[发明专利]一种基于HOG特征与深度学习的遥感图像飞机识别方法

说明书

本发明公开了一种基于HOG特征与深度学习的遥感图像飞机识别方法，首先对样本提取HOG特征放入SVM进行训练分类，然后用训练好的分类器对遥感图像中的飞机进行检测。在进行检测时，先对整幅图像求梯度，每8*8个像素组成一个Cell，对每个Cell求出梯度方向直方图，然后每4*4个Cell组成一个Block，并将每个Block中的HOG特征归一化，最后只需将每7*7个Block中的HOG特征串联起来最为最后的特征放入训练好的SVM分类器进行分类，相比直接对图像的每个位置扫描，速度有巨大的提升，这一步相当于粗分类，对于检测出的候选目标，再放入训练好的深度卷积网络VGG中进一步细分类，有效提高了识别精度。本发明由粗到细的方式，显著提高了遥感图像中飞机识别的速度和准确率。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于HOG特征与深度学习的遥感图像飞机识别方法。

背景技术

目标识别是计算机视觉领域的核心问题之一。飞机作为一种重要的军事目标和交通工具，对遥感图像中的飞机目标进行检测与识别是近年来国内外研究的热点之一，传统的飞机目标识别算法一般是先通过目标分割，然后提取不变特征进行训练来进行识别，然而由于背景，光照，噪声等实际因素的影响，至今没有一种比较通用的飞机分割方法；现有的一些飞机识别算法按识别特征主要通过多特征结合来进行识别，如不变矩(Hu矩、zernike矩、颜色矩等)、边缘特征、角点特征、小波特征等，其中，Hu矩和zernike矩对二值图像中的具有一定形状的目标有较好的识别能力，如果是灰度图像效果不是很好；角点特征对图像中目标的清晰度有一定要求；小波特征具有很强的图像重建能力，但是数据量相当大，特征的选取十分困难；按识别原理主要分为神经网络、模板匹配、支持向量机等，其中，模板匹配识别精度高但是运算量巨大；神经网络算法识别精度取决于样本图像数量，当目标旋转、缩放时，误时率较高，且训练时间长，节点参数很难确定。并且很多算法具有一定的针对性，遥感图像中的飞机不是完美的俯视图，会有一定的角度以及阴影的产生，对于有些特征的提取会造成影响，所以很难准确的对不同背景中的飞机目标进行检测识别。因此，迫切需要设计出一种能够克服复杂背景、光照、噪声的影响，通用性好，准确率高的飞机识别算法。

传统飞机识别方法在某些情况下，无法有效的进行飞机分割，特别是在机场，许多飞机和登机通道相连，以及跑道上的飞机，与跑道(背景)之间的颜色相近，导致有些飞机无法识别，以及现有部分的飞机识别算法针对性较强，抗干扰能力不足，特别是一些多特征结合的方法，虽然能够克服单特征描述信息能力不强的特点，但是抗噪性能较差，一旦图像分辨率变低或者干扰较大时，都会影响到每个特征提取的结果，通用性不高，

发明内容

发明目的：针对现有技术中存在的问题，提供一种能够克服背景，光照，噪声对于飞机识别的影响，很好的将飞机检测出来，并通过深度学习来降低误识率，提高识别准确率，用于解决传统的飞机识别通用性不好，准确率不高甚至在某些情况下无法识别的技术问题的基于HOG特征与深度学习的遥感图像飞机识别方法。

技术方案：为解决上述技术问题，本发明提供一种基于HOG特征与深度学习的遥感图像飞机识别方法，其特征在于，包括如下步骤：

(1)先对样本图像进行提取HOG特征；

(2)对提取后的HOG特征进行SVM训练，得到SVM分类器；

(3)对样本图像进行归一化图像大小；

(4)将归一化后的图像加入深度卷积网络进行训练，得到深度学习分类器；

(5)输入图像，用步骤(2)中训练后的SVM分类器对图像进行检测分类；

(6)SVM分类器将检测分类后的结果作为飞机的候选目标；

(7)将步骤(6)中的飞机候选目标放入步骤(4)中得到的深度学习分类

器中进行进一步分类识别；