车辆高分遥感图像的基于LLC特征的弱监督识别方法

摘要

本发明提出一种车辆高分遥感图像的基于LLC特征的弱监督识别方法，可以在没有人工标注出具体目标的训练样本中，首先利用显著模型，自适应分割和负样本挖掘方法获得初始化训练样本集，然后提取样本图块的LLC特征利用SVM分类器进行反复迭代训练学，得出最优目标分类器。最后利用这个分类器对测试图像中的候选图块进行分类和定位即可完成复杂背景遥感图像中车辆目标的检测和识别。

主权项

1.一种车辆高分遥感图像的基于LLC特征的弱监督识别方法，其特征在于步骤如下：步骤1提取训练图像的显著图：将输入图像下采样为N×N个像素，然后针对图像中的每个像素提取显著性特征并选取“基于视觉注意机制的遥感图像感兴趣目标分割方法”中的14显著性特征，记为[sm₁,sm₂,…,sm₁₄]，然后将各类显著特征分量图的权重视为相同的，通过求取所有显著特征分量图的均值作生产显著图sm，$\mathrm{sm}=\frac{1}{14}\underset{i=1}{\overset{14}{\Sigma }}{\mathrm{sm}}_i;$步骤2图像分割，获取候选目标图块：采用自适应阈值分割方法对显著图进行显著区域分割，其中阈值令t∈[0.5,5]中的两个值对图像分割后得到二值图$\mathrm{BinaryMap}(i,j)=\left\{\begin{array}{c}1,S(x,y)\ge T\\ 0,S(x,y)<T\end{array}\right.;$以二值图中的显著值为1的像素集为显著区域，求取显著区域的外接矩形获取显著图块；其中：W为显著图sm的列数，H为显著图sm的行数，S(x,y)为显著图sm在坐标为x,y处的显著值；在训练集中实施步骤1～2获得的显著图块为目标候选图块；在背景训练集中实施步骤1～2获得的显著图块为负样本字典；步骤3利用在背景训练集中得出的负样本字典对训练集中的目标候选图块进行负样本挖掘，完成初始化标注，步骤为：步骤a、首先分别提取负样本字典和目标候选图块中的SIFT特征并进行聚类，然后使用BOW模型进行表示；步骤b、根据测量目标候选图块与负样本字典中图块的相似性，将与负样本字典最不相似的目标候选图块作为初始化标注结果；其中：||·||₁表示L₁范数，表示第i幅图像中第j个目标候选图块，表示负样本字典中，其BOW特征与的BOW特征欧氏距离最近的一个负样本图块；步骤4迭代训练，优化分类器：将所有初始化标注结果作为分类器的初始化正训练样本，并在负样本字典中选取同等数量的图块作为分类器的初始化负训练样本，在每一次迭代训练中，首先提取所有训练样本的LLC特征，利用SVM对特征训练分类器，然后将训练好的分类器对所有目标候选图块进行分类，将分类结果为车辆目标的图块作为下一次训练的正训练样本，如此反复迭代直到达到迭代停止条件。本发明利用每一次迭代得到的分类器在负样本字典中的错误率来判断分类器的性能，当本次迭代得到的分类器比上一次迭代的分类器的错误率高的时候，迭代停止，并选取上一次迭代得到的分类器为最优分类器输出；步骤5车辆目标检测识别：首先利用步骤1和步骤2对测试图像进行处理,得到图像中的显著图块作为目标候选图块,然后利用步骤4训练出的最优分类器对所有候选图块进行分类，对分类为目标的图块在图像中进行定位即可完成遥感图像中车辆目标的检测识别。