2 特征提取

 

       特征提取是目標檢測中的關鍵步驟，其質(zhì)量直接影響到最終檢測結(jié)果的準確性。特征提取常用的圖像特征有顏色特征、紋理特征、形狀特征等。受限于無人機實際偵察條件，應用于復雜多目標背景下無人機偵察目標檢測的特征提取算法應對尺度、亮度、旋轉(zhuǎn)、遮擋和噪聲等干擾具有較強的魯棒性，而傳統(tǒng)目標檢測技術(shù)大部分通過人工設計提取圖像特征，常見的算法有：

       Harris角點檢測算法以泰勒展開式構(gòu)建像素點鄰域內(nèi)的連續(xù)曲面，計算所有像素點的微商平方和，采用其中的最大值和最小值作為判斷特征角點的顯著性依據(jù)，該算法能將檢測方向擴展到所有方向上。不足之處是計算過程復雜，且人為設定的初始閾值對算法的穩(wěn)定性具有決定性作用。

       SIFT（Scale Invariant Feature Transform）特征檢測算法是現(xiàn)階段較為成熟的一種算法，首先通過高斯平滑構(gòu)建高斯尺度空間，在其中進行極值點檢測并將其作為特征點，經(jīng)過特征點描述即可用于圖像匹配。該算法對于照度變換、尺度和旋轉(zhuǎn)變換、視點變化以及噪聲影像都具備一定的魯棒性，特征點區(qū)分力較好，信息量豐富，匹配的準確度較高，但由于算法需要構(gòu)建尺度空間并計算全局極值，計算量大，無法滿足實時要求。

       HOG（Histogram of Oriented Gradient）特征檢測算法是一種利用局部圖像梯度方向直方圖特性提取圖像特征的方法，能夠減弱局部光照、陰影對特征提取的影響，計算像素梯度獲取圖像輪廓信息。首先將圖像劃分成多個Cell塊，每個Cell塊由數(shù)個像素點組成，統(tǒng)計Cell塊的梯度直方圖，再將數(shù)個Cell塊組合成Block區(qū)域，根據(jù)密度對區(qū)域中的Cell塊歸一化，區(qū)域中所有Cell塊的梯度特征組合成Block特征，同理圖像中所有Block特征組合成圖像特征，HOG對光照和輕微形變有一定的抑制能力，可以很好的表征局部像素之間的關系。與其它傳統(tǒng)特征提取算法相同，計算冗長導致的實時性差是算法的主要缺陷。

       SURF（Speeded up Robust Features）檢測算法采用Hessian矩陣對SIFT算法中高斯尺度空間構(gòu)建過程進行近似處理，利用積分圖像和更低維度的描述子向量簡化算法體積，有效減少了計算量，彌補了SIFT算法運行速度緩慢的缺點。但是在采用Hessian矩陣獲得極值后，在求取特征點主方向階段過于依賴局部區(qū)域像素點的梯度方向，可能會造成誤匹配。而且由于算法采用一種近似處理實現(xiàn)特征點的檢測，導致其對于各種變換的魯棒性相對下降。

       之后還有許多基于SIFT和SURF改進的特征檢測算法，如BRIEF（Binary Robust Independent Elementary Features）檢測算法、ORB（Oriented FAST and Rotated BRIEF）檢測算法、BRISK（Binary Robust Invariant Scalable Keypoints）檢測算法、非線性特征檢測的風式特征（KAZE）算法，魯棒性和實時性都有大幅提高，但是傳統(tǒng)特征提取算法應用于無人機偵察目標檢測時，魯棒性、實時性和準確性等傳統(tǒng)指標依然無法滿足實際需求，具體表現(xiàn)為以下四個方面：

       （1）提取到的特征信息過于單一，無法完整的表述目標；

       （2）可分性較差，分類器無法準確的對復雜背景下的目標進行分類；

       （3）泛化性不足，不同的特征適用于不同的影像數(shù)據(jù)，一般人為選取的特征都有自身特定的應用背景；

       （4）特征設計工作復雜，研發(fā)周期長，且設計工作需要較強的專業(yè)背景。

       隨著深度學習的不斷發(fā)展，基于深度卷積神經(jīng)網(wǎng)絡（convolution neural network，CNN）的目標檢測算法得到深入研究。在圖像特征提取方面，卷積神經(jīng)網(wǎng)絡具有明顯優(yōu)勢，區(qū)別于人工設計的特征，其利用大量圖片數(shù)據(jù)學習到非人工設計的特征，解決了由于人為選取的特征信息單一導致的復雜背景下魯棒性不強的問題，提升影像目標檢測效果。

 

       3 分類器

 

       分類是目標檢測的核心之一，而分類器的選擇是分類的重點。將特征提取中得到的特征送入分類器，判斷出圖像中目標類別，即基本完成目標的粗檢測。如圖3所示為目標檢測中分類器進行分類的過程。

 

 

       目標檢測分類過程最常用的分類器有：支持向量機（support vector machine,簡稱 SVM）、Boosting、隨機森林（Random Forest, RF）、人工神經(jīng)網(wǎng)絡（Artificial Neural Network, ANN）等。

       SVM分類器是以統(tǒng)計學習理論為基礎的學習方法，根據(jù)結(jié)構(gòu)風險最小化準則，以最大化分類間隔構(gòu)造最優(yōu)分類超平面來提高學習機的泛化能力，較好地解決了非線性、高維數(shù)、局部極小點等問題。對于分類問題，支持向量機算法根據(jù)區(qū)域中的樣本計算該區(qū)域的決策曲面，由此確定該區(qū)域中未知樣本的類別。傳統(tǒng)圖像目標檢測中大多應用SVM分類器進行特征分類，然而缺失數(shù)據(jù)敏感和對非線性問題沒有通用解決方案仍是急待解決的問題。

       Boosting分類器是一種集合分類器即通過組合幾個弱分類器實現(xiàn)強分類器的性能。其基本思想是：訓練數(shù)個弱分類器，在第一個弱分類器中輸入相同權(quán)值訓練樣本，在之后的分類器迭代過程中，不斷增加正確樣本權(quán)重直到迭代完成，最后將所有弱分類器組合成強分類器用于分類決策。Adaboost（Adaptive Boosting）算法具體實現(xiàn)了Boosting分類器這一思想，且具有精度高、抗過擬合能力強、構(gòu)建簡單靈活等優(yōu)點，大量應用于包括目標特征分類等各種分類場景。弱分類器的選擇是影響B(tài)oosting分類器分類效果的關鍵，也是制約其發(fā)展的阻力。

       隨機森林是由多個決策樹分類器（Classification and Regression Tree, CART）組成的總分類器。為達到提升泛化性的目的，分類器訓練過程中通過隨機有放回的采樣獲取子分類器訓練樣本集，隨后將提取到的特征按一定比例隨機無放回的采樣來訓練子分類器節(jié)點。隨機森林相較于其它分類器具有訓練速度快、泛化能力強、實現(xiàn)簡單等優(yōu)點，且可以有效克服樣本失衡、特征丟失、特征維度過高的問題。但在數(shù)據(jù)噪聲較大的情況下仍會發(fā)生過擬合的問題，此外，該模型內(nèi)部不可控，只能通過外部參數(shù)進行調(diào)節(jié)。