一种基于十字检测的栅格状雷达检测方法技术

本发明专利技术涉及一种基于十字检测的栅格状雷达检测方法，分为五个阶段，第一阶段将输入图像转换为灰度图像，并在灰度图像上使用较大步长的滑动窗口法做十字检测，第二阶段利用十字检测的结果，定位出十字密度最大的目标疑似区域，第三阶段在疑似区域使用较小步长做十字检测，第四阶段对疑似区域内检测到的十字分布点做平行直线检测，第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。本发明专利技术能够对图像做出有无栅格状雷达的判决；在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率；能够处理多种不同形状的栅格状雷达图像；且检测过程全部自动，不需要人为干预。

【技术实现步骤摘要】
一种基于十字检测的栅格状雷达检测方法
本专利技术一种基于十字检测的栅格状雷达检测方法，属于雷达目标识别

技术介绍
雷达有着白天黑夜均能探测远距离目标的优点，随着雷达技术的发展，已经广泛应用于社会经济发展和科学研究，对雷达的目标识别也成为一项迫切需要的工作。飞行器技术和图像目标识别技术的发展，使得捕获雷达图像并对图像进行雷达检测成为可能。由于雷达种类的多样性，找到一种适用于所有雷达的检测算法是很难的，本专利技术主要是针对栅格状雷达图像提出的一种自动检测算法，栅格状雷达指的是含有明显网状结构的雷达。栅格状雷达在雷达中占有相当大的比重，且自身特殊的网状结构使得其易于区别其与其他物体。目前目标识别的主流技术是通过提取目标的特征，将目标识别问题转化为特征识别问题。而特征按照抽取的范围不同可以分为两种类型：(1)全局特征；(2)局部特征。全局特征是从整个图像中抽取的特征，局部特征是从图像的局部区域中抽取的特征。全局特征因为没有捕捉到图像的局部信息，当目标发生较大变化，如局部遮挡时，会导致全局特征的变化，最终导致目标识别任务的失败。因此，近些年来，大量针对局部特征的目标识别方法被提出并应用到实践中。一些方法通过提取图像的边缘信息作为特征，如Canny边缘检测、Hough变换；一些通过先检测图像中的关键点，再在关键点处提取特征，如Harris角点检测、SIFT(ScaleInvariantFeatureTransform)特征；还有一些将整幅图像划分成许多小局部，分别提取局部特征，最后将各个小局部特征联合起来作为图像的特征，如HOG(HistogramofOrientedGradient)特征、HOG-LBP(HistogramofOrientedGradient-LocalBinaryPattern)特征。对特征的识别方面有多种方法，如(1)Hough(参见P.V.C.Hough.MethodsandMeansforRecognizingComplexPatterns.U.S.Patent3069654.)于1962年提出一种直线检测方法，并在美国作为专利发表，因为较好的容错性和鲁棒性，一直被广泛应用。(2)Harris(参见C.HarrisandM.Stephens.ACombinedCornerandEdgeDetector[C].Alveyvisionconference.1988,15-50.)于1988年提出了经典的Harris角点检测算法，该算法旨在发现图像中各个方向灰度均有较大变化的像素点，并认为这些点是图像中的关键点。Harris角点对旋转和灰度变化具有不变性。(3)SIFT特征是由Lowe于1999年首次提出的一种局部特征(参见D.G.Lowe.ObjectRecognitionfromLocalScale-InvariantFeatures[C].ProceedingsoftheseventhIEEEInternationalConferenceonComputerVision,1999,2:1150-1157.)，该特征对尺度、旋转和灰度变化具有不变性，在拍摄视角小幅度变化时也能起到很好的效果。该算法利用金字塔和高斯核滤波差分来求解高斯拉普拉斯空间中的极值点，并将这些极值点作为图像的关键点并提取附近的梯度信息形成特征向量，然后利用这些特征向量进行图像特征点匹配。(4)Dalal于2005年提出了一种用于行人检测的特征(参见N.DalalandB.Triggs.HistogramsofOrientedGradientsforHumanDetection[C].ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,2005,886-893.)并得到了很好的结果。该算法的核心思想是一幅图像中的物体的表象和形状可以被灰度梯度的方向分布很好的描述。实现方法是将图像分成小的方格单元连通区域(cell)，然后采集方格单元中各像素点的梯度方向直方图，最后把这些直方图组合起来构成特征描述子。为了提高精度，还可以将这些局部直方图在图像的更大区间(block)中进行对比度归一化，获得对光照变化更好的稳定性。HOG特征已广泛应用于各种图像处理问题。(5)HOG-LBP是Wang于2009年在HOG基础上提出的一种行人检测算子(参见X.Y.Wang,T.X.HanandS.C.Yan.AnHOG-LBPHumanDetectorwithPartialOcclusionHandling.IEEE12thInternationalConferenceonComputerVision,2009,32-39.)在行人检测上获得了比HOG更高的准确率。该算子在提取HOG特征之外将图片分成不重叠的block提取结构化的LBP特征。然后将两个特征联合起来作为图像的特征。(6)SVM是分类算法中常用的一种，这类算法能最小化经验误差于最大化几何边缘区，可尽量避免局部最优解且在高维问题中表现出了很多优势。本专利技术中使用了LIBSVM工具箱(参见C.C.ChangandC.J.Lin.LIBSVM:ALibraryforSupportVectorMachines.ACMTransactionsonIntelligentSystemsandTechnology.2011,2:27:1-27:27.)。传统的方法在提取关键点后，一般是在关键点附近提取特征，将所有关键点处的特征一起作为图像的特征，使用特征分类完成目标识别的任务。这些方法关键点检测不是特别精确、不适用于栅格状雷达。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种基于十字检测的栅格状雷达检测方法，能够对图像做出有无栅格状雷达的判决；在栅格状雷达图像和非栅格状雷达图像的判决中同时获得较高的准确率；能够处理多种不同形状的栅格状雷达图像；且检测过程全部自动，不需要人为干预。本专利技术的技术方案分为五个阶段，第一阶段将输入图像转换为灰度图像，并在灰度图像上使用较大步长的滑动窗口法做十字检测，第二阶段利用十字检测的结果，定位出十字密度最大的目标疑似区域，第三阶段在疑似区域使用较小步长做十字检测，第四阶段对疑似区域内检测到的十字分布点做平行直线检测，第五阶段根据是否能检测出平行直线做出图像中是否含有栅格状雷达的判决。(1)读取待检测图像；(2)输入图像若为彩色图像则转为灰度图像，若为灰度图像则不变；(3)在上一步的输出图像上使用滑动窗口法以较大步长s1做十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；(4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度；(5)找出最大十字分布密度对应的区域，若同时有几个最大的区域，则需合并，若最大密度大于设定的阈值threshold，则跳到步骤(6)；若最大密度小于或等于设定的阈值threshold，则结束，认为图像本文档来自技高网...

【技术保护点】
一种基于十字检测的栅格状雷达检测方法，其特征在于实现步骤如下：(1)读取待检测图像；(2)输入图像若为彩色图像则转为灰度图像，若为灰度图像则不变；(3)在上一步的输出图像上使用滑动窗口法以较大步长s1做十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；(4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度；(5)找出最大十字分布密度对应的区域，若同时有几个最大的区域，则需合并，若最大密度大于设定的阈值threshold，则跳到步骤(6)；若最大密度小于或等于设定的阈值threshold，则结束，认为图像中无栅格状雷达；(6)目标疑似区域是一个矩形区域，将该区域内包含的灰度图像提取出来，存为localimage，即疑似区域图像；(7)在localimage上用比s1小一些的步长s2再做一遍十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；记录十字检测结果；(8)将上一步得到的localimage上十字分布位置转换为二值图像表示，即十字分布点处为1，其他位置为0，二值图像与localimage大小相同，称为axisimage，即十字坐标二值图像；(9)在axisimage中使用Hough变换检测直线；(10)在上一步得到的直线中寻找平行直线组，即同一角度数量大于1的直线集合，如果能得到平行直线组，则跳到下一步；如果检测不到平行直线组，则结束，判决该图像中不含有栅格状雷达；(11)判决该图像中含有栅格状雷达，并标注出疑似区域。...

【技术特征摘要】
1.一种基于十字检测的栅格状雷达检测方法，其特征在于实现步骤如下：(1)读取待检测图像；(2)输入图像若为彩色图像则转为灰度图像，若为灰度图像则不变；(3)在上一步的输出图像上使用滑动窗口法以步长s1做十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；(4)计算以每个十字为中心的一个正方形区域内含有十字的数量作为十字分布密度；(5)找出最大十字分布密度对应的区域，若同时有几个最大的区域，则需合并，若最大密度大于设定的阈值threshold，则跳到步骤(6)；若最大密度小于或等于设定的阈值threshold，则结束，认为图像中无栅格状雷达；(6)目标疑似区域是一个矩形区域，将该区域内包含的灰度图像提取出来，存为localimage，即疑似区域图像；(7)在localimage上用比s1小的步长s2再做一遍十字检测，图像的特征提取使用HOG特征，具体是使用一个滑动窗口在整幅图像上从左到右、从上到下进行搜索，对每个滑动窗口所包含的局部图像提取HOG特征，然后使用基于线性SVM训练好的分类器对每个滑动窗口进行分类判决，如果判决是十字，则记录下该窗口的位置；记录十字检测结果；(8)将上一步得到的localimage上十字分布位置转换为二值图像表示，即十字分布点处为1，其他位置为0，二值图像与localimage大小相同，称为axisimage，即十字坐标二值图像；(9)在axisimage中使用Hough变换检测直线；(10)在上一步得到的直线中寻找平行直线组，即同一角度数量大于1的直线集合，如果能得到平行直线组，则跳到下一步；如果检测不到平行直线组，则结束，判决该图像中不含有栅格状雷达；(11)判决该图像中含有栅格状雷达，并标注出疑似区域。2.根据权利要求1所述的基于十字检测的栅格状雷达检测方法，其特征在于：所述步骤(3)和(7)中具体实现为：(1)基于线性SVM训练好的分类器的训练过程是：由裁取的928个十字正样本和1200个随机负样本训练得来；在对训练样本提取特征前，先将训练样本变换为统一大小宽度width*width的正方形图像；对训练样本提取HOG特征时，一个block中就是一个cell，block即待提取特征图像中的一个小块，彼此之间可重叠,cell即一个block中的小块，彼此之间不可重叠,一个block为blockwidth*blockwidth大小的正方形区域，blockwidth是block的边长值，应能整除width，block之间的重叠率设置为overlaping，对训练样本提取完特征后，使用LIBSVM工具箱进行训练，训练时使用线性核函数，最后得到...

【专利技术属性】
技术研发人员：凌强，杜彬彬，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34