一种紧密空间目标检测和高精度质心定位方法技术

技术编号:12589455 阅读:176 留言:0更新日期:2015-12-24 14:38
本发明专利技术公开了一种紧密空间目标检测和高精度质心定位方法,具体包括(1)单目标/多目标判别;(2)紧密空间目标个数估计;(3)假设检验模型范围确定;(4)伪过采样插值粒子散布;(5)假设检验模型选择。本发明专利技术利用点目标在焦平面阵列的扩散近似服从高斯模型的特性,结合EM聚类算法原理,对高斯混合模型进行质心聚类,通过将目标簇进行伪过采样插值,优化亚像元内粒子分布,实现紧密目标的超分辨,从而使得观测目标块与高斯混合模型拟合精度更高,进一步降低目标质心定位误差。

【技术实现步骤摘要】

本专利技术属于图像处理与目标检测领域,更具体地,涉及一种紧密空间目标检测和 高精度目标质心定位方法。
技术介绍
紧密空间目标(CSO, closely spatial object)是指空间位置相对紧密的目标或 目标群。由于传感器的分辨率有限,在传感器焦平面上目标之间的成像距离较近,加上传感 器点扩展效应影响,多个目标在焦平面上的分布互相干扰。目标群在焦平面形成簇状像斑 重叠在一起,使场景中目标的个数和目标的质心位置较难确定,严重影响目标的检测跟踪。 在信息处理系统中,紧密空间目标的分辨是在检测阶段进行的,分辨能力直接影 响后续目标识别跟踪等指标的性能,实现群目标的正确分辨和有效检测有利于提高检测系 统对多目标的检测跟踪识别能力。 鉴于紧密空间目标检测和定位的特殊性,单目标检测和质心定位算法无法适用, 而研究和开发针对紧密空间目标检测和定位的算法存在很大难度,国内外相关研究成果相 对较少。其中有:Hui Xu等利用概率假设密度(PHD)滤波方法进行多帧紧密目标位置预测 进而定位目标;T. J. Bartolac等利用神经网络算法,通过训练样本拟合出从CSO参数空间 到探测器信号空间的映射函数,然后预测CSO亚像素位置;Robert J. Pawlak将Kalman质 心定位和粒子滤波结合进行紧密空间目标检测;Liangkui Lin等提出基于马尔可夫链蒙特 卡洛的方法建立贝叶斯模型拟合目标轨迹,利用连续时间序列帧图像数据估计模型参数。 上述算法都需要对图像序列进行处理,利用目标的时域信息,建立目标时间序列 模型,有的甚至需要对样本进行训练。由于模型适应度的影响,其应用都存在一定的局限 性,星上处理系统难以负担这种较大规模的计算量和内存需求。相较而言,单帧检测定位算 法更为适合星上执行。目前较有效的单帧处理的紧密空间目标分解定位算法是协方差约束 构建聚类(C3PC)算法,但是依然存在较大误差,需要完善和继续发展;模型选择的方法有 很多,包括AIC准则,BIC准则,HQ准则等,但是这些准则由于对高阶模型的约束程度不够而 容易导致虚警,也需要进一步完善。
技术实现思路
针对现有技术的以上缺陷或改进需求,本专利技术提供了一种基于假设检验模型选择 和粒子聚类的紧密空间目标检测和高精度质心定位方法,能对经过背景抑制,阈值分割等 处理之后提取出来的目标簇进行紧密空间目标簇判别,并对紧密空间目标进行检测和高精 度定位。 为了实现上述目的,本专利技术提供了一种紧密空间目标检测和高精度质心定位方 法,包括以下步骤: (1)计算疑似目标簇的相对扩展因子γ P1:red spraad,并以此对疑似目标簇进行单目标 /多目标判别,如果是单目标簇则直接进行目标质心提取,否则进入下一步; (2)根据相对扩展因子γ piMd 计紧密空间目标个数n gu_; (3)考虑额外的目标个数,确定假设检验模型范围J= [1,2,…,ng_s,… ,ngUess+nextraJ, (4)对目标簇进行伪过采样插值和粒子散布; (5)对假设检验模型范围J的所有可能取值依次进行聚类检验,以目标个数假设 取值对散布粒子进行聚类,检验聚类结果并进行模型选择,得到最佳拟合模型,确定最优目 标个数,输出相应模型下的目标质心像面定位结果。 本专利技术的一个实施例中,所述步骤(1)具体包括以下步骤: (1-1)计算疑似目标簇的质心和加权协方差二阶矩,及相对扩展因子Tpi3red sp_d, 计算公式如下: 设P= ((UdV1),--,(un, vn)}表示包含了 η个目标坐标的集合;坐标(u, V)处 的灰度为S(u,v);对于每一个目标簇,计算质心和加权协方差二阶矩:其中, 相对扩展因子的定义为: 其中σ psf表示传感器焦平面点扩展系数; (1-2)目标簇单目标/多目标判别,若目标簇满足像元个数大于1且相对扩展因 子yP1Md spraad> 1则判定为多目标簇;否则判别为单目标簇,直接输出单目标簇的质心为,具体计算见(1_1)。 本专利技术的一个实施例中,所述步骤(2)中紧密空间目标个数估计方法如下式所 示:其中ngUf3SS表示目标估计个数, YPiMd spraad表示相对扩展因子,floor表示向下取整函数。 本专利技术的一个实施例中,所述步骤(3)中假设检验的取值范围J确定方法是: J = [1,2,…,nguess,…,nguess+nextrJ,其中 nguess表示目标估计个数,n extra表示额外 考虑目标个数。 本专利技术的一个实施例中,nextrag验值为2。 本专利技术的一个实施例中,所述步骤(4)包括以下子步骤: (4-1)将目标簇中像素进行伪过采样插值,生成新的插值目标簇矩阵; (4-2)在插值目标簇矩阵的每个单元中均匀散布粒子,每个单元上散布粒子的数 量与该单元值成正比,单元i上的散布粒子数计算公式为:其中,31表示单元i的值,I < i <n,n表示插值目标簇矩阵的单元个数,Ntotal表示散布粒 子总数。 (4-3)将插值目标簇矩阵中散布的粒子映射回原目标簇上,映射函数为(xf,y f)= ((Xfl-0.5)/2.0,(yfl-0.5)/2.0),其中(xfl,y fl)表示粒子在插值目标簇矩阵中的浮点坐标, (xf,yf)表示粒子在原目标簇中的浮点坐标。 本专利技术的一个实施例中,所述散布粒子总数的取值范围为,100彡NtotalS 5000。 本专利技术的一个实施例中,所述步骤(5)包括以下子步骤: (5-1)目标个数j初始化,j = 1,初始化信息量BIC为极大值; (5-2)对目标簇中的散布粒子进行EM算法聚类,聚类类别数为j,聚类类心为目标 质心,输出聚类模型的最大似然估计值U Θ )N和K分 别表示待聚类粒子总数量Ntotal和待聚类的类别数j,UjP Θ k、Jik是迭代过程中需要估计的 值,表示第k类的质心和协方差、概率,D(Xl|uk,0k)表示高斯分布密度函数Gau SS(uk,0k) 在X1处的取值。 粒子X1属于第k类的概率为,在第一次计算γ (i,k) 之前,将%初始化为从所有粒子中随机选取的第k个粒子,Θ ,初始化为JIk 初始化为^。此后,每经过一次迭代就更新一次%和31 k,0,保持原值,则可以使用上一次 K 迭代所更新的%和Θ k、JTk来计算当前γ (i,k)。 %和π ^勺更新公式为, (5-3)根据BIC准则计算目标个数j聚类结果的适应度BIC (j),公式如下:BIC (j) =-2L( θ )-2Ρ( Θ )+pl〇gN,其中CN 105184829 A 说明书 4/8 页 SNR为当前处理的图像的信噪比*,其中St为目标峰值强度,μ为滤 波图像均值,σ为滤波图像标准差,ρ = P11+ρ Jptj,其中均值参数P11= dj,协方差参数,权重参数Pu= (j_l),j为当前假设的目标个数,d表示要聚类的数据维 数,焦平面数据d = 2; (5-4)若步骤(5-3)中计算出来的 BIC (j)满足 BIC (j) < BIC,贝IJ BIC = BIC (j), 令j = j+1,如果j e J,继续进行步骤(5-2);否则确定模型目标个数为j-1,输出该模型本文档来自技高网
...
一种紧密空间目标检测和高精度质心定位方法

【技术保护点】
一种紧密空间目标检测和高精度质心定位方法,其特征在于,包括以下步骤:(1)计算疑似目标簇的相对扩展因子γpixedspread,并以此对疑似目标簇进行单目标/多目标判别,如果是单目标簇则直接进行目标质心提取,否则进入下一步;(2)根据相对扩展因子γpixedspread估计紧密空间目标个数nguess;(3)考虑额外的目标个数nextra,确定假设检验模型范围J=[1,2,…,nguess,…,nguess+nextra];(4)对目标簇进行伪过采样插值和粒子散布;(5)对假设检验模型范围J的所有可能取值依次进行聚类检验,以目标个数假设取值对散布粒子进行聚类,检验聚类结果并进行模型选择,得到最佳拟合模型,确定最优目标个数,输出相应模型下的目标质心像面定位结果。

【技术特征摘要】

【专利技术属性】
技术研发人员:胡静董帆余一万秦琪高洪涛刘凡蔡诗聂
申请(专利权)人:华中科技大学
类型:发明
国别省市:湖北;42

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1