CN107316018A - 一种基于组合部件模型的多类典型目标识别方法 - Google Patents

一种基于组合部件模型的多类典型目标识别方法 Download PDF

Info

Publication number
CN107316018A
CN107316018A CN201710486694.8A CN201710486694A CN107316018A CN 107316018 A CN107316018 A CN 107316018A CN 201710486694 A CN201710486694 A CN 201710486694A CN 107316018 A CN107316018 A CN 107316018A
Authority
CN
China
Prior art keywords
target
subassembly
feature
model
carried out
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.)
Pending
Application number
CN201710486694.8A
Other languages
English (en)
Inventor
钱立志
刘桢
陈栋
胡春生
陈珅培
王曙光
殷希梅
陶声祥
张申浩
宁全利
魏新亮
马丽芳
朱建生
蒋滨安
刘立晗
凌冲
陈凯
张云鹏
张晓龙
吴剑
张敬修
刘闯
孙姗姗
冯鹏鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA MILITARY ACADEMY
Original Assignee
PLA MILITARY ACADEMY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PLA MILITARY ACADEMY filed Critical PLA MILITARY ACADEMY
Priority to CN201710486694.8A priority Critical patent/CN107316018A/zh
Publication of CN107316018A publication Critical patent/CN107316018A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于组合部件模型的多类典型目标识别方法，所述组合部件模型包含整体轮廓部件和子部件，主要包括如下步骤：一、采用梯度直方图特征对图像中目标的整体轮廓部件和子部件进行描述；二、对于子部件位置设定一个隐变量，采用隐支持向量机进行目标图像样本的训练，得出分类器模型；三、在训练出模型之后，在原始分辨率下，采用根滤波器对目标的整体轮廓特征进行卷积运算；在降采样分辨率下，采用子滤波器对各个子部件的特征进行卷积运算；四、通过特征卷积与位置偏移的计算，最大的得分区域即为目标关键部位所在位置。本发明在对整体目标进行识别时就能实现对目标重要部位的二次识别，武器***可依据重要子部件所在位置，选择打击目标的关键部位，获得最大的毁伤效果。

Description

一种基于组合部件模型的多类典型目标识别方法
技术领域
本发明属于计算机图像识别技术领域，具体涉及一种基于组合部件模型的多类典型目标识别方法。
背景技术
电视制导作为一种新型的制导方式，由于其直观方便、符合人类视觉习惯等突出优点，在各类制导炸弹、导弹等现代武器***中得到了广泛应用。
一些大型目标(机场跑道、桥梁、大型舰船等)和集群目标(坦克群、导弹阵地等)，等制导末端目标在制导图像中所占区域较大，如果最后的打击点选择在这些目标关键部位，则能够提供较好的毁伤效果。
在目标跟踪的初期，由于目标本身在视场中所占面积非常小，因此无论是哪种目标，都是把目标的整体作为其跟踪特征的，但是到了跟踪的中后期，随着目标不断放大，其自身的特征信息逐渐丰富的时候，最终的攻击点与关键部位就有可能会存在偏差，为了达到较高的毁伤效果，需要将关键部位标示出来进行打击，因此就需要对打击位置进行修正。
发明内容
本发明的目的正是为了解决目前制导弹药、尤其是电视制导弹药不能识别目标关键部位的缺陷，提出了对整个目标的区域中组成目标的各个子部件进行识别并进行标记的方法，在进行整体目标识别时就能得到目标重要子部位所在。
本发明提供了一种基于组合部件模型的多类典型目标识别方法，所述组合部件模型包含整体轮廓部件和子部件，主要包括如下步骤：
一、采用梯度直方图特征对图像中目标的整体轮廓部件和子部件进行描述；
二、对于子部件位置设定一个隐变量，采用隐支持向量机进行目标图像样本的训练，得出分类器模型；
三、在训练出模型之后，在原始分辨率下，采用根滤波器对目标的整体轮廓特征进行卷积运算；在降采样分辨率下，采用子滤波器对各个子部件的特征进行卷积运算；
四、通过特征卷积与位置偏移的计算，最大的得分区域即为目标关键部位所在位置。
进一步地，在步骤一中对梯度直方图特征利用主成分分析法进行降维处理。
进一步地，步骤二中，训练包括初始化过程、迭代训练过程和后处理过程。
进一步地，根滤波器的卷积运算在原始分辨率下进行；子滤波器的卷积运算在降采样分辨率下进行。
本发明基于组合部件模型的识别方法，在识别目标时就可以将目标的各个子部件都识别出来，利用分类器模型对整体轮廓特征和子部件特征分别进行卷积运算，从而计算初目标关键部位所在位置，实现对目标重要部位的二次识别。武器***可依据重要子部件所在位置，选择打击目标的关键部位，获得最大的毁伤效果。
附图说明
图1是本发明基于部件模型目标检测识别过程的流程图；
图2是本发明基于部件模型目标训练过程的流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
参见附图1-2，本发明提出了一种基于组合部件模型的多类典型目标识别方法。在本发明中，组合部件模型是指将目标看成是由许多子部件和一个整体轮廓部件进行组装而成的物体，各个子部件之间有着相对的位置关系，且子部件之间允许存在一定的位置偏差。
以大型的军用舰船为例，整个舰船由几个较为明显的部件组成，如船头、船身与船尾等，且不同类型的军用舰船整体轮廓基本相同，因此采用可变组合部件模型可以很好的描述舰船。
参见附图1，本发明的识别方法具体包含以下内容：
一、提取子部件特征
采用梯度直方图(HOG)特征对图像中目标的整体轮廓部件和子部件进行描述。
梯度方向直方图是一种基于图像网格局部归一化方向梯度直方图的特征提取方法。首先将整张图像分割成固定大小的网格，并对每一个网格进行计算，得出网格内每一个像素的梯度强度和方向信息，随后由梯度强度和方向信息产生一维直方图。最后将这些网格直方图进行组合，形成完整的目标特征描述向量。
为了更好的适应光照变化和阴影等因素的干扰，在得出完整的特征向量前使用局部特征归一化以获得更好的特征信息。在应用时，对这些梯度直方图(HOG)特征利用主成分分析法进行降维处理，去除噪声影响。
二、分类器模型训练
对于子部件位置设定一个隐变量，针对全局特征的信息，提取出最优的局部特征位置使得分最大化，采用隐支持向量机进行目标图像样本的训练。训练时在图中标注目标所在的位置，而同时标注关键子部件的组成及位置。其他子部件的位置模型则通过隐支持向量机的训练得出，这样既可减少标注量、又能减少位置误标注带来的识别错误。
训练过程如图2所示，包括初始化过程、迭代训练过程和后处理过程。
具体实施时，例如可采集舰船模型图像共80张，其中水平朝向和竖直朝向情况的图像各20张，另有四个朝向(正东北、正东南、正西南、正西北)的各10张图像，在图中标注舰船所在的位置，同时采集不含舰船的图像样本作为负样本10张，之后对不同方向的舰船图像样本进行训练(见附图2)，以训练水平朝向的舰船分类器为例，即可得出分类器模型。
同理，可采集自行火炮模型图像共80张，其中水平朝向和竖直朝向情况的图像各20张，每个方向各20张图像四个朝向(正东北、正东南、正西南、正西北)的各10张图像，在图中标注自行火炮所在的位置，同时采集不含火炮的样本10张，之后对水平方向的自行火炮样本进行训练，从而得出分类器模型。
三、利用分类器模型进行目标识别
在训练出模型之后，利用根滤波器与子滤波器来分别描述不同部件的特征。根滤波器就是目标的整体轮廓特征，子滤波器就是各个子部件的特征。
在识别检测中，对原始图像使用两种不同分辨率下的特征：原始分辨率(即粗分辨率)下，获取目标的整体轮廓特征，利用根滤波器进行卷积运算；在降采样分辨率(即细分辨率)下获取目标的子部件特征，利用子滤波器进行卷积运算。对于每一个待识别检测的目标，其最终的模型识别得分包括整体轮廓特征的卷积得分与子部件特征的卷积得分之和，还需要减去局部模型相对位移与偏移权重系数的内积，最后再加上模型整体偏移值。通过特征卷积与位置偏移的计算，寻找出最大的得分区域即为目标关键部位所在位置。
由于本发明采用子部件识别的方法，其识别模型包含了所有子部件的组成，所以在识别目标时，不仅能识别出整个目标的区域，而且能识别出组成目标的各个子部件，因此只要将目标模型的子部件在训练时进行人为的判定，将目标重要部位的子部件进行标记，在识别时就能得到目标重要子部位所在，实现对目标重要部位的二次识别。武器***可依据重要子部件所在位置，选择打击目标的关键部位，获得最大的毁伤效果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
本发明不限于以上对实施例的描述，本领域技术人员根据本发明揭示的内容，在本发明基础上不必经过创造性劳动所进行的改进和修改，都应该在本发明的保护范围之内。

Claims (4)

1.一种基于组合部件模型的多类典型目标识别方法，所述组合部件模型包含整体轮廓部件和子部件，其特征在于，
主要包括如下步骤：
一、采用梯度直方图特征对图像中目标的整体轮廓部件和子部件进行描述；
二、对于子部件位置设定一个隐变量，采用隐支持向量机进行目标图像样本的训练，得出分类器模型；
三、在训练出模型之后，在原始分辨率下，采用根滤波器对目标的整体轮廓特征进行卷积运算；在降采样分辨率下，采用子滤波器对各个子部件的特征进行卷积运算；
四、通过特征卷积与位置偏移的计算，最大的得分区域即为目标关键部位所在位置。
2.根据权利要求1所述的一种基于组合部件模型的多类典型目标识别方法，其特征在于：
在步骤一中，对梯度直方图特征利用主成分分析法进行降维处理。
3.根据权利要求1所述的一种基于组合部件模型的多类典型目标识别方法，其特征在于：
在步骤二中，所述训练包括初始化过程、迭代训练过程和后处理过程。
4.根据权利要求1或2所述的一种基于组合部件模型的多类典型目标识别方法，其特征在于：
根滤波器的卷积运算在原始分辨率下进行；子滤波器的卷积运算在降采样分辨率下进行。
CN201710486694.8A 2017-06-23 2017-06-23 一种基于组合部件模型的多类典型目标识别方法 Pending CN107316018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710486694.8A CN107316018A (zh) 2017-06-23 2017-06-23 一种基于组合部件模型的多类典型目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710486694.8A CN107316018A (zh) 2017-06-23 2017-06-23 一种基于组合部件模型的多类典型目标识别方法

Publications (1)

Publication Number Publication Date
CN107316018A true CN107316018A (zh) 2017-11-03

Family

ID=60180135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710486694.8A Pending CN107316018A (zh) 2017-06-23 2017-06-23 一种基于组合部件模型的多类典型目标识别方法

Country Status (1)

Country Link
CN (1) CN107316018A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631388A (zh) * 2022-12-21 2023-01-20 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8363913B2 (en) * 2008-09-05 2013-01-29 Purdue Research Foundation Dietary assessment system and method
CN104134071A (zh) * 2014-06-20 2014-11-05 北京工业大学 一种基于颜色描述的可变形部件模型物体检测方法
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN104850850A (zh) * 2015-04-05 2015-08-19 中国传媒大学 一种结合形状和颜色的双目立体视觉图像特征提取方法
CN105095905A (zh) * 2014-04-18 2015-11-25 株式会社理光 目标识别方法和目标识别装置
CN105335716A (zh) * 2015-10-29 2016-02-17 北京工业大学 一种基于改进udn提取联合特征的行人检测方法
CN105718889A (zh) * 2016-01-21 2016-06-29 江南大学 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
US20160328838A1 (en) * 2015-05-01 2016-11-10 Applied Research LLC. Automatic target recognition system with online machine learning capability
CN106296667A (zh) * 2016-08-01 2017-01-04 乐视控股（北京）有限公司 手形检测方法和***
CN106384100A (zh) * 2016-09-28 2017-02-08 武汉大学 一种基于部件的精细车型识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8363913B2 (en) * 2008-09-05 2013-01-29 Purdue Research Foundation Dietary assessment system and method
CN105095905A (zh) * 2014-04-18 2015-11-25 株式会社理光 目标识别方法和目标识别装置
CN104134071A (zh) * 2014-06-20 2014-11-05 北京工业大学 一种基于颜色描述的可变形部件模型物体检测方法
CN104200236A (zh) * 2014-08-22 2014-12-10 浙江生辉照明有限公司 基于dpm的快速目标检测方法
CN104850850A (zh) * 2015-04-05 2015-08-19 中国传媒大学 一种结合形状和颜色的双目立体视觉图像特征提取方法
US20160328838A1 (en) * 2015-05-01 2016-11-10 Applied Research LLC. Automatic target recognition system with online machine learning capability
CN105335716A (zh) * 2015-10-29 2016-02-17 北京工业大学 一种基于改进udn提取联合特征的行人检测方法
CN105718889A (zh) * 2016-01-21 2016-06-29 江南大学 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN106296667A (zh) * 2016-08-01 2017-01-04 乐视控股（北京）有限公司 手形检测方法和***
CN106384100A (zh) * 2016-09-28 2017-02-08 武汉大学 一种基于部件的精细车型识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱超: "提高可变形部件模型检测效果的研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631388A (zh) * 2022-12-21 2023-01-20 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质
CN115631388B (zh) * 2022-12-21 2023-03-17 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109654945A (zh) 具有弹道表现能力和毁伤多样性的对抗射击模拟技术
CN109344878B (zh) 一种基于ResNet的仿鹰脑特征整合小目标识别方法
CN108647573A (zh) 一种基于深度学习的军事目标识别方法
CN108288290B (zh) 一种应用于智能狙击枪的靶心在线自动标定方法
CN106599828A (zh) 一种基于roi的红外图像检测方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法
CN110472628A (zh) 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法
CN103591852B (zh) 一种报靶***的自动校正方法和报靶***
CN115481716A (zh) 一种基于深度网络前景激活特征转移的物理世界对抗攻击方法
KR20210143634A (ko) 골프 코스의 디봇 탐지 시스템 및 이를 이용한 탐지 방법
CN106096617A (zh) 一种基于改进主动轮廓模型的全景海天线提取方法
CN107316018A (zh) 一种基于组合部件模型的多类典型目标识别方法
JP2009069019A (ja) 目標検出装置および目標検出方法
CN113028897B (zh) 图像导引方法及装置
CN107247917A (zh) 一种基于ELM与DSmT的飞机姿态识别方法
CN115393738A (zh) 一种基于无人机的papi飞行校验方法和***
Zin et al. Image processing approach to automatic scoring system for archery targets
CN116757999A (zh) 一种基于红外摄像机的射击计数与炸点识别方法
Yang et al. Method for building recognition from FLIR images
CN114578849A (zh) 一种无人机检靶***、检靶方法、计算机可读存储介质
Gray et al. Feature-based tracking algorithms for imaging infrared anti-ship missiles
CN103500253B (zh) 一种航炮空靶射击参数智能判别方法及***
CN114463630A (zh) 一种对速生林中多种不同植株生长态势精准判断的方法
Robert-Inacio et al. Multispectral target detection and tracking for seaport video surveillance
Hasan et al. A Comparison between YOLOV7 and YOLOV5-based detection of Combat Targets and Camouflaged Militia

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171103

RJ01 Rejection of invention patent application after publication