基于旋转不变HOG特征的高分辨率光学遥感图像目标检测方法与流程

技术特征：

1.一种基于旋转不变HOG特征的高分辨率光学遥感图像目标检测方法，其特征在于步骤如下：

步骤1、构建训练样本集：从训练图像中分别截取包含目标的目标图像块和不包含目标的背景图像块得到初始训练样本集合X＝{x₁,x₂,…,x_N}，给定K个角度φ＝{φ₁,φ₂,…,φ_K}和与之对应的K个旋转变换将旋转变换T_φ作用到初始训练样本集合X＝{x₁,x₂,…,x_N}上，得到新的训练样本集合T_φX＝{T_φx₁,T_φx₂,…,T_φx_N}，将旋转前和旋转后的样本集合进行合并得到总的训练样本集合

其中：N表示初始训练样本集合中训练样本的个数；表示旋转角度为φ_k的旋转变换，k＝1,2,…,K，K表示旋转变换的总数；

步骤2、学习旋转不变HOG特征提取模型和目标分类器：通过学习一个三层的全连接网络，实现旋转不变HOG特征提取模型和目标分类器的训练，第一层到第三层的网络节点个数依次为1984、1984、C+1，C为目标类别个数，过称为：

对于任意一个训练样本将其变换到60×60像素大小、计算它的1984维的HOG特征并线性归一化到[-1,1]，该特征用O₁(x_i)表示，作为网络的第一层输入；O₂(x_i)是网络的第二层输出，为样本x_i的旋转不变HOG特征；O₃(x_i)是第三层softmax分类器的输出；(W₂,B₂)和(W₃,B₃)分别是第一层和第二层、第二层和第三层的连接权重，同时也分别是旋转不变HOG特征提取模型和目标分类器的参数；

得到三层全连接网络的层间关系为：

O₂(x_i)＝σ(W₂O₁(x_i)+B₂)

其中：和分别是“tanh”和“softmax”非线性函数；给定训练样本集和训练样本对应的标签集表示训练样本x_i的标签，设定学习率α＞0，采用随机梯度下降法优化公式得到(W₂,B₂)和(W₃,B₃)，用于后续的目标检测：

所述随机梯度下降法优化公式为：

$J(W_2,W_3,B_2,B_3)=min\left(\begin{array}{c}-\frac{1}{N+NK}\underset{x_i\∈\mathrm{\χ}}{\Σ}\<y_{x_i},\log O_3\left(x_i\right)\>+\\ {\mathrm{\λ}}_1\frac{1}{2N}\underset{x_i\∈X}{\Σ}\left|\right|O_2\left(x_i\right)-{\stackrel{\‾}{O}}_2\left(T_{\mathrm{\φ}}{x}_i\right)|{|}_2^2+\frac{{\mathrm{\λ}}_2}{2}\left(\right|\left|W_2\right|{|}_2^2+\left|\right|W_3\left|{|}_2^2\right)\end{array}\right)$

其中：λ₁和λ₂是调节公式(3)中三项之间关系的参数且λ₁＞0、λ₂＞0；表示和logO₃(x_i)的内积；表示经过旋转变换后的训练样本x_i的旋转不变HOG特征的均值；

${\stackrel{\‾}{O}}_2\left(T_{\mathrm{\φ}}{x}_i\right)=\frac{1}{K}\left(O_2\right(T_{{\mathrm{\φ}}_1}{x}_i)+O_2\left(T_{{\mathrm{\φ}}_2}{x}_i\right)+...+O_2\left(T_{{\mathrm{\φ}}_K}{x}_i\right));$

步骤3、高分遥感图像目标检测：对于给定的待检测的高分遥感图像，进行如下步骤进行检测：

步骤a：采用选择性搜索方法selective search提取目标候选框集合；

步骤b：将每个目标候选框变换到60×60像素大小、计算它的1984维的HOG特征并线性归一化到[-1,1]；

步骤c：采用步骤2中的计算公式O₂(x_i)＝σ(W₂O₁(x_i)+B₂)得到每个目标候选框的旋转不变HOG特征；

步骤d：采用步骤2中的计算公式检测高分遥感图像中的目标；

重复步骤3对所有待检测的高分遥感图像进行目标检测。