[发明专利]基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法

摘要

本发明涉及一种基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法，首先将图片分成若干图块，然后利用利用尺度不变特征转换(SIFT)提取图块中的关键点，作为图块的底层特征，再利用局部约束线性编码(LLC)算法对底层特征编码得到中层特征，接着利用一个三层的深度玻尔兹曼机从中层特征中得到图块的高层特征，然后利用高层特征训练支持向量机分类器，最后用该分类器检测测试图片的飞机，取得更具准确性，鲁棒性的飞机检测结果。

主权项

一种基于深度玻尔兹曼机的高分辨率遥感图像飞机检测方法，其特征在于：利用方形滑动窗口在拍摄的遥感图像中提取图块，然后利用训练得到的飞机检测器对图块进行分类，并利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠的问题，从而得到最终的飞机检测结果；所述飞机检测器的训练步骤如下：步骤1：对遥感图像数据库中多幅遥感图像进行正负样本分类，将遥感图像中含有飞机信息的遥感图像作为正样本图像，未含有飞机信息的遥感图像作为负样本图像；步骤2：利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得到的图块作为正样本集中图块负样本图像得到的图块作为负样本集中图块所述滑动步长为所选取窗口大小的1/3；步骤3、提取正负样本图像中所有图块的底层特征：利用尺度不变特征转换(SIFT)提取每一个图块中的关键点，作为图块的底层特征；步骤4、获取正负样本图像中所有图块的中层特征：利用局部约束线性编码(LLC)算法对底层特征编码得到中层特征；首先利用K‑means聚类方法将底层特征聚类以获取字典，用D＝[d₁,d₂,...,d_N]表示获取的底层特征，CB＝[cb₁,cb₂,...,cb_M]表示聚类后的字典，对于底层特征中的每一个元素d_n,n∈[1,N]，在CB中取5个与d_n特征距离最近的元素作为d_n的局部字典LB_n，然后利用LB_n对d_n进行编码，编码所用函数为$\min \underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|d_n-{\tilde{C}}_n\·{\mathrm{LB}}_n\left|\right|}^2\mathrm{st}.\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\tilde{C}}_n=1,$其中为局部编码系数，根据得到C_n，其中C_n为d_n基于全局字典CB的编码系数，C_n为含有5个非零元素的M×1维向量,最后通过求取所产生的全局编码系数中每一维的最大值产生图块的中层特征；步骤5、学习正负样本图像中所有图块的高层特征：利用一个三层的深度玻尔兹曼机从中层特征中得到每一个图块的结构和空间格局，它包含一个可视层V∈{0,1}^M和两个隐含层其中H₁和H₂分别表示第一个隐含层和第二个隐含层的节点数目，整个单元{v,h¹,h²}的能量函数为E(v,h¹,h²,Θ)＝‑v^TW¹h¹‑h^1TW²h²，其中Θ＝{W¹,W²}是模型的参数，W¹和W²分别表示可视层到隐含层和隐含层到隐含层之间的对称交互项，通过最小化能量函数学习深度玻尔兹曼机模型中的参数，并将第三层的输出作为每个图块的高层特征；步骤6、训练分类器：基于提取的图块的高层信息，训练检测飞机的分类器,训练所用到的的得分函数为其中w₁和b₁分别是支持向量机的决策面和偏置项，为正样本集中的图块，为图块的高层特征，该得分函数大于阈值时，表示图块是飞机，否则表示图块不是飞机，所述阈值为$\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{y}_p^{+}\·\mathrm{Score}\left(x_p^{+}\right)/\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{y}_p^{+},$其中取0或1，表示图块是否为飞机，P表示所有正样本图像中的图块总数，通过计算该得分函数判断图块是否包含飞机。