CN109977965A - 一种在遥感机场图像中确定检测目标的方法及装置 - Google Patents

一种在遥感机场图像中确定检测目标的方法及装置 Download PDF

Info

Publication number
CN109977965A
CN109977965A CN201910152523.0A CN201910152523A CN109977965A CN 109977965 A CN109977965 A CN 109977965A CN 201910152523 A CN201910152523 A CN 201910152523A CN 109977965 A CN109977965 A CN 109977965A
Authority
CN
China
Prior art keywords
image
airport
key point
detection target
area 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.)
Granted
Application number
CN201910152523.0A
Other languages
English (en)
Other versions
CN109977965B (zh
Inventor
毕福昆
田雨萌
杨志华
张诘
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.)
North China University of Technology
Original Assignee
North China University of Technology
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 North China University of Technology filed Critical North China University of Technology
Priority to CN201910152523.0A priority Critical patent/CN109977965B/zh
Publication of CN109977965A publication Critical patent/CN109977965A/zh
Application granted granted Critical
Publication of CN109977965B publication Critical patent/CN109977965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种在遥感机场图像中确定检测目标的方法及装置，所述方法包括：筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。所述装置执行上述方法。本发明实施例提供的在遥感机场图像中确定检测目标的方法及装置，能够在遥感机场图像中高效、准确地确定检测目标。

Description

一种在遥感机场图像中确定检测目标的方法及装置
技术领域
本发明实施例涉及遥感图像处理技术领域，尤其涉及一种在遥感机场图像中确定检测目标的方法及装置。
背景技术
当前，遥感图像处理技术的应用越来越广泛，尤其是遥感图像中的目标检测在各个领域都发挥着重要作用。
遥感机场图像中的检测目标，例如飞机，由于，飞机的外形尺寸差异较大，检测存在困难；此外，遥感机场图像区域大、场景复杂，存在大量与飞机特征属性相似的建筑物局部区域干扰，极易产生大量虚警。这些因素使得已有方法的适应性有限、且时效性有待提高。
因此，如何避免上述缺陷，能够在遥感机场图像中高效、准确地确定检测目标，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种在遥感机场图像中确定检测目标的方法及装置。
本发明实施例提供一种在遥感机场图像中确定检测目标的方法，包括：
筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本发明实施例提供一种在遥感机场图像中确定检测目标的装置，包括：
筛选单元，用于筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除单元，用于剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
确定单元，用于根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本发明实施例提供的在遥感机场图像中确定检测目标的方法及装置，通过先后分别获取非平缓区域图像、机场候选区图像，并根据包含有描述检测目标的关键点的局域上下文信息的预设模型检测该机场候选区图像，从而确定检测目标，能够在遥感机场图像中高效、准确地确定检测目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明在遥感机场图像中确定检测目标的方法实施例流程图；
图2为本发明在遥感机场图像中确定检测目标的装置实施例结构示意图；
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明在遥感机场图像中确定检测目标的方法实施例流程图，如图1所示，本发明实施例提供的一种在遥感机场图像中确定检测目标的方法，包括以下步骤：
S101：筛选遥感机场图像中的区域图像，以获取非平缓区域图像。
具体的，装置筛选遥感机场图像中的区域图像，以获取非平缓区域图像。遥感机场图像视场大，但其中的检测目标，例如飞机，占比小、分布稀疏，视场中大部分为非检测目标对应的区域。由于，飞机往往存在于机场跑道、停机坪等平坦区域，且此类平坦区域仅在飞机出现的局部区域有显著的梯度纹理变化，因此，筛选遥感机场图像中的区域图像，可以进一步包括剔除平坦区域对应的图像(即剔除平缓区域图像)，从而获取非平缓区域图像。
进一步地，可以基于梯度积分图获取非平缓区域图像：可以计算遥感机场图像的梯度特征图像，然后产生SAT(sum area table)查找表，对梯度特征图像进行积分图重绘，并进行双峰均值自适应分割，即实现了非平缓区域的获取。此二值图像素点的属性为三元组P[x,y,l]，其中(x,y)表示像素点的坐标位置，l表示像素点特征。非平缓区域l＝1，平缓区域l＝0。
S102：剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像。
具体的，装置剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像。在非平缓区域图像中还包括机场大型建筑等大面积纹理非常密集的区域，可以理解的是：这些区域(例如航站楼、运货区、塔台等)不会存在检测目标。这些区域即为规整区域图像，在通过梯度积分图处理后，规整区域图像通常为大片规则形状的联通区域，其中，大片规则形状可以为矩形，不作具体限定。针对上述非平缓区域图像的像素点前后两点属性特征不同的特点，剔除所述非平缓区域图像中的规整区域图像，可以先通过对非平缓区域图像进行逐行逐列的横-纵双维扫描，获取到规整区域图像，再进行剔除。该机场候选区图像可以理解为存在飞机的候选区域对应的图像。
S103：根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
具体的，装置根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。关键点可以理解为能够体现飞机轮廓的角点、边缘点等。预设模型可以包括局域上下文HOG特征金字塔，其中，方向梯度直方图(Histogram of Oriented Gradient，简称“HOG”)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。可以将机场候选区图像直接输入至局域上下文HOG特征金字塔，局域上下文HOG特征金字塔的输出结果即为检测目标。
进一步地，为了更加准确地确定检测目标，预设模型还可以包括基于方向预估计的DPM，其中，可变形的组件模型(Deformable Part Model，简称“DPM”)是一种基于组件的检测算法。根据所述机场候选区图像和预设模型，确定检测目标，可以包括：
根据所述机场候选区图像、所述局域上下文HOG特征金字塔和所述DPM，确定所述检测目标，具体包括如下步骤：
局域疑似目标方向预估计：首先对机场候选区图像进行疑似目标的独立连通域分离。机场中飞机停放状态为三种：独立停放、并列停放、与廊桥连接。其中，独立停放的飞机经过候选区提取后以连通域的方式独立存在，与廊桥连接的飞机则有细小线条与周围物体相接，基于以上特性，对候选区图像进行先腐蚀后膨胀的开运算，将与飞机相接的细小条块消除，在纤细点处分离飞机，使得每个飞机目标都成为单独存在的连通域。其次，对上一步中开运算操作后的候选区图像进行圆周方向扫描以获取预估方向。飞机本身具有明确的结构特点(机头、机尾、两侧机翼)，因此，以飞机几何中心点为圆心进行圆周方向扫描，周圈像素幅值排布会呈现特定的趋势，具体为：相交出现4个峰值、4个峰谷。将上一步骤中得到的连通域进行圆周方向扫描，将幅值突异特征最明显的4个点的相位角度作为疑似飞机目标的方向预估。
DPM候选飞机鉴别：DPM模型训练过程：首先建立训练和验证数据库，构建合理的样本集。然后用标准SVM算法训练出m个相应的根滤波器，将它们联合起来，并进行迭代优化。接着初始化每个组件模型的部件，最后通过坐标下降算法优化模型参数β。
DPM检测过程：在上述建立的局域上下文HOG特征金字塔中，以局域疑似目标方向预估计得到的方向为基准，依次对飞机目标进行检测鉴别。在顺序旋转检测过程中，若在某一个角度检测到飞机目标，则停止在该连通域的鉴别。若在预估方向中未检测到飞机目标，则在0°～360°之间以每60°为间隔顺序旋转连通域，进行检测。计算局域上下文HOG特征金字塔中的每层得分，通过非极大值抑制的方法选取有效得分，并将其映射回图像，可得到确定目标位置的矩形框，即检测目标的检测结果。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过先后分别获取非平缓区域图像、机场候选区图像，并根据包含有描述检测目标的关键点的局域上下文信息的预设模型检测该机场候选区图像，从而确定检测目标，能够在遥感机场图像中高效、准确地确定检测目标。
在上述实施例的基础上，所述方法还包括：
预先构建所述预设模型。
具体的，装置预先构建所述预设模型。进一步地，所述预设模型可以包括局域上下文HOG特征金字塔，相应的，所述预先构建所述预设模型，包括：
筛选出所有关键点。
具体的，装置筛选出所有关键点。由于，飞机轮廓清晰、局部信息丰富，易提取获得关键点，例如角点、边缘点等，采用fast算法对上述步骤中的机场候选区图像进行关键点提取，从而，高效地获取遥感机场场景中的局域突出位置。可以对关键点提取多尺度局部模式直方图特征(该特征能有效描述关键点的局域上下文信息)，再结合oc-svm分类器，筛选出包含有飞机局部属性的所有关键点。
对每个关键点进行加权，并生成用于表示所述局域上下文信息的局域上下文权重图。
具体的，装置对每个关键点进行加权，并生成用于表示所述局域上下文信息的局域上下文权重图。
进一步地，生成用于表示所述局域上下文信息的局域上下文权重图，可以包括：
构建用于强化每个关键点的自身中心特性的高斯函数。
其中，所述高斯函数可以为：
其中，Fk(x,y)为所述高斯函数、可以表示某个关键点的权重值、k为某个关键点、xk和yk分别为这个关键点的横坐标和纵坐标、α为加权强度系数，σk为高斯函数系数，其中，加权强度系数和高斯函数系数的具体数值可以根据实际情况自主设置。
根据所述高斯函数叠加每个关键点的权重值。
具体的，装置根据所述高斯函数叠加每个关键点的权重值。
可以根据如下公式叠加每个关键点的权重值：
其中，F(x,y)为叠加后的权重值、k为某个关键点、N为关键点的总数、Fk(x,y)为所述高斯函数。
归一化处理叠加后的权重值，以获取所述局域上下文权重图。
具体的，装置归一化处理叠加后的权重值，以获取所述局域上下文权重图。需要说明的是：在加权时，密集点簇中心权重值极易产生局部较大值，为了防止局域值过大，影响全局权重图特性。对叠加后的权重值进行Min-Max Normalization归一化处理，使得F(x,y)的数值在0～1之间，归一化处理后的F(x,y)即为局域上下文权重图。
根据所述局域上下文权重图构建所述局域上下文HOG特征金字塔。
具体的，装置根据所述局域上下文权重图构建所述局域上下文HOG特征金字塔。可以采用如下步骤：
用梯度算子[-1,0,1]和[－1,0,1]T计算原分辨率下机场候选区图像中每个像素点I(x,y)的水平方向梯度和竖直方向梯度，以及其梯度幅值和角度：
其中，水平方向梯度为：
Gv(x,y)＝I(x+1,y)-I(x-1,y)；
竖直方向梯度为：
Gh(x,y)＝I(x,y+1)-I(x,y-1)；
梯度幅值为：
角度为：
利用对局域上下文权重图进行增益计算：
GF(x,y)＝F(x,y)*G(x,y)；
GF(x,y)为含有飞机局域上下文信息的梯度幅值。以增益后的梯度幅值梯度方向直方图，对梯度幅值梯度方向直方图中每个cell内的像素点梯度幅值和方向进行统计，并对梯度幅值梯度方向直方图中block块内每个cell的梯度直方图进行归一化处理，收集block块内的HOG特征，结合成特征向量，最后构建出局域上下文HOG特征图。
通过HOG算法计算图像的方向梯度直方图以构建L层的特征金字塔，规定λ为抽样规格，即为了获得金字塔中某一层的两倍分辨率而需要向下走的层数为λ。且金字塔顶层为图像在原分辨率下的HOG特征。
需要说明的是：局域上下文权重图是通过对飞机的关键点进行加权得到的，描述的是飞机自身区域及周围区域的共生上下文关系，能反映该处存在飞机的可能性大小。HOG特征则是通过计算和统计图像局部区域的梯度方向直方图来构成特征，对物体的边缘轮廓进行描述。把每个像素点的局域上下文权重值与梯度幅值相乘，在后续目标辨识建模的边缘轮廓特征中引入飞机周围区域的共生关系，建立局域上下文HOG特征金字塔。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过预先构建所述预设模型，进一步能够在遥感机场图像中高效、准确地确定检测目标。
在上述实施例的基础上，所述预设模型包括局域上下文HOG特征金字塔；相应的，所述预先构建所述预设模型，包括：
筛选出所有关键点。
具体的，装置筛选出所有关键点。可参照上述实施例的说明，不再赘述。
对每个关键点进行加权，并生成用于表示所述局域上下文信息的局域上下文权重图。
具体的，装置对每个关键点进行加权，并生成用于表示所述局域上下文信息的局域上下文权重图。可参照上述实施例的说明，不再赘述。
根据所述局域上下文权重图构建所述局域上下文HOG特征金字塔。
具体的，装置根据所述局域上下文权重图构建所述局域上下文HOG特征金字塔。可参照上述实施例的说明，不再赘述。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过生成局域上下文权重图、并构建局域上下文HOG特征金字塔，能够更加合理地构建预设模型，进一步能够在遥感机场图像中高效、准确地确定检测目标。
在上述实施例的基础上，所述生成用于表示所述局域上下文信息的局域上下文权重图，包括：
构建用于强化每个关键点的自身中心特性的高斯函数。
具体的，装置构建用于强化每个关键点的自身中心特性的高斯函数。可参照上述实施例的说明，不再赘述。
根据所述高斯函数叠加每个关键点的权重值。
具体的，装置根据所述高斯函数叠加每个关键点的权重值。可参照上述实施例的说明，不再赘述。
归一化处理叠加后的权重值，以获取所述局域上下文权重图。
具体的，装置归一化处理叠加后的权重值，以获取所述局域上下文权重图。可参照上述实施例的说明，不再赘述。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过对每个关键点的权重值，进一步优化了预设模型的构建过程。
在上述实施例的基础上，所述高斯函数为：
其中，Fk(x,y)为所述高斯函数、k为某个关键点、xk和yk分别为这个关键点的横坐标和纵坐标、α为加权强度系数，σk为高斯函数系数。
具体的，装置中的所述高斯函数为：
其中，Fk(x,y)为所述高斯函数、k为某个关键点、xk和yk分别为这个关键点的横坐标和纵坐标、α为加权强度系数，σk为高斯函数系数。可参照上述实施例的说明，不再赘述。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过具体的表达式限定高斯函数，进一步能够更加合理地构建预设模型。
在上述实施例的基础上，所述根据所述高斯函数叠加每个关键点的权重值，包括：
根据如下公式叠加每个关键点的权重值：
其中，F(x,y)为叠加后的权重值、k为某个关键点、N为关键点的总数、Fk(x,y)为所述高斯函数。
具体的，装置根据如下公式叠加每个关键点的权重值：
其中，F(x,y)为叠加后的权重值、k为某个关键点、N为关键点的总数、Fk(x,y)为所述高斯函数。可参照上述实施例的说明，不再赘述。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过具体叠加公式进行每个关键点的权重值的叠加计算，进一步能够更加合理地构建预设模型。
在上述实施例的基础上，预设模型还包括基于方向预估计的DPM；相应的，所述根据所述机场候选区图像和预设模型，确定检测目标，包括：
根据所述机场候选区图像、所述局域上下文HOG特征金字塔和所述DPM，确定所述检测目标。
具体的，装置根据所述机场候选区图像、所述局域上下文HOG特征金字塔和所述DPM，确定所述检测目标。可参照上述实施例的说明，不再赘述。
本发明实施例提供的在遥感机场图像中确定检测目标的方法，通过局域上下文HOG特征金字塔和DPM，确定所述检测目标，进一步能够在遥感机场图像中高效、准确地确定检测目标。
图2为本发明在遥感机场图像中确定检测目标的装置实施例结构示意图，如图2所示，本发明实施例提供了一种在遥感机场图像中确定检测目标的装置，包括筛选单元201、剔除单元202和确定单元203，其中：
筛选单元201用于筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除单元202用于剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；确定单元203用于根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
具体的，筛选单元201用于筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除单元202用于剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；确定单元203用于根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本发明实施例提供的在遥感机场图像中确定检测目标的装置，通过先后分别获取非平缓区域图像、机场候选区图像，并根据包含有描述检测目标的关键点的局域上下文信息的预设模型检测该机场候选区图像，从而确定检测目标，能够在遥感机场图像中高效、准确地确定检测目标。
本发明实施例提供的在遥感机场图像中确定检测目标的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；
其中，所述处理器301、存储器302通过总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：筛选遥感机场图像中的区域图像，以获取非平缓区域图像；剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种在遥感机场图像中确定检测目标的方法，其特征在于，包括：
筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先构建所述预设模型。
3.根据权利要求2所述的方法，其特征在于，所述预设模型包括局域上下文HOG特征金字塔；相应的，所述预先构建所述预设模型，包括：
筛选出所有关键点；
对每个关键点进行加权，并生成用于表示所述局域上下文信息的局域上下文权重图；
根据所述局域上下文权重图构建所述局域上下文HOG特征金字塔。
4.根据权利要求3所述的方法，其特征在于，所述生成用于表示所述局域上下文信息的局域上下文权重图，包括：
构建用于强化每个关键点的自身中心特性的高斯函数；
根据所述高斯函数叠加每个关键点的权重值；
归一化处理叠加后的权重值，以获取所述局域上下文权重图。
5.根据权利要求4所述的方法，其特征在于，所述高斯函数为：
其中，Fk(x,y)为所述高斯函数、k为某个关键点、xk和yk分别为这个关键点的横坐标和纵坐标、α为加权强度系数，σk为高斯函数系数。
6.根据权利要求4所述的方法，其特征在于，所述根据所述高斯函数叠加每个关键点的权重值，包括：
根据如下公式叠加每个关键点的权重值：
其中，F(x,y)为叠加后的权重值、k为某个关键点、N为关键点的总数、Fk(x,y)为所述高斯函数。
7.根据权利要求1至6任一所述的方法，其特征在于，预设模型还包括基于方向预估计的DPM；相应的，所述根据所述机场候选区图像和预设模型，确定检测目标，包括：
根据所述机场候选区图像、所述局域上下文HOG特征金字塔和所述DPM，确定所述检测目标。
8.一种在遥感机场图像中确定检测目标的装置，其特征在于，包括：
筛选单元，用于筛选遥感机场图像中的区域图像，以获取非平缓区域图像；
剔除单元，用于剔除所述非平缓区域图像中的规整区域图像，以获取机场候选区图像；所述规整区域图像为具有大片规则形状的联通区域对应的图像；
确定单元，用于根据所述机场候选区图像和预设模型，确定检测目标；所述预设模型包含有描述所述检测目标的关键点的局域上下文信息。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201910152523.0A 2019-02-28 2019-02-28 一种在遥感机场图像中确定检测目标的方法及装置 Active CN109977965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910152523.0A CN109977965B (zh) 2019-02-28 2019-02-28 一种在遥感机场图像中确定检测目标的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910152523.0A CN109977965B (zh) 2019-02-28 2019-02-28 一种在遥感机场图像中确定检测目标的方法及装置

Publications (2)

Publication Number Publication Date
CN109977965A true CN109977965A (zh) 2019-07-05
CN109977965B CN109977965B (zh) 2021-04-13

Family

ID=67077656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910152523.0A Active CN109977965B (zh) 2019-02-28 2019-02-28 一种在遥感机场图像中确定检测目标的方法及装置

Country Status (1)

Country Link
CN (1) CN109977965B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705427A (zh) * 2019-09-25 2020-01-17 中国人民解放军61646部队 一种遥感图像目标区域的提取处理方法及装置
CN111862006A (zh) * 2020-06-30 2020-10-30 北京北方智图信息技术有限公司 一种小型飞行器的探测方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650784A (zh) * 2009-09-23 2010-02-17 南京大学 一种利用结构上下文特征进行图像匹配的方法
US7853072B2 (en) * 2006-07-20 2010-12-14 Sarnoff Corporation System and method for detecting still objects in images
CN102214298A (zh) * 2011-06-20 2011-10-12 复旦大学 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN103186790A (zh) * 2011-12-27 2013-07-03 北京三星通信技术研究有限公司 对象检测***和方法
CN103514448A (zh) * 2013-10-24 2014-01-15 北京国基科技股份有限公司 船形识别方法和***
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
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 基于分块自适应加权梯度方向直方图特征的人脸识别方法
CN106067022A (zh) * 2016-05-28 2016-11-02 北方工业大学 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法
CN106778835A (zh) * 2016-11-29 2017-05-31 武汉大学 融合场景信息和深度特征的遥感图像机场目标识别方法
CN108446707A (zh) * 2018-03-06 2018-08-24 北方工业大学 基于关键点筛选及dpm确认的遥感图像飞机检测方法
CN108564602A (zh) * 2018-04-16 2018-09-21 北方工业大学 一种基于机场遥感图像的飞机检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853072B2 (en) * 2006-07-20 2010-12-14 Sarnoff Corporation System and method for detecting still objects in images
CN101650784A (zh) * 2009-09-23 2010-02-17 南京大学 一种利用结构上下文特征进行图像匹配的方法
CN102214298A (zh) * 2011-06-20 2011-10-12 复旦大学 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN103186790A (zh) * 2011-12-27 2013-07-03 北京三星通信技术研究有限公司 对象检测***和方法
CN103514448A (zh) * 2013-10-24 2014-01-15 北京国基科技股份有限公司 船形识别方法和***
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
CN105046224A (zh) * 2015-07-16 2015-11-11 东华大学 基于分块自适应加权梯度方向直方图特征的人脸识别方法
CN106067022A (zh) * 2016-05-28 2016-11-02 北方工业大学 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法
CN106778835A (zh) * 2016-11-29 2017-05-31 武汉大学 融合场景信息和深度特征的遥感图像机场目标识别方法
CN108446707A (zh) * 2018-03-06 2018-08-24 北方工业大学 基于关键点筛选及dpm确认的遥感图像飞机检测方法
CN108564602A (zh) * 2018-04-16 2018-09-21 北方工业大学 一种基于机场遥感图像的飞机检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNHYUK HYUN，AND ETC: "Proposing a Fast Circular HOG Descriptor for Detecting Rotated Objects", 《2015 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 *
尹宏鹏等: "基于视觉的目标检测与跟踪综述", 《自动化学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705427A (zh) * 2019-09-25 2020-01-17 中国人民解放军61646部队 一种遥感图像目标区域的提取处理方法及装置
CN111862006A (zh) * 2020-06-30 2020-10-30 北京北方智图信息技术有限公司 一种小型飞行器的探测方法及装置

Also Published As

Publication number Publication date
CN109977965B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN108596101B (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN108416307B (zh) 一种航拍图像路面裂缝检测方法、装置及设备
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN111914795B (zh) 一种航拍图像中旋转目标检测方法
CN109165623B (zh) 基于深度学习的水稻病斑检测方法及***
CN104166841B (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN107742099A (zh) 一种基于全卷积网络的人群密度估计、人数统计的方法
CN110378297A (zh) 一种基于深度学习的遥感图像目标检测方法
CN109670503A (zh) 标识检测方法、装置和电子***
CN110930387A (zh) 基于深度可分离卷积神经网络的织物疵点检测方法
CN112070729A (zh) 一种基于场景增强的anchor-free遥感图像目标检测方法及***
CN109255286A (zh) 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法
CN109948593A (zh) 基于结合全局密度特征的mcnn人群计数方法
CN108446707A (zh) 基于关键点筛选及dpm确认的遥感图像飞机检测方法
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN108932273A (zh) 图片筛选方法及装置
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN110969171A (zh) 基于改进卷积神经网络的图像分类模型、方法及应用
CN112560675A (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN102819747B (zh) 林业业务图像自动分类方法
CN115049948B (zh) 基于神经网络模型的无人机巡检方法、装置及相关设备
CN109977965A (zh) 一种在遥感机场图像中确定检测目标的方法及装置
CN112101189A (zh) 基于注意力机制的sar图像目标检测方法及测试平台
CN116824335A (zh) 一种基于YOLOv5改进算法的火灾预警方法及***

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
GR01 Patent grant
GR01 Patent grant