[发明专利]基于旋转不变HOG特征的高分辨率光学遥感图像目标检测方法

摘要

本发明涉及一种基于旋转不变HOG特征的高分辨率光学遥感图像目标检测方法。基本思想是：首先，选取目标图像和背景图像得到初始训练样本集合，按照给定的旋转变换对初始训练样本进行旋转操作，并将旋转前后的样本集合进行合并得到总的训练样本集；其次：通过学习一个三层的全连接网络，实现旋转不变HOG特征提取模型和目标分类器的训练，传统的HOG特征为第一层的输入，第二层用于计算旋转不变HOG特征，第三层是softmax分类器。利用本发明方法，通过学习具有旋转不变性的HOG特征，有效解决了传统的HOG特征很难处理遥感图像目标旋转变化的问题，可以实现遥感图像的目标检测，具有很高的检测精度。

主权项

一种基于旋转不变HOG特征的高分辨率光学遥感图像目标检测方法，其特征在于步骤如下：步骤1、构建训练样本集：从训练图像中分别截取包含目标的目标图像块和不包含目标的背景图像块得到初始训练样本集合X＝{x1,x2,…,xN}，给定K个角度φ＝{φ1,φ2,…,φK}和与之对应的K个旋转变换将旋转变换Tφ作用到初始训练样本集合X＝{x1,x2,…,xN}上，得到新的训练样本集合TφX＝{Tφx1,Tφx2,…,TφxN}，将旋转前和旋转后的样本集合进行合并得到总的训练样本集合其中：N表示初始训练样本集合中训练样本的个数；表示旋转角度为φk的旋转变换，k＝1,2,…,K，K表示旋转变换的总数；步骤2、学习旋转不变HOG特征提取模型和目标分类器：通过学习一个三层的全连接网络，实现旋转不变HOG特征提取模型和目标分类器的训练，第一层到第三层的网络节点个数依次为1984、1984、C+1，C为目标类别个数，过称为：对于任意一个训练样本将其变换到60×60像素大小、计算它的1984维的HOG特征并线性归一化到[‑1,1]，该特征用O1(xi)表示，作为网络的第一层输入；O2(xi)是网络的第二层输出，为样本xi的旋转不变HOG特征；O3(xi)是第三层softmax分类器的输出；(W2,B2)和(W3,B3)分别是第一层和第二层、第二层和第三层的连接权重，同时也分别是旋转不变HOG特征提取模型和目标分类器的参数；得到三层全连接网络的层间关系为： O2(xi)＝σ(W2O1(xi)+B2)其中：和分别是“tanh”和“softmax”非线性函数；给定训练样本集和训练样本对应的标签集表示训练样本xi的标签，设定学习率α＞0，采用随机梯度下降法优化公式得到(W2,B2)和(W3,B3)，用于后续的目标检测：所述随机梯度下降法优化公式为：J(W2,W3,B2,B3)=min-1N+NKΣxi∈χ<yxi,logO3(xi)>+λ112NΣxi∈X||O2(xi)-O‾2(Tφxi)||22+λ22(||W2||22+||W3||22)]]>其中：λ1和λ2是调节公式(3)中三项之间关系的参数且λ1＞0、λ2＞0；表示和logO3(xi)的内积；表示经过旋转变换后的训练样本xi的旋转不变HOG特征的均值；O‾2(Tφxi)=1K(O2(Tφ1xi)+O2(Tφ2xi)+...+O2(TφKxi));]]>步骤3、高分遥感图像目标检测：对于给定的待检测的高分遥感图像，进行如下步骤进行检测：步骤a：采用选择性搜索方法selective search提取目标候选框集合；步骤b：将每个目标候选框变换到60×60像素大小、计算它的1984维的HOG特征并线性归一化到[‑1,1]；步骤c：采用步骤2中的计算公式O2(xi)＝σ(W2O1(xi)+B2)得到每个目标候选框的旋转不变HOG特征；步骤d：采用步骤2中的计算公式检测高分遥感图像中的目标；重复步骤3对所有待检测的高分遥感图像进行目标检测。