復(fù)雜背景下紅外弱目標(biāo)檢測與跟蹤的應(yīng)用的制作方法
【專利摘要】本發(fā)明公開了一種復(fù)雜背景下紅外弱目標(biāo)的檢測與跟蹤的應(yīng)用，其特征步驟為1.抑制雜波與保持圖像的拓撲結(jié)構(gòu)，構(gòu)建空域鄰近與方向優(yōu)先的仿生視覺加權(quán)熵模型，實現(xiàn)圖像從灰度模式變換為熵模式；2.分析突發(fā)或平穩(wěn)特性的弱目標(biāo)運動狀態(tài)，采用熵流的非線性擴散平滑與自適應(yīng)局部約束準(zhǔn)則，構(gòu)建符合弱目標(biāo)機動特征的自適應(yīng)熵流目標(biāo)運動估計模型，實現(xiàn)估計速度逼近弱目標(biāo)的真實運動狀態(tài)；3.研究類屬多特征融合與度量的弱目標(biāo)跟蹤方法，構(gòu)建多特征融合的序貫濾波模型，實現(xiàn)弱目標(biāo)的精確、魯棒與實時識別。本發(fā)明提出了紅外弱目標(biāo)的自適應(yīng)熵流檢測與跟蹤的算法，豐富了弱目標(biāo)檢測與跟蹤的技術(shù)。
【專利說明】復(fù)雜背景下紅外弱目標(biāo)檢測與跟蹤的應(yīng)用
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及紅外圖像預(yù)處理技術(shù)、弱目標(biāo)運動狀態(tài)的分析、以及多特征融合與度量的弱目標(biāo)跟蹤領(lǐng)域，具體涉及在復(fù)雜背景下紅外弱目標(biāo)檢測與跟蹤的應(yīng)用。
【背景技術(shù)】
[0002]本發(fā)明的【背景技術(shù)】涉及三個關(guān)鍵步驟與方法:保持拓撲結(jié)構(gòu)的圖像預(yù)處理技術(shù)、分析突發(fā)或平穩(wěn)特性的目標(biāo)運動狀態(tài)、同類多特征融合與度量的目標(biāo)跟蹤方法。
[0003]保持拓撲結(jié)構(gòu)的紅外圖像預(yù)處理技術(shù):
雜波與噪聲的存在，它們提高了弱目標(biāo)檢測的難度。采用空間濾波方法抑制背景與噪聲，其圖像的拓撲結(jié)構(gòu)會產(chǎn)生變化。研究雜波與噪聲的抑制方法，既提高弱目標(biāo)的信雜比又保持圖像的拓撲結(jié)構(gòu)。
[0004]分析突發(fā)或平穩(wěn)特性的目標(biāo)運動狀態(tài):
弱目標(biāo)的運動具有突發(fā)或者平穩(wěn)特性，用來表征目標(biāo)的不確定性與機動性。依據(jù)圖像熵模式所引起的表觀就是刻畫目標(biāo)運動，針對區(qū)域像素灰度平緩或劇烈變化的特點，研究平滑與約束準(zhǔn)則的目標(biāo)運動估計模型，實現(xiàn)對目標(biāo)運動狀態(tài)的逼近。
[0005]同類多特征融合與度量的目標(biāo)跟蹤方法:
偽目標(biāo)的存在，以及目標(biāo)遮擋、交叉、分離、出現(xiàn)、消失的現(xiàn)象，它們提高目標(biāo)跟蹤的難度。目標(biāo)一般具有相同或趨近的類屬特征，研究類屬多特征融合與度量的目標(biāo)跟蹤方法可以剔除偽目標(biāo)并實現(xiàn)弱目標(biāo)的跟蹤。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供復(fù)雜背景下紅外弱目標(biāo)檢測與跟蹤的應(yīng)用，保持紅外弱目標(biāo)序列圖像拓撲結(jié)構(gòu)的預(yù)處理技術(shù)，抑制雜波與提高目標(biāo)信雜比；依據(jù)熵模型構(gòu)建符合弱目標(biāo)機動特征的自適應(yīng)熵流目標(biāo)運動的估計模型，逼近目標(biāo)的運動狀態(tài)；以及采用類屬多特征融合與度量的方法識別與跟蹤弱目標(biāo)，從而實現(xiàn)了紅外弱目標(biāo)檢測與跟蹤。
[0007]通過建立加權(quán)熵模型、自適應(yīng)熵流的目標(biāo)運動估計模型與多特征融合的序貫濾波模型的研究目標(biāo)，識別弱目標(biāo)與弱目標(biāo)軌跡。本發(fā)明需要解決的關(guān)鍵科學(xué)問題如下:
(I)構(gòu)建仿生物視覺顯著性度量的空域掩模。掩模突出空域鄰近與方向優(yōu)先的特征，采用空域掩模的加權(quán)信息熵矩陣描述圖像灰度信息矩陣，實現(xiàn)圖像熵模式的變換。
[0008](2)構(gòu)建非線性擴散的自適應(yīng)變分模型。采用非線性擴散因子控制平滑程度，適應(yīng)調(diào)整熵流變分模型的數(shù)據(jù)項與平滑項的比例因子，實現(xiàn)待估計速度逼近目標(biāo)的運動狀態(tài)。
[0009](3)構(gòu)建目標(biāo)關(guān)聯(lián)函數(shù)。在既定的空域與時域內(nèi)，目標(biāo)運動的連續(xù)性與一致性、以及目標(biāo)類屬的相同性，決定它將以極大概率出現(xiàn)在鄰近區(qū)域內(nèi)。關(guān)聯(lián)函數(shù)包含空域與時域、運動與非運動類屬特征，采用多特征距離評價函數(shù)實現(xiàn)目標(biāo)檢測。
[0010]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案為:
本發(fā)明的方法包括以下主要步驟: 1、抑制噪聲、雜波與保持圖像的拓撲結(jié)構(gòu)，構(gòu)建空域鄰近與方向優(yōu)先的仿生視覺加權(quán)熵模型，實現(xiàn)圖像從灰度模式變換為熵模式。
[0011]2、由圖像熵模式所引起的表觀運動就是刻畫弱目標(biāo)運動，分析突發(fā)或平穩(wěn)特性的目標(biāo)運動狀態(tài)。依據(jù)熵流的非線性平滑與局部約束準(zhǔn)則，采用非線性擴散因子控制平滑程度，以及熵流約束和平滑約束組合約束待估計速度，得到致密的熵流場，構(gòu)建符合目標(biāo)機動特征的自適應(yīng)熵流目標(biāo)運動估計模型，趨近目標(biāo)運動狀態(tài)。
[0012]3、研究類屬多特征融合與度量的目標(biāo)跟蹤方法，構(gòu)建多特征融合的序貫濾波模型，實現(xiàn)弱目標(biāo)精確、魯棒與實時地跟蹤。
[0013]其紅外弱目標(biāo)檢測與跟蹤流程圖如圖1所示。
[0014]本發(fā)明的優(yōu)點是:
(I)提出了空域鄰近與方向優(yōu)先的加權(quán)熵模型
通常采用空間濾波抑制背景與噪聲，它會易損失目標(biāo)的信息與改變圖像的拓撲結(jié)構(gòu)。針對本發(fā)明抑制背景與噪聲的問題，依據(jù)生物注視機制，構(gòu)造空域鄰近與方向優(yōu)先的加權(quán)空域掩模。采用空域掩模加權(quán)的信息熵度量圖像像素灰度，實現(xiàn)圖像由灰度模式變換為熵模式。它為抑制雜波與保持圖像的拓撲結(jié)構(gòu)提供了一種新思路。
[0015](2)提出自適應(yīng)熵流的非線性擴散的目標(biāo)運動估計模型
弱目標(biāo)的不確定性與機動性以及雜波對運動估計的干擾，它們會降低目標(biāo)運動估計的精確度。針對本發(fā)明開展估計目標(biāo)運動狀態(tài)的研究內(nèi)容，面對熵變化平緩或者急劇的特點，自適應(yīng)調(diào)整熵流模型數(shù)據(jù)項與平滑項的比例因子，采用非線性擴散因子控制平滑程度，實現(xiàn)熵流約束和平滑約束組合約束待估計速度，以趨近目標(biāo)運動狀態(tài)。它為提高弱目標(biāo)運動估計的精確度提供了一種新方法。
【專利附圖】

【附圖說明】
[0016]圖1為本發(fā)明的紅外弱目標(biāo)檢測與跟蹤流程圖；
圖2為本發(fā)明的弱目標(biāo)檢測與跟蹤技術(shù)方案；
圖3為本發(fā)明由灰度模式到熵模式變換的技術(shù)路線；
圖4為本發(fā)明中的弱目標(biāo)運動估計技術(shù)路線。
【具體實施方式】
[0017]本發(fā)明采用如圖2所示的復(fù)雜背景下紅外弱目標(biāo)檢測與跟蹤技術(shù)方案，其具體實施步驟如下:
(I)視覺注視體現(xiàn)基素圖強度變化劇烈處的位置及其幾何分布和組織結(jié)構(gòu)，以及基元法線方向、和各點離觀察者的深度、深度上的不連續(xù)點、表面法線方向上的不連續(xù)點。神經(jīng)元感受野采用高斯-指數(shù)模型，通過同心重疊、大小不同的形變區(qū)來描述神經(jīng)節(jié)細胞傳統(tǒng)感受野的中心區(qū)、外周區(qū)、大范圍去抑制區(qū)，其中高斯模型依次表述中心區(qū)與外周區(qū)，指數(shù)模型描述大范圍去抑制區(qū)。高斯-指數(shù)數(shù)學(xué)模型參見公式(1)，通過兩個高斯模型與一個指數(shù)模型疊加，獲取空間濾波掩模，從而解決關(guān)鍵問題仿生視覺顯著性度量的空域掩模的設(shè)計，使它服從于目標(biāo)空域鄰近與方向優(yōu)先選擇特征，實現(xiàn)抑制雜波與噪聲干擾的目的。
【權(quán)利要求】
1.復(fù)雜背景下紅外弱目標(biāo)的檢測與跟蹤系統(tǒng)的應(yīng)用，其特征是方法步驟如下: (1)保持拓撲結(jié)構(gòu)的圖像預(yù)處理技術(shù)，構(gòu)建空域鄰近與方向優(yōu)先的仿生視覺加權(quán)熵模型，使圖像從灰度模式變換為熵模式，既提高弱目標(biāo)的信雜比又保持圖像的拓撲結(jié)構(gòu)； (2)分析弱目標(biāo)的突發(fā)或平穩(wěn)運動狀態(tài)，依據(jù)熵流的非線性平滑與局部約束準(zhǔn)則，采用非線性擴散因子控制平滑程度，自適應(yīng)調(diào)整熵流變分模型的數(shù)據(jù)項與平滑項的比例因子，構(gòu)造自適應(yīng)熵流的非線性擴散運動模型，描述弱目標(biāo)運動狀態(tài)； (3)研究同類多特征融合與度量的弱目標(biāo)跟蹤方法，目標(biāo)一般具有相同或趨近的類屬特征，采用弱目標(biāo)的運動與非運動特征集，分析多特征合成策略，構(gòu)建多特征關(guān)聯(lián)的距離評價函數(shù)，識別弱目標(biāo)與目標(biāo)軌跡。
2.根據(jù)權(quán)利要求1所述的一種紅外弱目標(biāo)檢測與跟蹤的應(yīng)用，其特征在于:所述保持拓撲結(jié)構(gòu)的紅外圖像預(yù)處理技術(shù)，構(gòu)建空域鄰近與方向優(yōu)先的仿生視覺加權(quán)熵模型，變換圖像模式，實現(xiàn)抑制噪聲、雜波與保持圖像拓撲結(jié)構(gòu)的目的。
3.根據(jù)權(quán)利要求1所述的一種紅外弱目標(biāo)檢測與跟蹤的應(yīng)用，其特征在于:所述圖像熵模式所引起的表觀運動來刻畫目標(biāo)運動，分析突發(fā)或平穩(wěn)特性的弱目標(biāo)運動狀態(tài)；依據(jù)熵流的非線性平滑與局部約束準(zhǔn)則，采用非線性擴散因子來控制平滑程度，以及熵流約束和平滑約束的自適應(yīng)組合約束弱目標(biāo)的估計速度，得到致密的熵流場，實現(xiàn)估計速度逼近真實的弱目標(biāo)運動狀態(tài)。
4.根據(jù)權(quán)利要求1所述的一種紅外弱目標(biāo)檢測與跟蹤的應(yīng)用，其特征在于:所述單一特征的跟蹤方法很難適應(yīng)于復(fù)雜的紅外跟蹤應(yīng)用環(huán)境，利用同類目標(biāo)一般具有相同或趨近的類屬特征，構(gòu)建運動與非運動的類屬多特征融合與度量的目標(biāo)跟蹤方法，剔除偽目標(biāo)，識別弱目標(biāo)與目標(biāo)軌跡。
【文檔編號】G06T7/20GK103810499SQ201410062826
【公開日】2014年5月21日 申請日期:2014年2月25日 優(yōu)先權(quán)日:2014年2月25日
【發(fā)明者】王忠華, 廖建華, 涂穎, 廖遠, 劉清平, 鄧承志, 陳銀軍 申請人:南昌航空大學(xué)