|
曝光台 注意防骗 网曝天猫店富美金盛家居专营店坑蒙拐骗欺诈消费者
2 特征提取
特征提取是目标检测中的关键步骤，其质量直接影响到最终检测结果的准确性。特征提取常用的图像特征有颜色特征、纹理特征、形状特征等。受限于无人机实际侦察条件，应用于复杂多目标背景下无人机侦察目标检测的特征提取算法应对尺度、亮度、旋转、遮挡和噪声等干扰具有较强的鲁棒性，而传统目标检测技术大部分通过人工设计提取图像特征，常见的算法有：
Harris角点检测算法以泰勒展开式构建像素点邻域内的连续曲面，计算所有像素点的微商平方和，采用其中的最大值和最小值作为判断特征角点的显著性依据，该算法能将检测方向扩展到所有方向上。不足之处是计算过程复杂，且人为设定的初始阈值对算法的稳定性具有决定性作用。
SIFT（Scale Invariant Feature Transform）特征检测算法是现阶段较为成熟的一种算法，首先通过高斯平滑构建高斯尺度空间，在其中进行极值点检测并将其作为特征点，经过特征点描述即可用于图像匹配。该算法对于照度变换、尺度和旋转变换、视点变化以及噪声影像都具备一定的鲁棒性，特征点区分力较好，信息量丰富，匹配的准确度较高，但由于算法需要构建尺度空间并计算全局极值，计算量大，无法满足实时要求。
HOG（Histogram of Oriented Gradient）特征检测算法是一种利用局部图像梯度方向直方图特性提取图像特征的方法，能够减弱局部光照、阴影对特征提取的影响，计算像素梯度获取图像轮廓信息。首先将图像划分成多个Cell块，每个Cell块由数个像素点组成，统计Cell块的梯度直方图，再将数个Cell块组合成Block区域，根据密度对区域中的Cell块归一化，区域中所有Cell块的梯度特征组合成Block特征，同理图像中所有Block特征组合成图像特征，HOG对光照和轻微形变有一定的抑制能力，可以很好的表征局部像素之间的关系。与其它传统特征提取算法相同，计算冗长导致的实时性差是算法的主要缺陷。
SURF（Speeded up Robust Features）检测算法采用Hessian矩阵对SIFT算法中高斯尺度空间构建过程进行近似处理，利用积分图像和更低维度的描述子向量简化算法体积，有效减少了计算量，弥补了SIFT算法运行速度缓慢的缺点。但是在采用Hessian矩阵获得极值后，在求取特征点主方向阶段过于依赖局部区域像素点的梯度方向，可能会造成误匹配。而且由于算法采用一种近似处理实现特征点的检测，导致其对于各种变换的鲁棒性相对下降。
之后还有许多基于SIFT和SURF改进的特征检测算法，如BRIEF（Binary Robust Independent Elementary Features）检测算法、ORB（Oriented FAST and Rotated BRIEF）检测算法、BRISK（Binary Robust Invariant Scalable Keypoints）检测算法、非线性特征检测的风式特征（KAZE）算法，鲁棒性和实时性都有大幅提高，但是传统特征提取算法应用于无人机侦察目标检测时，鲁棒性、实时性和准确性等传统指标依然无法满足实际需求，具体表现为以下四个方面：
（1）提取到的特征信息过于单一，无法完整的表述目标；
（2）可分性较差，分类器无法准确的对复杂背景下的目标进行分类；
（3）泛化性不足，不同的特征适用于不同的影像数据，一般人为选取的特征都有自身特定的应用背景；
（4）特征设计工作复杂，研发周期长，且设计工作需要较强的专业背景。
随着深度学习的不断发展，基于深度卷积神经网络（convolution neural network，CNN）的目标检测算法得到深入研究。在图像特征提取方面，卷积神经网络具有明显优势，区别于人工设计的特征，其利用大量图片数据学习到非人工设计的特征，解决了由于人为选取的特征信息单一导致的复杂背景下鲁棒性不强的问题，提升影像目标检测效果。
3 分类器
分类是目标检测的核心之一，而分类器的选择是分类的重点。将特征提取中得到的特征送入分类器，判断出图像中目标类别，即基本完成目标的粗检测。如图3所示为目标检测中分类器进行分类的过程。
 图3 分类示意图
目标检测分类过程最常用的分类器有：支持向量机（support vector machine,简称 SVM）、Boosting、随机森林（Random Forest, RF）、人工神经网络（Artificial Neural Network, ANN）等。
SVM分类器是以统计学习理论为基础的学习方法，根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。对于分类问题，支持向量机算法根据区域中的样本计算该区域的决策曲面，由此确定该区域中未知样本的类别。传统图像目标检测中大多应用SVM分类器进行特征分类，然而缺失数据敏感和对非线性问题没有通用解决方案仍是急待解决的问题。
Boosting分类器是一种集合分类器即通过组合几个弱分类器实现强分类器的性能。其基本思想是：训练数个弱分类器，在第一个弱分类器中输入相同权值训练样本，在之后的分类器迭代过程中，不断增加正确样本权重直到迭代完成，最后将所有弱分类器组合成强分类器用于分类决策。Adaboost（Adaptive Boosting）算法具体实现了Boosting分类器这一思想，且具有精度高、抗过拟合能力强、构建简单灵活等优点，大量应用于包括目标特征分类等各种分类场景。弱分类器的选择是影响Boosting分类器分类效果的关键，也是制约其发展的阻力。
随机森林是由多个决策树分类器（Classification and Regression Tree, CART）组成的总分类器。为达到提升泛化性的目的，分类器训练过程中通过随机有放回的采样获取子分类器训练样本集，随后将提取到的特征按一定比例随机无放回的采样来训练子分类器节点。随机森林相较于其它分类器具有训练速度快、泛化能力强、实现简单等优点，且可以有效克服样本失衡、特征丢失、特征维度过高的问题。但在数据噪声较大的情况下仍会发生过拟合的问题，此外，该模型内部不可控，只能通过外部参数进行调节。
中国通航网 www.ga.cn
通航翻译 www.aviation.cn
本文链接地址：基于候选区域的无人机侦察影像目标检测技术研究(2)
|
