CN105956592B - 一种基于图像显著性与svm的飞机目标检测方法 - Google Patents
一种基于图像显著性与svm的飞机目标检测方法 Download PDFInfo
- Publication number
- CN105956592B CN105956592B CN201610303628.8A CN201610303628A CN105956592B CN 105956592 B CN105956592 B CN 105956592B CN 201610303628 A CN201610303628 A CN 201610303628A CN 105956592 B CN105956592 B CN 105956592B
- Authority
- CN
- China
- Prior art keywords
- window
- value
- aircraft
- seed point
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 70
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 36
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像显著性与SVM的飞机目标检测方法,显著性区域检测中有两种视觉注意方式,分别是:自底向上(数据驱动)的注意方式、自顶向下(任务驱动)的注意方式。本发明先提取训练样本的方向梯度直方图(HOG)特征,训练支持向量机(SVM)分类器,然后使用一种基于剩余谱理论的自底向上的视觉注意模型进行显著性区域检测,快速提取可能存在目标的候选区域,然后提取候选区域的HOG特征,再使用训练好的SVM分类器对候选区域进行分类,完成目标检测。
Description
技术领域
本发明属于计算机图像处理,涉及飞机目标检测方法,具体涉及一种基于图像显著性与SVM的飞机目标检测方法。
背景技术
可见光图像目标检测是目标检测领域重要的分支之一,在军事领域有极为重要的应用。目前,在飞机检测方面,国内外的专家学者已经做了大量的研究工作。比较早的有基于图像角点与边缘特征的飞机检测方法,通过角点和边缘所围成的外观形状来判断飞机的位置。另外,由于飞机在图像中的独特形状,现有技术中出现过一种用于飞机检测的圆滤波器检测方法;但是,该方法容易受到飞机尺寸的限制,对尺度不合适的飞机区域采用圆滤波器并不能达到好的检测效果。而基于图像显著性的飞机检测方法,则主要利用人眼的视觉***特点初步获取图像中的飞机可疑区域,然后与目标特征相结合实现对飞机位置的检测。
在基于统计学习的方法中,可见光图像中的目标检测通常被认定为一个二分类问题,即待检测目标要么是目标,要么不是目标。随着机器学习与特征提取等方法研究的不断深入以及不断被应用到种类目标检测中,现有的机器学习方法与特征提取方法使得目标检测的准确性有了很大的提高,但仍不能高效、准确地提取出图像中包含目标的候选区域。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于图像显著性与SVM的飞机目标检测方法,将基于显著性区域检测的图像分割运用到目标检测领域以解决检测精度不高等问题。
技术方案
一种基于图像显著性与SVM的飞机目标检测方法,其特征在于步骤如下:
步骤1、数据准备:从公众可获得的各类图像中选取可见光机场图像作为训练样本及待检测目标图集,并转换为灰度图,图中飞机的最大外接正方形的尺寸从最小值:a1×a1,至最大值为a2×a2;选取部分图像作为训练样本,将图像中飞机区域切割后作为正样本,其他区域切割后作为负样本;剩余的部分图像作为测试样本;所述的训练的样本缩放为a3×a3大小的尺寸;
步骤2:分别提取正负训练样本的HOG特征;
步骤3:将提取到的每一个正负样本的HOG特征与其类别标签,正样本为1,负样本为-1组合成一个向量,训练SVM分类器;
步骤4:采用基于剩余谱理论的显著性检测方法获取测试样本中图像的显著图;
步骤5:通过面积阈值化方法提取显著图中的连通域,产生飞机目标的候选区域,过程如下:
步骤5a:首先计算显著图的均值和方差
其中,w表示图像的宽,h表示图像的高,Sal(i,j)表示显著图中第i行第j列的像素值;
步骤5b:利用显著图的均值和方差计算阈值T,以该阈值T分割显著图;所述阈值T:
系数k是为了平衡标准差和均值在阈值T取值时的权重
步骤5c、对阈值化后的显著图进行连通域滤波:以大小为n1×n1的矩形窗,以第i行第j列像素(i,j)为中心截取一个邻域;以某区域的像素个数来定义该区域的面积,求出处于所述邻域范围内的显著区域的面积;如果该面积大于一定阈值,就保留该区域,否则不保留;将所有保留下来的区域作为飞机目标的候选区域;
步骤6:从飞机目标的候选区域提取飞机目标,过程如下:
步骤6a、构建响应矩阵:
构建一个二维的响应矩阵M,矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h],s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应;初始化时,该响应矩阵初始化为一个与图像大小相同的全0矩阵;
以任一候选区域的局部像素极大值作为该候选区域的中心,称为:种子点;
步骤6b、二次窗口法剔除无效种子点,保留最可能的飞机区域,过程如下:
(A)确定第一次图像块窗口:窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h1×h1,其中:
其中,int()函数表示四舍五入取整。以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r1;
(B)确定第二次图像块窗口:窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h2×h2,其中:
h2=2(h1-1)+1
以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r2;
(C)判断是否保留该区域:
如果两次计算得到的分类器响应值均小于0,则认为该种子点对应的飞机候选区域无效,因此剔除该无效种子点;
否则,认为窗口包含的区域存在飞机或包含了飞机的大部分机身,将该两次响应中的较大值赋值到响应矩阵中种子点对应的坐标位置上,称为响应矩阵的种子点,并记录下该响应对应的窗口尺寸;具体地,设当前坐标为:(u,v),将需要记录的SVM分类器响应值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的r值;将产生该响应时对应的截取窗口尺寸中的正方形边长值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的s值;
步骤6c、优化响应矩阵,确定飞机区域:
(1)优化每个种子点中记录的窗口尺寸:
对每一个响应矩阵的种子点,先根据以下公式计算变换后的窗口边长值h3:
以响应矩阵的种子点处的坐标为中心,以h3×h3为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r3;
再根据以下公式计算变换后的窗口边长值h4:
以响应矩阵的种子点处的坐标为中心,以h4×h4为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r4;
找出r,r3,r4中的最大值,替换响应矩阵的种子点处元素的二维数组中原有的r值,以所述新的r值对应的窗口边长值替换响应矩阵的种子点处元素的二维数组中原有的s值;
确定飞机区域,得到最终目标检测结果;
(2)依据优化后的响应矩阵,以响应矩阵的种子点处记录的坐标作为原图像中飞机目标所在正方形区域的中心,以该种子点处记录的s值作为原图像中飞机目标所在正方形区域的边长,即可确定每个飞机区域,得到最终的飞机目标检测结果。
有益效果
本发明提出的一种基于图像显著性与SVM的飞机目标检测方法,显著性区域检测中有两种视觉注意方式,分别是:自底向上(数据驱动)的注意方式、自顶向下(任务驱动)的注意方式。本发明先提取训练样本的方向梯度直方图(HOG)特征,训练支持向量机(SVM)分类器,然后使用一种基于剩余谱理论的自底向上的视觉注意模型进行显著性区域检测,快速提取可能存在目标的候选区域,然后提取候选区域的HOG特征,再使用训练好的SVM分类器对候选区域进行分类,完成目标检测。
本发明将基于剩余谱理论的图像显著性检测与支持向量机的学习方法巧妙地结合起来,改进了目标区域的选择,提高了检测精度和检测的鲁棒性,模型简单,执行效率高。
附图说明
图1:基于SVM的检测网络的训练流程图
图2:基于图像显著性与SVM的可见光图像飞机检测流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
实施方案步骤如下:
步骤1:数据准备。
从GOOGLE-EARTH上截取可见光机场图像作为训练样本及待检测目标,统一转换为灰度图,图中飞机的最大外接正方形的尺寸从最小值:a1×a1,至最大值为a2×a2不等。在本实施例中,a1=20,a2=80。从这些截取后的图像中,采集用于训练的正负样本(各2000个),人工标注其飞机区域。正样本为各种姿态、不同型号的飞机,负样本为飞机场中存在的建筑物、飞机场内的标示、飞机尾部、飞机场中道路的交叉口等。在训练时所用样本均被统一缩放为a3×a3大小的尺寸,对于每幅测试图像,不需要裁剪。在本实施例中,a3=64。
步骤2:提取正负训练样本的HOG特征。
先使用Gamma校正的方法对缩放后尺寸为a3×a3的图像归一化。然后将图像均匀地划分成b1×b1个“单元格”(cell),每个单元格的大小为c1×c1个像素,其中:c1=a3/b1。为便于计算,通常将a3,b1,c1的取值调整为整数值,本实施例中,b1=8,c1=8。求出单元格内每个像素的梯度方向,根据其梯度方向的幅值加权投影到对应的直方图区间中,一个单元格对应一个N维(这里N=9,即从每个单元格中提取9维特征)的向量。随后取b2×b2个单元格组合成一个块(block),块与块的起始位置之间的间隔取d1个像素,使得块之间互有重叠,块的选取顺序为:先从左到右,再从上到下。在本实施例中,b2=2,d1=8,即:水平方向和垂直方向分别有7个块,使得图像共包含49个块。每个单元格仍取N维特征,块的特征由单元格的直方图特征向量按照单元格的排列顺序串联组成;整个图像的HOG特征则由各个块的HOG特征向量串联组成。在本实施例中,每个块有9×2×2共36维特征,整个归一化图像共有36×49共1764维特征。
步骤3:将上一步中提取到的每一个正负样本的HOG特征与其类别标签(正样本为1,负样本为-1)组合成一个向量,训练SVM分类器。本实施例中SVM的核函数采用径向基核函数。
步骤4:训练完毕后,使用基于剩余谱理论的显著性检测方法获取测试图像的显著图。
(1)设待检测灰度图像I的宽度为w个像素,高度为h个像素,对图像的像素
集合I(x)(其中I(x)∈[0,255],x∈[1,w*h])进行傅里叶变换F(I(x)),并提取图像频
域的相位特征与振幅特征;
A(f)=R(F(I(x))) (1)
P(f)=S(F(I(x))) (2)
其中,A(f)表示频率f的振幅,P(f)表示频率f的相位,R(F(I(x)))表示取F(I(x))振幅,S(F(I(x)))表示取F(I(x))相位。
(2)计算振幅的log谱L(f),并对log谱进行均值滤波,然后求log谱的剩余谱R(f):
L(f)=log(A(f)) (3)
R(f)=L(f)-hn(f)*L(f) (4)
上式中hn(f)是大小为n×n(本实施方案中选择3×3大小)均值滤波卷积核,定义为
(3)将剩余谱与相位谱结合求得新的图像频谱,对该图像频谱进行傅里叶反变换求得新的图像,并对得到的图像利用高斯卷积核进行图像平滑,即可得到基于剩余谱理论的图像显著图S(x):
S(x)=g(x)*F-1[exp(R(f)+P(f))]2 (5)
上式中,F-1(f)为傅里叶反变换,g(x)表示高斯卷积核。
步骤5:通过面积阈值化方法提取显著图中的连通域,以此产生飞机目标的候选区域。
(1)首先计算显著图的均值和方差
其中,w表示图像的宽,h表示图像的高,Sal(i,j)表示显著图中第i行第j列的像素值。
(2)利用显著图的均值和方差计算阈值T,以该阈值T分割显著图。这里的阈值T:
系数k是为了平衡标准差和均值在阈值T取值时的权重,本实施例中:k这样取值可以使阈值T与标准差满足一定的反比特性,降低标准差过大时对阈值的影响,或在标准差过小的时候能适当的增加标准差的影响。
(3)对阈值化后的显著图进行连通域滤波。以大小为n1×n1的矩形窗,以第i行第j列像素(i,j)为中心截取一个邻域,本实施例中,n1=11。以某区域的像素个数来定义该区域的面积,可求出处于所述邻域范围内的显著区域的面积。如果该面积大于一定阈值(本实施例中,阈值取60),就保留该区域,否则不保留。将所有保留下来的区域作为飞机目标的候选区域。
步骤6:从飞机目标的候选区域提取飞机目标。
(1)构建响应矩阵
构建一个二维的响应矩阵M,矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h],s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应。初始化时,该响应矩阵初始化为一个与图像大小相同的全0矩阵。
以某个候选区域的局部像素极大值作为该候选区域的中心,称为:种子点(即:可能存在飞机目标的区域中心位置)。
(2)剔除无效种子点,保留最可能的飞机区域
为提高筛选的准确率,本发明提出一种二次窗口法,具体如下:
(A)确定第一次图像块窗口
该窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h1×h1,其中:
其中,int()函数表示四舍五入取整。以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r1。
(B)确定第二次图像块窗口
该窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h2×h2,其中:
h2=2(h1-1)+1 (10)
以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r2。
(C)判断是否保留该区域
如果两次计算得到的分类器响应值均小于0,则认为该种子点对应的飞机候选区域无效,因此剔除该无效种子点。
否则,认为窗口包含的区域存在飞机或包含了飞机的大部分机身,可将该两次响应中的较大值赋值到所述响应矩阵中种子点对应的坐标位置上,该点称为响应矩阵的种子点,并记录下该响应对应的窗口尺寸。具体地,设当前坐标为:(u,v),将需要记录的SVM分类器响应值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的r值;将产生该响应时对应的截取窗口尺寸中的正方形边长值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的s值。
(3)优化响应矩阵,确定飞机区域
(A)优化每个种子点中记录的窗口尺寸
对每一个响应矩阵的种子点,先根据以下公式计算变换后的窗口边长值h3:
以响应矩阵的种子点处的坐标为中心,以h3×h3为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r3。
再根据以下公式计算变换后的窗口边长值h4:
以响应矩阵的种子点处的坐标为中心,以h4×h4为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r4。
找出r,r3,r4中的最大值,替换响应矩阵的种子点处元素的二维数组中原有的r值,以所述新的r值对应的窗口边长值替换响应矩阵的种子点处元素的二维数组中原有的s值。
(B)确定飞机区域,得到最终目标检测结果
依据优化后的响应矩阵,以响应矩阵的种子点处记录的坐标作为原图像中飞机目标所在正方形区域的中心,以该种子点处记录的s值作为原图像中飞机目标所在正方形区域的边长,即可确定每个飞机区域,得到最终的飞机目标检测结果。
Claims (1)
1.一种基于图像显著性与SVM的飞机目标检测方法,其特征在于步骤如下:
步骤1、数据准备:从公众可获得的各类图像中选取可见光机场图像作为训练样本及待检测目标图集,并转换为灰度图,图中飞机的最大外接正方形的尺寸从最小值:a1×a1,至最大值为a2×a2;选取部分图像作为训练样本,将图像中飞机区域切割后作为正样本,其他区域切割后作为负样本;剩余的部分图像作为测试样本;所述的训练的样本缩放为a3×a3大小的尺寸;
步骤2:分别提取正负训练样本的HOG特征;
步骤3:将提取到的每一个正负样本的HOG特征与其类别标签,正样本为1,负样本为-1组合成一个向量,训练SVM分类器;
步骤4:采用基于剩余谱理论的显著性检测方法获取测试样本中图像的显著图;
步骤5:通过面积阈值化方法提取显著图中的连通域,产生飞机目标的候选区域,过程如下:
步骤5a:首先计算显著图的均值和方差
其中,w表示图像的宽,h表示图像的高,Sal(i,j)表示显著图中第i行第j列的像素值;
步骤5b:利用显著图的均值和方差计算阈值T,以该阈值T分割显著图;所述阈值T:
系数k是为了平衡标准差和均值在阈值T取值时的权重
步骤5c、对阈值化后的显著图进行连通域滤波:以大小为n1×n1的矩形窗,以第i行第j列像素(i,j)为中心截取一个邻域;以某区域的像素个数来定义该区域的面积,求出处于所述邻域范围内的显著区域的面积;如果该面积大于一定阈值,就保留该区域,否则不保留;将所有保留下来的区域作为飞机目标的候选区域;
步骤6:从飞机目标的候选区域提取飞机目标,过程如下:
步骤6a、构建响应矩阵:
构建一个二维的响应矩阵M,矩阵中每个元素的取值为一个二维数组Mi,j(s,r)其中i∈[1,w],j∈[1,h],s用于记录窗口尺寸,r用于记录存在飞机目标的窗口所产生的SVM响应;初始化时,该响应矩阵初始化为一个与图像大小相同的全0矩阵;
以任一候选区域的局部像素极大值作为该候选区域的中心,称为:种子点;
步骤6b、二次窗口法剔除无效种子点,保留最可能的飞机区域,过程如下:
(A)确定第一次图像块窗口:窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h1×h1,其中:
其中,int()函数表示四舍五入取整;以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r1;
(B)确定第二次图像块窗口:窗口是一个以种子点为中心的矩形窗口,窗口的尺寸为h2×h2,其中:
h2=2(h1-1)+1
以该窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r2;
(C)判断是否保留该区域:
如果两次计算得到的分类器响应值均小于0,则认为该种子点对应的飞机候选区域无效,因此剔除该无效种子点;
否则,认为窗口包含的区域存在飞机或包含了飞机的大部分机身,将该两次响应中的较大值赋值到响应矩阵中种子点对应的坐标位置上,称为响应矩阵的种子点,并记录下该响应对应的窗口尺寸;具体地,设当前坐标为:(u,v),将需要记录的SVM分类器响应值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的r值;将产生该响应时对应的截取窗口尺寸中的正方形边长值,赋给响应矩阵的种子点处元素M(u,v)的二维数组中的s值;
步骤6c、优化响应矩阵,确定飞机区域:
(1)优化每个种子点中记录的窗口尺寸:
对每一个响应矩阵的种子点,先根据以下公式计算变换后的窗口边长值h3:
以响应矩阵的种子点处的坐标为中心,以h3×h3为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r3;
再根据以下公式计算变换后的窗口边长值h4:
以响应矩阵的种子点处的坐标为中心,以h4×h4为窗口尺寸建立截取窗口对原图像进行截取,将截取到的图像块缩放为a3×a3大小,提取图像块的HOG特征,然后将HOG特征代入到SVM分类器中,计算SVM分类器响应值r4;
找出r,r3,r4中的最大值,替换响应矩阵的种子点处元素的二维数组中原有的r值,以新的r值对应的窗口边长值替换响应矩阵的种子点处元素的二维数组中原有的s值;
确定飞机区域,得到最终目标检测结果;
(2)依据优化后的响应矩阵,以响应矩阵的种子点处记录的坐标作为原图像中飞机目标所在正方形区域的中心,以该种子点处记录的s值作为原图像中飞机目标所在正方形区域的边长,即可确定每个飞机区域,得到最终的飞机目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610303628.8A CN105956592B (zh) | 2016-05-10 | 2016-05-10 | 一种基于图像显著性与svm的飞机目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610303628.8A CN105956592B (zh) | 2016-05-10 | 2016-05-10 | 一种基于图像显著性与svm的飞机目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956592A CN105956592A (zh) | 2016-09-21 |
CN105956592B true CN105956592B (zh) | 2019-03-29 |
Family
ID=56914362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610303628.8A Expired - Fee Related CN105956592B (zh) | 2016-05-10 | 2016-05-10 | 一种基于图像显著性与svm的飞机目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956592B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446584B (zh) * | 2018-01-30 | 2021-11-19 | 中国航天电子技术研究院 | 一种无人机侦察视频图像目标自动检测方法 |
CN110543837B (zh) * | 2019-08-16 | 2022-03-15 | 北京航空航天大学 | 一种基于潜在目标点的可见光机场飞机检测方法 |
CN111553298B (zh) * | 2020-05-07 | 2021-02-05 | 卓源信息科技股份有限公司 | 一种基于区块链的火灾识别方法及*** |
CN111783878B (zh) * | 2020-06-29 | 2023-08-04 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831402A (zh) * | 2012-08-09 | 2012-12-19 | 西北工业大学 | 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 |
CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
CN104992183A (zh) * | 2015-06-25 | 2015-10-21 | 中国计量学院 | 自然场景中的显著目标的自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224078B2 (en) * | 2000-11-06 | 2012-07-17 | Nant Holdings Ip, Llc | Image capture and identification system and process |
-
2016
- 2016-05-10 CN CN201610303628.8A patent/CN105956592B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831402A (zh) * | 2012-08-09 | 2012-12-19 | 西北工业大学 | 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 |
CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
CN104992183A (zh) * | 2015-06-25 | 2015-10-21 | 中国计量学院 | 自然场景中的显著目标的自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105956592A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN104091147B (zh) | 一种近红外眼睛定位及眼睛状态识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
Li et al. | A spatial clustering method with edge weighting for image segmentation | |
CN108416307A (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN105956592B (zh) | 一种基于图像显著性与svm的飞机目标检测方法 | |
CN107657279A (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN102332086A (zh) | 一种基于双阈值局部二进制模式的人脸识别方法 | |
CN106682641A (zh) | 基于fhog‑lbph特征的图像行人识别方法 | |
CN109325490A (zh) | 基于深度学习和rpca的太赫兹图像目标识别方法 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN108764159A (zh) | 小样本条件下的动物面部识别方法和*** | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN104077612A (zh) | 一种基于多特征稀疏表示技术的害虫图像识别方法 | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN109460767A (zh) | 基于规则的凸印银行卡***分割与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |