[发明专利]一种基于S-HOG特征的光学遥感图像船识别方法

说明书

本发明提供了一种基于S‑HOG特征的光学遥感图像船识别方法，能够解决现有的船识别技术中特征维数多，算法复杂度高所带来的弊端，提高船识别的精度。本发明采用的S‑HOG特征只有24维特征，相比于传统的上百维度的HOG特征来说，大大降低了特征维数，减少了计算复杂度。本发明采用的S‑HOG特征，船目标在转正后，边缘及内部的梯度角主要分布在0度左右和180度左右，而其他目标的梯度角分布并无规律。因此，利用SVM分类器，这一特征能够较好的将船与其他虚警目标分离开来。本发明采用的平滑滤波，利用象素间的空间关系及灰度相似性进行均匀滤波处理，能够减小船目标内部纹理信息的差异性，将背景与目标更容易区分开。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于S-HOG(Ship-HOG，船目标-方向梯度直方图)特征的光学遥感图像船识别方法。

背景技术

船目标识别是计算机视觉和模式识别关注的重要问题，其在精确制导、海上交通管理、反恐、搜救等军事和民用领域具有十分重要的意义。对于大视场下的光学遥感图像船检测结果中存在大量虚警的问题，单纯依靠人工目视判读来获取船目标信息的传统方式，由于效率低、主观性强、成本高、信息获取周期长等缺陷，已远远不能满足现代社会对高效信息的需求。如何快速准确地从海量遥感数据中自动提取和识别出船目标已成为当前迫切需要解决的难题。

传统的HOG特征光学遥感图像船识别方法计算复杂，计算量大，特征维数高且存在冗余，容易降低识别正确率和识别速度。导致大量云和噪声干扰以及岩石岛屿等海面虚假目标难以和真实的目标区分开来。

发明内容

有鉴于此，本发明提供了一种基于S-HOG特征的光学遥感图像船识别方法，能够解决现有的船识别技术中特征维数多，算法复杂度高所带来的弊端，提高船识别的精度。

本发明是通过以下技术方案来实现的：

步骤1，对目标切片数据进行平滑滤波；

步骤2，对平滑滤波后的图像进行分割，得到二值图；

步骤3，目标切片转正：

对分割得到二值图进行“4”连通区域标记，获得标记区域的面积，二值图中面积最大的连通区域，称为最大连通区域；

将最大连通区域按一个方向依次旋转，每次旋转1度，共旋转180次，计算每次旋转后最大连通区域的最小外接矩形面积，180个最小外接矩形面积的最小值所对应的旋转角度为θ，将目标切片数据原图按该方向旋转θ角度，实现目标切片的转正；

步骤4，计算梯度方向：

在切片转正的基础上，分别计算目标的在X方向和Y方向的梯度值，并计算每个像素点的梯度方向角；

步骤5，S-HOG特征提取及归一化：

步骤5.1，以船心为中心，将切片所在的圆周面平均分成8个角度区间，0°方向与船身方向垂直，8个角度区间分别为：[337.5°～22.5°)，[22.5°～67.5°)，[67.5°～112.5°)，[112.5°～157.5°)，[157.5°～202.5°)，[202.5°～247.5°)，[247.5°～292.5°)和[292.5°～337.5°)；

步骤5.2，将船分为三部分，包括船身上半部分B1，船身下半部分B2和船身整体B3，依据各个像素点的梯度方向角，分别统计B1、B2和B3中属于各角度区间的像素点个数，完成B1、B2和B3的S-HOG特征提取；

步骤5.3，采用L2范数分别对B1、B2和B3在8个区间的像素点个数进行归一化，得到B1、B2和B3对应的归一化向量，将这三个归一化向量进行堆叠，得到堆叠后的S-HOG特征向量；

步骤6，船目标识别：