基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法，該方法包括以下步驟：將空中加油管錐套的正樣本集及負(fù)樣本集進(jìn)行歸一化，得到灰度圖片集合SP和Sn；提取灰度圖片集合SP和Sn中圖像的特征向量，得到用于訓(xùn)練的特征向量集合，進(jìn)而訓(xùn)練得到能夠識(shí)別空中加油錐套中心油管的第一分類器；提取灰度圖片集合SP和Sn中每幅圖像外圍傘套區(qū)域的邊緣特征信息，利用邊緣特征信息的統(tǒng)計(jì)信息，訓(xùn)練得到能夠識(shí)別空中加油錐套外圍傘套的第二分類器；線性組合第一分類器和第二分類器，生成目標(biāo)檢測(cè)分類器，利用目標(biāo)檢測(cè)分類器對(duì)空中加油錐套目標(biāo)進(jìn)行檢測(cè)。本發(fā)明利用組合的目標(biāo)檢測(cè)分類器，可配合目標(biāo)檢測(cè)框架，準(zhǔn)確、快速、魯棒地檢測(cè)空中加油錐套目標(biāo)。
【專利說(shuō)明】基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)視覺(jué)及機(jī)器學(xué)習(xí)領(lǐng)域，具體是使用計(jì)算機(jī)視覺(jué)中的圖像特征提取方法，利用機(jī)器學(xué)習(xí)中特征篩選及構(gòu)建分類器的方法，對(duì)圖像中的空中加油錐套進(jìn)行目標(biāo)檢測(cè)。
【背景技術(shù)】
[0002]軟管-浮錨(Probe&Drogue)式空中加油系統(tǒng)由加油機(jī)、輸油軟管、錐套(浮錨)、受油管構(gòu)成。隨著空中加油精確控制及無(wú)人機(jī)空中加油的推進(jìn)，產(chǎn)生了使用計(jì)算機(jī)視覺(jué)方法對(duì)空中加油錐套進(jìn)行檢測(cè)、跟蹤、測(cè)量的需求。
[0003]通過(guò)圖像處理、小波濾波器等方法，獲取能代表目標(biāo)的特征；選擇具有代表性的特征子集；使用正負(fù)樣本特征子集通過(guò)訓(xùn)練分類器；上述步驟已經(jīng)組成了較為成熟的實(shí)時(shí)目標(biāo)檢測(cè)流程。然而，此目標(biāo)檢測(cè)流程卻難以應(yīng)用在空中加油錐套目標(biāo)檢測(cè)問(wèn)題中。[0004]空中加油錐套的檢測(cè)具有如下兩個(gè)特點(diǎn):一、不同場(chǎng)景中檢測(cè)目標(biāo)變化較大；二、對(duì)于檢測(cè)結(jié)果的精度要求很高。由此，本發(fā)明設(shè)計(jì)了兩套分類器，通過(guò)分類器組合的方法，既保證了檢測(cè)結(jié)果的精度，又能適應(yīng)目標(biāo)外觀的變化，且具有較高的執(zhí)行效率。

【發(fā)明內(nèi)容】

[0005]為了解決現(xiàn)有技術(shù)中，使用單一分類器難以描述不同光照、不同角度下的錐套目標(biāo)的問(wèn)題，本發(fā)明采用多分類器組合技術(shù)，利用灰度、邊緣等混合特征，分別對(duì)空中加油錐套的中心油管、外圍傘套分別訓(xùn)練各自的分類器，再進(jìn)行組合。
[0006]本發(fā)明提出的一種基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法包括以下步驟:
[0007]步驟SI，將手工標(biāo)定的空中加油管錐套的正樣本集Sptl= {pp0’，ppl’，…，Ppsp’ }，及累積生成的背景負(fù)樣本集Snci= {Pno’，Pnr，…，Pnsn’}進(jìn)行歸一化，得到分辨率為wxh的灰度圖片集合Sp和sn;
[0008]步驟S2:提取所述灰度圖片集合SjP Sn中圖像的特征向量，得到用于訓(xùn)練的特征向量集合，進(jìn)而訓(xùn)練得到能夠識(shí)別空中加油錐套中心油管的第一分類器C1 ；
[0009]步驟S3:提取所述灰度圖片集合Sp和Sn中每幅圖像外圍傘套區(qū)域的邊緣特征信息，利用邊緣特征信息的統(tǒng)計(jì)信息，訓(xùn)練得到能夠識(shí)別空中加油錐套外圍傘套的第二分類器C2 ；
[0010]步驟S4:線性組合所述第一分類器C1和第二分類器C2，生成目標(biāo)檢測(cè)分類器，利用所述目標(biāo)檢測(cè)分類器對(duì)空中加油錐套目標(biāo)進(jìn)行檢測(cè)。
[0011]本發(fā)明利用組合的目標(biāo)檢測(cè)分類器，可配合目標(biāo)檢測(cè)框架，準(zhǔn)確、快速、魯棒地檢測(cè)空中加油錐套目標(biāo)。
【專利附圖】

【附圖說(shuō)明】
[0012]圖1為本發(fā)明基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法的流程圖；[0013]圖2為本發(fā)明第一分類器的訓(xùn)練流程圖；
[0014]圖3為本發(fā)明第二分類器的訓(xùn)練流程圖；
[0015]圖4為空中加油錐套的結(jié)構(gòu)示意圖，及在不同光照條件下采集的錐套圖像；
[0016]圖5為本發(fā)明使用不同方向的Gabor小波提取圖像邊緣特征信息的示例圖；
[0017]圖6為本發(fā)明對(duì)外圍傘套區(qū)域的劃分方法示意圖，以及不同區(qū)域?qū)?yīng)的類Haar小波模板。
【具體實(shí)施方式】
[0018]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
[0019]圖1為本發(fā)明基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法的流程圖，圖4為空中加油錐套的結(jié)構(gòu)示意圖，及在不同光照條件下采集的錐套圖像，如圖1和圖4所示，所述基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法包括以下步驟:
[0020]步驟S1:將手工標(biāo)定的空中加油管錐套的正樣本集Sptl= {pp0’，ppl’，…，Ppsp’ }，及累積生成的背景負(fù)樣本集Snci= {pno’，pnr，…，pnsn’}進(jìn)行歸一化，得到分辨率為WXh的灰度圖片集合Sp和Sn;
[0021]在本發(fā)明一實(shí)施例中，將正樣本集中的sp+1張圖片pp0’，ppl’，"'Ppsp ’進(jìn)行圖片大小歸一化，生成分辨率為64x64的灰度圖像，歸一化后的正樣本圖片集合用Sp= {pp0, PpI, PpspI表示；同樣，將負(fù)樣本集中的sn+1張圖片pn0’ , pnr，…，Pnsn ’進(jìn)行圖片大小歸一化，生成分辨率為64x64的灰度圖像，歸一化后的負(fù)樣本圖片集合用Sn= {pn0, PnI, PnsJ 表示。
[0022]步驟S2:提取所述灰度圖片集合SjP Sn中圖像的特征向量，得到用于訓(xùn)練的特征向量集合，進(jìn)而訓(xùn)練得到能夠識(shí)別空中加油錐套中心油管的第一分類器C1，如圖2所示；
[0023]所述特征向量包括圖像中心區(qū)域的灰度信息、邊緣信息等特征向量。
[0024]所述步驟S2進(jìn)一步包括以下步驟:
[0025]步驟S2A:提取所述灰度圖片集合S1^PSn中每幅圖像的中心子圖像區(qū)域比如X G [w/4, w/2), y G [h/4, h/2)區(qū)域,構(gòu)成新的中心圖像集合Scp和Sm ;
[0026]在本發(fā)明一實(shí)施例中，提取正樣本灰度圖片集合中的sp+1張圖片pp0，ppl，…，Ppsp中的xe [16,31],y G [16,31]區(qū)域，生成分辨率為32x32的灰度圖像，提取得到的正樣本中心圖像集合用Sep= {p。#，pcpl,…，PcpspI表示；同樣，提取負(fù)樣本灰度圖片集合中的sn+1張圖片pn0，pnl，…，pnsn中的X G [16,31], y G [16,31]區(qū)域，生成分辨率為32x32的灰度圖像，提取得到的負(fù)樣本中心圖像集合用Sm={pm0, pml,…，pmsn}表示。
[0027]步驟S2B:使用中心圖像集合Sel^PSm中每幅圖像中某些比如(w/2) X (h/2)，32x32個(gè)像素位置的灰度特征{I。，I1,…，I1Q23}，分別構(gòu)造比如(w/2) X (h/2)，1024個(gè)弱分類器，通過(guò)自適應(yīng)提升過(guò)程(Ada-Boost)進(jìn)行特征子集選擇，選取最具有分辨能力的前M個(gè)灰度特征{Iw(i)|w(i) G [0, 1023], i G [0，M-1]}，作為訓(xùn)練特征中的前M個(gè)特征向量
φ0.φl(shuí).--?，φM-1 ；
[0028]步驟S2C:使用N個(gè)比如12個(gè)方向的Gabor小波函數(shù)處理中心圖像集合Sep和Scn中的圖像，提取其邊緣信息，生成相應(yīng)的比如NX (w/2) X (h/2)，12x32x32個(gè)像素的小波響應(yīng)幅值(Gtl, Gl,…，G12287I，分別構(gòu)造與小波響應(yīng)幅值的數(shù)量相對(duì)應(yīng)數(shù)量的弱分類器(12288個(gè))；通過(guò)自適應(yīng)提升過(guò)程(Ada-Boost)進(jìn)行特征子集選擇，選取最具有分辨能力的S個(gè)邊緣特征{Gw(i)|w(i) G [0, 12287], i G [0，S-1]}，作為訓(xùn)練特征中的后S個(gè)特征向量
cS5 ? cS5 M+1) --?，小 M+S-1 ;
[0029] 在本發(fā)明一實(shí)施例中，使用尺度O =4和擴(kuò)散程度入=2 V 2的二維Gabor小波濾波器處理中心圖像集合Scp和Sm中的圖像，其中，Gabor小波函數(shù)的方向0為彼此間隔30度，即能夠生成12個(gè)方向的Gabor小波濾波后的幅值圖像，以大致描述12個(gè)方向的邊緣信息,如圖5所示。
[0030]步驟S2D:使用每幅圖像P的訓(xùn)練特征，即小。，^1,…，及4>?+1)…，
這M+S維特征，作為訓(xùn)練分類器的輸入(XiJi) (i=l，2，...，sp+np+2)，其中Xi={>。，^1,...，當(dāng)P e Sep，yi=0當(dāng)P G Sen，生成的分類器，被稱為“第一分類器” C1, C1能夠根據(jù)錐套中心加油管的灰度信息、邊緣信息，判斷一個(gè)區(qū)域是否含有與錐套油管類似的黑色中心區(qū)域。
[0031]步驟S3:提取所述灰度圖片集合Sp和Sn中每幅圖像外圍傘套區(qū)域的邊緣特征信息，利用邊緣特征信息的統(tǒng)計(jì)信息，訓(xùn)練得到能夠識(shí)別空中加油錐套外圍傘套的第二分類器C2，如圖3所示；
[0032]所述步驟S3進(jìn)一步包括以下步驟:
[0033]步驟S3A:將所述灰度圖片集合Sp和Sn中每幅圖像的外圍區(qū)域劃分為L(zhǎng)個(gè)比如8個(gè)子區(qū)域，每個(gè)子區(qū)域大約包含310個(gè)像素，得到有效的外圍子區(qū)域集合Rp和非錐套外圍子區(qū)域集合Rn;
[0034]在本發(fā)明一實(shí)施例中，對(duì)于灰度圖片集合SP，通過(guò)手工標(biāo)定數(shù)據(jù)進(jìn)行有效區(qū)域的確認(rèn)，最終得到有效的外圍子區(qū)域集合Rp= {Rp0，RpI, - ,RpnpI (共有np+1個(gè)有效外圍子區(qū)域，即外圍子區(qū)域正樣本)；另外，對(duì)于灰度圖片集合Sn，得到非錐套外圍子區(qū)域集合Rn=IRnO, RnI, - ,RnnnI (共有皿+1個(gè)外圍子區(qū)域負(fù)樣本)。
[0035]步驟S3B:對(duì)于集合Rp和Rn中的子區(qū)域邊緣特征進(jìn)行提取，對(duì)于某子區(qū)域Ri，用區(qū)間頻數(shù)直方圖的方法構(gòu)造其邊緣特征向量(Xi, Yi) (i=l, 2，…，np+nn+2)。
[0036]該步驟中，對(duì)于集合Rp和Rn中的子區(qū)域IV先按照?qǐng)D6所列的類型編號(hào)及對(duì)應(yīng)的二維類Haar小波模板類型，進(jìn)行濾波，得到該子區(qū)域每像素的響應(yīng)幅值；然后再利用直方圖的方法，對(duì)子區(qū)域上每像素點(diǎn)P的響應(yīng)幅值M(p)按32為一個(gè)跨度進(jìn)行統(tǒng)計(jì)，共能形成64個(gè)響應(yīng)跨度的統(tǒng)計(jì)值h⑴，h (2)，…，h (64):
[0037]h(ik) =sum (M(p) G Bin (ik)), ik=l, 2，…，64,
[0038]其中，Bin(ik) = {h (x) | h (x)≥(ik_l) X 32-1024 且 h (x) <ikX 32-1024}。
[0039]那么對(duì)于子區(qū)域ri,其對(duì)應(yīng)的邊緣特征向量表示為(Xi, y) (i=l, 2，…，np+nn+2),其中 Xi=Oi(I), h(2)，--?, h(64)}, Yi=I 當(dāng) Ti G Rp, r^O 當(dāng) P G Rn。
[0040]步驟S3C:對(duì)在集合Rp和Rn上構(gòu)造得到的邊緣特征向量(Xi, Yi) (i=l, 2，".，np+nn)進(jìn)行訓(xùn)練，生成分類器C2’，此分類器能夠?qū)δ骋惶菪螀^(qū)域依據(jù)邊緣信息進(jìn)行判斷，確定其是否為空中加油錐套中外圍傘套的一部分。
[0041]步驟S3D:通過(guò)組合分類器(:2’，形成針對(duì)整幅圖像的外圍傘套進(jìn)行判斷的第二分類器C2。[0042]該步驟具體包括:首先對(duì)于所述步驟S3A得到的L個(gè)子區(qū)域，分別進(jìn)行特征提取，將得到的特征向量依次通過(guò)所述步驟S3C生成的分類器C2’ ；然后設(shè)置邏輯判斷條件，若一旦滿足L個(gè)子區(qū)域中的Q個(gè)被判定為非外圍傘套，則采用短路機(jī)制，給出非傘套的判斷結(jié)果，如此形成第二分類器C2。
[0043]步驟S4:線性組合所述第一分類器C1和第二分類器C2，生成目標(biāo)檢測(cè)分類器，利用所述目標(biāo)檢測(cè)分類器對(duì)空中加油錐套目標(biāo)進(jìn)行檢測(cè)。
[0044]該步驟中，所述目標(biāo)檢測(cè)分類器結(jié)合常用的目標(biāo)檢測(cè)框架一如基于不同分辨率圖像的滑窗法，就能實(shí)現(xiàn)對(duì)空中加油錐套目標(biāo)的檢測(cè)。
[0045]以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于混合特征的空中加油錐套目標(biāo)檢測(cè)方法，其特征在于，該方法包括以下步驟: 步驟Si，將手工標(biāo)定的空中加油管錐套的正樣本集Sptl= {ppo’，ppr，…，Ppsp’ }，及累積生成的背景負(fù)樣本集Snci= {Pno’，Pnr，…，Pnsn’}進(jìn)行歸一化，得到分辨率為wxh的灰度圖片集合Sp和Sn ； 步驟S2:提取所述灰度圖片集合Sp和Sn中圖像的特征向量，得到用于訓(xùn)練的特征向量集合，進(jìn)而訓(xùn)練得到能夠識(shí)別空中加油錐套中心油管的第一分類器C1 ； 步驟S3:提取所述灰度圖片集合Sp和Sn中每幅圖像外圍傘套區(qū)域的邊緣特征信息，利用邊緣特征信息的統(tǒng)計(jì)信息，訓(xùn)練得到能夠識(shí)別空中加油錐套外圍傘套的第二分類器C2 ；步驟S4:線性組合所述第一分類器C1和第二分類器C2，生成目標(biāo)檢測(cè)分類器，利用所述目標(biāo)檢測(cè)分類器對(duì)空中加油錐套目標(biāo)進(jìn)行檢測(cè)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征向量包括圖像中心區(qū)域的灰度信息和/或邊緣信息。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2進(jìn)一步包括以下步驟: 步驟S2A:提取所述灰度圖片集合Sp和Sn中每幅圖像的中心子圖像區(qū)域，構(gòu)成新的中心圖像集合Sep和Sm ； 步驟S2B:使用中心圖像集合Sct和Sm中每幅圖像中某些像素位置的灰度特征，分別構(gòu)造相應(yīng)數(shù)量的弱分類器，通過(guò)自適應(yīng)提升過(guò)程(Ada-Boost )，選取最具有分辨能力的前M個(gè)灰度特征作為訓(xùn)練特征中的前M個(gè)特征向量； 步驟S2C:使用N個(gè)方向的Gabor小波函數(shù)處理中心圖像集合Scp和Sm中的圖像，提取其邊緣信息，生成相應(yīng)的小波響應(yīng)幅值，分別構(gòu)造與小波響應(yīng)幅值的數(shù)量相對(duì)應(yīng)數(shù)量的弱分類器，通過(guò)自適應(yīng)提升過(guò)程(Ada-Boost)，選取最具有分辨能力的S個(gè)邊緣特征，作為訓(xùn)練特征中的后S個(gè)特征向量； 步驟S2D:使用每幅圖像P的訓(xùn)練特征作為訓(xùn)練分類器的輸入，生成判斷一個(gè)區(qū)域是否含有與錐套油管類似的黑色中心區(qū)域的第一分類器Q。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述Gabor小波函數(shù)為尺度0=4，擴(kuò)散程度X =2 V 2的二維Gabor小波。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3進(jìn)一步包括以下步驟: 步驟S3A:將所述灰度圖片集合Sp和Sn中每幅圖像的外圍區(qū)域劃分為L(zhǎng)個(gè)子區(qū)域，得到有效的外圍子區(qū)域集合Rp和非錐套外圍子區(qū)域集合Rn ； 步驟S3B:對(duì)于集合Rp和Rn中的子區(qū)域邊緣特征進(jìn)行提取，對(duì)于某子區(qū)域Ri,構(gòu)造其邊緣特征向量； 步驟S3C:對(duì)在集合Rp和Rn上構(gòu)造得到的多個(gè)邊緣特征向量進(jìn)行訓(xùn)練，生成能夠確定某一梯形區(qū)域是否為空中加油錐套中外圍傘套的一部分的分類器C2’ ； 步驟S3D:通過(guò)組合分類器C2’，得到對(duì)于整幅圖像的外圍傘套進(jìn)行判斷的第二分類器C2。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S3B中，采用區(qū)間頻數(shù)直方圖方法構(gòu)造某子區(qū)域Ri的邊緣特征向量。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S3B中，對(duì)于子區(qū)域先對(duì)其利用二維類Haar小波模板進(jìn)行濾波，得到該子區(qū)域每像素的響應(yīng)幅值；然后再利用直方圖的方法，對(duì)子區(qū)域上每像素點(diǎn)的響應(yīng)幅值按一預(yù)定跨度進(jìn)行統(tǒng)計(jì)，形成多個(gè)響應(yīng)跨度的統(tǒng)計(jì)值；最后，利用所述統(tǒng)計(jì)值得到所述子區(qū)域^對(duì)應(yīng)的邊緣特征向量。
8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S3D包括:首先對(duì)于所述步驟S3A得到的L個(gè)子區(qū)域，分別進(jìn)行特征提取，并將得到的特征向量依次通過(guò)所述步驟S3C生成的分類器C2’ ；然后根據(jù)邏輯判斷條件，形成第二分類器C2。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述邏輯判斷條件具體為:若一旦滿足L個(gè)子區(qū)域中的Q個(gè)被 判定為非外圍傘套，則得到非傘套的判斷結(jié)果。
【文檔編號(hào)】G06K9/66GK103617428SQ201310687677
【公開(kāi)日】2014年3月5日 申請(qǐng)日期:2013年12月16日 優(yōu)先權(quán)日:2013年12月16日
【發(fā)明者】王欣剛, 白明然, 尹英杰, 徐德, 康濤, 王華陽(yáng) 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所