本發(fā)明屬于圖像處理，具體涉及一種基于sift-bow的圖像匹配跨場(chǎng)景抗干擾目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、由于在現(xiàn)實(shí)場(chǎng)景中無(wú)法正常獲取完整類別的目標(biāo)數(shù)據(jù)，如在軍事領(lǐng)域中，存在無(wú)法獲取的干擾目標(biāo)圖像，如新型靶機(jī)、車輛模型等；在民用領(lǐng)域，數(shù)據(jù)的約束使得特定類別的用戶數(shù)據(jù)無(wú)法采集。然而，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法對(duì)輸入圖像的類別空間一致性要求存在局限性，模型在檢測(cè)未采樣的干擾目標(biāo)上性能大幅下降。

技術(shù)實(shí)現(xiàn)思路

1、(一)要解決的技術(shù)問(wèn)題

2、本發(fā)明要解決的技術(shù)問(wèn)題是：針對(duì)訓(xùn)練數(shù)據(jù)中目標(biāo)域數(shù)據(jù)不可獲取導(dǎo)致標(biāo)注稀缺甚至無(wú)標(biāo)注的情況下的目標(biāo)識(shí)別問(wèn)題，設(shè)計(jì)一種目標(biāo)檢測(cè)方法，實(shí)現(xiàn)根據(jù)可見(jiàn)的類別訓(xùn)練模型過(guò)濾檢測(cè)出不可見(jiàn)的干擾類別。

3、(二)技術(shù)方案

4、1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于sift-bow的圖像匹配跨場(chǎng)景抗干擾目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：

5、步驟1、提取sift特征

6、首先構(gòu)造目標(biāo)的sift特征訓(xùn)練集，該sift特征訓(xùn)練集包含各種各樣的圖像，然后應(yīng)用sift特征提取算法對(duì)訓(xùn)練集中的所有圖像進(jìn)行特征檢測(cè)，并將提取的n個(gè)sift描述子集合在一起構(gòu)成一個(gè)sift

7、特征訓(xùn)練集，sift特征即為sift描述子；

8、步驟2、利用k-means聚類算法構(gòu)造字典

9、構(gòu)造字典的長(zhǎng)度為k，即將sift特征訓(xùn)練集聚成k個(gè)類；k-means

10、聚類算法的流程如下：

11、(1)在sift特征訓(xùn)練集{α1,α2,...,αn}中隨機(jī)抽取k個(gè)128維的sift描述子作為初始化的聚類中心{β1,β2,...,βk}，接下來(lái)利

12、用公式1計(jì)算sift特征訓(xùn)練集中所有其他sift描述子與k

13、個(gè)聚類中心之間的相似度dij，并將其他sift描述子分別歸

14、類到相似度最大的k個(gè)聚類中心上，這樣便完成了一次迭

15、代過(guò)程，同時(shí)得到最初始的聚類結(jié)果；

16、dij＝‖αi-βj‖?公式1

17、(2)對(duì)上一次迭代過(guò)程中輸出的聚類結(jié)果重新計(jì)算聚類中心，再

18、計(jì)算所有其他sift描述子與這k個(gè)新的聚類中心的相似度，

19、并分別歸類，同時(shí)得到新的聚類結(jié)果；聚類中心為：

20、

21、wj＝{αk|dkj＝min(αk,βj),k＝1,...,n}

22、其中|wj|表示聚類結(jié)果wj中sift描述子的數(shù)量；

23、(3)重復(fù)執(zhí)行(2)，直到前后兩次迭代計(jì)算的聚類中心完全相同，

24、或者達(dá)到了預(yù)設(shè)的迭代次數(shù)；

25、經(jīng)過(guò)k-means聚類算法后，得到了k個(gè)聚類中心，每一個(gè)聚類中心都是一個(gè)128維的sift描述子，將這些sift描述子作為視覺(jué)詞匯連接在一起即為最終訓(xùn)練得到的k維字典；

26、步驟3、利用knn和soft-vq進(jìn)行圖像的向量化表示

27、訓(xùn)練得到字典后，接下來(lái)進(jìn)行圖像的向量化表示，利用字典中的視覺(jué)詞匯將圖像的所有局部特征向量化成一個(gè)k維的全局向量；

28、步驟4、分別計(jì)算全局向量與預(yù)設(shè)向量模板庫(kù)中的各向量的距離的最小值，若最小值大于預(yù)設(shè)閾值，則將該向量表示的圖像中的目標(biāo)視為干擾目標(biāo)；反之，則正常上報(bào)，視為真實(shí)目標(biāo)。

29、本發(fā)明還提供了一種用于實(shí)現(xiàn)所述方法的系統(tǒng)。

30、本發(fā)明還提供了一種所述方法實(shí)現(xiàn)的圖像處理方法。

31、本發(fā)明還提供了一種基于所述系統(tǒng)實(shí)現(xiàn)的圖像處理系統(tǒng)。

32、(三)有益效果

33、與現(xiàn)有技術(shù)相比，本發(fā)明一種基于sift-bow圖像匹配的跨場(chǎng)景抗干擾目標(biāo)檢測(cè)方法具有以下有益效果：

34、(1)實(shí)現(xiàn)了傳統(tǒng)圖像特征提取算法sift和深度學(xué)習(xí)算法yolo相結(jié)合，針對(duì)訓(xùn)練數(shù)據(jù)中目標(biāo)域數(shù)據(jù)不可獲取導(dǎo)致標(biāo)注稀缺甚至無(wú)標(biāo)注的情況，克服了深度學(xué)習(xí)對(duì)輸入圖像的類別空間一致性要求高的局限性，在實(shí)際測(cè)試場(chǎng)景中表現(xiàn)更好；

35、(2)從k-means算法出發(fā)，提出了結(jié)合knn算法的sift描述子軟量化方法，克服了硬量化帶來(lái)的局部誤差，在試驗(yàn)過(guò)程中，證實(shí)了軟量化方法提供了目標(biāo)框過(guò)濾算法更穩(wěn)定的距離測(cè)定；

36、(3)為滿足跨場(chǎng)景抗干擾的目標(biāo)檢測(cè)實(shí)時(shí)性要求，本發(fā)明在sift和yolo算法的支撐下，以實(shí)時(shí)性檢測(cè)為核心點(diǎn)，設(shè)計(jì)了檢測(cè)和過(guò)濾算法的整體架構(gòu)，形成較為完備的未知域不可見(jiàn)類別的檢測(cè)評(píng)價(jià)體系。

技術(shù)特征：

1.一種基于sift-bow的圖像匹配跨場(chǎng)景抗干擾目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的方法，其特征在于，步驟3具體如下：

3.如權(quán)利要求1所述的方法，其特征在于，步驟3中利用k近鄰算法，尋找視覺(jué)詞典中距離特征描述子最近鄰的k個(gè)視覺(jué)詞匯，然后根據(jù)特征與k個(gè)視覺(jué)詞匯的距離不同，即對(duì)視覺(jué)詞匯的貢獻(xiàn)不同，為其設(shè)定相應(yīng)的權(quán)值，最后將這些權(quán)值求和作為圖像基于視覺(jué)詞典的直方圖表示。

4.如權(quán)利要求1所述的方法，其特征在于，步驟3的具體流程如下：

5.如權(quán)利要求1所述的方法，其特征在于，當(dāng)檢測(cè)到干擾目標(biāo)，則在yolov5檢測(cè)器對(duì)應(yīng)候選目標(biāo)框上屏蔽掉上報(bào)信息。

6.如權(quán)利要求4所述的方法，其特征在于，σ取10。

7.該方法在圖像處理中應(yīng)用。

8.一種用于實(shí)現(xiàn)如權(quán)利要求1至6中任一項(xiàng)所述方法的系統(tǒng)。

9.一種如權(quán)利要求1至6中任一項(xiàng)所述方法實(shí)現(xiàn)的圖像處理方法。

10.一種基于如權(quán)利要求8所述系統(tǒng)實(shí)現(xiàn)的圖像處理系統(tǒng)。

技術(shù)總結(jié)
本發(fā)明涉及一種基于sift?bow的圖像匹配跨場(chǎng)景抗干擾目標(biāo)檢測(cè)方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明實(shí)現(xiàn)了傳統(tǒng)圖像特征提取算法SIFT和深度學(xué)習(xí)算法YOLO相結(jié)合，針對(duì)訓(xùn)練數(shù)據(jù)中目標(biāo)域數(shù)據(jù)不可獲取導(dǎo)致標(biāo)注稀缺甚至無(wú)標(biāo)注的情況，克服了深度學(xué)習(xí)對(duì)輸入圖像的類別空間一致性要求高的局限性，在實(shí)際測(cè)試場(chǎng)景中表現(xiàn)更好；從K?Means算法出發(fā)，提出了結(jié)合KNN算法的SIFT描述子軟量化方法，克服了硬量化帶來(lái)的局部誤差，在試驗(yàn)過(guò)程中，證實(shí)了軟量化方法提供了目標(biāo)框過(guò)濾算法更穩(wěn)定的距離測(cè)定。

技術(shù)研發(fā)人員：鐘朝澤,李棟,左芝勇,羅鎮(zhèn)寶,康朋新,文含,唐中和,張梟,李穎浩
受保護(hù)的技術(shù)使用者：西南技術(shù)物理研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8