一种基于超像素和场景预测的小型无人机目标检测方法与流程

技术特征：

1.一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，包括以下步骤：

a.预处理：将待检测光学图像进行超像素生成和场景分类，获得基于超像素的场景分类图像；

b.无人机目标概率估计：分别估算步骤a获得的分类图像中每一个场景的显著性深度值，计算每个场景存在无人机目标的概率；

c.无人机检测：提取待检测图像的特征，采用基于SVD的多层金字塔结构获得特征显著图，对不同特征显著图加权获得总显著图，载入步骤a中获得的超像素分类图像，根据步骤b中获得的概率加入不同场景区域的权重，采用胜者全赢和抑制返回机制，获得小型无人机的目标检测结果。

2.根据权利要求1所述的一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，所述步骤a的具体方法是：

a1.假设待检测图像为光学图像I，场景数为i，对每个场景进行两次区域采样获得像素分类样本信息，将像素分类样本信息保存为具有对应场景数标签的图像数据；

a2.对光学图像I进行超像素生成，获得含K个超像素块的图像；

a3.采用支持向量机对步骤a1中获得的像素样本进行训练，并对整幅光学图像I根据场景数i进行分类，同时将步骤a2中获得的超像素图像与像素图像进行对应，对应的原则是：每个超像素块的场景数标签为该超像素中包含的所有像素点所具有场景数标签类型数量最多的那一类场景数标签，得到基于超像素的分类图像。

3.根据权利要求2所述的一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，所述步骤b的具体方法是：

b1.采用离群值检测算法测出场景中潜在的目标超像素，采用如下公式1计算所有超像素的自信息值：

公式1中，图像包含i类场景s_i，变量P(SP_ij)为场景s_i中第j个超像素SP_ij的概率，变量R为超像素SP_ij中像素点的数量，通过如下公式2判定离群超像素值：

公式2中，变量t为常数，变量μ_i和δ_i是场景s_i中所有超像素自信息值计算得到的均值和方差；

b2.获取场景的初始显著深度值，假设由步骤b1判断有q个离群超像素，首先计算阈值Th_i＝t·δ_i+μ_i，则场景的初始显著深度值是所有离群超像素值与阈值之间距离的三阶矩，然后去除所有离群超像素，仍利用公式1计算此时各场景的显著性深度，记为预测显著性深度值，预测显著性深度值表示场景没有目标存在情况下的显著性深度；

b3.假设初始显著性深度值为IDep₁，计算IDep₁-IDep_2i，其中IDep_2i为步骤b2中场景s_i的预测显著性深度值，最终得到的差值表示了场景中存在目标的可能性，当初始值明显超过预测值的时候，该场景被认为存在目标，差值大小表示目标存在可能性大小。

4.根据权利要求3所述的一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，步骤c中所述提取待检测图像的特征获得特征显著图的具体方法为：

c1.假设光学图像I的尺寸为m×n，奇异值分解得到如下结果:I_m×n＝U_m×mΣ_m×nV_n×n^T，U_m×m与V_n×n均为酉矩阵；

c2.计算对角矩阵Σ_m×n中的非零元素个数，并对其按一定顺序排列，形成新的对角矩阵Σ(1)，设其中的非零元素数量为k₁；

c3.减少Σ(1)中的对角元素，只保留k₁中一些较大对角元素，形成新的对角阵Σ(2)，将对角矩阵Σ(2)带入步骤c1中的奇异值分解公式，获得新的SAR图像I(2)；

c4.重复步骤c3，直到新的对角矩阵Σ(q)中的非零对角元素个数少于预先设好的阈值T，通过保留不同数量的特征值，由不同的矩阵Σ(p)构成的低阶近似图像I(p)，可以通过如下公式3-公式5计算：

I_m×n(p)＝U_m×mΣ_m×n(p)V_n×n^T，p∈[1,min(m,n)] (公式3)

Σ_m×n(p+1)＝Σ_m×n(p)×H_n×n(p+1) (公式4)

变量k_p是矩阵Σ(p)中剩余特征值的数量，变量的初始值设置为：I(1)＝I，Σ(1)＝Σ，k₁＝Rank(I)，变量f为低阶近似的程度；

c5.提取光学图像I的方向特征，具体为通过Gabor滤波器对图像的亮度特征图进行多个方向滤波得到；滤波器的计算为如下公式6：

其中，变量α和β分别为高斯函数在x，y轴上的方差，变量λ分别表示正弦波的波长，变量和通过如下公式7计算：

c6.提取光学图像I的一致性特征，首先，通过如下公式8计算光学图像I的结构张量矩阵S：

其中，变量变量g_h和g_v分别是水平方向和垂直方向的梯度，矩阵S的特征值λ₁和λ₂通过如下公式9计算：

最后，图像的一致性Cons＝λ₁-λ₂；

c7.对各层提取不同的特征获得相应特征显著图之后，进行中央周边差操作，对于方向特征和一致性特征的对比映射图的计算公式如下公式10和公式11所示：

F_ori(c,s,θ)＝|O(c,θ)ΘO(s,θ)|,θ∈{θ₁,θ₂,θ₃,θ₄,…} (公式10)

F_std(c,s)＝|S(c)ΘS(s)| (公式11)

其中，变量c为选取的中央层，周边层为c+s，变量s为中央周边扩展范围，变量O(·)和C(·)分别是多层结构中某层的方向特征图和一致性特征图，符号Θ为中央周边差操作符号，是将两个不同层的图像中对应位置的显著值相减，变量F_ori(c,s,θ)和F_cons(c,s)分别是图像的方向特征对比映射图和一致性特征对比映射图，采用全局非线性放大算子N(·)对所有对比映射图F进行归一化，如下公式12所示：

N(F)＝(M-m)²·F_N (公式12)

其中变量M为F_N中的最大幅度值，m为F_N中除了M以外所有幅度值的均值；

c8.各特征内部的所有归一化对比映射图需要进行合并，生成特征显著图如下公式13和公式14所示：

两种特征显著图取相应的权重，得到总显著图。

5.权利要求4所述的一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，步骤a还包括以下步骤：

a4.对步骤a3得到的超像素分类结果图，依次对每一类场景图像进行形态学处理；所述形态学处理方式包括腐蚀、膨胀、重构开运算和重构闭运算，得到各类场景形态学处理结果图，假设第i类场景的形态学处理结果图为Q_i；

a5.对步骤a4中的Q₁中非本类的区域覆盖上Q₂，对结果再覆盖上Q₃，如此反复处理，得到的含各类场景形态学分类结果图，即得到基于所有场景的超像素分类结果图。

6.根据权利要求5所述的一种基于超像素和场景预测的小型无人机目标检测方法，其特征在于，步骤c中所述获得小型无人机的目标检测结果的具体方法为：

c9.根据步骤a和步骤b，最终获得的基于K个超像素分类结果图，以及初始显著性深度与预测初始显著性深度的差值IDep₁-IDep_2i；在步骤c8获得图像总显著图之后，需要根据总显著图检测小型无人机目标；其判定依据是总显著图中幅度值最高的超像素及以该超像素为中心的局部邻域范围被当做图像中的最显著区域；局部邻域的尺寸由图像分辨率和目标大小决定；

c10.采用胜者全赢和抑制返回相结合的焦点获取机制：首先，胜者全赢是找出总显著图中幅度值最大的像素点及其邻域，将其作为胜利者并抑制其他像素点；然后，利用返回抑制将已经获胜的区域进行抑制，并进行新一轮的基于胜者全赢的寻找最大幅度值像素点及其邻域的过程；这样的焦点获取机制可以有效的保证每次获取的注意焦点都是当时最显著的区域，同时又避免重复选取显著区域；最终提取出待检测图像I的小型无人机目标。