(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210681916.2 (22)申请日 2022.06.16 (71)申请人 无锡慧眼人工智能科技有限公司 地址 214000 江苏省无锡市惠山经济开发 区智慧路1号清华创新大厦A151 1 (72)发明人 吕楠　张丽秋　王立亚　 (74)专利代理 机构 无锡大鲲知识产权代理事务 所(普通合伙) 32671 专利代理师 蒋愿真 (51)Int.Cl. G06V 20/17(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/44(2022.01)G06V 10/74(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种海量图像条件下的快速目标场景信息 提取方法 (57)摘要 本发明涉及目标场景提取的技术领域， 揭露 了一种海量图像条件下的快速目标场景信息提 取方法， 包括： 对航拍图像序列中的每张航拍图 像进行特征提取， 并对所提取特征进行降维处 理； 对航拍图像序列中相邻航拍图像进行图像相 似度计算， 对不存在相似图像的航拍图像以及相 似图像中信息最丰富的 图像进行特征提取， 获取 航拍图像的线性结构特征和非线性结构特征； 基 于每张航拍图像的线性结构以及非线性结构对 航拍区域进行敏感区域识别， 得到航拍区域地形 信息。 本发 明所述方法基于降维后的图像特征实 现重复图像的快速剔除， 对航拍图像实现多尺度 特征的表 示， 基于迁移学习快速训练得到可用的 敏感区域识别模 型， 实现航拍区域的地形信息提 取。 权利要求书5页 说明书15页 附图2页 CN 114926753 A 2022.08.19 CN 114926753 A 1.一种海量图像条件下的快速目标场景信息提取 方法， 其特 征在于， 所述方法包括： S1： 获取无人机的航拍图像序列A， 对航拍图像序列A中的每张航拍图像进行特征提取， 并对所提取特征进 行降维处理， 形成航拍图像序列特征集合， 其中对航拍图像序列 A中的每 张航拍图像进行 特征提取， 包括： 获取无人机的航拍图像序列A， 其中航拍图像序列A中的航拍图像集 合为： {I1,I2,…,Ii,…,In} 其中： Ii为航拍图像序列A中的第i张图像， n表示 航拍图像序列A中图像的总数； 对航拍图像序列A中的任意一张航拍图像Ii， 利用特征提取方法提取Ii的特征fi， 所述 特征提取方法流程为： 1)设置固定大小的图像块， 将航拍图像均匀 划分为若干同等大小的图像块； 2)构建每 个图像块中像素的尺度空间： 其中： Ii,k(p,q)为航拍图像Ii的第k个图像块的第p行第q列像素的灰度值； *为卷积计算； σ1, σ2为尺度因子， 将σ1设置为1， 将σ2设置为2， L(Ii,k(p,q), σ1)为航拍图像Ii的第k个图 像块中第p行第q列像素的σ1尺度空间， L(Ii,k(p,q), σ2)为航拍图像Ii的第k个图像块中第p 行第q列像素的σ2尺度空间； 3)基于尺度空间构建高斯差分空间： G(Ii,k(p,q))＝L(Ii,k(p,q), σ2)‑L(Ii,k(p,q), σ1) 其中： G(Ii,k(p,q))为航拍图像Ii的第k个图像块中第p行第q列像素的高斯尺度空间； 对高斯差分空间中每个像素进行检测， 若该像素为邻近8个像素的极大值或极小值， 则 将该像素 标记为该图像块内的特 征点fi,k(p′,q′)； 计算该特征点所对应 像素点Ii,k(p′,q′)的梯度方向θ(p ′,q′)： 将图像块内所有特征点的梯度方向构 成梯度直方图， 其中梯度直方图的横轴表示梯度 方向值， 纵轴表示该梯度方向下 特征点的数量； 对不同梯度方向 的特征点数量进行编码， 将梯度直方图转换为特征向量， 则航拍图像Ii 中第k个图像块的特 征向量为fi,k； 4)重复上述步骤2) ‑3)， 得到航拍图像Ii中所有图像块的特征向量， 并构成航拍图像Ii 的特征fi： fi＝[fi,1,fi,2,…,fi,m]权　利　要　求　书 1/5 页 2 CN 114926753 A 2其中： m表示航拍图像中图像块的数目； 5)重复上述 步骤1)‑4)， 得到航拍图像序列A中所有航拍图像的特 征； S2： 构建航拍图像序列A中每幅航拍图像的特征图谱， 基于特征图谱对航拍图像序列A 中相邻航拍图像进行图像相似度计算， 若计算结果小于指 定阈值则所计算的两张相邻航拍 图像为相似图像， 否则不是， 将不存在相似图像的航拍图像以及相似图像中信息最丰富的 图像构成航拍图像序列B； S3： 对航拍图像序列B中的每一张图像进行特征提取， 获取每张航拍图像的线性结构和 非线性结构， 其中所述特 征提取方法为多尺度融合方法； S4： 基于航拍图像序列B中每张图像的线性结构特征以及非线性结构特征对航拍区域 进行敏感区域识别， 得到航拍区域地形信息， 基于迁移学习的卷积网络模型为进行敏感区 域识别的手段。 2.如权利要求1所述的一种海量图像条件下的快速目标场景信息提取方法， 其特征在 于， 所述特 征降维方法为 航拍图像子图流形 学习， 包括： 将航拍图像序列A中n张航拍图像的特 征构成特 征集合： {f1,f2,…,fi,…,fn} 利用欧式距离法确定距离任意特 征fi最近的k′个特征， 构成fi的邻域特 征集Ω(i)： Ω(i)＝{fi1,fi2,…,fik′} 其中： fik′为特征集合{f1,f2,…,fn}中距离fi第k′近的特征； 计算邻域特 征集Ω(i)的权 重向量wi： 其中： Ci＝(fi‑fij)(fi‑fij)T,j∈[1,k ′]， Ci‑1表示矩阵Ci的逆矩阵； Dk′表示k′维全为1的向量； T表示矩阵的转置； 将所有特征的权重向量构成权重矩阵W， 并设置矩阵E＝(U ‑W)(U‑W)T， 其中U为单位矩 阵， 计算矩阵E的前n+1个大的特征值所对 应的特征向量{d2,d3,…,di+1,…,dn+1}， 将di+1作为 特征fi的降维后特 征， 构成航拍图像序列特 征集合{d2,d3,…,di+1,…,dn+1}。 3.如权利要求1所述的一种海量图像条件下的快速目标场景信息提取方法， 其特征在 于， 所述S2步骤中基于特征图谱对航拍图像序列中相邻航拍图像进行图像相似度计算， 包 括： 对于航拍图像序列A中的任意一张航拍图像Ii， 将降维处理后的di+1作为航拍图像Ii的 特征图谱Fi， 计算任意航拍图像Ii的特征图谱Fi， 与相邻航拍图像特征图谱Fi+1,Fi‑1的图像 相似度， 其中所述图像相似度计算公式为： Sim(Fi,Fi+1)＝||Fi‑Fi+1||1 其中： Sim(Fi,Fi+1)为特征图谱Fi与特征图谱Fi+1的图像相似度；权　利　要　求　书 2/5 页 3 CN 114926753 A 3