[发明专利]一种基于旋转不变特征的遥感图像飞机目标检测方法

说明书

一种基于旋转不变特征的遥感图像飞机目标检测方法，按照模板轮廓图像的尺寸，将待检测遥感飞机多目标图像分成多个检测窗口，计算每一个检测窗口的CPA集和割线投影矩SPM特征集，并根据SPM特征集计算每一个检测窗口的H向量，将每一个检测窗口的CPA集和H向量与模板轮廓图像的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口，通过多尺度自卷积MSA算法和非极大值抑制NMS算法确定飞机最可能存在的位置集。本发明能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛。

技术领域

本发明涉及图像处理领域，尤其涉及一种飞机目标检测的方法，特别涉及一种基于旋转不变特征的遥感图像飞机目标检测方法。

背景技术

飞机多目标检测一直是遥感卫星图像目标检测领域中的一个重点研究方向，在民事和军事领域都具有非常重要的应用价值，如机场的动态监管，航母的军事探测等。但由于飞机停泊地环境复杂，干扰众多，如何提高遥感图像多目标检测的准确率仍然极具挑战。

遥感图像飞机多目标检测方法主要分为“基于模型”与“基于轮廓”两大类。基于模型的方法最初应用于自然图像中的目标检测，是通过训练大量的正负样本来提取目标一些具有显著代表性的特征，以区别干扰物与背景，常用的有词袋模型和局部模型等。基于轮廓的方法一般会先对待检测遥感图像做二值处理，然后将二值图像某一区域内轮廓的梯度值、特定矩以及角点信息等作为特征与模板进行比对，继而判断该区域内是否存在目标。广义霍夫变换是一种经典的任意形状轮廓匹配算法，但其不具备旋转不变性。相比之下，Hu矩算法具有平移、旋转等不变性而更受青睐，就是一种利用Hu矩与其他多种不变矩相组合的方法对飞机多目标进行检测，但多种矩特征的直接组合导致兼容性不好，抗噪能力不强。近来提出了一种径向梯度角特征概念，此方法具有旋转不变性且简单易实现，但由于噪声点可能存在的位置众多，阈值偏大则查准率偏低，阈值偏小则召回率偏低。针对飞机轮廓提出了一种利用角点与边缘信息相结合的方法，此种方法召回率很高，但同时牺牲了极大的查准率。

综上所述，基于模型的遥感图像飞机多目标方法实现复杂，需要大量的先验信息，而基于轮廓的检测方法最突出的问题就是检测的准确率表现受算法对形状特征的敏感度以及背景的干扰较大。

发明内容

本发明提供一种基于旋转不变特征的遥感图像飞机目标检测方法，能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛。

为了达到上述目的，本发明提供一种基于旋转不变特征的遥感图像飞机目标检测方法，包含以下步骤：

步骤S1、按照模板轮廓图像的尺寸，将待检测遥感飞机多目标图像分成多个检测窗口；

步骤S2、遍历整个待检测遥感飞机多目标图像，计算每一个检测窗口的CPA集和割线投影矩SPM特征集，并根据SPM特征集计算每一个检测窗口的H向量，将每一个检测窗口的CPA集和H向量与模板轮廓图像的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口；

步骤S3、通过多尺度自卷积MSA算法和非极大值抑制NMS算法确定飞机最可能存在的位置集。

所述的步骤S2包含以下步骤：

步骤S2.1、计算每一个检测窗口的CPA集，计算每一个检测窗口的SPM特征集，继而计算出每一个检测窗口的H向量；

步骤S2.2、将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行逐个像素点比对，统计检测窗口内的可能位置点数量作为检测窗口的得分；

步骤S2.3、计算检测窗口的H向量与模板轮廓图像的H向量的相关度，滤除相关度低的检测窗口。