基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法
【专利摘要】本发明涉及一种基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法，首先将图片分成若干图块，然后利用利用尺度不变特征转换(SIFT)提取图块中的关键点，作为图块的底层特征，再利用局部约束线性编码(LLC)算法对底层特征编码得到中层特征，接着利用一个三层的深度玻尔兹曼机从中层特征中得到图块的高层特征，然后利用高层特征训练支持向量机分类器，最后用该分类器检测测试图片的飞机，取得更具准确性，鲁棒性的飞机检测结果。
【专利说明】基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞 机检测方法
【技术领域】
[0001] 本发明属于计算机视觉算法研究领域，涉及一种基于深度玻尔兹曼机提取高层特 征的高分辨率遥感图像飞机检测方法，可以在遥感图像数据库中准确、鲁棒地检测出图像 中的飞机。
【背景技术】
[0002] 遥感技术的飞速发展促使许多卫星和航空传感器可以提供具有高空间分辨率的 光学图像，这些图像有广泛的应用，如灾害治理，土地规划，监控和交通规划。在这些应用 中，自然或人造物体的自动检测是一个基础任务，而且已经吸引了越来越多的研究兴趣。光 学遥感图像的飞机中包含的丰富的空间信息和详细的结构信息，为我们解决这一挑战性的 任务提供了新的机遇。
[0003] 特征表示在遥感图像的飞机检测任务中起着重要的作用，然而，目前存在的特征 表示在遥感图像分析中的表现并不好，主要问题在于仅仅利用基于像素的频谱信息提取特 征是不够的，因为这样忽略了图像的纹理空间信息，因而并不能真正挖掘出图像中飞机更 深度的结构信息，随着遥感技术的进步，高分辨率遥感卫星和航拍器使图像空间和结构信 息的获取成为可能，许多方法开始使用底层特征（如SIFT，H0G，GLCM)或是中层特征（如 BOW和PLSA)表示图块，虽然这些方法可以在一定程度上提高分类的效果和检测的准确率， 但是还会面临一些问题，特别是这些底层特征能表示的图片的空间几何信息是有限的，不 能直接用于描述图块的结构信息，中层特征是基于底层特征的统计信息来提取空间区域的 结构信息，但是对于背景复杂的情况下也不具备强大的表述能力。
【发明内容】
[0004] 要解决的技术问题
[0005] 为了避免现有技术的不足之处，本发明提出一种基于深度玻尔兹曼机提取高层特 征的高分辨率遥感图像飞机检测方法，通过深度玻尔兹曼机提取高层特征以得到由底层和 中层特征编码构成的空间和结构信息。深度玻尔兹曼机是一种具有深度结构的无监督的特 征学习工具，并且已被证明在高层特征学习上具有非常令人满意的表现。
[0006] 技术方案
[0007] -种基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其特征在于：利用 方形滑动窗口在拍摄的遥感图像中提取图块，然后利用训练得到的飞机检测器对图块进行 分类，并利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高 度重叠的问题，从而得到最终的飞机检测结果；所述飞机检测器的训练步骤如下：
[0008] 步骤1 :对遥感图像数据库中多幅遥感图像进行正负样本分类，将遥感图像中含 有飞机信息的遥感图像作为正样本图像，未含有飞机信息的遥感图像作为负样本图像；
[0009] 步骤2 :利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像 得到的图块作为正样本集中图块 <，负样本图像得到的图块作为负样本集中图块所述 滑动步长为所选取窗口大小的1/3 ;
[0010] 步骤3、提取正负样本图像中所有图块的底层特征：利用尺度不变特征转换 (SIFT)提取每一个图块中的关键点，作为图块的底层特征；
[0011] 步骤4、获取正负样本图像中所有图块的中层特征：利用局部约束线性编码 (LLC)算法对底层特征编码得到中层特征；首先利用K-means聚类方法将底层特征聚类 以获取字典，用D = [(I1, d2, . . .，dN]表示获取的底层特征，CB = [Cb1, cb2, . . .，cbM]表示 聚类后的字典，对于底层特征中的每一个元素七n e [1，N]，在CB中取5个与dn特征 距离最近的元素作为Cln的局部字典LB n，然后利用LBJ^d "进行编码，编码所用函数为
【权利要求】
1. 一种基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其特征在于：利用方 形滑动窗口在拍摄的遥感图像中提取图块，然后利用训练得到的飞机检测器对图块进行分 类，并利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度 重叠的问题，从而得到最终的飞机检测结果；所述飞机检测器的训练步骤如下： 步骤1:对遥感图像数据库中多幅遥感图像进行正负样本分类，将遥感图像中含有飞 机信息的遥感图像作为正样本图像，未含有飞机信息的遥感图像作为负样本图像； 步骤2:利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得到 的图块作为正样本集中图块<，负样本图像得到的图块作为负样本集中图块所述滑动 步长为所选取窗口大小的1/3; 步骤3、提取正负样本图像中所有图块的底层特征：利用尺度不变特征转换（SIFT)提 取每一个图块中的关键点，作为图块的底层特征； 步骤4、获取正负样本图像中所有图块的中层特征：利用局部约束线性编码（LLC) 算法对底层特征编码得到中层特征；首先利用K-means聚类方法将底层特征聚类以获 取字典，用D= [(I1,d2,. ..，dN]表示获取的底层特征，CB= [Cb1,cb2,. ..，cbM]表示聚 类后的字典，对于底层特征中的每一个元素七ne[1，N]，在CB中取5个与dn特征距 离最近的元素作为dn的局部字典LBn，然后利用LBJidn?行编码，编码所用函数为 N 2 N-- mind"-Cn·LBhsi.=I，其中为局部编码系数，根据Cin得到cn，其中cn n=i?=1 为dn基于全局字典CB的编码系数，Cη为含有5个非零元素的MX1维向量，最后通过求取 所产生的全局编码系数中每一维的最大值产生图块的中层特征； 步骤5、学习正负样本图像中所有图块的高层特征：利用一个三层的深度玻尔兹曼机 从中层特征中得到每一个图块的结构和空间格局，它包含一个可视层Ve{〇, 1}M和两个隐 含层Ve{0,1}"1，h2e ，其中氏和H2分别表示第一个隐含层和第二个隐含层的 节点数目，整个单元Ιν?}的能量函数为Ε(ν?，Θ) ，其中Θ= {W1，2}是模型的参数，W1和W2分别表示可视层到隐含层和隐含层到隐含层之间的对称交 互项，通过最小化能量函数学习深度玻尔兹曼机模型中的参数，并将第三层的输出作为每 个图块的高层特征； 步骤6、训练分类器：基于提取的图块的高层信息，训练检测飞机的分类器，训练所用 到的的得分函数为+&，其中￥1和bi分别是支持向量机的决策面和偏 置项，<为正样本集中的图块，为图块<的高层特征，该得分函数大于阈值时，表示图块 P I P <是飞机，否则表示图块;cp+不是飞机，所述阈值为?<· (·<y其中V；：取〇 p-l / ρ=\ 或1，表示图块<是否为飞机，P表示所有正样本图像中的图块总数，通过计算该得分函数 判断图块是否包含飞机。
2. 根据权利要求1所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其特 征在于：所述多尺度方形滑动窗口大小为sizee{60, 100, 135}。
3. 根据权利要求1所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其特 征在于：所述遥感图像数据库采用GoogleEarth库。
4. 根据权利要求1所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方 法，其特征在于：所述步骤3中的尺度不变特征转换SIFT采用论文B.Sirmacek,and C.Unsalan, "Urban-areaandbuildingdetectionusingSIFTkeypointsandgraph theory,，'IEEETrans.Geosci.RemoteSens. ,vol. 47,no. 4,pp. 1156-1167, 2009.中的方 法。
5. 根据权利要求I所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方 法，其特征在于：所述步骤4中的局部约束线性编码LLC采用论文J.Wang,J.Yang,K. Yu,F.Lv,T.Huang,andY.Gong, ^Locality-constrainedlinearcodingforimage classification,''inProc.IEEEInt.Conf.Comput.VisionPatternRecognit. , 2010. pp. 3360-3367.中的方法。
6. 根据权利要求I所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方 法，其特征在于：所述步骤5中的深度玻尔兹曼机采用论文R.Salakhutdinov,and G.Ε·Hinton,''Deepboltzmannmachines, ^inProc.Int.Conf.ArtificialIntelligence andStatistics, 2009.pp. 448-455.中的方法。
7. 根据权利要求I所述基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其 特征在于：所述非极大值抑制采用论文G.Cheng,J.Han,L.Guo,X.Qian,P.Zhou,X.Yao,and X.Hu,"ObjectdetectioninremotesensingimageryusingadiscriminativeIy trainedmixturemodel,，'ISPRSJ.Photogramm.RemoteSens. ,vol. 85,pp. 32-43, 2013. 中的方法。
【文档编号】G06K9/66GK104463248SQ201410751419
【公开日】2015年3月25日 申请日期:2014年12月9日 优先权日:2014年12月9日
【发明者】韩军伟, 张鼎文, 陈浩, 郭雷 申请人:西北工业大学