国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      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

      文檔序號:6538635閱讀:192來源:國知局
      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)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1