CN112232181B - 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 - Google Patents
仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 Download PDFInfo
- Publication number
- CN112232181B CN112232181B CN202011094794.4A CN202011094794A CN112232181B CN 112232181 B CN112232181 B CN 112232181B CN 202011094794 A CN202011094794 A CN 202011094794A CN 112232181 B CN112232181 B CN 112232181B
- Authority
- CN
- China
- Prior art keywords
- color
- contour
- eagle eye
- filtering
- antagonistic
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000008485 antagonism Effects 0.000 title claims abstract description 28
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 35
- 210000004027 cell Anatomy 0.000 claims description 23
- 230000001629 suppression Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 230000004438 eyesight Effects 0.000 claims description 11
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 10
- 208000005400 Synovial Cyst Diseases 0.000 claims description 10
- 230000019771 cognition Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 230000036755 cellular response Effects 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 210000001525 retina Anatomy 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000003994 retinal ganglion cell Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 239000005557 antagonist Substances 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 210000002221 olecranon process Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 210000000977 primary visual cortex Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003945 visual behavior Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
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
- G06F18/25—Fusion techniques
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法:步骤一:通道初始化及参数设置;步骤二:设置mask层;步骤三:仿鹰眼颜色拮抗机制计算;步骤四:仿鹰眼各向异性高斯差分滤波核计算;步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算;步骤六:合并两通道并进行对比度调整;步骤七:仿鹰眼各通道轮廓响应合并;步骤八:过滤海浪干扰并输出。本发明面向复杂海上环境下的船舶目标轮廓提取应用背景,解决了复杂海面环境中出现海面反光或鳞光海浪等情况下的目标轮廓检测问题,抑制了海面鳞光海浪对目标轮廓提取的干扰问题且轮廓提取结果较准确,能实现对海上船舶目标的轮廓提取,提高海上目标轮廓提取的抗干扰性、稳定性。
Description
技术领域
本发明涉及仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,属于无人机感知与导航领域。
背景技术
轮廓检测是目标识别、目标检测和目标跟踪等技术的重要基础。指在包含目标和背景的数字图像中,忽略背景和目标内部的纹理以及噪声干扰的影响,采用一定的技术和方法来实现目标轮廓提取的过程。轮廓特征反映了目标的形状,在目标检测、识别与跟踪等视觉应用中能够提供重要信息。
目前轮廓检测方法有两类,一类是利用传统的边缘检测算子检测目标轮廓,另一类是从生物视觉***中提取可以使用的数学模型完成目标轮廓检测。
基于边缘检测的轮廓检测方法是一种低层视觉行为,它主要定义了亮度、颜色等特征的低层突变,通过标识图像中亮度变化明显的点来完成边缘检测,因为这样的原因,所以这一类的算法很难形成相对完整和封闭的目标轮廓。边缘检测通常将图像与微分算子卷积。比如借助于Sobel算子、Prewitt算子、Canny算子等,但是这种方法没有考虑视觉中层和高层信息,因此很难得出完整的、连续的轮廓边缘,事实上仅仅使用这类方法很难得出完整的目标轮廓,甚至在一些背景含有大量噪声或者纹理的情况下,无法提取到合格轮廓。另外一类轮廓提取算法是从视网膜经典感受野推导出的模型得到初步应用。该模型一般适用于图像平滑与轮廓检测领域。例如Gabor滤波器模型的建立思路就来源于对初级视皮层Vl区简单细胞感受野的仿生,这种滤波器一般适用于角点检测和纹理特征提取等。
在对海上目标轮廓检测会出现一些明显干扰,例如海面阳光照射形成的鳞光反射,海上海浪运动形成的浪花,船舶运动形成的尾浪干扰,这些干扰会使得普通的轮廓检测算法错误将海浪以及反光部分也视作目标检测出,在最终的检测结果中进行保留,因此传统的轮廓检测方式无法实现海上复杂环境下的目标轮廓检测。
鉴于海上环境复杂,鳞光浪花等干扰较多,对海上目标轮廓检测的要求,与目标检测阶段海上环境的独特性和对目标轮廓检测结果的精确性、稳定性、抗干扰性等要求有着紧密的契合之处,本发明提出了仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,以解决现有海上船舶目标的轮廓检测与传统方法在海面复杂环境下干扰抑制的不足,促进海上船舶目标的精确轮廓检测顺利实现。
发明内容
本发明提供了仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,其目的是提供一种自主海上目标检测过程中的方法,旨在提高空中平台对海上目标轮廓识别的可靠性、抗干扰性以及精确性,促进海上目标检测定位的顺利实现,提高空中平台无人机的自主能力水平。
本发明针对海上目标的检测定位问题,发明了仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,实现步骤如下:
步骤一:通道初始化及参数设置
读取前端摄像机采集到的图像,并将参数进行初始化,计算并获得黄色通道的相关数据。首先设置仿鹰眼机制中的视锥细胞感受野范围σc,各向异性高斯滤波核感受野范围σ,各向异性因子ρ和滤波方向个数N,海浪抑制系数k。
对于输入的RGB图像I(x,y),参考鹰视网膜细胞中油滴细胞的作用,通过计算得到四色视觉的结果,黄色通道的图像按照下面的公式得到:
其中,IY(x,y),IR(x,y),IG(x,y)分别为读取的图像I中(x,y)黄色、红色和绿色通道值。
步骤二:设置mask层
根据颜色通道标记位置,仿照鹰眼颜色拮抗机制+设置数值形成mask层;具体逻辑为,若各颜色通道满足IR(x,y)+IG(x,y)≥2IB(x,y),则对mask′层的该像素点位置置1;若各颜色通道满足IR(x,y)+IG(x,y)<2IB(x,y),则对mask′层的该像素点位置置0;根据对应逻辑对mask′层进行初始化,按照下式进行:
其中,IR(x,y)、IG(x,y)、IB(x,y),分别为图像I中(x,y)红色、绿色和蓝色通道值。
对mask′(x,y)进一步处理得到mask(x,y),按照下列公式计算
其中k为海浪抑制系数,决定对于海浪部分的抑制程度。
步骤三:仿鹰眼颜色认知拮抗机制计算
使用二维各向同性高斯滤波器模拟鹰眼视觉机制中的视锥细胞的滤波作用,利用下式计算四个颜色通道的视锥细胞响应:
Ck(x,y;σc)=Ik(x,y)*G(x,y;σc) (4)
其中“*”为卷积计算,Ik(x,y)是图像的各个颜色通道,k∈{R,G,B,Y},G(x,y;σc)为对应的各向同性高斯滤波核,具体的定义参照下式:
其中,σ为各向异性高斯滤波核感受野范围。使用各向同性高斯滤波核能够抑制噪声从而使得轮廓提取更加鲁棒。
经过初步的仿鹰眼视觉视锥细胞滤波之后,仿鹰眼颜色认知拮抗对颜色通道进行处理,如图1a-1h,采用下面的计算方式来模拟视网膜神经节细胞对于颜色的拮抗作用:
ORG(x,y)=ωRCR(x,y;σc)+ωGCG(x,y;σc) (6)
其中,ωRωG<0,|ωR|∈(0,1],|ωG|∈(0,1],ωR和ωG分别表示红色通道和绿色通道的权重;当0<ωR<1且-1<ωG<0时,ORG(x,y)表示R+/G-拮抗神经节细胞的响应;当-1<ωR<0且0<ωG<1时,ORG(x,y)表示R-/G+拮抗神经节细胞的响应,得到R-/G+和R+/G-拮抗神经节细胞的响应。以此类推,按照下式得到B+/Y-和B-/Y+神经节细胞响应OBY(x,y):
OBY(x,y)=ωBCB(x,y;σc)+ωYCY(x,y;σc) (7)
步骤四:仿鹰眼各向异性高斯差分滤波核计算
为了达到轮廓提取的目的,鹰的视觉***中进化的视丘神经元感受野具有一定的方向选择性,这种方向选择性是鹰眼的轮廓感知能力的基础。得到上一步的颜色拮抗响应之后,为模拟鹰脑视丘核团对轮廓的感知能力,使用各向同性高斯差分滤波核与各向异性高斯差分滤波核相结合对各颜色通道进行轮廓提取。
对于各个颜色拮抗通道,均采用下式进行卷积计算:
θA(x,y)=θn,when I(x,y)*G'(x,y;σ,ρ,θn)=εA(x,y) (9)
其中,θn为各向异性高斯差分滤波核方向,取值范围为θn=nπ/N,n∈{0,1,...N-1};N为方向个数,G'(x,y;σ,ρ,θn)为各向异性高斯差分滤波核。
使用离散各向异性高斯差分滤波核对颜色拮抗通道图像中的各个像素点进行N个方向的滤波,可得到N个方向的轮廓响应,将这N个方向的最大值作为该像素点的轮廓响应,记录具有最大的滤波响应和对应的滤波方向。
离散各向异性高斯差分滤波核G'(x,y;σ,ρ,θn)的计算(如图2)按照下式,构成如图3所示的不同角度的各向异性高斯差分滤波核:
步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算
采用各向同性高斯差分滤波核在水平方向和垂直方向构成两个边缘检测滤波核,在水平方向和垂直方向上进行差分分量计算,各向同性高斯差分滤波核设置如下:
其中σ'作为输入满足σ'=σ/ρ,规定了滤波核的尺度。
对各颜色通道进行卷积计算,使用以上两个滤波核计算的轮廓响应,具体如下:
其中εI(x,y)是图像中坐标为(x,y)的像素点处的各向同性高斯差分滤波响应。
步骤六:合并两通道并进行对比度调整
对步骤四得到的结果εA(x,y)和步骤五滤波得到的结果εI(x,y)进行融合,之后模拟鹰眼视觉***对轮廓的整体调控作用,对每个颜色通道进行全局均值和局部均值的计算,对融合后的轮廓响应进行调整,得到对比度均衡之后的轮廓。具体过程如下:
对于步骤四得到的结果εA(x,y)和步骤五滤波得到的结果εI(x,y),使用下式对其进行融合:
进一步进行调整,模拟鹰眼视觉***对轮廓的整体调控作用,对每个颜色通道进行全局均值和局部均值的计算,对融合后的轮廓响应进行调整,得到对比度均衡之后的轮廓。
全局均值的计算按照下面公式进行:
其中,M和N分别为图像的宽和高。
为进行对比度调整,还需要考虑像素周围的局部均值,按照下面的公式进行计算:
其中,(2K+1)2是在像素(x,y)的K×K领域窗口内的所有像素个数。
得到上述两种在全局均值和局部均值之后,再进行下面的操作就可以得到对比度均衡后的融合轮廓响应:
步骤七:仿鹰眼颜色认知拮抗各通道轮廓响应合并
按照步骤三~六对四个颜色拮抗通道进行相关的滤波以及对比度均衡计算。
将四个颜色拮抗通道计算所得的轮廓进行合并,按照下式进行合并
按照上述公式求取每个颜色通道轮廓响应的最大值,计算得到在四个颜色拮抗通道上的最大轮廓响应,并步骤四中得到的θA(x,y)中记录的方向角做筛选,对应最大轮廓响应的颜色通道的滤波方向矩阵得到保留,得到θM(x,y)。
步骤八:过滤海浪干扰并输出结果
在步骤二中得到的mask(x,y),与步骤七的εM按照下列公式进行位计算,对步骤三~七中未处理的海浪鳞光进行抑制:
εF=εM∏mask(x,y) (19)
与步骤五的εM结果进行位计算之后得到的基本上就是抑制了海浪的目标船只的轮廓图,利用步骤四中得到的θA(x,y)中记录的方向角,进行抑制细化操作,按照下式建立εcon(x,y):
得到εcon(x,y)后,按照下式之后来对最终结果做最后的细化处理,得到最终的轮廓结果并输出:
本发明提出了仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,其优点及功效在于:一、本发明提供了完整海上目标轮廓提取阶段的工作流程,算法流程合理、高效,能够满足对海上船舶目标轮廓的提取功能指标;二、本发明模仿猛禽颜色视觉机制构建仿猛禽颜色拮抗及轮廓检测方法,提高了海上目标轮廓的检测效率及准确性;三、本发明给出了仿生视觉颜色拮抗和mask位计算的结合方法,抑制了海面鳞光,海浪对目标轮廓提取的干扰问题且轮廓提取结果较准确,能够实现对海上船舶目标的轮廓提取,提高海上目标轮廓提取的抗干扰性、稳定性。
附图说明
图1a-1h仿鹰眼颜色认知拮抗示意图
图2各向异性高斯滤波核旋转方向角运算示意图
图3各向异性高斯滤波核示意图
图4仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法流程图
图5未经海浪抑制无人机海上目标检测结果图
图6经海浪抑制及细化操作后无人机海上目标检测结果图
图7仿鹰眼颜色认知拮抗机制轮廓检测算法P-R曲线图
图中标号及符号说明如下:
R+G-——红增绿抑颜色拮抗
R-G+——绿增红抑颜色拮抗
B+Y-——蓝增黄抑颜色拮抗
B-Y+——黄增蓝抑颜色拮抗
θ——各向异性高斯差分滤波核方向角
mask——海浪抑制标记层
ORG(x,y)——红色绿色通道颜色拮抗轮廓响应
OBY(x,y)——蓝色黄色通道颜色拮抗轮廓响应
P——Precision,精度
R——Recall,召回率
具体实施方式
下面通过一个具体的仿鹰眼颜色认知拮抗机制的海面目标轮廓提取实例来验证本发明所提出的方法有效性。仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,其实现流程如图4所示,本实例的仿真环境配置为intel i7-4790处理器,3.60Ghz主频,8G内存,软件为MATLAB 2014a版本,该方法具体步骤如下:
步骤一:通道初始化及参数设置
用工业相机SDK(Software Development Kit)软件,改变采集图像的大小以减少相机采集干扰区域,记录实际使用图像的起始像素点以及图像像素长宽,将记录数据写入任务处理计算机Matlab相机采集接口。
读取到前端摄像机采集到的图像之后,并将参数进行初始化,计算并获得黄色通道的相关数据。首先设置视锥细胞感受野范围σc=1.5,各向异性高斯滤波核感受野范围σ=16,各向异性因子ρ=2和滤波方向个数N=8。
对于输入的RGB图像I(x,y),参考鹰视网膜细胞中油滴细胞的作用,黄色通道的图像由红色通道和绿色通道的图像像素值求均值得到。
步骤二:设置mask层
根据颜色通道标记位置,设置数值形成mask层,设置图像大小同等大小的空mask′层,按照式(2)若各颜色通道满足IR(x,y)+IG(x,y)≥2IB(x,y),则对mask′层的该位置置1;若各颜色通道满足IR(x,y)+IG(x,y)<2IB(x,y),则对mask′层的该位置置0;对mask′(x,y)进一步处理得到mask(x,y),按照式(3)计算,根据对应逻辑对mask层进行初始化,此处设置海浪抑制系数k=0.001。
步骤三:仿鹰眼颜色拮抗机制计算
按照式(5)设置各向同性高斯卷积核,相关的参数设置在步骤一中给出,各向异性高斯差分滤波核尺度设置为σ=60,定义了视锥细胞感受野的大小,使用各向同性高斯滤波核抑制噪声从而使得轮廓提取更加鲁棒。构建二维各向同性高斯滤波器后,模拟鹰眼视觉机制中视锥细胞的滤波作用,对四色颜色通道的图像数据进行处理,卷积后得到四个颜色通道的视锥细胞响应。
经过初步的仿鹰眼视觉视锥细胞滤波之后,根据鹰眼视觉中视网膜神经节细胞对于颜色的拮抗作用,按照式(6)进行计算,确定ωR=0.5,ωG=-0.3得到确定ωR=-0.3,ωG=0.5得到得到R-/G+和R+/G-拮抗神经节细胞的响应。
步骤四:仿鹰眼各向异性高斯差分滤波核计算
得到上一步的颜色拮抗响应之后,使用各向同性高斯差分滤波核与各向异性高斯差分滤波核相结合对各颜色通道进行轮廓提取。
初始化设置各向异性高斯差分滤波核,按照式(10)对各向异性高斯差分滤波核进行初始化,各参数设置为感受野范围σ=16,各向异性因子ρ=2和滤波方向个数N=8,θn为各向异性高斯差分滤波核方向,θn=nπ/8,n∈{0,1,...7}。
使用离散各向异性高斯差分滤波核对颜色拮抗通道图像进行八个方向的滤波,可得到八个方向的轮廓响应,遍历八个异性差分滤波方向将八个方向的最大值作为每个像素点的轮廓响应,记录具有的最大滤波响应,和对应的滤波方向。
θA(x,y)=θn,when I(x,y)*G'(x,y;σ,ρ,θn)=εA(x,y)
其中,θn为各向异性高斯差分滤波核方向,取值范围为θn=nπ/8,n∈{0,1,...7};G'(x,y;σ,ρ,θn)为各向异性高斯差分滤波核。
步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算
采用各向同性高斯差分滤波核在水平方向和垂直方向构成两个边缘检测滤波核,在水平方向和垂直方向上进行差分分量计算。
按照式(11)式(12)初始化各向同性高斯差分滤波核,σ'作为输入满足σ'=σ/ρ,规定了滤波核的尺度,设置感受野范围σ=16,各向异性因子ρ=2,分别初始化Kx(x,y;σ')、Ky(x,y;σ')两种各向同性高斯差分滤波核,分别为X方向和Y方向上的各向同性高斯差分滤波核。
将两种各向同性高斯差分滤波核分别与各颜色通道进行卷积计算,使用以上两个感受野范围为σ=16的滤波核计算得到对应轮廓响应,对得到的XY方向上差分滤波两个轮廓响应应用式(13)进行综合得到εI(x,y)。
步骤六:合并两通道并进行对比度调整
对于步骤五滤波得到的结果εI(x,y),结合步骤四得到的各向异性高斯差分滤波结果εA(x,y),将两个滤波器作用后的轮廓响应进行融合,按照式(14)来进行两轮廓响应的融合。
进一步模拟鹰眼视觉***对轮廓的整体调控作用,对每个颜色通道进行全局均值和局部均值的计算,对融合后的轮廓响应进行调整,得到对比度均衡之后的轮廓。
M和N分别为图像的宽和高,求解全局均值的计算按照式(15);为进行对比度调整,还需要考虑像素周围的局部均值,设置K=1,按照下面的公式进行计算。
其中,(2K+1)2是在像素(x,y)的K×K领域窗口内的所有像素个数。
得到上述两种在全局均值和局部均值之后,再进行下面的操作就可以得到对比度均衡后的融合轮廓响应,此处设置α=0.5。
步骤七:仿鹰眼颜色认知拮抗各通道轮廓响应合并
按照步骤三~六对四个颜色拮抗通道进行相关的滤波以及对比度均衡计算,得到各个颜色拮抗通道的轮廓响应,按照式(18)遍历各颜色拮抗通道的轮廓响应,得到各像素点上的最大轮廓响应值,将四个颜色拮抗通道计算所得的轮廓进行合并后就是最大轮廓响应εM,此时结果如图5,并步骤四中得到的θA(x,y)中记录的方向角做筛选,对应最大轮廓响应的颜色通道的滤波方向矩阵得到保留,得到θM(x,y)。
步骤八:过滤海浪干扰并输出结果
在步骤二中得到的mask’,经过式(3)处理,此处设置海浪抑制系数k=0.001得到mask(x,y)与步骤七的εM按照式(19)进行计算,对步骤三~七中未处理的海浪鳞光进行抑制,得到εF。
对εF,利用步骤七中得到的θM(x,y)中记录的方向角,按照式(20)建立εcon(x,y),得到εcon(x,y)后,经过式(21)来对最终结果做最后细化处理,得到最终细化的轮廓结果并输出,结果如图6。
对于仿鹰眼颜色认知拮抗机制的海面目标轮廓提取算法性能,采用改变各向异性高斯滤波核感受野范围σ,各向异性因子ρ,统计对应P(精度)和R(召回率)来进行,最终综合P-R得到F来进行评估,F,P,R的定义如下式:
F=2PR/(P+R)
其中TP,TN,FP,FN的定义如下:
(1)真正(True Positive,TP):真实轮廓标签为1,预测轮廓值为1;
(2)真负(True Negative,TN):真实轮廓标签为0,预测轮廓值为0;
(3)假正(False Positive,FP):真实轮廓标签为0,预测轮廓值为1;
(4)假负(False Negative,FN):真实轮廓标签为1,预测轮廓值为0。
经过对BSDS300图库的测试,采用P-R曲线来展示结果,如图7所示,经过统计可得,最佳F值为0.6339,最佳值在各向异性高斯滤波核感受野范围σ=60,各向异性因子ρ=8时得到。
Claims (4)
1.一种仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,其特征在于:该方法步骤如下:
步骤一:通道初始化及参数设置
读取前端摄像机采集到的图像,并将参数进行初始化,计算并获得黄色通道的相关数据;首先设置仿鹰眼机制中的视锥细胞感受野范围σc,各向异性高斯滤波核感受野范围σ,各向异性因子ρ和滤波方向个数N,海浪抑制系数k;
对于输入的RGB图像I(x,y),参考鹰视网膜细胞中油滴细胞的作用,通过计算得到四色视觉的结果,黄色通道的图像按照下面的公式得到:
其中,IY(x,y),IR(x,y),IG(x,y)分别为读取的图像I中(x,y)黄色、红色和绿色通道值;
步骤二:设置mask层
根据颜色通道标记位置,仿照鹰眼颜色拮抗机制设置数值形成mask层;
步骤三:仿鹰眼颜色认知拮抗机制计算
使用二维各向同性高斯滤波器模拟鹰眼视觉机制中的视锥细胞的滤波作用,利用下式计算四个颜色通道的视锥细胞响应:
Ck(x,y;σc)=Ik(x,y)*G(x,y;σc) (4)
其中“*”为卷积计算,Ik(x,y)是图像的各个颜色通道,k∈{R,G,B,Y},G(x,y;σc)为对应的各向同性高斯滤波核,具体的定义参照下式:
其中,σ为各向异性高斯滤波核感受野范围;使用各向同性高斯滤波核能够抑制噪声从而使得轮廓提取更加鲁棒;
经过初步的仿鹰眼视觉视锥细胞滤波之后,仿鹰眼颜色认知拮抗对颜色通道进行处理,采用下面的计算方式来模拟视网膜神经节细胞对于颜色的拮抗作用:
ORG(x,y)=ωRCR(x,y;σc)+ωGCG(x,y;σc) (6)
其中,ωRωG<0,|ωR|∈(0,1],ωG|∈(0,1],ωR和ωG分别表示红色通道和绿色通道的权重;当0<ωR<1且-1<ωG<0时,ORG(x,y)表示R+/G-拮抗神经节细胞的响应;当-1<ωR<0且0<ωG<1时,ORG(x,y)表示R-/G+拮抗神经节细胞的响应,得到R-/G+和R+/G-拮抗神经节细胞的响应;以此类推,按照下式得到B+/Y-和B-/Y+神经节细胞响应OBY(x,y):
OBY(x,y)=ωBCB(x,y;σc)+ωYCY(x,y;σc) (7);
步骤四:仿鹰眼各向异性高斯差分滤波核计算
得到颜色拮抗响应之后,为模拟鹰脑视丘核团对轮廓的感知能力,使用各向同性高斯差分滤波核与各向异性高斯差分滤波核相结合对各颜色通道进行轮廓提取;
对于各个颜色拮抗通道,均采用下式进行卷积计算:
θA(x,y)=θn,when I(x,y)*G'(x,y;σ,ρ,θn)=εA(x,y) (9)
其中,θn为各向异性高斯差分滤波核方向,取值范围为θn=nπ/N,n∈{0,1,...N-1};N为方向个数,G'(x,y;σ,ρ,θn)为各向异性高斯差分滤波核;
使用离散各向异性高斯差分滤波核对颜色拮抗通道图像中的各个像素点进行N个方向的滤波,得到N个方向的轮廓响应,将这N个方向的最大值作为该像素点的轮廓响应,记录具有最大的滤波响应和对应的滤波方向;
离散各向异性高斯差分滤波核G'(x,y;σ,ρ,θn)的计算按照下式,构成不同角度的各向异性高斯差分滤波核:
步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算
采用各向同性高斯差分滤波核在水平方向和垂直方向构成两个边缘检测滤波核,在水平方向和垂直方向上进行差分分量计算,各向同性高斯差分滤波核设置如下:
其中σ'作为输入满足σ'=σ/ρ,规定了滤波核的尺度;
对各颜色通道进行卷积计算,使用以上两个滤波核计算的轮廓响应,具体如下:
其中εI(x,y)是图像中坐标为(x,y)的像素点处的各向同性高斯差分滤波响应;
步骤六:合并两通道并进行对比度调整
对步骤四得到的结果εA(x,y)和步骤五滤波得到的结果εI(x,y)进行融合,之后模拟鹰眼视觉***对轮廓的整体调控作用,对每个颜色通道进行全局均值和局部均值的计算,对融合后的轮廓响应进行调整,得到对比度均衡之后的轮廓;
步骤七:仿鹰眼颜色认知拮抗各通道轮廓响应合并
按照步骤三~六对四个颜色拮抗通道进行相关的滤波以及对比度均衡计算;
将四个颜色拮抗通道计算所得的轮廓进行合并,按照下式进行合并
按照上述公式求取每个颜色通道轮廓响应的最大值,计算得到在四个颜色拮抗通道上的最大轮廓响应,并步骤四中得到的θA(x,y)中记录的方向角做筛选,对应最大轮廓响应的颜色通道的滤波方向矩阵得到保留,得到θM(x,y);
步骤八:过滤海浪干扰并输出结果。
3.根据权利要求1所述的仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法,其特征在于:所述步骤六的具体过程如下:
对于步骤四得到的结果εA(x,y)和步骤五滤波得到的结果εI(x,y),使用下式对其进行融合:
进一步进行调整,模拟鹰眼视觉***对轮廓的整体调控作用,对每个颜色通道进行全局均值和局部均值的计算,对融合后的轮廓响应进行调整,得到对比度均衡之后的轮廓;
全局均值的计算按照下面公式进行:
其中,M和N分别为图像的宽和高;
为进行对比度调整,还需要考虑像素周围的局部均值,按照下面的公式进行计算:
其中,(2K+1)2是在像素(x,y)的K×K领域窗口内的所有像素个数;
得到上述两种在全局均值和局部均值之后,再进行下面的操作得到对比度均衡后的融合轮廓响应:
其中,系数α=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094794.4A CN112232181B (zh) | 2020-10-14 | 2020-10-14 | 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094794.4A CN112232181B (zh) | 2020-10-14 | 2020-10-14 | 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232181A CN112232181A (zh) | 2021-01-15 |
CN112232181B true CN112232181B (zh) | 2022-08-16 |
Family
ID=74111903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011094794.4A Active CN112232181B (zh) | 2020-10-14 | 2020-10-14 | 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232181B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758119B (zh) * | 2022-04-20 | 2024-06-07 | 北京航空航天大学 | 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法 |
CN116843681B (zh) * | 2023-08-30 | 2023-11-14 | 临沂鑫诺彩印包装有限公司 | 一种纸箱表面着色质量智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392963A (zh) * | 2017-06-28 | 2017-11-24 | 北京航空航天大学 | 一种用于软式自主空中加油的仿鹰眼运动目标定位方法 |
CN111179293A (zh) * | 2019-12-30 | 2020-05-19 | 广西科技大学 | 一种基于颜色和灰度特征融合的仿生型轮廓检测方法 |
CN111258231A (zh) * | 2020-01-20 | 2020-06-09 | 北京航空航天大学 | 仿猛禽视觉导航的自主空中加油对接半物理***及其方法 |
-
2020
- 2020-10-14 CN CN202011094794.4A patent/CN112232181B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392963A (zh) * | 2017-06-28 | 2017-11-24 | 北京航空航天大学 | 一种用于软式自主空中加油的仿鹰眼运动目标定位方法 |
CN111179293A (zh) * | 2019-12-30 | 2020-05-19 | 广西科技大学 | 一种基于颜色和灰度特征融合的仿生型轮廓检测方法 |
CN111258231A (zh) * | 2020-01-20 | 2020-06-09 | 北京航空航天大学 | 仿猛禽视觉导航的自主空中加油对接半物理***及其方法 |
Non-Patent Citations (5)
Title |
---|
Biological Eagle-Eye-Based Visual Platform for Target Detection;YIMIN DENG 等;《IEEE》;20181231;3125-3136 * |
仿鹰眼视觉技术研究进展;赵国治 等;《中国科学》;20171231;第47卷(第5期);514-523 * |
基于仿生探测的大视场小目标跟踪算法;寇巍巍等;《探测与控制学报》;20171226(第06期);全文 * |
基于仿鹰眼视觉的无人机自主空中加油;段海滨 等;《仪器仪表学报》;20140730;第35卷(第7期);1450-1458 * |
基于颜色拮抗和纹理抑制的轮廓检测模型;赵浩钧等;《广西科技大学学报》;20181104(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232181A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN107392963B (zh) | 一种用于软式自主空中加油的仿鹰眼运动目标定位方法 | |
CN103236064B (zh) | 一种基于法向量的点云自动配准方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及*** | |
CN107844750A (zh) | 一种水面全景图像目标检测识别方法 | |
CN104866868B (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN105046710A (zh) | 基于深度图分割与代理几何体的虚实碰撞交互方法及装置 | |
CN102865859B (zh) | 一种基于surf特征的航空序列图像位置估计方法 | |
CN107862698A (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
CN112232181B (zh) | 仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
WO2016129702A1 (en) | Method for image denoising | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN107292869B (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
Liang et al. | Horizon detection from electro-optical sensors under maritime environment | |
CN103984920B (zh) | 一种基于稀疏表示与多特征点的三维人脸识别方法 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110232390B (zh) | 一种变化光照下图像特征提取方法 | |
CN111222444A (zh) | 一种考虑驾驶员情绪的增强现实抬头显示方法和*** | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 |
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 |