[发明专利]一种偏振高光谱低空侦察图像典型目标检测方法

说明书

本发明结合CNN框架、偏振高光谱成像技术和辨别字典学习的发展，在偏振高光谱低空目标检测模拟环境下，提出一种新的偏振高光谱低空侦察图像典型目标检测方法。通过对CNN框架中较为成熟的Faster R‑CNN进行改进，提出了双字典驱动CNN分类器用于目标检测，采用双字典反向传播(DPBP)用于双字典分类器的端到端学习和CNN的特征表示，采用样本权重法来提高定位性能，把多任务损失用于DPCL和边界框回归的联合训练；将偏振高光谱图像引入目标检测，选取了三类典型目标进行测试，初步验证了模型和样本的有效性。本文方法的优点在于可以结合不同的CNN框架，灵活性较高，能够增强偏振高光谱图像目标和背景的对比度，在一定程度上降低了背景的复杂程度，使得目标更为突出，有助于检测结果的，对于提高偏振成像目标探测和识别具有重要意义。

技术领域

本发明隶属于偏振成像探测和计算机视觉领域，涉及一种新的目标检测新方法，适用偏振高光谱低空侦察图像典型目标检测。

背景技术

近年来，无人机运用于战场侦察、打击的规模越来越大，对战场目标的快速自动识别是无人机领域重要的性能指标和发展趋势之一，在目标图像的质量不断提升的同时，对目标检测算法进行研究改进，可以进一步提升无人机等低空平台的目标检测效能。

由于深卷积神经网络(Convolution Neural Network，CNN)的发展和训练数据集规模的不断增加，目标检测近年来产生了突破性进展。最先进的目标检测方法一般采用基于区域的CNN框架，该框架包括三个组成部分：候选区域，特征提取和目标类别分类。到目前为止，已经提出了很多候选区域方法和深度CNN架构，但目标类别分类方法比较单一，主要以SVM/softmax分类器为主，虽然提高了目标检测的精度和鲁棒性，但仍然是直接从CNN特征中学习到一个最佳映射，缺乏显式挖掘深层特征的复杂结构的能力。

辨别字典学习(Dictionary Pair Learning，DDL)在近十年来取得了巨大的成功，而DDL的目的是学习一个字典并考虑其表示精度和判别能力，因此更适合作为目标类别分类的分类器。现有的DDL方法的存在两个主要不足：第一，使用的是常规手提特征的方法(例如，SIFT和HOG)；第二，涉及繁重的“L₀”或“L₁”范数正则化以生成稀疏编码向量，限制了其在具有高特征维度和大量数据的场景中的运用。针对该问题，有学者提出投影双字典学习(Projective Dictionary Pair Learning，P-DPL)方法，大大提高了计算效率，本发明在P-DPL方法的模型基础上，设计了双字典分类器层(Dictionary Pair Classifier Layer，DPCL)用于目标检测，由深层CNN生成DPCL需要的深层特征，通过CNN框架和DPCL的结合来提高无人侦察平台的图像分类和目标检测性能。

在低空典型目标的分类识别问题方面，目前有基于主成分分析(PrincipalComponents Analysis，PCA)白化的卷积神经网络结构来处理军事目标的大规模图像分类问题；有学者基于深度学习提出了自动目标识别技术思路，结合深度特征和空间金字塔池化技术实现军事目标的自动检测。但以上所使用的目标图像均为传统的可见光彩色图像，偏振高光谱探测能够将获取图像的信息扩展到多维度，同时增大目标和背景的对比度，更加有利于目标的检测工作，因此高光谱偏振图像在军事侦察领域具有更好的前瞻性和广泛的应用前景。

发明内容

基于此，本发明提出了一种偏振高光谱低空侦察图像典型目标检测方法，包括如下步骤：

步骤一、采集多场景下的图像样本集，所述图像样本集包括测试样本集和训练样本集；

步骤二、将所述样本集发送到优化系统进行处理；

步骤三、由所述优化系统输出检测结果。

所述采集多场景下的图像样本集包括利用偏振高光谱低空目标检测模拟平台进行样本集的采集；