雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及雷達(dá)信號處理領(lǐng)域中利用目標(biāo)的幾何特征和能量特征融合進(jìn)行運(yùn)動 目標(biāo)判定的方法，即多特征決策融合判決方法，適用于雷達(dá)視頻運(yùn)動目標(biāo)的判定。
【背景技術(shù)】
[0002] 雷達(dá)在海洋監(jiān)視中發(fā)揮著至關(guān)重要的作用，運(yùn)動目標(biāo)檢測與跟蹤是雷達(dá)最基本的 功能。最初是由雷達(dá)操作員根據(jù)雷達(dá)屏幕上的回波信號進(jìn)行海上目標(biāo)檢測，人工鎖定目標(biāo) 并配合后臺硬件完成目標(biāo)跟蹤。近年來，新型雷達(dá)大多具備了目標(biāo)自動檢測與跟蹤功能， 但在密集雜波和復(fù)雜多目標(biāo)情況下，目標(biāo)檢測虛警率高，跟蹤處理難度大，容易形成虛假航 跡。因此，研究一種能穩(wěn)健地對海上運(yùn)動目標(biāo)進(jìn)行判定的方法具有十分重要的意義。
[0003] 與傳統(tǒng)的雷達(dá)信號處理相比，將按時(shí)間順序平面顯示的雷達(dá)回波信號構(gòu)成的序列 看作雷達(dá)視頻，從計(jì)算機(jī)視覺的角度來研究目標(biāo)檢測與跟蹤，其優(yōu)勢在于可W綜合考慮目 標(biāo)的時(shí)間和空間屬性，提高檢測跟蹤速度和準(zhǔn)確性。目前，國內(nèi)外常用的基于圖像的運(yùn)動目 標(biāo)判定方法有帖間差法、光流場法、背景差法等。帖間差法利用圖像序列中兩帖或多帖圖像 之間的差異來確認(rèn)運(yùn)動目標(biāo)，運(yùn)算簡單、速度快，但該種方法容易造成漏檢，在目標(biāo)中間形 成空洞。光流場法是通過計(jì)算位移向量來初始化目標(biāo)輪廓，然后融合其他分割方法來判斷 運(yùn)動目標(biāo)，算法成熟，但其僅適用于低速單目標(biāo)的判定，且計(jì)算量大，難W用于實(shí)時(shí)處理。背 景差法用當(dāng)前圖像與背景圖像進(jìn)行差分，從而判斷出運(yùn)動目標(biāo)，但在背景初始化、背景對象 移位、背景更新等方面存在諸多問題。

【發(fā)明內(nèi)容】

[0004] 針對密集雜波和復(fù)雜多目標(biāo)情況下，雷達(dá)對運(yùn)動目標(biāo)的檢測與跟蹤存在較多虛假 航跡的問題，提供一種能穩(wěn)健地對海上運(yùn)動目標(biāo)進(jìn)行判定的方法，其中要解決的技術(shù)問題 包括：
[0005] (1)單帖雷達(dá)視頻圖像中疑似目標(biāo)的快速檢測；
[0006] (2)目標(biāo)的面積變化比、能量密度特征提取；
[0007] (3)對提取的目標(biāo)特征進(jìn)行決策融合，形成運(yùn)動目標(biāo)判定依據(jù)。
[000引本發(fā)明所述的雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，其特征在于包括W下技術(shù)措 施：首先利用迭代式闊值分割法從單帖雷達(dá)視頻圖像中快速檢測出疑似目標(biāo)，并對連續(xù)多 帖檢測結(jié)果進(jìn)行積累；然后綜合目標(biāo)的單帖檢測結(jié)果和多帖積累結(jié)果提取目標(biāo)的面積變化 比和能量密度特征，并分別構(gòu)建二者的基本概率賦值函數(shù)；最后，采用D-S證據(jù)理論對其進(jìn) 行決策融合，獲取最優(yōu)決策作為運(yùn)動目標(biāo)的判定依據(jù)。
[0009] 本發(fā)明相比【背景技術(shù)】具有如下的優(yōu)點(diǎn)：
[0010] (1)該方法易于實(shí)現(xiàn)，計(jì)算量較小，可用于實(shí)時(shí)處理；
[0011] (2)該方法綜合了雷達(dá)圖像的單帖檢測結(jié)果和多帖積累結(jié)果，充分利用了目標(biāo)在 一定空間時(shí)間范圍內(nèi)的相關(guān)性和目標(biāo)的幾何結(jié)構(gòu)信息；
[0012] (3)該方法分別從幾何形態(tài)和能量分布角度提取了兩個(gè)表征目標(biāo)的有效特征，并 引入決策融合的思想，將兩個(gè)特征進(jìn)行融合作為判定依據(jù)，提高了檢測效果；
[0013] (4)該方法可有效減少虛假航跡，大大降低了后續(xù)跟蹤工作的難度。
【附圖說明】
[0014] 說明書附圖是本發(fā)明的實(shí)施原理流程圖。
【具體實(shí)施方式】
[0015]W下結(jié)合說明書附圖對本發(fā)明作進(jìn)一步詳細(xì)描述。參照說明書附圖，本發(fā)明的具 體實(shí)施方式分W下幾個(gè)步驟：
[0016] (1)將預(yù)先獲取的雷達(dá)視頻圖像輸入計(jì)算裝置1進(jìn)行迭代式闊值分割。設(shè)定參數(shù) T。，并選擇一個(gè)初始的估計(jì)闊值Ti;用闊值T1分割圖像，將圖像分成兩部分；G1是由灰度值 大于Ti的像素組成，G2是由灰度值小于或等于T1的像素組成；計(jì)算G1和G2中所有像素的 平均灰度值和y2,W及新的闊值T2=(yi+ii2)/2 ;如果|T2-Ti|<T。，則推出T2為最優(yōu) 闊值，否則，將T2賦值給T1，直到獲取最優(yōu)闊值。
[0017] (2)計(jì)算裝置2接受計(jì)算裝置1得到的分割數(shù)據(jù)，對每個(gè)分割區(qū)域進(jìn)行形態(tài)學(xué)處 理，填充空洞、橋接裂縫，進(jìn)而得到最佳的分割效果，檢測出疑似目標(biāo)，同時(shí)有效地剔除海面 雜波和噪聲。
[0018] (3)計(jì)算裝置3接受計(jì)算裝置2得到的基于形態(tài)學(xué)處理后的分割數(shù)據(jù)，對連續(xù)多帖 的檢測結(jié)果進(jìn)行積累，獲取目標(biāo)的歷史軌跡，假設(shè)第i帖檢測結(jié)果為li，則連續(xù)i帖積累結(jié) 果為Iu=IlUI2U…UI1。
[0019] (4)將裝置2輸出的當(dāng)前帖檢測結(jié)果和裝置3輸出的當(dāng)前積累結(jié)果輸入計(jì)算裝置 4進(jìn)行目標(biāo)特征提取。
[0020] 從幾何形態(tài)角度，運(yùn)動目標(biāo)和靜止目標(biāo)最直觀的差異就是目標(biāo)輪廓在目標(biāo)軌跡中 所占的比例大小。我們引入面積變化比該一概念對其加W描述，將面積變化比定義為當(dāng)前 目標(biāo)面積與當(dāng)前積累的目標(biāo)軌跡連通區(qū)域面積的比值，目標(biāo)第i帖的面積變化比為Aw= VA…其中Ai為第i帖目標(biāo)面積，Asi為前i帖目標(biāo)積累后的連通區(qū)域面積。
[0021] 從能量分布角度，引入能量密度的概念，反映在闊值分割后的二值圖像上，能量可 W用像素點(diǎn)個(gè)數(shù)定量描述，將目標(biāo)第i帖的能量密度Pd定義為Pd=EAi/Ad。
[0022] (5)裝置5和裝置6分別接受裝置4輸出的面積變化比Aw和能量密度Pw，并分別 輸入計(jì)算裝置7和8,計(jì)算其相應(yīng)的基本概率賦值函數(shù)炬PA)。根據(jù)Ad和Pti的物理意義， 對雷達(dá)圖像序列的前200帖圖像進(jìn)行分析，并結(jié)合人工判讀結(jié)果，可W得出二者的運(yùn)動目 標(biāo)概率分段函數(shù)yi，Y2分別為
[0023]
[0024] W及對應(yīng)的置信度Qi= 0. 75,Q2= 0. 7。則基本概率賦值函數(shù)可由式
[0025]
[0026] 得到，其中1-Q康示運(yùn)動目標(biāo)判定的不確定信息。
[0027] (6)計(jì)算裝置9用來對面積變化比和能量密度進(jìn)行特征融合。設(shè)同一識別框架0 上兩個(gè)性質(zhì)不同的證據(jù)C和D，其基本概率賦值分別為叫和m2,則有如下組合公式：
[002引
[0029]
[0030] 式中，K表示歸一化因子，若K聲1，則m確定一個(gè)組合基本概率賦值；若K= 1，則 認(rèn)為m2矛盾，不能對基本概率賦值進(jìn)行組合。將裝置7和裝置8輸出的基本概率賦值函 數(shù)輸入裝置9用上述公式進(jìn)行決策融合，所有的K均小于1，滿足組合條件，得到的組合結(jié)果 為
[0031]
[0032] (7)決策融合的結(jié)果是全局最優(yōu)決策，即運(yùn)動目標(biāo)的最終判決標(biāo)準(zhǔn)。設(shè) 3巧，Ac0，滿足
[0036] 則Bi為最優(yōu)決策。根據(jù)化）中組合結(jié)果，m炬1)=0. 9815, m炬2)=0. 8814,符合 最優(yōu)決策規(guī)則，當(dāng)目標(biāo)的面積變化比和能量密度滿足〇<Ad《0. 3, 8時(shí)，將其判定為 運(yùn)動目標(biāo)，該決策融合結(jié)果即為判斷裝置10的判斷依據(jù)。
[0037] (8)若輸入裝置10的面積變化比和能量密度滿足最優(yōu)決策，則判定該目標(biāo)為運(yùn)動 目標(biāo)，并在裝置11中輸出，否則轉(zhuǎn)到裝置3繼續(xù)對下一單帖檢測結(jié)果進(jìn)行積累。
【主權(quán)項(xiàng)】
1. 雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，其特征在于，包括以下步驟： (1) 從單幀雷達(dá)圖像中快速檢測出了疑似目標(biāo)，并對連續(xù)多幀檢測結(jié)果進(jìn)行了積累； (2) 提取了表征目標(biāo)的面積變化比和能量密度特征； (3) 用證據(jù)理論對兩個(gè)特征進(jìn)行融合，得到了決策準(zhǔn)則作為運(yùn)動目標(biāo)的判定依據(jù)。2. 如權(quán)利要求1所述的雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，其特征在于，步驟（1)的 方法具體為：首先對單幀雷達(dá)圖像進(jìn)行迭代式閾值分割，有效剔除海面雜波和噪聲，然后對 分割后的雷達(dá)圖像進(jìn)行形態(tài)學(xué)處理，填充空洞、橋接裂縫，檢測出疑似目標(biāo)，再對連續(xù)多幀 的檢測結(jié)果進(jìn)行積累，獲取目標(biāo)的歷史軌跡，假設(shè)第i幀檢測結(jié)果為Ii,則連續(xù)i幀積累結(jié) 果為Iti=IWI2U…UIit)3. 如權(quán)利要求1所述的雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，其特征在于，步驟（2)的 方法具體為：綜合雷達(dá)圖像的單幀檢測結(jié)果和多幀積累結(jié)果進(jìn)行特征提取，將面積變化比 定義為當(dāng)前目標(biāo)面積與當(dāng)前積累的目標(biāo)軌跡連通區(qū)域面積的比值，則目標(biāo)第i幀的面積變 化比Ah=Ai/Asi，其中Ai為第i幀目標(biāo)面積，Asi為前i幀目標(biāo)積累后的連通區(qū)域面積；反 映在閾值分割后的二值圖像上，能量可以用像素點(diǎn)個(gè)數(shù)定量描述，將目標(biāo)第i幀的能量密 度Pri走乂為Pri=EAi/Asi。4. 如權(quán)利要求1所述的雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，其特征在于，步驟（3)的 方法具體為：根據(jù)4,和Ph的物理意義，對雷達(dá)圖像序列的前200幀圖像進(jìn)行分析，并結(jié)合 人工判讀結(jié)果，可以得出二者的運(yùn)動目標(biāo)概率分段函數(shù)yi，y2分別為可分別求出其基本概率賦值函數(shù)，其中I-Qi表示運(yùn)動目標(biāo)判定的不確定信息；利用D-S組合規(guī)則對其進(jìn)行組合，再結(jié)合最優(yōu)決策規(guī)則可得到判決準(zhǔn)則：當(dāng)目標(biāo)的面積變化比和能量密 度滿足〇〈K0.3,0〈P8時(shí)，將其判定為運(yùn)動目標(biāo)。
【專利摘要】本發(fā)明公開了一種雷達(dá)視頻運(yùn)動目標(biāo)特征融合判定方法，屬于雷達(dá)信號處理領(lǐng)域。針對密集雜波和復(fù)雜多目標(biāo)情況下，雷達(dá)對運(yùn)動目標(biāo)的檢測與跟蹤存在較多虛假航跡的問題。本發(fā)明利用迭代式閾值分割法從單幀雷達(dá)視頻圖像中快速檢測出疑似目標(biāo)，并對連續(xù)多幀檢測結(jié)果進(jìn)行積累；綜合目標(biāo)的單幀檢測結(jié)果和多幀積累結(jié)果提取目標(biāo)的面積變化比和能量密度特征，并采用D-S證據(jù)理論對其進(jìn)行決策融合，獲取最優(yōu)決策以實(shí)現(xiàn)運(yùn)動目標(biāo)的正確判定。該方法充分利用了目標(biāo)在一定空間時(shí)間范圍內(nèi)的相關(guān)性和目標(biāo)的幾何結(jié)構(gòu)信息，可有效去除運(yùn)動目標(biāo)檢測與跟蹤中的虛假航跡，具有推廣應(yīng)用價(jià)值。
【IPC分類】G01S13/66, G01S7/41
【公開號】CN104965199
【申請?zhí)枴緾N201510454149
【發(fā)明人】周偉, 于曉涵, 孫艷麗, 胡文超, 姜佰辰, 劉寧波, 關(guān)鍵
【申請人】中國人民解放軍海軍航空工程學(xué)院
【公開日】2015年10月7日
【申請日】2015年7月28日