[发明专利]基于局部全局特征联合决策的机场检测识别方法

权利要求书

1.一种基于局部全局特征联合决策的机场检测识别方法，其特征在于包括以下步骤：

步骤一、输入一幅航拍图像，选用USM锐化方法对航拍图像进行锐化，然后用类内最小，类间方差最大的OTSU分割对锐化后图像进行分割，将图像分为目标和背景两类，得到机场的粗分割的二值图像；对机场粗分割的二值图像，采用数学形态法的开闭运算进行去噪处理；之后用canny算子提取边缘，在此基础上，Hough变换得到检测到的直线；

跑道延伸：经过Hough变换确定跑道直线段runway，从runway的两端搜索延伸，使得runway接近实际跑道长度；其延伸方法如下：

1）计算跑道runway的斜率slope，并默认runway的起点在终点的上方；

2）runway平行于y轴，则从runway的起点和终点分别朝正上方和正下方搜索，直到遇到黑色像素点为止；

3）runway平行于x轴，则从runway的起点和终点分别朝正左方和正右方搜索，直到遇到黑色像素点为止；

4）若slope>1,则

①初始化flag1=flag2=false；

②从runway起点开始朝左上方搜索，遇到白点，则令flag1=true；

③从runway起点开始朝正上方搜索，遇到白点，则令flag2=true；

④若flag1和flag2均为true，则选择最靠近runway起点的一个点赋给起点；若有一个为true，则将对应方向上找到的白点赋给起点；

⑤若flag1和flag2中至少一个为true，则转向步骤①

⑥采用步骤①—⑤的方法从runway的终点开始向右下方和正下方搜索；

5）若0<slope<1，采用步骤4）的方法，runway起点向左上方和正左方搜索，终点向右下方和正右方搜索；

6）若slope=1，则runway起点向左上方、终点向右下方搜索，直到遇到黑色像素点为止；若slope=-1，则runway起点向左下方、终点向右上方搜索，直到遇到黑色像素点为止；

7）若slope<0且abs(slope)<1，runway起点向左下方和正左方搜索，终点向右上方和正右方搜索；若slope<0且abs(slope)>1，采用步骤4）的方法，runway起点向左下方和正下方搜索，终点向右上方和正上方搜索；

跑道连接：跑道延伸处理结束后，对距离相近且斜率相近的直线段进行连接，具体方法如下：

1）对于线段L1，倾斜角度为θ₁，两个端点分别记为P1和P2，寻找与线段L1的某一个端点共尺度边的线段L2，倾斜角度为θ₂，端点分别记为P3和P4；

2）求线段L1和线段L2两两端点间的距离，即Dist(P1,P2)，Dist(P1,P4)，Dist(P3,P2)，Dist(P3,P4)；

3）条件1：四个距离中最小的距离Min(Dist)小于阈值dist，

条件2：|θ₁-θ₂|＜阈值threshold，threshold取5；

条件3：四个距离中最大的距离max(Dist)大于两条直线中最长的长度

4）当步骤3）成立时，连接L1、L2两条线段为一条长线段，同时删除参与连接的线段L1和线段L2；

5）当步骤3）不成立时，继续搜索，有可连接的线段，回到步骤1）；没有可连接的线段，结束；

步骤二、利用聚类的方法，通过局部和全局特征联合决策的方法来确定最佳的阈值，从而得到最优的疑似机场区域；

局部特征决策：

1）产生系统的正负样本集合，其中系统正样本集合包括各种各样的机场模板图像，系统负样本集合包括其他不包含机场区域的图像；

2）产生所有2bitBP特征的位置，遍历图像区域，产生所有的特征位置；

3）利用Adaboost方法从所有2bitBP特征中选择出错分率最小的弱分类器构成最终的一个强分类器；

4）对某个聚类阈值对应的子集所产生的疑似区域进行已得到的固定位置的2bitBP特征提取，判断对应十进制码的后验概率，若大于各若分类器权重总和的50%，则输入到下一步全局特征决策处理，否则遗弃该疑似区域，如公式(1)、公式(2)所示：

Ppositive=Σi=1N(flag×W(i)),flag=1,if(SP(i)>=0.5)flag=-1,if(SP(i)<0.5)---(1)]]>

其中，P_positive是疑似区域被判定为目标的概率，SP(i)是第i组特征对应的后验概率；

W(i)是第i组后验概率对应的分类器的权重，它是在Adaboost方法训练过程中得到的；

Ppositive≥(Σi=1NW(i))/2---(2)]]>

由公式(2)判定疑似区域是否为机场区域；

全局特征决策：该部分产生一个最近邻的正负样本集合来进行决策，通过度量待决策的疑似机场区域与最近邻正负样本集合的相对相似度来决策；

相对相似度的定义如下：

confRS=dNdN+dP---(3)]]>

dN＝1-max(nccN)    (4)

dP＝1-max(nccP)    (5)

其中，conf_RS为相对相似度，nccP和nccN分别为待检测图像块与正样本集合、负样本集合中每一个样本的距离；

最近邻正负样本集合的产生步骤如下，训练输入为系统的正负样本集合，输出为最近邻正负样本集合：

1)将系统的正样本集和负样本集进行随机排列，这里将第一帧由用户选择出来的原始正样本始终放在第一个位置；

2)对排列好的系统样本序列中的每一个样本进行以下操作：

计算该样本与序列中其他样本的相对相似度，并分两种情况进行处理：如果该样本的预测值为真，且相对相似度小于阈值，则加入到最近邻正样本集合中；若预测值为假，相对相似度大于另一个阈值，则加入到最近邻负样本集合；

3）输出最近邻的正负样本集合；

决策部分如公式(6)，save是该疑似区域是否能继续被判定为机场区域的标记，为1则表示仍为机场疑似区域；为0则为负样本，加入系统负样本集合，进行后续的系统正负样本集合的更新；

save=1,if(confRS>0.5)0,otherwise---(6)]]>

将通过局部特征决策和全局特征决策的疑似机场区域和其对应的聚类阈值保留，选择全局特征决策中相对相似度最大的疑似区域为识别处理的输入，其对应的聚类阈值则为要选择的最佳阈值；

步骤三、输入联合决策中的疑似机场区域，用对应点的仿射变换将疑似机场区域归一化到统一的方向，然后提取HOG特征，输入到已训练好的SVM分类器中进行分类判决。