之间的类别相关性按照下式计算:

2.如权利要求1所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,所述局部特征为SIFT特征。
3.如权利要求2所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,利用直方图相交值作为两幅遥感图像间的相似度,两幅遥感图像Q、D的直方图相交值P(Q,D)按照下式得到:
4.如权利要求2所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,所述测试遥感图像是根据SIFT特征从高分辨率遥感图像中筛选得到,具体方法如下: (1)提取所述高分辨率遥感图像的SIFT特征点,并统计SIFT特征点在该图像中出现的位置; (2)逐个像素扫描该图像:对于以当前所扫描像素点为中心,边长为2r个像素的正方形区域,如果该区域内SIFT特征点的个数η满足5≤η≤100且r增加I后SIFT特征点的数目不会增加,则把这个正方形区域作为测试图像区域;否则跳到步骤(3); (3)若r≤rmax,rmax为预设的搜索半径阈值,则r=r+l,重复步骤(2)的操作;否则,对下一像素,重复步骤(2)?(3),直到所有的像素点都被处理完毕; (4)对筛选出的相邻测试图像区域分别进行区域合并,合并的规则是相邻测试图像区域中心点之间距离小于阈值R ;完成区域合并后得到的各测试图像区域即为所述测试遥感图像。
5.如权利要求4所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,搜索半径阈值rmax的值为50。
6.如权利要求4所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,进行逐像素搜索时,r的初始值为7。
7.如权利要求4所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,所述阈值R的值为参与合并的两个测试图像区域边长平均值的70%。
8.如权利要求2所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,所述相似性阈值的取值为0.75。
9.如权利要求1所述基于视觉词袋模型的遥感图像目标识别方法,其特征在于,采用K-means聚类方法对所提取出的所有局部特征进行聚类。
【文档编号】G06K9/66GK103440508SQ201310377651
【公开日】2013年12月11日 申请日期:2013年8月26日 优先权日:2013年8月26日
【发明者】李士进, 仇建斌, 张 杰, 冯钧, 万定生, 朱跃龙 申请人:河海大学, 南京小网科技有限责任公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1