用航拍检测的光学图像进行船只识别

数字图像处理

第一章 简介

通过光学传感器使用一个自动目标识别系统在船经过港口的时候实现自动检测、追踪和识别。

用之前获取的图像的数据库来识别已知船只，使用的是SIFT算法检测的特征点和描述算子；

这篇论文描述用SIFT特征识别船只的标准和在海洋环境中处理拍摄视角和混杂背景的方法;

全球 maritime 安全的角点是港口的 situation awareness （位置感知）

在海洋势态感知(MDA)中,经常发生噪声等复杂的背景干扰，我们提供的方法对这些干扰具有一定的免疫（稳定性）。

第二章 方法

进行目标识别的方法需要对目标的位置、视角、尺度和光照强度比较敏感，并且能够容忍环境变化和部分遮挡。

关键点检测的一些优点：

1. 图像分割不是图像识别的预处理环节（？）。
2. 特征点的局部性对一些变化具有稳定性。
3. 可以用局部特征点描述子弥补光照变化的影响。

用特征点的目标匹配分为三步

1. 特征点检测
2. 特征向量描述
3. 用数据库里的项目进行匹配。

我们把来自不同的图像的特征点存放在不同的地方， 这样可以减少对比量。

几何验证

下一步是用一个最小二乘匹配算法来检测匹配的特征之间的变换，如果检测出的几何距离小于一定的阈值，我们就认为在测试图像和数据库图像中发生了一致性的仿射变换。否则就剔除这些匹配。

SIFT支持20度面外旋转

lowe称，图像经过小于20度的面外旋转后得到的SIFT特征仍然可以进行识别。所以我们的系统可以保存图像旋转角度在20度到30度之间，并且按照旋转度数递增的方式进行排列，这样可以加快识别的速度。

额外的三点要求

这三点要求可以提高匹配的正确率。

1. 如果从几何验证得到的均方根误差比较大，那就认为计算的变换时无效的，这艘船不能被识别。
2. 如果识别的特征都集中在一个船只的部件处，那么识别的可能性就降低了。比如说船只的桅杆等部件特征并不突出，如果只有这部分特征匹配了，并不能说明是真正的匹配。
3. 需要对识别设置权重，对于那些非独特性的匹配比如船只的舷窗等，可能会出现很多的匹配，我们应该赋予较低的权值。权值的计算是通过求频率得到的，频率就是关键点与那些从一组图像的假警报(FA)的数据库里提取的特征点匹配的频率。错误的匹配越多，则权值越低。

第三章 测试结果

AIS信息用来船只任证和实时定位，用来指导港口的相机调整角度和位置来拍摄一系列的图像。

tugboats的图像可以在各种天气和光照情况下进行识别测试，测试系统正确识别的比例。

用拖船做的两个实验的结果表明，用8个匹配做下限是一个合理的阈值，可以用这个阈值来做出正确识别的判定。应该对不同的匹配设置不同的权重，并且根据尺度因子调整阈值。

第四章 总结