[发明专利]结合数据驱动型和知识驱动型的低空目标检测与识别方法

权利要求书

1.一种结合数据驱动型和知识驱动型的低空目标检测与识别方法，其特征在于，包括以下步骤：

步骤1、采集低空目标图像，检测定位低空目标候选区域；具体为：

步骤1-1、将采集到的低空目标图像转换为水平灰度投影图；

步骤1-2、根据水平灰度投影图获取阶跃变化的位置即天空与地面分离的位置，该位置上方的平均灰度值大于下方的平均灰度值；

步骤1-3、根据水平混合灰度梯度指标和垂直混合灰度梯度指标检测定位低空目标候选区域，具体为：将水平混合灰度梯度指标和垂直混合灰度梯度指标均达到极大值时对应的空间位置作为低空目标所在位置，其中，

水平混合灰度梯度指标U_x(i)、垂直混合灰度梯度指标U_y(j)分别为：

其中，u(i,j)＝|I(i+1,j)-I(i,j)|+|I(i,j+1)-I(i,j)|；

式中，I(*,*)为像素点(*,*)的灰度值，N、M分别为图像I(x,y)的长、宽；

步骤1-4、以低空目标所在位置为中心生成P个不同大小的矩形区域作为低空目标候选区域；

步骤2、提取低空目标模板的特征参数；

步骤3、对特征参数中的特征进行降维处理；

步骤4、提取低空目标候选区域目标的特征参数，结合低空目标模板的特征参数求取低空目标候选区域与低空目标模板的相似度，根据相似度选取某一低空目标候选区域作为低空目标检测与识别结果。

2.根据权利要求1所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法，其特征在于，步骤1所述低空目标包括轻型飞机、三角翼、热气球和无人机。

3.根据权利要求1所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法，其特征在于，步骤2所述低空目标模板的特征参数包括：

(1)基本形状特征：由低空目标模板的轮廓计算出的长宽比、分散度与紧凑度；

长宽比ar为：

式中，W为低空目标模板轮廓的最小外接矩形的长，H为低空目标模板轮廓的最小外接矩形的宽；

分散度di为：

式中，L为低空目标模板轮廓的周长，S为低空目标模板轮廓内的面积；

紧凑度co为：

式中，D为低空目标模板轮廓的最小外接矩形的面积；

(2)通过图像中心矩构造出的仿射不变矩特征为：

其中，μ_pq为图像I(x,y)的(p+q)阶中心矩：

式中，为图像I(x,y)的中心，N、M分别为图像I(x,y)的长、宽；

(3)HOG特征；

提取多个低空目标模板的上述特征参数，将所有低空目标模板相应的特征参数求平均，作为最终的低空目标模板特征参数。

4.根据权利要求3所述的结合数据驱动型和知识驱动型的低空目标检测与识别方法，其特征在于，步骤3所述对特征参数中的特征进行降维处理，具体为：

利用变异系数法对HOG特征进行降维处理：

步骤3-1、针对每一维HOG特征，计算HOG特征值的平均值、标准差；

步骤3-2、根据HOG特征值的平均值、标准差计算每一维HOG特征的变异系数，所用公式为：

式中，σ_i为每一维HOG特征的标准差，为每一维HOG特征的平均数；

步骤3-3、对所有变异系数进行降序排列，选取前m个变异系数对应的HOG特征，并记录这些特征的位置p_i，i＝1,2,...,m。