基于SFFS多特征選擇的航拍圖像目標(biāo)檢測(cè)

陳蘇婷， 牛宇寧， 張 闖， 張艷艷

(南京信息工程大學(xué)a.江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室;b.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，南京210044)

0 引言

近年來，隨著航拍技術(shù)的不斷發(fā)展，高分辨率航拍遙感相機(jī)相繼研制成功，航拍圖像在應(yīng)急救災(zāi)、數(shù)字城市建設(shè)、工程設(shè)計(jì)等重大需求領(lǐng)域得到了廣泛的應(yīng)用［1］;同時(shí)，隨著大數(shù)據(jù)技術(shù)的興起，為航拍圖像處理提供了新的思路。航拍圖像包含的豐富信息量覆蓋了各個(gè)尺度的物體，且分布密集，如何快速高效地實(shí)現(xiàn)航拍圖像目標(biāo)檢測(cè)至關(guān)重要。

航拍圖像具有大范圍、寬視角、高分辨率、數(shù)據(jù)量巨大等特點(diǎn)，這給目標(biāo)檢測(cè)帶來巨大的挑戰(zhàn)。文獻(xiàn)［2］中提出基于單像素特征動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)檢測(cè)法，該方法針對(duì)不同高度和不同角度所拍得的航拍圖像實(shí)驗(yàn)均取得較好效果，然而當(dāng)有形狀與目標(biāo)相似或低對(duì)比度情況下容易造成誤報(bào)或漏檢;文獻(xiàn)［3］中使用超像素和稀疏編碼分割圖像并提取特征生成詞典，依據(jù)生成的字典訓(xùn)練航拍圖片實(shí)現(xiàn)目標(biāo)檢測(cè)，提高了識(shí)別能力和檢測(cè)效率，但計(jì)算復(fù)雜度較高;文獻(xiàn)［4］中提出一種時(shí)空顯著性方法，首先通過時(shí)間顯著性得到一個(gè)粗略的分割，再通過空間顯著性提取目標(biāo)的細(xì)節(jié)信息，最后通過加權(quán)線性融合的方法得到最終檢測(cè)結(jié)果，此方法雖簡(jiǎn)單，但融合所用的加權(quán)系數(shù)需要預(yù)設(shè)或者訓(xùn)練。文獻(xiàn)［5］中提出一種面向超像素的目標(biāo)檢測(cè)算法，通過最小化能量函數(shù)的方式對(duì)超像素進(jìn)行標(biāo)記以達(dá)到目標(biāo)檢測(cè)的效果，和傳統(tǒng)的方法相比有更多的靈活性，但是需要更大的輸出空間和提前了解超像素的標(biāo)簽信息。

由上述分析可見，目前的研究主要是通過對(duì)整幅航拍圖像提取特征來實(shí)現(xiàn)對(duì)航拍圖像目標(biāo)的分割與檢測(cè)，沒有充分考慮到圖像中包含大量的背景以及特征區(qū)分能力不足的缺點(diǎn)［6］。航拍圖像中的物體形態(tài)隨著拍攝視角的不同變化較大，常規(guī)的提取單一特征的算法已難以從航拍圖像中檢測(cè)感興趣目標(biāo)。針對(duì)這些問題，本文提出了基于SFFS［7］多特征選擇的航拍圖像目標(biāo)檢測(cè)方法。在研究航拍圖像目標(biāo)紋理特征和形狀特征的基礎(chǔ)上，針對(duì)航拍相機(jī)鏡頭旋轉(zhuǎn)以及飛行姿態(tài)變化帶來仿射變換等問題，引入目標(biāo)檢測(cè)中對(duì)鏡頭畸變穩(wěn)健的 RIFF［8］特征，提出基于 BING［9］算法粗定位和SFFS算法的多特征描述，提高目標(biāo)檢測(cè)的準(zhǔn)確率，在降低維數(shù)的同時(shí)，提高檢測(cè)速度。

1 目標(biāo)檢測(cè)算法流程

本文所提出的算法整體流程圖如圖1所示。首先，用BING算法初步定位目標(biāo)，尋找出包含目標(biāo)可能性較大的區(qū)域，再進(jìn)行精確檢測(cè)。然后，提取感興趣區(qū)域中目標(biāo)的多種特征，增加對(duì)航拍圖像中目標(biāo)的描述能力;最后，利用SFFS算法對(duì)提取的多種特征進(jìn)行選擇，降低特征維數(shù)，并基于支持向量機(jī)實(shí)現(xiàn)目標(biāo)檢測(cè)。

圖1 算法整體流程圖

2 BING算法目標(biāo)粗定位

由于航拍圖像場(chǎng)景復(fù)雜多變，給特征提取帶來困難;同時(shí)，為解決在繁多的航拍特征信息中，精確提取有用特征信息，提高特征提取效率，本文提出基于感興趣區(qū)域的多特征目標(biāo)檢測(cè)方法。該方法首先利用BING算法進(jìn)行粗定位，提取出可能包含目標(biāo)的區(qū)域以減少計(jì)算量，然后利用多特征選擇進(jìn)行航拍圖像目標(biāo)檢測(cè)。粗定位具體步驟如下:

Step 1 使用模板［－1，0，+1］作用于航拍圖像，由此計(jì)算出航拍圖像的梯度值，bk，l∈{0，1}8×8，并進(jìn)行歸一化處理，通過尺度變換將梯度幅值歸一化到8×8的尺度，得到歸一化的梯度特征值(NG)。

Step 2 利用二進(jìn)制估計(jì)算法，對(duì)NG特征進(jìn)行估計(jì)，獲得最終的BING特征，表示為:

步驟1梯度特征值為［0，255］，那么8×8窗口上的每個(gè)點(diǎn)的NG特征值就可以用1 byte來存儲(chǔ)，即用一個(gè)8位的二進(jìn)制串來表示，本文中利用前Ng個(gè)位值對(duì)特征值進(jìn)行近似，Ng取4。

Step 3 SVM分類器訓(xùn)練過程。

(1)提取正負(fù)樣本的 BING特征，輸入到LinearSVM中進(jìn)行訓(xùn)練，到SVM分類器并將其歸一化，作為第1級(jí)分類器。

(2)將得到的SVM分類器作用于訓(xùn)練樣本所在的位置，得到待選目標(biāo)框，通過非極大值抑制，將剩下的一些較小的待選框作為第2級(jí)分類器的訓(xùn)練樣本正例，較大的待選框作為訓(xùn)練樣本負(fù)例。

(3)將第2步生成的正例和負(fù)例輸入LinearSVM中進(jìn)行訓(xùn)練得到的分類器作為第2級(jí)分類器。

Step 4 利用窮舉得到的待選區(qū)域，將上述訓(xùn)練得到的分類器作用于待選區(qū)域，每1個(gè)待選區(qū)域通過線性模型w∈R64打分機(jī)制得到最終的感興趣區(qū)域，得分為:

坐標(biāo)為l=(i，x，y)，其中:i為尺度，即一個(gè)保存了不同窗口大小的數(shù)組中挑出的第i個(gè)尺度;(x，y)表示待選區(qū)域的中心位置。

3 多特征提取和SFFS特征選擇

由于航拍圖像的復(fù)雜背景與目標(biāo)的多樣性，僅使用單一圖像特征對(duì)目標(biāo)進(jìn)行檢測(cè)精度不高，容易造成誤檢。局部二值模式通過一階統(tǒng)計(jì)特征來描述目標(biāo)的局部紋理信息，缺乏對(duì)航拍圖像結(jié)構(gòu)信息的描述，而傅里葉形狀特征能夠很好的描述目標(biāo)的輪廓，與紋理特征具有一定的互補(bǔ)性。綜合考慮紋理特征和形狀特征的特點(diǎn)和優(yōu)勢(shì)，并引入能夠克服航拍圖像鏡頭畸變的RIFF特征，提出一種基于SFFS多特征選擇的航拍圖像目標(biāo)檢測(cè)方法。

3.1 旋轉(zhuǎn)不變LBP特征提取

局部二值模式(Local Binary Pattern，LBP)是一種通過比較像素鄰域灰度值大小對(duì)圖像進(jìn)行描述的紋理特征，在紋理分類以及人臉檢測(cè)中得到廣泛應(yīng)用［10］。通過比較，得到掩膜中心8鄰域的無符號(hào)值，即為該掩膜中心像素的LBP值并用這個(gè)值來反映該區(qū)域的紋理信息，如圖2所示。

圖2 LBP特征示意圖

由于傳統(tǒng)LBP模式的窗口為3×3大小，對(duì)較大尺度的紋理描述能力較差，Ojala等將其擴(kuò)展到任意鄰域LBPP，R，即以中心像素點(diǎn)為圓心，在半徑為R的鄰域內(nèi)均勻取P個(gè)元素進(jìn)行比較［11］。常見的(P，R)取值有(8，1)、(16，2)、(24，3)。假設(shè)gc的坐標(biāo)為(a，b)，則gp的坐標(biāo)為(a+Rcos(2πp/P)，b+Rsin(2πp/P))。圖像的坐標(biāo)必須是整數(shù)，若按照上式計(jì)算得到的gp坐標(biāo)不是整數(shù)，則利用雙線性插值算法計(jì)算gp的像素灰度值。任意圓形鄰域集都可以得到一個(gè)LBP編碼，定義如下:

式中，2i為編碼權(quán)重值，

S(gi－gc)為每個(gè)采樣點(diǎn)gi與中心像素gc作灰度二值化運(yùn)算。

LBP算子在實(shí)際應(yīng)用中常用兩種模式:旋轉(zhuǎn)不變模式和等價(jià)模式。針對(duì)航拍圖像的目標(biāo)檢測(cè)，本文采用的是LBP算子的旋轉(zhuǎn)不變模式。旋轉(zhuǎn)不變的LBP特征(RI-LBP)［12］可由擴(kuò)展的LBP特征通過數(shù)據(jù)的循環(huán)移為操作實(shí)現(xiàn)，取其最小值作為該鄰域的LBP值，計(jì)算公式為:

式中:ROR(x，k)表示對(duì)P位二進(jìn)制數(shù)x進(jìn)行向右循環(huán)以為k次(|k|＜P)。本文使用P=8，R=1，0時(shí)的旋轉(zhuǎn)不變LBP特征，示例如圖3所示，根據(jù)RI-LBP算法過程，可得其中最小的LBP值是15，即掩膜中心像素的RI-LBP值為15。

圖3 RI-LBP特征示意圖(P=8，R=1)

得到各個(gè)像素的RI-LBP值后，通過直方圖來描述旋轉(zhuǎn)不變的LBP特征。

3.2 輪廓法形狀特征提取

形狀特征可以用來描述圖像中目標(biāo)輪廓特征，彌補(bǔ)顏色特征和紋理特征對(duì)圖像含義表達(dá)的缺陷。形狀描述可分為三類:輪廓描述算法、區(qū)域描述算法和骨架描述算法［13］?？紤]到航拍圖像的特點(diǎn)以及目標(biāo)檢測(cè)的實(shí)時(shí)性要求，所使用的形狀描述子應(yīng)計(jì)算簡(jiǎn)單，且具有平移、旋轉(zhuǎn)、尺度不變性及起始點(diǎn)的無關(guān)性。因此本文引入基于變換域的傅里葉描述法用于對(duì)形狀的輪廓描述FD［13］。設(shè)一維形狀標(biāo)識(shí)函數(shù)為u(t)，則其離散

由式(6)，通過{an}來描述形狀特征。若對(duì)目標(biāo)形狀選擇不同的起點(diǎn)可以得到不同的形狀標(biāo)識(shí)函數(shù)。在實(shí)際應(yīng)用中，若對(duì)圖像輪廓進(jìn)行起點(diǎn)改變、尺度縮放、平移或者旋轉(zhuǎn)，可得到新的標(biāo)識(shí)函數(shù)傅里葉變換:

式中:a0n為變換前的形狀標(biāo)識(shí);exp(inτ)表示起點(diǎn)改變變化因子;exp(i)表示旋轉(zhuǎn)變化因子;s表示尺度變化因子。除了直流分量變化，其他因子不受影響，因此，形狀描述子{an}的具有不變性。

3.3 RIFF 特征提取

為了克服鏡頭畸變對(duì)檢測(cè)的影響，進(jìn)一步增加檢測(cè)的準(zhǔn)確度，引入RIFF特征，徑向梯度變換(Radial Gradient Transform，RGT)［14］是 RIFF 特征具有旋轉(zhuǎn)不變性的關(guān)鍵，通過對(duì)梯度旋轉(zhuǎn)適當(dāng)?shù)慕嵌?，?shí)現(xiàn)旋轉(zhuǎn)不變性。RIFF特征提取的過程為:首先對(duì)輸入圖像的梯度進(jìn)行 RGT變換，然后通過盒式差分濾波核(Difference of Boxes filter kernel)進(jìn)行檢測(cè)，最后通過構(gòu)建金字塔尺度空間尋找出局部空間極值，并確定最終的特征描述子。具體實(shí)現(xiàn)如下:

Step 1 計(jì)算感興趣區(qū)域的梯度，并對(duì)其進(jìn)行RGT變換。如圖4所示，C為圓心，P為圓周上任意一點(diǎn)，r=CP/CP為點(diǎn)P的徑向單位向量，t=Rπ/2r為點(diǎn)P的切向單位向量，g為點(diǎn)P的梯度向量，RΘ為旋傅里葉變換表達(dá)式為:轉(zhuǎn)Θ角的旋轉(zhuǎn)矩陣。由文獻(xiàn)［16］可知，梯度向量g在r－t坐標(biāo)系上的坐標(biāo)表示為(gTr，gTt)。假設(shè)P旋轉(zhuǎn)角度Θ到達(dá)PΘ后，可得gΘ在rΘ－tΘ坐標(biāo)系上的坐標(biāo)表示為(

可得:

圖4 RGT示意圖

由上述可知，經(jīng)過RGT變換后的梯度具有旋轉(zhuǎn)不變性。

Step 2 利用盒式差分濾波核檢測(cè)塊區(qū)域。在檢測(cè)過程中，每個(gè)點(diǎn)的濾波器響應(yīng)值為不同大小的兩個(gè)盒式濾波器相減得到，在尺度參數(shù)s下，較小盒式濾波器的大小為2s+1，較大的則為4s+1，那么任意點(diǎn)的濾波器響應(yīng)為:

式中，B(x，y，s)為區(qū)域規(guī)范化的濾波器函數(shù)，具體為:

∑(x，y，s) 定義為以(x，y)為中心，寬度為 2s+1 的區(qū)域中所有像素和。

Step 3 為增加特征的尺度不變性并降低計(jì)算復(fù)雜度，利用金字塔尺度空間獲取不同尺度下的局部空間值，而后通過比較獲取局部空間極值。

Step 4 在給定尺度下獲取感興趣特征點(diǎn)，利用RGT產(chǎn)生魯棒性強(qiáng)，具有旋轉(zhuǎn)不變性的特征描述算子。

以感興趣特征點(diǎn)(x，y，s)為圓心，提取半徑為P的統(tǒng)計(jì)塊(bin)，處于統(tǒng)計(jì)塊內(nèi)(bin)的每個(gè)像素點(diǎn)可以以下坐標(biāo)表示:

式中:sp為局部塊的直徑大小;s*u，s*v分別對(duì)應(yīng)為x、y在尺度s下的離散值。計(jì)算bin內(nèi)的笛卡爾梯度，若梯度最大值與次大值相差超過10%，選擇梯度最大值的方向作為該bin的主方向;否則選取最大值與次大值中間方向作為鄰域主方向，同時(shí)將梯度值歸一化。使用文獻(xiàn)［8］中的方法生成描述子:D=［H1…Hnb］，其中nb表示為統(tǒng)計(jì)塊bin內(nèi)的n個(gè)特征。

3.4 SFFS多特征選擇

特征提取過程中分別提取出感興趣區(qū)域的RILBP特征、FD特征和RIFF特征，若只是對(duì)3種特征進(jìn)行簡(jiǎn)單的串聯(lián)融合，會(huì)導(dǎo)致特征描述子維度過高，計(jì)算量大大增加，不能滿足實(shí)時(shí)檢測(cè)的需求。為此，本文提出使用SFFS算法對(duì)提取的多種特征進(jìn)行特征選擇以降低特征維數(shù)并減少計(jì)算復(fù)雜度，生成最終的特征描述子。

SFFS算法是一種浮動(dòng)搜索策略，通過貝葉斯分類對(duì)不同的特征子集進(jìn)行分類評(píng)價(jià)。具體實(shí)現(xiàn)如下:

Step 1 SFFS從空集開始，在未選擇的特征中選擇一個(gè)子集x，并計(jì)算對(duì)應(yīng)的評(píng)價(jià)函數(shù)，使評(píng)價(jià)函數(shù)達(dá)到最優(yōu)。

Step 2 在已選擇的特征中選擇子集z，并使剔除子集z后評(píng)價(jià)函數(shù)達(dá)到最優(yōu)。

Step 3 在剔除子集z評(píng)價(jià)函數(shù)達(dá)到最優(yōu)的情況下，進(jìn)一步可得貝葉斯正確分類的精度為:式中:Z表示選擇后的特征子集;Tr表示錯(cuò)分的集合;Dr表示訓(xùn)練集，這里為第4節(jié)所提取的LBP特征、FD形狀特征和RIFF特征的集合;ε(Z，Tr;Dr)表示貝葉斯分類錯(cuò)分率。

Step 4 當(dāng)錯(cuò)分概率的期望值達(dá)到最低值時(shí)，此時(shí)的集合為最優(yōu)集合解。

Step 5 在測(cè)試階段，確定特征子集依據(jù)Jnrep(Z)。對(duì)于兩個(gè)特征子集Z1，Z2，若Jnrep1(Z1) ＞Jnrep2(Z2)，選用特征子集Z1;反之，則選取特征子集Z2。

由上述分析可見，選擇后生成的最終特征描述子，在去除冗余無關(guān)特征之后，使得特征具有更好的表征能力與旋轉(zhuǎn)不變特性，并能夠較好地克服航拍過程中因鏡頭旋轉(zhuǎn)導(dǎo)致圖片發(fā)生扭曲形變的問題。

4 SVM目標(biāo)檢測(cè)

支持向量機(jī)(Support Vector Machine，SVM)［15］是一種適用于二分類的監(jiān)督學(xué)習(xí)算法，廣泛使用于小樣本、非線性及高維模式識(shí)別問題中，因此本文選擇使用SVM對(duì)圖像特征進(jìn)行訓(xùn)練分類，并在分類器后加上一個(gè)非極大值抑制的過程，用來過濾錯(cuò)誤的分類。

設(shè)圖像特征輸入為{xi|i∈Z1}，輸出為{yi|i∈Z1}，其中:Z1表示特征子集;i為第i個(gè)特征;最大間隔為 max，以及核函數(shù)K(xi，x)，得到分類函數(shù):

式中:b為偏移量;為當(dāng)前特征距離分類平面的間隔;w為需要求取的檢測(cè)結(jié)果。將問題轉(zhuǎn)換為求取minw2/2的最小值;最后通過拉格朗日函數(shù)將約束條件融合到目標(biāo)函數(shù)中去，由此得到問題的最優(yōu)解即為最終的檢測(cè)結(jié)果。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 實(shí)驗(yàn)樣本數(shù)據(jù)

目前，適用于目標(biāo)檢測(cè)的航拍場(chǎng)景數(shù)據(jù)庫較為匱乏，為了驗(yàn)證本文目標(biāo)檢測(cè)算法的有效性，采集了GoogleEarth上的4類航拍圖像作為樣本，分別為汽車、飛機(jī)、船舶、道路，每類選取200個(gè)標(biāo)準(zhǔn)樣本，共計(jì)800個(gè)樣本，并在這800個(gè)樣本中隨機(jī)選擇600個(gè)作為訓(xùn)練樣本，其余200個(gè)作為測(cè)試樣本對(duì)檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)。本文實(shí)驗(yàn)基于VS2012+OpenCV2.4.9，運(yùn)行環(huán)境是Win7，工作站配置為Intel Xeon E5-2650 CPU 2.60 Hz 2.60 Hz，64 GB 內(nèi)存。

5.2 實(shí)驗(yàn)結(jié)果

圖5展示了本文算法目標(biāo)檢測(cè)的結(jié)果。從結(jié)果可以看出，目標(biāo)幾乎全部都被檢測(cè)出來，并用黃顏色方框進(jìn)行了標(biāo)示。

如圖5(a)所示的汽車檢測(cè)的實(shí)驗(yàn)中，由于背景相對(duì)復(fù)雜，且存在大量與待檢測(cè)目標(biāo)像似的物體，如建筑、路牌等，影響了最后的檢測(cè)結(jié)果，誤檢率較高。如圖(b)和(c)所示的飛機(jī)和船舶檢測(cè)實(shí)驗(yàn)中，由于待檢測(cè)目標(biāo)與背景差異較大，形狀特征較為明顯，誤檢率較低，最終的檢測(cè)結(jié)果較好。圖(d)所示的道路檢測(cè)實(shí)驗(yàn)中，由于道路與背景混在一起，存在一定的誤檢。

圖5 航拍圖像目標(biāo)檢測(cè)結(jié)果圖

5.3 實(shí)驗(yàn)分析

為進(jìn)一步說明本文算法的有效性，采用目標(biāo)檢測(cè)的準(zhǔn)確率與召回率對(duì)算法進(jìn)行性能評(píng)估，其中，查準(zhǔn)率是指被正確檢測(cè)出來的目標(biāo)占所有檢測(cè)出來的目標(biāo)的百分比，查全率是指正確檢測(cè)出來的目標(biāo)占總的樣本的百分比。

圖6分別給出了利用BING+RI-LBP，BING+FD，BING+RIFF，BING+RI-LBP+FD+RIFF+SFFS算法對(duì)汽車，飛機(jī)，船舶，道路進(jìn)行檢測(cè)的P-R(查準(zhǔn)率-查全率)曲線圖。從圖6可以看出，相比使用單一特征進(jìn)行目標(biāo)檢測(cè)的方法，融合旋轉(zhuǎn)LBP特征、FD特征和RIFF特征并使用SFFS算法進(jìn)行特征選擇后的目標(biāo)檢測(cè)方法性能更優(yōu)。使用BING+RI-LBP進(jìn)行檢測(cè)的性能明顯低于其他算法，因?yàn)镽I-LBP算法只是提取圖像淺層紋理特征，所以單一的紋理特征不適用于航拍圖像的目標(biāo)檢測(cè)。

為驗(yàn)證本文算法的先進(jìn)性，將本文算法與S-saliency［4］算法、LS［5］算法和 DAVE 算法［16］進(jìn)行比較，并用平均準(zhǔn)確率(mean Average Precision，mAP)對(duì)這4種算法進(jìn)行定量比較，如表1所示。mAP更能客觀地說明結(jié)果的全局性，而它的提出也是為了解決召回率與準(zhǔn)確率的單值局限性。4種算法中，LS算法效果較差;S-saliency算法的尺度旋轉(zhuǎn)不變特征性使得mAP比LS算法高出0.6% ～2.5%;而DAVE算法僅比S-saliency算法高1.3% ～3.0%，這是由于DAVE算法采用深度學(xué)習(xí)的方法進(jìn)行目標(biāo)檢測(cè)，能夠自動(dòng)學(xué)習(xí)圖像的深層特征，而本文實(shí)驗(yàn)航拍圖像訓(xùn)練集不足，限制了DAVE深度學(xué)習(xí)算法的性能，只能達(dá)到較高的水平;本文算法在上述幾種算法中，平均準(zhǔn)確率達(dá)到最高，這是因?yàn)楸疚乃惴ㄔ诖蟠鬁p少特征維數(shù)的同時(shí)，挖掘了具有相互補(bǔ)充和增強(qiáng)描述能力的潛在特征，提高了目標(biāo)檢測(cè)的平均準(zhǔn)確度。

圖6 目標(biāo)的P-R曲線圖

表1 目標(biāo)的平均檢測(cè)準(zhǔn)確率

圖7為本文算法與S-saliency算法、LS算法和DAVE算法的運(yùn)行時(shí)間比較，在文獻(xiàn)［4］中，通過顯著性的方法進(jìn)行目標(biāo)檢測(cè)，摒棄傳統(tǒng)的分別計(jì)算空間和時(shí)間的顯著性，而是設(shè)計(jì)出一種分層的顯著性檢測(cè)方法，減少了時(shí)間代價(jià)，達(dá)到了實(shí)時(shí)的檢測(cè)效果;在文獻(xiàn)［5］中的實(shí)驗(yàn)中，以超像素為計(jì)算目標(biāo)，通過最小化能量函數(shù)的方式對(duì)超像素進(jìn)行標(biāo)記以達(dá)到目標(biāo)檢測(cè)的效果，靈活性較好，但是檢測(cè)效率較低。DAVE使用多個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)檢測(cè)，算法不能滿足實(shí)時(shí)性要求。本文算法通過在感興趣區(qū)域提取特征，縮小了特征提取范圍，帶來了一定的速度提升，雖然在時(shí)間運(yùn)行效率上落后于LS算法，但在滿足實(shí)時(shí)性的需求下，目標(biāo)檢測(cè)的準(zhǔn)確率更高。

圖7 算法運(yùn)行時(shí)間比較

6 結(jié)語

本文針對(duì)高清航拍圖像視角變化大、目標(biāo)豐富、背景復(fù)雜的特點(diǎn)，提出基于多特征選擇的航拍目標(biāo)檢測(cè)方法，在滿足實(shí)時(shí)性的需求下，獲得了更高的準(zhǔn)確率。為提高航拍圖像的目標(biāo)檢測(cè)效率，本文利用BING算法提取航拍圖像中目標(biāo)的感興趣區(qū)域，并通過提取感興趣區(qū)域的多種特征，利用SFFS算法進(jìn)行特征選擇生成表述能力強(qiáng)的特征描述符，并將其融入到SVM訓(xùn)練檢測(cè)模型。經(jīng)過實(shí)驗(yàn)表明，本文提出的多特征選擇檢測(cè)算法獲得了較好的檢測(cè)結(jié)果。由于數(shù)據(jù)集的獲取、準(zhǔn)備工作量較大，為了驗(yàn)證本文算法的有效性，本文只采用了幾類目標(biāo)，為了使得算法具有泛化性，下一步可以擴(kuò)大數(shù)據(jù)集。