基于線分類和紋理分類的機場目標自動識別方法技術

本發明專利技術提供了一種基于線分類和紋理分類的機場目標自動識別方法，本發明專利技術對機場目標的多維跑道線特征進行學習得到線特征分類器，通過線特征分類器篩選機場跑道線，無需設定大量的閾值條件，具有更廣泛的適用性；對提取的直線段進行篩選并確定ROI區域，而不是直接依賴大量先驗知識確定ROI區域；根據紋理特征學習得到的紋理特征分類器判斷ROI區域是否為機場目標，這種集成多分類器的識別方法有效避免了單純依靠線特征分類器導致機場目標提取錯誤的情況，可有效提高機場目標自動識別的精度。

【技術實現步驟摘要】

本專利技術屬于目標自動識別
，特別是涉及一種基于線分類和紋理分類的機 場目標自動識別方法。
技術介紹
機場作為一種常見的交通設施和軍用設施，在經濟建設和國防建設中具有十分重 要的地位。從遙感影像中自動識別機場目標在飛機自動駕駛和機場定位導航等領域有著重 要的實用價值，是目標識別領域的熱點問題。目前，機場目標識別方法主要有兩種，一是根 據機場的灰度特征，通過圖像分割或視覺顯著機制等方法確定疑似機場目標的感興趣區域 (ROI)，然后利用紋理特征分類等方法驗證ROI區域中是否確實含有機場目標；二是根據機 場跑道的結構特征，通過Hough直線檢測等方法提取圖像的邊緣信息，再結合跑道的長度 和寬度等先驗知識確定機場跑道的位置，后續采用諸如區域增長等方法確定機場目標。 上述機場目標識別方法中，通過圖像分割或視覺顯著機制進行處理時，對于灰度 分布不均勻和分辨率較高的圖像難以取得理想的效果。而基于機場跑道結構特征的目標識 別方法，過于依賴先驗知識，很難保證其適用性。
技術實現思路
針對現有技術存在的問題，本專利技術結合機場跑道直線結構特征信息和紋理特征信 息，提供了一種。 為解決上述技術問題，本專利技術采用如下的技術方案： ，包括步驟： Sl提取遙感影像中直線段，即原始直線段； S2將[0, π)平分成m個角度區間，與水平方向夾角屬于同一角度區間的原始直線 段歸為一組，m為18~25 ;分別統計各直線段組中原始直線段的特征信息，采用線特征分類 器將各直線段組中各原始直線段分類為機場跑道線和非機場跑道線，保留分類為機場跑道 線的原始直線段，即保留直線段；線特征分類器采用機場跑道線和非機場跑道線的特征信 息樣本數據訓練SVM獲得； S3根據保留直線段提取ROI區域； S4對ROI區域分塊獲得圖像塊，提取各圖像塊的紋理特征信息，采用紋理特征分 類器將圖像塊分類為機場跑道圖像塊和非機場跑道圖像塊；紋理特征分類器采用機場跑道 和非機場跑道的紋理特征信息訓練SVM獲得； S5當機場跑道圖像塊數和ROI區域中所有圖像塊數之比大于閾值T時，該ROI區 域即機場目標，閾值T為經驗值。 步驟Sl中利用LSD直線檢測法提取遙感影像中直線段。 步驟S2中所述的統計各直線段組中原始直線段的特征信息，具體為： 對各直線段組，連接其中共線的原始直線段，對共線連接后的各直線段組，分別統 計其中各原始直線段的如下特征信息： (1)當前原始直線段的寬度wid、長度Ien以及與水平方向的夾角ang ; (2)當前原始直線段兩側的像素灰度差異dif :分別計算當前原始直線段兩側單 個像素距離內所有像素點的灰度均值，兩側的像素灰度均值差的絕對值即dif ; (3)當前原始直線段和與其共線的原始直線段的間距最小值hd_; (4)當前原始直線段所在共線直線段長度Ienlcing，若當前原始直線段不與任何原 始直線段共線，len lcinjP當前原始直線段自身長度； (5)當前原始直線段和當前直線段組中其他原始直線段間距離的最小值"_和 最大值vd_，當前原始直線段和其他原始直線段間距離即當前原始直線段中點到其他原始 直線段的距離； (6)最大投影重疊比率proj_:分別計算當前原始直線段所在共線直線段到當前 直線段組中其他共線直線段的投影重疊比率，最大的投影重疊比率即pro (7)當前直線段組中距當前原始直線段特定距離內的共線直線段條數，當前原始 直線段和當前直線段組中共線直線段間距離即當前原始直線段中點到共線直線段的距離。 步驟S3進一步包括子步驟： 3. 1確定主方向： 將[0, π )平分成m個角度區間，m為18~25 ;針對各角度區間，統計與水平方向 的夾角位于該角度區間的保留直線段數，若保留直線段數大于全部保留直線段數的四分之 一，該角度區間中心角度值即主方向值； 3. 2在各主方向下，分別執行如下操作： 將當前主方向下保留直線段順時針旋轉角度θ，Θ即主方向值，利用滑動窗口檢 測一系列兩長邊沿水平方向的矩形區域，矩形區域尺寸不小于機場實際尺寸； 在滿足^>7；的矩形區域中，r2值最大且^值大于幾的矩形區域即ROI區域，1；和 .?為經驗值，r 1= P/S，r 2= P/Q，S為當前主方向下保留直線段所占像素數，P為當前主方 向下保留直線段在矩形區域內所占像素數，Q為矩形區域像素數。 子步驟3. 2中，?；和2；分別在〇· 65~0· 75和0· 05~0· 08范圍內取值。 步驟S5中的閾值T在0. 35~0. 45范圍內取值。 和現有技術相比，本專利技術具有如下優點和有益效果： 對機場目標的多維跑道線特征進行學習得到線特征分類器，通過線特征分類器篩 選機場跑道線，無需設定大量的閾值條件，具有更廣泛的適用性；對提取的直線段進行篩選 并確定ROI區域，而不是直接依賴大量先驗知識確定ROI區域；根據紋理特征學習得到的 紋理特征分類器判斷ROI區域是否為機場目標，這種集成多分類器的識別方法有效避免了 單純依靠線特征分類器導致機場目標提取錯誤的情況，可有效提高機場目標自動識別的精 度?！靖綀D說明】 圖1為本專利技術的具體流程示意圖； 圖2為部分直線段及其特征示意圖，其中，圖（a)為某組內的直線段示意圖；圖 (b)為圖（a)中共線的直線段連接后示意圖；圖（c)為平行直線段間的投影重疊比率示意 圖；圖（d)為距當前直線段特定距離內的平行直線段示意圖； 圖3為LSD直線檢測與分類效果示意圖，其中，圖（a)為原始遙感影像；圖（b)為 LSD直線檢測結果；圖（c)為直線段分類效果，其中所保留的直線段被分類為機場跑道線； 圖4為ROI區域的提取流程示意圖，其中，圖（a)為保留直線段及其主方向；圖（b) 為旋轉后的坐標系和矩形區域；圖（c)為返回原坐標系下的矩形區域； 圖5為部分ROI區域驗證結果，其中，圖（a)和圖（b)為機場區域，圖（c)為非機 場區域?！揪唧w實施方式】 本專利技術基于遙感影像中機場目標獨特的直線結構特征和紋理特征，提出了一種結 合了線分類和紋理分類的機場目標自動識別方法。首先，提取遙感影像中直線段，并統計各 直線段本身的基本特征及直線段間的位置關系特征，通過訓練的線特征分類器對所有直線 段進行判別，獲得被判別為機場跑道線的直線段。然后，對被判別為機場跑道線的直線段進 行圖形學處理，提取疑似機場目標的ROI區域，對ROI區域分塊，提取各圖像塊的紋理特征。 最后，采用訓練的紋理特征分類器對各圖像塊的屬性進行判斷，根據ROI區域中被判定為 機場跑道的圖像塊比例判斷ROI區域是否為機場目標。 本專利技術流程見圖1所示，具體步驟如下： 步驟1，利用LSD直線檢測法檢測遙感影像中直線段。 采用經典的LSD直線檢測法檢測遙感影像中直線段，檢測結果包括各直線段的起 始點坐標和寬度。為提高后續的計算效率，刪除長度小于預設值的直線段，即基于直線段長 度預先刪除明顯的非機場跑道線。由于機場跑道線一般均超過100米，因此，預設值可設為 100米。當然預設值并不限于100米，可根據實際情況自行設定，但預設值的設定要保證能 刪除明顯的非機場跑道線，但不能刪除機場跑道線。[00當前第1頁1 2 3 本文檔來自技高網...

【技術保護點】
基于線分類和紋理分類的機場目標自動識別方法，其特征在于，包括步驟：S1提取遙感影像中直線段，即原始直線段；S2將[0,π)平分成m個角度區間，與水平方向夾角屬于同一角度區間的原始直線段歸為一組，m為18～25；分別統計各直線段組中原始直線段的特征信息，采用線特征分類器將各直線段組中各原始直線段分類為機場跑道線和非機場跑道線，保留分類為機場跑道線的原始直線段，即保留直線段；線特征分類器采用機場跑道線和非機場跑道線的特征信息樣本數據訓練SVM獲得；S3根據保留直線段提取ROI區域；S4對ROI區域分塊獲得圖像塊，提取各圖像塊的紋理特征信息，采用紋理特征分類器將圖像塊分類為機場跑道圖像塊和非機場跑道圖像塊；紋理特征分類器采用機場跑道和非機場跑道的紋理特征信息訓練SVM獲得；S5當機場跑道圖像塊數和ROI區域中所有圖像塊數之比大于閾值T時，該ROI區域即機場目標，閾值T為經驗值。

【技術特征摘要】

【專利技術屬性】
技術研發人員：肖志峰，唐閣夫，劉清，
申請(專利權)人：武漢大學，
類型：發明
國別省市：湖北;42