基于注意力机制的高光谱图像异常目标检测_乔艳琰.pdf

第 44 卷 第 4 期2023 年 4 月 激光杂志LASER JOURNALVol.44,No.4April,2023http /收稿日期:2022-08-12基金项目:海南省教育厅项目资助(No.Hnjg2021-99)、海南省自然科学基金高层次人才项目(No.622RC734)作者简介:乔艳琰(1986-),女,硕士,讲师,主要研究方向:机器学习,数据处理。E-mail:syxyqiao 基于注意力机制的高光谱图像异常目标检测乔艳琰三亚学院,海南 三亚 572000摘 要:在航拍视频运动目标检测中,受到场景复杂度和目标多元化因素影响,导致目标检测精度受限,提出基于注意力机制的高光谱图像异常目标检测方法。建立多背景建模约束下的高光谱视频图像采集和参数识别模型,采用场景变化自适应跟踪方法分析目标运动特征参数,提取运动目标高光谱图像的感知场景背景信息、孤立像素点以及边缘特征量,根据孤立像素点的离群特性,采用注意力机制融合判断方法,提取高光谱图像异常目标点的差异性特征值,采用模糊度特征匹配和场景稠密度色彩分割方法,实现高光谱图像异常目标的动态检测和分离。仿真测试结果表明,采用该方法进行高光谱图像异常目标检测,在虚警率为 0.09,检测概率0.94 时达到了最好的检测效果,检测的平均耗时为 16.34 s。关键词:注意力机制;高光谱图像;异常目标检测;色彩分割;背景建模中图分类号:TN911 文献标识码:A doi:10.14016/ki.jgzz.2023.04.196Abnormal target detection in hyperspectral images based on attention mechanismQIAO YanyanUniversity of Sanya,Sanya Hainan 572000,ChinaAbstract:In the aerial video moving target detection,the accuracy of target detection is limited due to the com-plexity of the scene and the diversity of targets and a hyperspectral images method of abnormal target detection based on attention mechanism is proposed.A hyperspectral video image acquisition and parameter identification model under the constraints of multi-background modeling is established.The moving characteristic parameters of the target are ana-lyzed by the scene change adaptive tracking method,and the perceived scene background information,isolated pixels and edge features of the moving target hyperspectral image are extracted.According to the outlier characteristics of iso-lated pixels,the attention mechanism fusion judgment method is adopted to extract the difference feature values of ab-normal targets in hyperspectral images,and the fuzzy feature matching and scene density color segmentation methods are adopted to realize the dynamic detection and separation of abnormal targets in hyperspectral images.The simulation results show that this method can achieve the best detection effect when the false alarm rate is 0.09 and the detection probability is 0.94,and the average detection time is 16.34 s.Key words:attention mechanism;hyperspectral image;abnormal target detection;color segmentation;back-ground modeling1 引言随着无人机遥感成像技术的发展,采用无人机和航拍检测的方法实现对高光谱图像采集,并通过高光谱图像处理技术实现对地目标的动态检测和识别,研究基于高光谱图像处理的目标识别技术,在核辐射探测、交通巡逻、航空摄影等领域都具有广泛的应用机制,且高光谱图像检测和应用的成本低,目标识别能力强,因此在图像的三维重建和视觉特征重构等领域都具有很好的应用性。然而,在高光谱图像目标检测识别中,受到图像成像环境和运动目标多元化等因素制约,导致图像异常目标检测容易出现误差,需要建http /立高光谱图像异常目标检测模型,通过异常目标特征点检测和识别,提高目标识别能力1。对高光谱图像异常目标检测是建立在对图像目标动态特征检测和跟踪识别基础上,通过提取高光谱图像异常目标的特征点,通过外观信息的特征分析,采用视频特征分析和时间维度检测方法,实现对高光谱图像异常目标检测2,当前,对高光谱图像异常目标检测方法主要有基于边缘轮廓检测的高光谱图像异常目标检测方法、红外监测方法以及基于动态特征预测的高光谱图像异常目标检测方法等,例如,文献3中提出高光谱影像子空间分析孤立森林异常目标探测方法,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法的目标不确定性,提高了目标检测的空间适应性,但该方法进行无法解决高光谱图像的复杂背景和高维问题;文献4中提出基于未标签信息主动学习算法的高光谱影像分类检测方法,全局和局部结合的思想实现异常目标检测,但该方法容易产生较高的虚警率,全局字典依赖性较强。文献5中提出稀疏差异先验信息支持的高光谱图像稀疏解混算法,通过对高光谱影像波段检测和相邻波段匹配搜索,实现光谱图像异常目标检测,但该方法存在收敛性不好和计算迭代次数高的问题。针对上述问题,提出基于注意力机制的高光谱图像异常目标检测方法。首先建立多背景建模约束下的高光谱视频图像采集和参数识别模型,然后采用注意力机制融合判断方法,提取高光谱图像异常目标点的差异性特征值,实现高光谱图像异常目标的动态检测和分离。最后通过仿真实验验证了本方法在提高高光谱图像异常目标检测能力方面的优越性能。2 高光谱图像采集与预处理2.1 总体实现结构图及高光谱图像采集建立多背景建模约束下的高光谱视频图像采集和参数识别模型,采用场景变化自适应跟踪方法分析目标运动特征参数,在 rRL1维空间中,给出 L 维的航拍视频高光谱图像6,其中高光谱图像的目标子空间为 sRLc,背景子空间为 URLk,通过线性表达和特征重组,建立航拍视频高光谱图像的目标子空间与背景子空间融合模型,通过最大化类间散度分析的方法,进行噪声投影抑制,建立高光谱图像的异常特征点检测模型,通过局部细化处理的方法,将像元向量投影于背景的正交子空间中,采用注意力机制学习,将背景子空间中的高光谱图像输入到图像的背景子空间中,采用主成分特征分析的方法,构建正交子空间投影和辨识模型7,得到高光谱图像异常目标检测的总体结构如图 1 所示。图 1 高光谱图像异常目标检测的总体结构根据图 1 的高光谱图像异常目标检测总体结构模型,基于重叠区域的异常特征点检测,计算待检测样本的异常值,通过异常检测结果的图模型参数8,得到有向图模型 DRhw,将图像目标检测分为像素集尺度检测和对象级尺度检测,由此建立高光谱图像异常目标检测模型,得到图像采集模型如图 2 所示。图 2 高光谱图像采集模型2.2 图像预处理及目标运动特征参数基于各数据的场景特点和目标空间分布关系,采用动态模板匹配的方法,建立高光谱视频图像的背景子空间估计模型,通过目标运动特征参数分析,提取图像异常目标的速度、相位的特征参数9,首先给出791乔艳琰,等:基于注意力机制的高光谱图像异常目标检测http /高光谱图像:I(x)=J(x)t(x)+A(1-t(x)(1)其中,A 为影像中对应的目标分布特征在 x 方向的像素值,t(x)为主成分背景子空间变换参数,J(x)为图像背景子空间的主成分特征量,J(x)t(x)表示联合特征量,通过主成分特征子空间降噪,建立高光谱图像异常目标的高分辨多维空间分块检测模型,得到航拍视频高光谱图像信息跟踪的多层级特征分布集为L=J(w,e)-Ni=1aiwT(xi)+b+ei-yi(2)其中,J(w,e)为各像元的异常值分布,ai为背景子空间交换特征量,w 为分块匹配系数,(xi)为先验模板匹配集,b 为帧偏差,ei为多峰分布特征量,yi为背景场景分量,采用场景变化自适应跟踪方法分析目标运动特征参数,提取运动目标高光谱图像的感知场景背景信息、孤立像素点集为 X=x1,x2,xn,设航拍视频高光谱图像的匹配结果满足偏差收敛性,对无人机采集高光谱遥感图像进行三帧差异性匹配10-12,得到帧差与背景之间的差异度匹配集 Ei,j=e1,e2,em,其中,ei1,0,由此,根据提取的运动目标高光谱图像感知场景分量,结合背景信息匹配,实现异常目标检测。3 高光谱图像异常目标检测实现3.1 基于注意力机制的高光谱图像异常特征提取根据孤立像素点的离群特性,采用注意力机制融合判断方法进行异常特征点提取,图像配准方面采用仿射变换模型生成仿射投影图像,为航拍视频高光谱图像纹理检索的航拍视频高光谱图像的主特征量13,根据帧间残差检测运动目标检测,用四元组(Ei,Ej,d,t)来表示航拍视频高光谱图像二阶差分图,其中,Ei,Ej是航拍视频高光谱图像的 GraphCut分割特征量和纹理实体集。基于尺寸小、对比度差、背景相似度检测,采用光流映射方法获得几何约束缩小状态参数为H=tr=1k1p=1(xir-xirp)(xir-xirp)TAirp(3)其中,xir为背景块前景属性,xirp为运动相似性,Airp为前景块以及被错分的像素点,k1为全局光照变化特征量,t 为统计时间点,r 为颜色差分分类特征值,p 为快速光照变化点。结合图像的语义特征融合方法,实现对航拍视频高光谱图像纹理分割,得到运动目标初始化后的自相关特征分量:IDFi(v)=log(n/Fi(v)(4)其中,n 表示航拍视频高光谱图像个数,Fi(v)表示航拍视频高光谱图像的光照强度,利用数据几何约束缩小搜索范围,采用注意力机制引导,结合局部运动和外观特征,得到后续视频图像序列的特征点重构模型为D=Si,j(t),Ti,j(t),Ui,j(t)(5)其中,Si,j(t)表示三维视觉下航拍视频高光谱图像边缘轮廓特征量,Ti,j(t)表示快速光照变化的频率,Ui,j(t)表示增强形状特征集。采用低分辨目标尺寸形状检测,得到高光谱图像的异常灰度分布矩(x,y),计算航拍视频高光谱图像的异常边缘分布集14,得到目标缺失部位的颜色灰度值布集为w(i,j)=1Z(i)exp-d(i,j)h2()(6)其中,Z(i)=jexp-d(i,j)h2()为航拍视频高光谱图像的灰度信息重构输出,d(i,j)为异常点之间的