一种基于十字检测的栅格状雷达检测方法
【专利摘要】本发明涉及一种基于十字检测的栅格状雷达检测方法，分为五个阶段，第一阶段将输入图像转换为灰度图像，并在灰度图像上使用较大步长的滑动窗口法做十字检测，第二阶段利用十字检测的结果，定位出十字密度最大的目标疑似区域，第三阶段在疑似区域使用较小步长做十字检测，第四阶段对疑似区域内检测到的十字分布点做平行直线检测，第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。本发明能够对图像做出有无栅格状雷达的判决；在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率；能够处理多种不同形状的栅格状雷达图像；且检测过程全部自动，不需要人为干预。
【专利说明】
一种基于十字检测的栅格状雷达检测方法
【技术领域】
[0001]本发明一种基于十字检测的栅格状雷达检测方法，属于雷达目标识别【技术领域】。
【背景技术】
[0002]雷达有着白天黑夜均能探测远距离目标的优点，随着雷达技术的发展，已经广泛应用于社会经济发展和科学研究，对雷达的目标识别也成为一项迫切需要的工作。飞行器技术和图像目标识别技术的发展，使得捕获雷达图像并对图像进行雷达检测成为可能。
[0003]由于雷达种类的多样性，找到一种适用于所有雷达的检测算法是很难的，本发明主要是针对栅格状雷达图像提出的一种自动检测算法，栅格状雷达指的是含有明显网状结构的雷达。栅格状雷达在雷达中占有相当大的比重，且自身特殊的网状结构使得其易于区别其与其他物体。
[0004]目前目标识别的主流技术是通过提取目标的特征，将目标识别问题转化为特征识别问题。而特征按照抽取的范围不同可以分为两种类型:(I)全局特征；(2)局部特征。全局特征是从整个图像中抽取的特征，局部特征是从图像的局部区域中抽取的特征。全局特征因为没有捕捉到图像的局部信息，当目标发生较大变化，如局部遮挡时，会导致全局特征的变化，最终导致目标识别任务的失败。因此，近些年来，大量针对局部特征的目标识别方法被提出并应用到实践中。
[0005]—些方法通过提取图像的边缘信息作为特征，如Canny边缘检测、Hough变换；一些通过先检测图像中的关键点，再在关键点处提取特征，如Harris角点检测、SIFT(ScaleInvariant Feature Transform)特征；还有一些将整幅图像划分成许多小局部，分别提取局部特征，最后将各个小局部特征联合起来作为图像的特征，如H0G(Histogram ofOriented Gradient)特征、HOG-LBP(Histogram of Oriented Gradient-Local BinaryPattern)特征。
[0006]对特征的识别方面有多种方法，如(I)Hough (参见P.V.C.Hough.Methods andMeans for Recognizing Complex Patterns.U.S.Patent 3069654.)于 1962 年提出一种直线检测方法，并在美国作为专利发表，因为较好的容错性和鲁棒性，一直被广泛应用。(2)Harris (参见 C.Harris and M.Stephens.A Combined Corner and Edge Detector [C].Alvey vis1n conference.1988, 15-50.)于 1988 年提出了经典的 Harris 角点检测算法，该算法旨在发现图像中各个方向灰度均有较大变化的像素点，并认为这些点是图像中的关键点。Harris角点对旋转和灰度变化具有不变性。(3) SIFT特征是由Lowe于1999 年首次提出的一种局部特征(参见 D.G.Lowe.0bject Recognit1n from LocalScale-1nvariant Features[C].Proceedings of the seventh IEEE Internat1nalConference on Computer Vis1n, 1999，2:1150-1157.),该特征对尺度、旋转和灰度变化具有不变性，在拍摄视角小幅度变化时也能起到很好的效果。该算法利用金字塔和高斯核滤波差分来求解高斯拉普拉斯空间中的极值点，并将这些极值点作为图像的关键点并提取附近的梯度信息形成特征向量，然后利用这些特征向量进行图像特征点匹配。(4)Dalal于2005年提出了一种用于行人检测的特征(参见N.Dalai and B.Triggs.Histograms ofOriented Gradients for Human Detect1n[C].Proceedings of IEEE Computer SocietyConference on Computer Vis1n and Pattern Recognit1n, 2005, 886-893.)并得到了很好的结果。该算法的核心思想是一幅图像中的物体的表象和形状可以被灰度梯度的方向分布很好的描述。实现方法是将图像分成小的方格单元连通区域(cell)，然后采集方格单元中各像素点的梯度方向直方图，最后把这些直方图组合起来构成特征描述子。为了提高精度，还可以将这些局部直方图在图像的更大区间(block)中进行对比度归一化，获得对光照变化更好的稳定性。HOG特征已广泛应用于各种图像处理问题。(5)HOG-LBP是Wang于2009年在HOG基础上提出的一种行人检测算子(参见X.Y.Wang, T.X.Han andS.C.Yan.An HOG-LBP Human Detector with Partial Occlus1n Handling.1EEE 12thInternat1nal Conference on Computer Vis1n, 2009，32-39.)在行人检测上获得了比HOG更高的准确率。该算子在提取HOG特征之外将图片分成不重叠的block提取结构化的LBP特征。然后将两个特征联合起来作为图像的特征。(6)SVM是分类算法中常用的一种，这类算法能最小化经验误差于最大化几何边缘区，可尽量避免局部最优解且在高维问题中表现出了很多优势。本发明中使用了 LIBSVM工具箱(参见C.C.Chang and C.J.Lin.LIBSVM:ALibrary for Support Vector Machines.ACM Transact1ns on Intelligent Systems andTechnology.2011, 2:27:1-27:27.)。
[0007]传统的方法在提取关键点后，一般是在关键点附近提取特征，将所有关键点处的特征一起作为图像的特征，使用特征分类完成目标识别的任务。这些方法关键点检测不是特别精确、不适用于栅格状雷达。
【发明内容】
[0008]本发明技术解决问题:克服现有技术的不足，提供一种基于十字检测的栅格状雷达检测方法，能够对图像做出有无栅格状雷达的判决；在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率；能够处理多种不同形状的栅格状雷达图像；且检测过程全部自动，不需要人为干预。
[0009]本发明的技术方案分为五个阶段，第一阶段将输入图像转换为灰度图像，并在灰度图像上使用较大步长的滑动窗口法做十字检测，第二阶段利用十字检测的结果，定位出十字密度最大的目标疑似区域，第三阶段在疑似区域使用较小步长做十字检测，第四阶段对疑似区域内检测到的十字分布点做平行直线检测，第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。
[0010](I)读取待检测图像；
[0011](2)输入图像若为彩色图像则转为灰度图像，若为灰度图像则不变；
[0012](3)在上一步的输出图像上使用滑动窗口法以较大步长Si做十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；
[0013](4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度；
[0014](5)找出最大十字分布密度对应的区域，若同时有几个最大的区域，则需合并，若最大密度大于设定的阈值threshold,则跳到步骤(6);若最大密度小于或等于设定的阈值threshold,则结束,认为图像中无栅格状雷达；
[0015](6)目标疑似区域是一个矩形区域，将该区域内包含的灰度图像提取出来，存为1calimage,即疑似区域图像；
[0016](7)在1calimage上用比si小一些的步长s2再做一遍十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；记录十字检测结果;
[0017](8)将上一步得到的1calimage上十字分布位置转换为二值图像表示，即十字分布点处为I，其他位置为O, 二值图像与1calimage大小相同,称为axisimage,即十字坐标二值图像；
[0018](9)在axisimage中使用Hough变换检测直线；
[0019](10)在上一步得到的直线中寻找平行直线组，即同一角度数量大于I的直线集合，如果能得到平行直线组，则跳到下一步；如果检测不到平行直线组，则结束，判决该图像中不含有栅格状雷达；
[0020](11)判决该图像中含有栅格状雷达，并标注出疑似区域。
[0021]所述步骤(3)和(7)中具体实现为:
[0022](I)基于线性SVM训练好的分类器的训练过程是:由裁取的928个十字正样本和1200个随机负样本训练得来；在对训练样本提取特征前，先将训练样本变换为统一大小宽度width*width的正方形图像，如16*16。
[0023]对训练样本提取HOG特征时，一个block(即待提取特征图像中的一个小块，彼此之间可重叠)中就是一个cell (即一个block中的小块，彼此之间不可重叠)，一个block为blockwidth*blockwidth (blockwidth 是 block 的边长值，应能整除 width,如 width 为 16,blockwidth为8)大小的正方形区域,block之间的重叠率设置为overlaping (给出中文含义)，对训练样本提取完特征后，使用LIBSVM工具箱进行训练，训练时使用线性核函数，最后得到分类面:
[0024]ffTX+wm+1 = O
[0025]其中Wt为分类面法向量，X为提取的特征向量，m为特征向量维数，wffl+1是一常数。
[0026](2)对每个滑动窗口进行分类判决的具体过程为:是设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动，即先从图像的第一行开始，从像素点(1，1)开始以步长Si向右滑动，直至这一行的末端；再以步长Si向下滑动到第二行，重复第一行的操作，直至滑动窗口滑动到图像的右下角；滑动窗口每滑动一下都要对其所包含的图像提取特征并使用基于线性SVM训练好的分类器进行判决，若所述分类器认为是十字结构，则记录下十字在图像中的坐标位置(xk，yk)，这个坐标的值是十字结构的左上角坐标。
[0027]所述步骤(4)中十字密度计算方法为:统计落在以任意一个检测到的十字Xi为中心，大小为nei ghbourwi dth*nei ghbourwi dth的正方形区域Si内的十字数目，如果一幅图像中有η个十字，则对应着η个十字密度统计区域，每个十字对应的周围区域包含十字数目记为h ;考察十字Xj是否能落在Xi周围的区域Si内，只需检查的每个分量的长度是否均小于neighbourwidth/2即可；如果每一个分量的长度均小于neighbourwidth/2,则该样本落在区域Si中，否则该样本位于区域Si之外；
[0028]计算Mi = 1，2，…，η)时，引入窗函数:
[0029]..fl.1l?.1 < nei ghbourwi dth /2，j - \,2 , d
φ{υ) = \ I Jj
[O, 否则
[0030]u = (U1, U2,…，ud)T是X^-Xi，借助于上述窗函数用下式表示落入以Xi为中心的区域中的十字数目ky即十字密度:
K-1
[0031]ki = YAx1- X、i
[0032]η为整幅图像十字数目。
[0033]所述步骤(5)和(6)具体实现为:找出这η个区域中十字分布密度值最大的区域作为目标疑似区域，即找到k” i = l,2,…，η中最大的数值对应的区域Si ;如果一幅图像中含有多个区域同时成为十字最大密度区域，则需要对这几个区域进行合并，即寻找这几个区域的最大外接矩形，将疑似区域包含的图像存为1calimage ；
[0034]在寻找目标疑似区域时，同时会对一些图像做一些剔除，对十字最大密度区域内十字数目小于或等于threshold的图像，则认为这些图像不含有栅格状雷达，这些图像在这一步中会去除，加速部分非栅格状雷达图像的判决。
[0035]所述步骤(10)中判断图像中有没有栅格状雷达过程为:通过检测疑似区域内以小步上s2检测到的十字坐标点能否组成平行直线来判断图像中是否含有栅格状雷达，若检测到平行直线，则认为图像中含有栅格状雷达，若没有检测到平行直线，则认为图像中不含有栅格状雷达。
[0036]本发明与现有技术相比的优点在于:
[0037](I)本发明因为采用了基于十字检测的方法，当目标发生较大变化，如局部遮挡或拍摄视角变化时，仍能较为准确地检测出栅格状雷达目标。
[0038](2)本发明收集了大量十字正样本和随机负样本来做训练，因此对十字检测能获得很高的准确率。
[0039](3)本发明采用检测十字的方法来发现图像中的关键点，比角点检测、SIFT关键点检测的方法更适合于栅格状雷达中的关键点检测。
[0040](4)本发明采用了先定位疑似区域的方法，能避免大范围区域内的许多干扰。
[0041](5)本发明使用十字分布位置检测直线，避免了雷达图像中直线小幅度弯曲对直线检测造成的问题，也规避了二值化和边缘提取对直线检测的影响，在光照和目标性状在变化时仍能获得较高的准确率。
[0042](6)本发明使用十字位置作为关键点，并利用关键点的分布规律做图像中有无栅格状雷达的判决，具有较高的合理性，且在试验中获得了较高的正检率和较低的误检率。
[0043](7)本发明能处理多种不同形状的栅格状雷达。
[0044]总之，本发明中选择检测先图像中的关键点，再考虑关键点的位置分布关系来识别栅格状雷达目标。检测关键点的方法使用十字结构检测实现，比起前面提到的角点检测、SIFT关键点检测更精确、更适用于栅格状雷达。检测十字时使用了 HOG特征，但针对具体十字目标做了改造，对十字的描述更好。因此本发明能够对图像做出有无栅格状雷达的判决；在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率；能够处理多种不同形状的栅格状雷达图像；且检测过程全部自动，不需要人为干预。
【专利附图】
【附图说明】
[0045]图1为本发明方法实现流程图。
【具体实施方式】
[0046]如图1所示，本发明通过先检测图像中的十字，再检测十字的分布情况，做出图像中有无栅格状雷达的判决，具体实现如下；
[0047]1.初始十字检测
[0048]本发明中使用滑动窗口的方法对图像中可能存在的十字做出检测，使用HOG特征描述滑动窗口所包含的局部图像，使用以大量十字正样本和随机负样本训练的线性SVM分类器对每个滑动窗口进行分类。图像的梯度信息能够对物体的形状做出较好的描述且对光照的变化不敏感，而十字结果中重要的信息就是中心的横竖两条线，即梯度变化，因此HOG特征能够较好的描述十字结构。而十字结构中心的两条线可能存在一定程度的倾斜，HOG特征中对梯度信息的合并使得检测结果对这一变化更稳定。
[0049]1.1分类器训练
[0050]本发明中针对十字结构的分类器由裁取的928个十字正样本和1200个随机负样本训练得来。在对训练样本提取特征前，先将训练样本变换为统一大小width*width的正方形图像。
[0051]原HOG特征在提取时，将图像划分成若干个可以重叠的block，每个block含有若干个不重叠的cell。在每个cell中提取梯度方向直方图，cell中的梯度方向直方图组成block的，block的梯度方向直方图组成整幅图像的特征。
[0052]本发明中对训练样本提取HOG特征时，取消了原HOG特征中的cell结构，换句话说就是一个block中就是一个cell, —个block为blockwidth*blockwidth大小的正方形区域，block之间的重叠率设置为overlaping。对训练样本提取完特征后，使用LIBSVM工具箱进行训练，训练时使用线性核函数，最后得到分类面:
[0053]ffTX+wm+1 = O
[0054]其中Wt为分类面法向量，X为提取的特征向量，m为特征向量维数，wffl+1是一常数。
[0055]1.2滑动窗口十字检测
[0056]对一幅实际图像做十字检测时本发明中使用的是滑动窗口法。具体做法是设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动。即先从图像的第一行开始，从像素点(1，1)开始以步长Si向右滑动，直至这一行的末端。再以步长Si向下滑动到第二行，重复第一行的操作，直至滑动窗口滑动到图像的右下角。滑动窗口每滑动一下都要对其所包含的图像提取特征并使用分类器进行判决，若分类器认为是十字结构，则记录下十字在图像中的坐标位置(xk，yk)，本发明中这个坐标的值是十字结构的左上角坐标。
[0057]滑动窗口对十字的检测在只一个尺度下进行，且检测的结果并不利用非极大值抑制法进行融合。
[0058]2.定位疑似区域
[0059]本发明中认为十字密集的区域可能就是栅格状雷达所在的区域，在这一阶段会定位出这一疑似目标区域。
[0060]2.1计算十字分布密度
[0061]具体做法是统计落在以任意一个检测到的十字Xi为中心，大小为nei ghbourwi dth*nei ghbourwi dth的正方形区域Si内的十字数目，如果一幅图像中有η个十字，则对应着η个十字密度统计区域，每个十字对应的周围区域包含十字数目记为Ici。考察十字&是否能落在Xi周围的区域Si内，只需检查X^-Xi的每个分量的长度是否均小于nei ghbourwi dth/2即可。如果每一个分量的长度均小于nei ghbourwi dth/2,则该样本落在区域Si中，否则该样本位于区域Si之外。
[0062]计数η次统计中落入区域Si中样本的个数Iii时，引入窗函数:
[0063]
【权利要求】
1.一种基于十字检测的栅格状雷达检测方法，其特征在于实现步骤如下: (1)读取待检测图像； (2)输入图像若为彩色图像则转为灰度图像，若为灰度图像则不变； (3)在上一步的输出图像上使用滑动窗口法以较大步长Si做十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置； (4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度； (5)找出最大十字分布密度对应的区域，若同时有几个最大的区域，则需合并，若最大密度大于设定的阈值threshold，则跳到步骤(6);若最大密度小于或等于设定的阈值threshold,则结束,认为图像中无栅格状雷达； (6)目标疑似区域是一个矩形区域，将该区域内包含的灰度图像提取出来，存为1calimage,即疑似区域图像； (7)在1calimage上用比si小一些的步长s2再做一遍十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；记录十字检测结果； (8)将上一步得到的1calimage上十字分布位置转换为二值图像表示，即十字分布点处为I，其他位置为O, 二值图像与1calimage大小相同,称为axisimage,即十字坐标二值图像； (9)在axisimage中使用Hough变换检测直线； (10)在上一步得到的直线中寻找平行直线组，即同一角度数量大于I的直线集合，如果能得到平行直线组，则跳到下一步；如果检测不到平行直线组，则结束，判决该图像中不含有栅格状雷达； (11)判决该图像中含有栅格状雷达，并标注出疑似区域。
2.根据权利要求1所述的基于十字检测的栅格状雷达检测方法，其特征在于:所述步骤⑶和(7)中具体实现为: (1)基于线性SVM训练好的分类器的训练过程是:由裁取的928个十字正样本和1200个随机负样本训练得来；在对训练样本提取特征前，先将训练样本变换为统一大小宽度width*width的正方形图像； 对训练样本提取HOG特征时,一个block中就是一个cell, block即待提取特征图像中的一个小块,彼此之间可重叠，cell即一个block中的小块，彼此之间不可重叠，一个block为blockwidth*blockwidth大小的正方形区域，blockwidth是block的边长值，应能整除width, block之间的重叠率设置为overlaping,对训练样本提取完特征后，使用LIBSVM工具箱进行训练，训练时使用线性核函数，最后得到分类面:
WTX+wm+1 = O 其中Wt为分类面法向量，X为提取的特征向量，m为特征向量维数，wm+1是一常数。 (2)对每个滑动窗口进行分类判决的具体过程为:是设置一个大小为width*width的滑动窗口从图像的左上角开始从左到右、从上到下地滑动，即先从图像的第一行开始，从像素点(1，1)开始以步长Si向右滑动，直至这一行的末端；再以步长Si向下滑动到第二行，重复第一行的操作，直至滑动窗口滑动到图像的右下角；滑动窗口每滑动一下都要对其所包含的图像提取特征并使用基于线性SVM训练好的分类器进行判决，若所述分类器认为是十字结构，则记录下十字在图像中的坐标位置(xk，yk)，这个坐标的值是十字结构的左上角坐标。
3.根据权利要求1所述的基于十字检测的栅格状雷达检测方法，其特征在于:所述步骤(4)中十字密度计算方法为:统计落在以任意一个检测到的十字Xi为中心，大小为neighbourwidth*neighbourwidth的正方形区域Si内的十字数目，如果一幅图像中有η个十字，则对应着η个十字密度统计区域，每个十字对应的周围区域包含十字数目记为h ;考察十字&是否能落在Xi周围的区域Si内，只需检查X^-Xi的每个分量的长度是否均小于ne i ghbourwi dth/2即可；如果每一个分量的长度均小于neighbourwidth/2,贝U该样本落在区域Si中，否则该样本位于区域Si之外； 计算k” i = l,2,…，η时,引入窗函数:
u = (U1, U2,…，ud)T是X厂Xi，借助于上述窗函数用下式表示落入以Xi为中心的区域中的十字数目k”即十字密度:
η为整幅图像十字数目。
4.根据权利要求1所述的基于十字检测的栅格状雷达检测方法，其特征在于:所述步骤(5)和(6)具体实现为:找出这η个区域中十字分布密度值最大的区域作为目标疑似区域，即找到k” i = l,2,…，η中最大的数值对应的区域Si ;如果一幅图像中含有多个区域同时成为十字最大密度区域，则需要对这几个区域进行合并，即寻找这几个区域的最大外接矩形，将疑似区域包含的图像存为1calimage ； 在寻找目标疑似区域时，同时会对一些图像做一些剔除，对十字最大密度区域内十字数目小于或等于threshold的图像，则认为这些图像不含有栅格状雷达，这些图像在这一步中会去除，加速部分非栅格状雷达图像的判决。
5.根据权利要求1所述的基于十字检测的栅格状雷达检测方法，其特征在于:所述步骤(10)中判断图像中有没有栅格状雷达过程为:通过检测疑似区域内以小步上S2检测到的十字坐标点能否组成平行直线来判断图像中是否含有栅格状雷达，若检测到平行直线，则认为图像中含有栅格状雷达，若没有检测到平行直线，则认为图像中不含有栅格状雷达。
【文档编号】G06K9/00GK104182731SQ201410393513
【公开日】2014年12月3日 申请日期:2014年8月12日 优先权日:2014年8月12日
【发明者】凌强, 杜彬彬, 李峰 申请人:中国科学技术大学