基于旋转不变形态学神经网络的红外目标识别方法技术

一种基于旋转不变形态学神经网络的红外目标识别方法，其特征在于包括如下具体步骤： １）利用模式的拓扑信息构造模式库，模式库中不仅存放完整的模式，而且还存放满足拓扑结构要求的非完整的模式，并按照分级模式布置，使模式库中的一种完整模式派生出一组模式类； ２）根据实际红外图像的成像特点，利用目标检测算法实现目标定位； ３）结合目标检测阶段提供的目标位置信息，实现目标的局部分割，将目标检测阶段提供的目标的位置信息，作为实现目标在局部小区域内分割的先验信息； ４）利用泽尔尼克矩的旋转不变性，将分割出的目标规范化，泽尔尼克矩规范化过程就是根据泽尔尼克多项式计算泽尔尼克矩的不同阶次的数值，并作为一维矢量存贮； ５）将模式库中的各种模式类的泽尔尼克矩与目标泽尔尼克矩相比较，利用矢量的二范数距离，结合最近邻法实现目标在模式库中的定位，并确定用于形态学“击中击不中”变换的结构元素对； ６）将规范化的结果输入旋转不变神经网络的特征提取层，利用形态学的“击中击不中”变换实现目标形状特征提取，并将计算所得的特征值输入分类网络，经过分类网络计算最终得到是非目标的判决。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及一种，可以实现空中物体距离成像传感器较远，目标形状信息不完整及姿态发生变化情况时的识别，是红外检测与识别系统、红外预警系统、大视场目标监视系统的一项核心技术，在各类军、民用系统中均可有广泛的应用。
技术介绍
红外成像技术是一种非接触式的测试技术，它可以方便地检测目标发出的不可见热辐射并转换成可见图像。信息获取所涉及的一个关键领域是红外探测技术和方法的研究，其重要地位已日益突出。由于红外成像技术具有隐蔽性好、探测范围广、定位精度高、识别伪装能力强、作用距离远以及轻质小巧、低耗可靠等优点而备受青睐，可广泛应用于安全监视、国防军事和工业自动化检测等领域。随着红外探测器技术的发展，热像仪从过去采用单元或多元分立式探测器加一维或二维光机扫描器，发展成了不用光机扫描的凝视型成像装置。基于凝视焦平面阵列的红外热成像探测系统，无论从温度灵敏度和空间分辨率上，还是从帧频和光谱响应上，都有了极大的提高。由于焦平面凝视热像仪所独有的优良性能，已经成为世界各国大力研发的一项高新技术。作为智能化信息处理的关键环节之一，红外目标成像、检测与识别技术一直是困扰和制约红外成像探测实用性能的瓶颈问题和技术难点而亟待解决，目前已引起国内外专家的高度重视，并围绕这一课题开展了深入、广泛的研究。在红外目标检测与识别过程中，需要尽快地检测并锁定待识别目标，但是在对空条件下，当物体与成像传感器较远时，要实现识别的目的面临着众多的技术难题。这些技术难题主要有 1.目标与成像传感器较远，由于成像传感器精度等原因，目标形状信息不完整，传统的目标识别方法无法应用；2.成像平台自身振动以及目标的运动常常表现出目标的姿态发生变化，加大了识别的难度；3.数据量大，难以实时处理。国内外研究人员针对目标识别提出了一些方法，如模板匹配，统计模式识别，句法或结构模式识别以及神经网络识别方法，但是但是当目标信息不完整时，或目标姿态发生变化时总是表现出计算量大的问题，难以实时处理视频图像序列。
技术实现思路
本专利技术的目的在于针对现有技术的上述不足，提供一种对空远距离红外目标的识别方法-旋转不变形态学神经网络方法，这种方法可与成像硬件系统配套进行信号分析与处理，提高系统识别的性能，满足实际系统的识别正确率及实时性等性能需求。为实现这样的目的，本专利技术的技术方案中，先改进构造模式库方式，在存放完整模式的同时将满足拓扑结构的不完整模式按分级的方法存贮。利用这种构造方法，模式库中每一种完整模式派生出一系列的不完整模式，构成了一组模式类。根据目标检测阶段能够提供目标出现位置的先验信息，实现目标局部区域分割，以减少整幅图像进行分割的工作量。成像平台自身振动以及目标的运动常常表现出目标的姿态发生变化，利用泽尔尼克(Zernike)矩旋转不变的性质，将分割出的目标规范化。这种规范化处理提高了待识别的目标与已知模式中各模式类的可比性。当获得规范后的目标后，结合泽尔尼克矩提供的信息，按照最近邻法定位目标在模式库中的位置，根据形态学中“击中击不中”变换原理对目标形状信息实现提取，其输出结果作为分类网络的输入，最终实现目标的正确分类。本专利技术的方法包括如下具体步骤 1.创建模式库。模式库是识别算法的基础，本专利技术针对的是空中目标，则模式库中存放各种空中目标。本专利技术在构造模式库时充分利用模式的拓扑信息，即模式库中不仅存放完整的模式，而且还存放满足拓扑结构要求的非完整的模式，并按照分级模式布置。这样模式库中的一种完整模式派生出一组模式类。2.根据实际红外图像的成像特点，利用目标检测算法实现目标定位。本专利技术针对的是红外序列目标识别，但当目标距离成像传感器很远时，目标在成像平面表现为点目标，这时由于目标尚不具备可以识别所需要的信息，此时只能利用目标检测算法实现检测并对目标定位。3.结合目标检测阶段提供的目标位置信息，实现目标的局部分割。目标在运动过程中，当与成像传感器距离逐渐缩小时，目标的形状信息逐渐完整，这时目标也由点目标逐渐增大为斑点目标，最后形成面目标。目标检测阶段提供的目标的位置信息可以作为实现目标在局部小区域内分割的先验信息。4.利用泽尔尼克矩的旋转不变性，将分割出的目标规范化。对于一幅数字图像，计算泽尔尼克矩的实质就是把图像函数在泽尔多项式空间的投影，计算结果的模不随图像旋转发生变化。泽尔尼克矩规范化过程就是根据泽尔尼克多项式计算泽尔尼克矩的不同阶次的数值，并作为一维矢量存贮。5.根据最近邻法确定特征提取层中用于形态学“击中击不中”变换的结构元素对。将模式库中的各种模式类的泽尔尼克矩与目标泽尔尼克矩相比较，利用矢量的二范数距离，结合最近邻法实现目标在模式库中的定位，并确定用于形态学“击中击不中”变换的结构元素对。6.将规范化的结果输入旋转不变神经网络的特征提取层，利用形态学的“击中击不中”变换实现目标形状特征提取，并将计算所得的特征值输入分类网络。经过分类网络计算最终得到是非目标的判决。本专利技术首先改进传统模式库构造方法，将模式库利用拓扑信息进行完善，即模式库中不仅存放完整的模式，而且还存放满足拓扑结构要求的非完整的模式，并按照分级模式布置。目标检测结果实现了目标定位功能，利用这个信息达到目标局部分割的目的，使得目标检测与目标识别紧密结合，把目标识别的过程尽可能提前。利用泽尔尼克矩的旋转不变性对分割结果规范化，这种规范化的作用减化了构造模式库的难度，通常一个方位角只需一个模式类，而不必存贮大量不同旋转角度的同一模式。根据最近邻方法，把规范化的结果与模式库模式比较，确定特征提取层用于形态学“击中击不中”变换的结构元素对。分类网络是以特征提取层运算结果作为输入的，网络结构则是全联式前馈网络。本专利技术在保证算法识别性能的条件下，提高了算法的实时性，可以实现空中物体距离成像传感器较远，目标形状信息不完整及姿态发生变化情况时的识别，可广泛应用于各类军、民用系统，具有广阔的市场前景和应用价值。附图说明图1为对空远距离红外目标识别的旋转不变形态学神经网络结构图。如图1所示，对于一幅真实红外图像，先采用目标检测方法实现目标的局部区域分割。对分割的结果利用泽尔尼克矩规范化后，输入特征提取层进行形态学“击中击不中”变换，图中的k代表了结构元素的对数。把特征提取层的输出结果作为特征提取网络的输入。经训练好的分类网络计算后最终得出是非目标的判决。图2为当训练样本与检验样本相关性较强时，用于旋转不变形态学神经网络训练及检验网络性能的真实红外图像样本。图2(a)图属于目标侧向飞行训练样本，图2(b)、图2(c)属于目标正向飞行的训练样本，前者形状尚不完整，后者形状基本完整。图3为当训练样本与检验样本相关性较弱时，用于旋转不变形态学神经网络训练及检验网络性能的真实红外图像样本。图3(a)为训练用样本，图3(b)、图3(c)均为检验用样本，三种样本均来自相同方位角，不同之处在于图3(b)中的检验样本与图3(a)训练样本中的飞行姿态区别较大，图3(c)的样本中出现了大量杂波。具体实施例方式为了更好地理解本专利技术的技术方案，以下结合附图对本专利技术的实施方式作进一步描述。本专利技术的各部分具体实施细节如下1.创建模式库。对空红外图像中目标成像，由于成像传感器成像精度及目标距离较远等因素的影响，会出现目标没有完全成像的现本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：敬忠良，张世俊，李建勋，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：