本發(fā)明涉及圖像數(shù)據(jù)處理的，尤其涉及一種瞄準(zhǔn)鏡圖像數(shù)據(jù)識別方法。

背景技術(shù)：

1、瞄準(zhǔn)鏡是一種廣泛使用在輕武器系統(tǒng)中的光學(xué)瞄準(zhǔn)裝置，基本原理是放大遠(yuǎn)距離目標(biāo)的圖像從而提高射手的瞄準(zhǔn)精確度。瞄準(zhǔn)鏡按結(jié)構(gòu)特點通常分為三大類，包括：望遠(yuǎn)式、準(zhǔn)直式與反射式。瞄準(zhǔn)鏡的歷史悠久最早的瞄準(zhǔn)行為可以追溯到中國歷史上的弩，弩上裝載的名為“望山”的瞄準(zhǔn)器，可以看作是最早的機械瞄準(zhǔn)具。第一次工業(yè)革命后，歐州機械工坊開始嘗試制造帶自帶光學(xué)瞄準(zhǔn)的設(shè)備。到1904年，德國的蔡司公司正式研發(fā)出成熟的光學(xué)瞄準(zhǔn)鏡制造技術(shù)。近年來，瞄準(zhǔn)鏡已經(jīng)不限于在軍事領(lǐng)域有著廣泛的應(yīng)用，還逐漸進(jìn)入商業(yè)靶場、體育射擊等民用市場領(lǐng)域。隨著瞄準(zhǔn)鏡與現(xiàn)代電子信息技術(shù)的不斷融合，誕生如全息瞄準(zhǔn)鏡、夜視瞄準(zhǔn)鏡和熱成像瞄準(zhǔn)鏡等新型光電瞄準(zhǔn)鏡。目前，瞄準(zhǔn)鏡的主流發(fā)展趨勢是智能綜合瞄準(zhǔn)鏡，通過結(jié)合ccd探測器或者cmos探測器等各類傳感器組件，瞄準(zhǔn)鏡將獲取的光學(xué)圖像轉(zhuǎn)化為電信號送入處理器一步處理，并向使用者實時顯示增強后的圖像。因此，高質(zhì)量的圖像數(shù)據(jù)處理方法對瞄準(zhǔn)鏡圖像識別尤為重要。

2、目前，申請?zhí)枮閏n202310915583.x的中國發(fā)明專利，公開了一種元學(xué)習(xí)優(yōu)化圖像識別方法及裝置，內(nèi)容為公開了一種元學(xué)習(xí)優(yōu)化圖像識別方法及裝置，包括如下步聚:在元訓(xùn)練階段隨機初始化參數(shù)，從訓(xùn)練集隨機選擇一個大小為batch_size的任務(wù)集合，每個任務(wù)隨機劃分出支持集和查詢集，對應(yīng)訓(xùn)練樣本和測試樣本。用該初始化參數(shù)在支持集上進(jìn)行若干次訓(xùn)練，先保存當(dāng)前網(wǎng)絡(luò)的初始化參數(shù)，再在支持集上進(jìn)行若干次訓(xùn)練，得到一組更新參數(shù)。接著使用新的參數(shù)在查詢集上進(jìn)行概率預(yù)測，計算得到該任務(wù)的損失。所有任務(wù)在查詢集上得到的損失進(jìn)行求和，得到總損失，測試集中隨機選擇一個大小為batch_size的任務(wù)集合，為每個任務(wù)隨機劃分出支持集和查詢集兩個子集，得到總測試損失和識別準(zhǔn)確率，完成圖像識別。該發(fā)明的雖然能夠有效識別靜態(tài)圖像數(shù)據(jù)，但處理移動目標(biāo)圖像數(shù)據(jù)時誤差較大，不能有效處理復(fù)雜環(huán)境中的移動目標(biāo)圖像。

3、傳統(tǒng)圖像識別方法在對瞄準(zhǔn)鏡的圖像數(shù)據(jù)進(jìn)行處理時存在著許多局限，瞄準(zhǔn)鏡經(jīng)常需要在有高復(fù)雜性與高不確定性特點的環(huán)境中使用，如山林、荒野等。因此瞄準(zhǔn)鏡使用者常遇到目標(biāo)在弱光、塵土環(huán)境中快速移動的復(fù)雜情況，難以清晰識別獲取的圖像。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決的技術(shù)問題是：使用者在復(fù)雜環(huán)境條件下，通過傳統(tǒng)光學(xué)瞄準(zhǔn)鏡獲取的移動目標(biāo)圖像難以清晰識別。

2、針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供如下技術(shù)方案以解決上述技術(shù)問題：提供一種瞄準(zhǔn)鏡圖像數(shù)據(jù)識別方法，首先采集圖像數(shù)據(jù)，包括像素點的rgb值、灰度值和位置信息，并通過采集的圖像數(shù)據(jù)建立背景環(huán)境模型。接著通過所述背景環(huán)境模型進(jìn)行像素點比對，將新采集的圖像數(shù)據(jù)分解為兩部分，包括背景環(huán)境部分與非背景環(huán)境部分，并通過更新權(quán)值計算得到更新背景環(huán)境模型。接著對非背景環(huán)境部分圖像數(shù)據(jù)進(jìn)行篩選，通過指數(shù)分布模型判斷所述非背景環(huán)境部分像素點屬于移動目標(biāo)的概率，獲得所述移動目標(biāo)圖像的像素點集合。接著建立目標(biāo)移動模型與圖像灰度量化模型來描述移動目標(biāo)，并通過巴氏系數(shù)原理對所述圖像灰度量化模型與參考樣本進(jìn)行相似性比對，最終完成更新圖像識別模型的建立，具體包括以下步驟：

3、作為本發(fā)明的進(jìn)一步改進(jìn)，采集k幀圖像數(shù)據(jù)用于初始化背景環(huán)境模型，所述采集的圖像數(shù)據(jù)包括圖像像素點的rgb值、灰度值gr和位置信息，所述灰度值gr通過所述rgb值進(jìn)行加權(quán)平均計算得到，其計算表達(dá)式為：

4、

5、其中，r表示圖像像素點的紅色分量，g表示圖像像素點的綠色分量，b表示圖像像素點的藍(lán)色分量值。

6、作為本發(fā)明的進(jìn)一步改進(jìn)，通過計算正態(tài)分布概率密度函數(shù)以建立正態(tài)分布模型，通過n個獨立正態(tài)分布模型對圖像像素點的觀測值進(jìn)行描述，通過t時間的前k幀正態(tài)分布的均值計算得到所述n個獨立正態(tài)分布對應(yīng)的概率密度函數(shù)，其計算表達(dá)式為：

7、

8、=

9、其中，k表示幀數(shù)，表示t時間的像素點觀測值，表示所述t時間的第i個正態(tài)分布對應(yīng)的均值，表示第i個正態(tài)分布函數(shù)對應(yīng)的概率密度函數(shù)，表示所述t時間的第i個正態(tài)分布對應(yīng)的協(xié)方差，表示圓周率，e表示自然常數(shù)。

10、作為本發(fā)明的進(jìn)一步改進(jìn)，通過所述n個獨立正態(tài)分布對應(yīng)的概率密度函數(shù)計算得到所述t時間的像素點觀測值對應(yīng)的正態(tài)分布，建立所述背景環(huán)境模型，其計算表達(dá)式為：

11、

12、其中，n表示所述獨立正態(tài)分布的個數(shù)，表示所述t時間的像素點觀測值對應(yīng)的背景環(huán)境模型，表示t時間的第i個正態(tài)分布對應(yīng)的權(quán)值。

13、作為本發(fā)明的進(jìn)一步改進(jìn)，采集所述k幀圖像后的新圖像數(shù)據(jù)，通過所述背景環(huán)境模型對所述采集的新圖像數(shù)據(jù)的像素點觀測值進(jìn)行逐一比對：

14、若所述觀測值與正態(tài)分布均值差的絕對值大于等于比對閾值，則比對通過，所述像素點屬于非背景環(huán)境部分。若所述觀測值與正態(tài)分布均值差的絕對值小于比對閾值，則比對不通過，所述像素點屬于背景環(huán)境部分，其計算表達(dá)式為：

15、

16、=

17、其中，表示所述在t-1時間第i個正態(tài)分布對應(yīng)的均值，表示t時間的第i個正態(tài)分布對應(yīng)的比對閾值，k表示幀數(shù)。

18、作為本發(fā)明的進(jìn)一步改進(jìn)，在所述像素點逐一比對完成后，通過所述比對的結(jié)果對所述權(quán)值進(jìn)行更新，計算得到更新權(quán)值，完成對所述背景環(huán)境模型的更新，其計算表達(dá)式為：

19、

20、其中，表示t時間的第i個正態(tài)分布對應(yīng)的權(quán)值，表示t時間的第i個正態(tài)分布對應(yīng)的更新權(quán)值，表示學(xué)習(xí)率；

21、通過所述更新權(quán)值對所述正態(tài)分布對應(yīng)的均值和所述比對閾值進(jìn)行修正，計算得到更新背景環(huán)境模型，其計算表達(dá)式為：

22、

23、

24、

25、其中，表示t時間的第i個正態(tài)分布對應(yīng)的更新均值，表示t-1時間的第i個正態(tài)分布對應(yīng)的均值，表示t時間的第i個正態(tài)分布對應(yīng)的更新比對閾值，表示在t-1時間第i個正態(tài)分布對應(yīng)的比對閾值，表示所述觀測值對應(yīng)的更新背景環(huán)境模型。

26、作為本發(fā)明的進(jìn)一步改進(jìn)，對所述非背景環(huán)境部分像素點進(jìn)行篩選，通過指數(shù)分布模型判斷所述非背景環(huán)境部分像素點屬于所述移動目標(biāo)的概率：

27、若所述非背景環(huán)境部分像素點屬于所述移動目標(biāo)的概率大于等于概率閾值，則判斷所述非背景環(huán)境部分像素點屬于所述移動目標(biāo)。若所述非背景環(huán)境部分像素點屬于所述移動目標(biāo)的概率小于概率閾值，則判斷所述非背景環(huán)境部分像素點不屬于所述移動目標(biāo)，其計算表達(dá)式為：

28、()=

29、()?

30、其中，表示所述像素點位置與所述移動目標(biāo)質(zhì)心的范式距離，表示范式距離閾值，()表示所述處對應(yīng)像素點屬于移動目標(biāo)的概率，表示所述像素點位置，表示所述移動目標(biāo)質(zhì)心位置，表示指數(shù)權(quán)值參數(shù)，表示概率閾值。

31、作為本發(fā)明的進(jìn)一步改進(jìn)，通過二階自回歸方程描述移動目標(biāo)，建立所述目標(biāo)移動模型以表現(xiàn)目標(biāo)隨時間的移動，其計算表達(dá)式為：

32、-+=-

33、其中，表示t時間的移動目標(biāo)觀測值，表示t-1時間的移動目標(biāo)觀測值，表示誤差項。

34、作為本發(fā)明的進(jìn)一步改進(jìn)，采用灰度值代替rgb值描述像素點信息以提高運算速度，通過建立灰度映射函數(shù)描述所述移動目標(biāo)圖像，并建立所述圖像灰度量化分布模型，其計算表達(dá)式為：

35、

36、=?

37、

38、=

39、其中，表示所述像素點位置，表示處的灰度映射函數(shù)，表示線性相關(guān)系數(shù)，g表示最大灰度量化等級，m表示灰度量化等級數(shù)值，表示所述移動目標(biāo)的圖像灰度量化分布模型，表示所述目標(biāo)t時間的灰度量化等級的對應(yīng)值，c表示歸一化常數(shù)，表示所述像素點位置與所述移動目標(biāo)質(zhì)心的范式距離，表示所述移動目標(biāo)區(qū)域的大小，表示克羅內(nèi)克函數(shù)，表示核函數(shù)。

40、作為本發(fā)明的進(jìn)一步改進(jìn)，通過圖像灰度量化模型進(jìn)行相似性比對，將所述的集合作為參考樣本，通過巴氏系數(shù)原理對參考樣本與待識別樣本的灰度分布進(jìn)行相似性度量，通過計算得到的條件概率分布模型，建立所述更新圖像識別模型，其計算表達(dá)式為：

41、?，

42、

43、?=?+

44、其中，表示述待識別樣本對應(yīng)的t時間的灰度量化分布，表示述待識別樣本對應(yīng)的t-1時間的灰度量化分布，表示所述初參考樣本和待識別樣本對應(yīng)的巴氏系數(shù)，表示在所述參考樣本條件下的待識別樣本的觀測概率模型，表示灰度分布平均狀態(tài)，表示控制參數(shù)，表示貢獻(xiàn)率參數(shù)。

45、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：本發(fā)明通過建立背景環(huán)境模型，以適應(yīng)在不同背景環(huán)境條件下瞄準(zhǔn)鏡的使用需求，使本發(fā)明具有適用性。同時采用正態(tài)分布概率模型來描述背景環(huán)境像素點，有效提高了對采集的有限圖像數(shù)據(jù)的利用率。通過建立目標(biāo)移動模型與圖像灰度量化模型，簡化了圖像數(shù)據(jù)處理的計算復(fù)雜度，有效提高運算速度，并方便接下來進(jìn)行針對移動目標(biāo)的特征分析。通過建立具有無記憶性特點的指數(shù)分布模型，增強了對像素點屬于移動目標(biāo)的概率判斷精確度。接著通過巴氏系數(shù)原理對參考樣本與識別樣本進(jìn)行相似度比對來建立更新圖像識別模型，能夠高效地完成對圖像數(shù)據(jù)的精確識別。