[发明专利]一种三类海域地标点自动选取方法

摘要

本发明提供了一种三类海域地标点自动选取方法，将海域地标点分为三类，提取地标点特征，设计多分类器，即可对于三类地标点自动选取，最终得到预测标签。本发明通过对海域三类地标点的划分，解决了海域地标点稀疏、分布不均匀，且特征缺失的问题；通过对不同二分类器、不同特征的核函数优化，提高海域三类地标点分类的正确率；为飞行器海域景象匹配导航的地标点数据库制备提供一种方便、可操作性强的方法，对提升飞行器海域长航时飞行的导航精度具有重要意义，因此本发明有广泛的发展前景以及工程应用价值。

主权项

1.一种三类海域地标点自动选取方法，其特征在于包括下述步骤：第一步：海域地标点分类本发明对海域自然岛屿进行三种地标点类型划分，定义如下：一类地标点孤岛型：在视场范围内地标岛屿成像像素占比3％以下且岛屿边缘均包含在视场范围内且无临近岛屿，地标点仅存储中心点地理信息；二类地标点大岛屿型：在视场范围内成像地标岛屿成像像素占比3％以上，地标点存储为图像灰度信息及图像中心地理信息；三类地标点多岛屿型：在视场范围内有两个以上岛屿，地标点存储为基准岛屿中心位置与其余任意两个岛屿中心位置构成的三角形边‑边‑边信息；第二步：地标点特征提取对制备的图像样本提取相应特征，详细步骤如下：步骤1：唯一性特征对一类和二类地标点的灰度图像选取灰度归一化互相关系数的最高峰尖锐度为唯一性特征，即计算地标点样本图像T与对应基准图S中每个匹配位置的灰度归一化互相关系数R(i,j)的最高峰尖锐度Kacuity为唯一性信息x11，详细步骤如下：将地标点像素大小为m×n的样本图像T在像素大小为M×N的基准图S上，以步长为1像素进行平移，将样本图像T所覆盖的子图像记为Si,j，其中(i,j)表示子图像左上角在基准图S上的坐标，其搜索范围为：1≤i≤M‑m，1≤j≤N‑n，R(i,j)归一化计算公式定义为：其中，E(Si,j)，E(T)分别为所覆盖子图Si,j和样本图T的灰度均值，Si,j(s,t)，T(s,t)分别为(s,t)处基准图S和样本图T的灰度值；Vmean‑sub是在领域范围内内相关峰的平均值，Vmax为相关峰的最大值，则最高峰尖锐度定义为：最高峰尖锐度的取值范围在[0,1]区间；对三类地标点，由于其具有明显拓扑结构，构造一种三角形匹配概率参数为唯一性特征x12；在搜索范围d内，每三个岛屿的中心连成一个三角形，对所得三角形在d内进行匹配，匹配时若同时满足：|d(i,j)‑d(1,2)|≤ε|d(j,k)‑d(2,3)|≤ε|d(i,k)‑d(1,3)|≤ε   (3)式中，d(·)为三角形边长，ε表示阈值，1,2,3为当前地标点样本三角形的三个顶点，i,j,k表示与其匹配的三角形三个顶点，为d内所有岛屿个数；若所得三角形同时满足式(3)则匹配成功，完成搜索范围d内匹配后，当前地标点样本的唯一性指标为：式中，为匹配成功三角形个数，为搜索区域三角形总数；步骤2：投影特征对一类、二类、三类地标点灰度图像在水平方向与垂直方向分别进行投影，依次连接为行向量构造整体投影特征向量x2；对一类、二类、三类地标点灰度图像先采用prewitt算子进行边缘提取，再对边缘提取后的图像在水平方向和垂直方向分别投影，依次连接为行向量构造边缘投影特征向量x3；步骤3：HOG特征对一类、二类、三类地标点图像按照颜色空间构建HOG特征向量：对一类、二类、三类地标点，图像灰度化，将图像大小统一变换为512×512 pixel2，设胞元大小为32×32，每个胞元有9个特征，设窗口扫描移动步长为28个像素点，则一个地标点图像，共有8100维HOG特征，构建HOG特征x4；步骤4：LBP特征对一类、二类、三类地标点灰度图像构建LBP特征：对一类、二类、三类地标点，图像灰度化，以图中的每一个像素点的灰度值作为阈值，与其3×3邻域内的像素点灰度值作比较，若大于阈值，则为1，否则为0，按照顺时针的顺序比较，得到一个8位的二进制数，以此二进制数作为该像素点的响应，将图像内所有像素点的响应连接为该张图像的LBP特征x5；步骤5：特征归一化为有效利用各种特征，平均每一种特征对支持向量机SVM训练的影响，使训练更加精确，对各特征进行归一化，即对五种特征x1～x5进行归一化z1～z5，特征x1包含唯一性特征x11和x12，归一化公式如下：式中，zi表示归一化后的特征向量，xi表示初始的第i种特征向量，max(xi)为特征xi中的最大特征值，min(xi)为特征xi中最小特征值；第三步：多分类器设计步骤1：构造编码矩阵对三类地标点考虑6种组合情况，分别建立6个SVM二分类器，构造纠错输出编码ECOC矩阵，详细步骤如下：对三类地标点按照如下组合情况构建6个SVM二分类器：F1：一类、二类地标点为正样本，三类地标点为负样本；F2：一类、三类地标点为正样本，二类地标点为负样本；F3：二类、三类地标点为正样本，一类地标点为负样本；F4：一类地标点为正样本，二类地标点为负样本，三类地标点停用；F5：二类地标点为正样本，三类地标点为负样本，一类地标点停用；F6：三类地标点为正样本，一类地标点为负样本，二类地标点停用；对F1，F2，F3分类器使用二元编码，对F4，F5，F6使用三元编码进行ECOC编码矩阵M3×6的构造：根据编码矩阵M3×6构造ECOC编码框架，其中+1表示正样本，‑1表示负样本，0表示停用；步骤2：核函数选取将6个SVM二分类器按照五个特征分别扩展为五个分类器，选取SVM的线性核、多项式核和高斯核，对每种特征进行最佳核函数选择，详细步骤如下：根据提取的五种特征x1～x5，将F1～F6六个分类器的每个分类器扩展为五个分类器，选取SVM的线性核、多项式核和高斯核，计算每种特征在每种核函数的训练过程中的K折验证损失，进行最佳核函数选择；计算K折验证损失需要K折交叉验证，详细K折交叉验证过程为：将初始采样分割成K份，一份被保留作为验证模型的数据，其他K‑1份用来训练，交叉验证重复K次后，平均K次的结果作为最终误差评估，K折交叉验证的损失计算公式为：其中为每次分类错误率，为每次分类错误数，I为每次K折交叉验证选出的测试总数，y_j为当前分类样本实际结果，为当前分类样本估计结果，N为初始采样样本总数；选取K＝10，由各特征在不同核函数下的K折损失，选取每个特征对应最小K折损失的核函数，得到SVM二分类器组，即多分类器；第四步：三类地标点自动选取根据视场角θ、飞行高度H和相机分辨率p，相机分辨率单位为pixel，计算视场大小为R＝2Htanθ/2，单位为m，地物分辨率q＝R2/p，单位为m/pixel，根据实时图大小R和惯导漂移误差δ，单位为m，设置地标点图像大小r和与其相应的图像搜索范围d＝r+δ/q，的图像搜索范围单位为pixel，其中，r＜R，其中，制备三类地标点基准图d×d，并在基准图上截取地标点样本r×r，对地标点样本提取特征x1～x5，并第一步给出三类地标点的标签，将地标五种特征x1～x5和标签一起送入对应SVM二分类器进行多分类器训练，给出三类海域地标点自动预测器，任意选取一张图像大小同地标点的海域图像，提取五种特征，送入自动预测器中进行地标点自动分类；第五步：三类海域地标点自动选取步骤1：预测阶段选取一张海域图像r×r即预测样本，提取所述五种特征并归一化z1～z5，送入分类器组中对应分类器，每个分类器生成一个预测标签labelj，定义每个预测标签出现的频次为f(labelj)，则对于一个预测样本，同组分类器最终分类结果：Label＝argmax(f(labelj)|labelj＝1,‑1)   (8)其中，当labelj＝1时表示SVM二分类器预测其为正样本，当labelj＝‑1时表示SVM二分类器预测其为负样本，j取值范围为当前分类器组中分类器的个数；一组SVM二分类器给出一个预测码hn∈{‑1,0,1},n＝1,…,6，当六个分类器组完成预测后，得到一个表示预测样本类别的预测矩阵H1×6＝[h1 h2 h3 h4 h5 h6]；步骤2：解码阶段：计算预测矩阵H1×6与编码矩阵M3×6的之间的汉明距离D(i)，汉明距离计算公式为：找到汉明距离最短的行向量Dmin，则：PredictLabel＝Dmin＝arg min(D(i)|i＝1，2，3)   (10)对应的地标类别Ci即为此测试样本的预测标签PredictLabel。