一種時敏目標的在軌檢測方法

一種時敏目標的在軌檢測方法
【專利摘要】本發明是一種時敏目標的在軌檢測方法，該方法包括：步驟S1：在歷史圖像上選取各種時敏目標訓練區域，每幅訓練圖像的每個像素處提取高維的多尺度同心圓環簇方向梯度特征，離線學習各類時敏目標的結構字典；步驟S2：在當前在軌每一時相的圖像上的每個像素處提取高維的多尺度同心圓環簇方向梯度特征，利用結構字典求解敏目標類型指示向量，根據時敏目標類型指示向量結構稀疏特性識別可疑目標的位置和可疑目標的類型，提取可疑目標區域；步驟S3：對在不同時相的在軌圖像上檢測的可疑目標區域的軌跡進行分析，根據運動軌跡的奇異性在軌識別出時敏目標；步驟S4：將在軌時敏目標的圖像作為結構字典在軌增量更新的訓練圖像，返回步驟S1。
【專利說明】一種時敏目標的在軌檢測方法

【技術領域】
[0001] 本發明涉及在軌圖像處理、目標檢測、目標識別、目標監控等【技術領域】，特別是一 種時敏目標的在軌檢測方法。

【背景技術】
[0002] 與普通的目標相比，時敏目標具有很強的時效性，時敏目標必須在有限的時間窗 口內識別，稍縱即逝。同時，時敏目標往往都是非常重要的目標，一旦失去識別的機會，將造 成重大損失。因此，時敏目標的檢測和識別具有重要的研究意義，但同時更具挑戰性。
[0003] 隨著高空間分辨率、高時間分辨率遙感衛星的發展，利用衛星圖像在軌檢測和識 別時敏目標成為可能。與其他的數據獲取手段相比，衛星圖像范圍大，有利于對時敏目標進 行準確、長時間的跟蹤。
[0004] 時敏目標檢測的難點主要在于時敏目標的復雜性，時敏目標只有在某個時間點發 生狀態改變或軌跡突變時才呈現時敏目標的特征，而這個關鍵的時間點很難被捕捉到。對 于時敏目標的在軌檢測，可以利用的先驗知識和數據很少，如何利用最新數據自動調整離 線狀態訓練的目標模型是時敏目標檢測的關鍵。但上述關鍵技術目前很不成熟，限制了時 敏目標在線檢測的實際應用。


【發明內容】

[0005] 本發明的目的是針對在軌處理的特點和實際應用的需求，提供一種有效的時敏目 標的在軌檢測方法。
[0006] 為了實現上述目的，本發明的時敏目標的在軌檢測方法，該方法包括步驟如下：
[0007] 步驟Sl :在歷史圖像上選取各種時敏目標訓練區域，在每種類型的時敏目標的每 幅訓練圖像的每個像素處提取高維的多尺度同心圓環簇方向梯度特征，離線學習各類時敏 目標的結構字典；
[0008] 步驟S2 :在當前在軌每一時相的圖像上的每個像素處提取高維的多尺度同心圓 環簇方向梯度特征，利用結構字典求解多尺度同心圓環簇方向梯度特征的投影系數即時敏 目標類型指示向量，根據時敏目標類型指示向量的結構稀疏特性識別可疑目標的位置和可 疑目標的類型，根據時敏目標類型指示向量的相似性提取可疑目標區域；
[0009] 步驟S3 :對在不同時相的在軌圖像上檢測的可疑目標區域的軌跡進行分析，根據 運動軌跡的奇異性在軌識別出時敏目標；
[0010] 步驟S4:將在軌時敏目標的圖像作為結構字典在軌增量更新的訓練圖像，返回步 驟S1。
[0011] 本發明所述方法對于提高時敏目標在軌檢測的普適性、自動化程度具有重要的意 義，其主要優點如下：
[0012] 本發明將歷史訓練數據和當前最新數據相結合，將時敏目標的先驗約束通過歷史 訓練數據體現出來，保障了在無人干預的在軌處理環境中能夠將需求和數據特點很好的結 合起來；將歷史數據包含的時敏目標的特征以及當前圖像的新特點結合起來，通過字典在 軌增量更新提高了字典的表征能力并大大節約了計算量。
[0013] 本發明在目標檢測階段利用時敏目標類型指示向量表示像素所屬的目標類型，克 服了標量表示方法的不確定性；根據像素間時敏目標類型指示向量的相似性提取目標區 域，提高了對噪聲及遮擋的魯棒性。
[0014] 本發明在運動狀態異常檢測階段利用目標區域的基于協方差矩陣的廣義特征值 的距離度量對視角變化具有很好的魯棒性，減少了時敏目標識別的虛警率；在時空軌跡異 常檢測階段將時空軌跡變化曲線轉換到極坐標空間，有效地刻畫了時敏目標的運動奇異 性，提高了時敏目標識別的準確率。
[0015] 得益于上述優點，本發明使時敏目標的在軌檢測成為可能，極大地提高了時敏目 標檢測、識別的時效性、魯棒性和自動化程度，可廣泛應用于時敏目標發現與監測、目標監 控等系統中。

【專利附圖】

【附圖說明】
[0016] 圖1是本發明一種時敏目標的在軌檢測方法流程圖。
[0017] 圖2是時空軌跡異常檢測圖。

【具體實施方式】
[0018] 下面結合【專利附圖】

【附圖說明】本發明技術方案中所涉及的技術問題。應指出的是，所描述的 實施方式僅旨在便于對本發明的理解，而對其不起任何限定作用。
[0019] 如圖1示出本發明提出一種時敏目標的在軌檢測方法實現步驟如下：
[0020] 步驟Sl :在歷史圖像上選取各種時敏目標訓練區域，在每種類型的時敏目標的每 幅訓練圖像的每個像素處提取高維的多尺度同心圓環簇方向梯度特征，離線學習各類時敏 目標的結構字典。
[0021] 所述多尺度同心圓環簇方向梯度特征以采樣點為中心、以采樣尺度為半徑的圖像 塊上取樣并構造3個不同半徑的同心圓環形結構，相應的取樣點位于上述不同半徑的同心 圓環上，每個同心圓環上按45°等角度間隔提取8個取樣點，同一半徑上的取樣點具有相 同的高斯尺度值，不同半徑上的取樣點高斯尺度值不同。所述多尺度同心圓環簇方向梯度 特征提取的具體過程如下：
[0022] 步驟SOl :計算以采樣點為中心、以采樣尺度E為半徑的圖像塊的每個像素（u，v) 的8個方向梯度，然后，用高斯核卷積得到（u，v)處的方向梯度特征向量hj；(u，v)如下表 示：
[0023] K (//, V) [UV(?, V), vI'' ? ^^v'))]7 ( 1 )
[0024] u和V分別為像素的行號和列號，T表示向量的轉置，化;1')表示第m個方向梯度 用高斯核卷積得到的梯度向量，m為方向編號，m= 1，2，…，8。
[0025] 步驟S02 :多尺度同心圓環簇方向梯度特征D(u，v)是描述取樣點（u，v)局部支撐 區域中每個位置的一系列相關向量的并集，D (u，V)的表示形式如下：
[0026] = I/Vv (Illl2(//,r,Rn2)) I /? = 1,2,3;/;/2 = 1,2,? ? ?,8;/72 = 1,2,3.； (2)
[0027] 其中，Im2(u，v，Rn2)表示像素點（u，v)的第n2個同心圓環上第m2個取樣點的坐 標，W",:(〃，v'，/〈,:)）表示像素點（u，v)的第 n2個同心圓環上第m2個取樣點的局部方向梯 度直方圖，n為米樣尺度序號，n2為同心圓環序號，m2為取樣點序號。
[0028] 所述結構字典學習是從高維的多尺度同心圓環簇方向梯度特征向量集合及對應 的目標類型編號中學習低維的、可分性好的字典。設圖像為目標類型j的第i幅訓練圖 像，/,(/)的像素個數為Ni,則從圖像可以提取到Ni個多尺度同心圓環簇方向梯度特征向 量，這Ni個特征向量的并集作為目標類型j的特征。為方便敘述，將第j類目標的訓練特征 集合記為Xj = {xk = {j，fk} 11彡k彡A」}，xk = {j，fk}表示其中的第k個訓練樣本，j為 目標類型編號，fk為第k個訓練樣本對應的多尺度同心圓環簇方向梯度特征向量，表示 第j類目標訓練特征集合中元素個數。本發明的結構字典學習模型如下：

【權利要求】
1. 一種時敏目標的在軌檢測方法，該方法包括步驟如下： 步驟S1 :在歷史圖像上選取各種時敏目標訓練區域，在每種類型的時敏目標的每幅訓 練圖像的每個像素處提取高維的多尺度同心圓環簇方向梯度特征，離線學習各類時敏目標 的結構字典； 步驟S2 :在當前在軌每一時相的圖像上的每個像素處提取高維的多尺度同心圓環簇 方向梯度特征，利用結構字典求解多尺度同心圓環簇方向梯度特征的投影系數即時敏目標 類型指示向量，根據時敏目標類型指示向量的結構稀疏特性識別可疑目標的位置和可疑目 標的類型，根據時敏目標類型指示向量的相似性提取可疑目標區域； 步驟S3 :對在不同時相的在軌圖像上檢測的可疑目標區域的軌跡進行分析，根據運動 軌跡的奇異性在軌識別出時敏目標； 步驟S4:將在軌時敏目標的圖像作為結構字典在軌增量更新的訓練圖像，返回步驟 S1。
2. 根據權利要求1所述的方法，其特征在于，所述結構字典是從高維的多尺度同心圓 環簇方向梯度特征向量集合以及對應的時敏目標類型編號中學習得到的低維的多尺度同 心圓環簇方向梯度特征。
3. 根據權利要求2所述的方法，其特征在于，根據時敏目標類型指示向量的稀疏性和 不同像素處時敏目標類型指示向量之間的相似性構建結構字典的學習模型。
4. 根據權利要求2所述的方法，其特征在于，對各類型時敏目標的多尺度同心圓環簇 方向梯度特征集合進行主成分分析，得到并將與顯著特征值對應的特征向量的并集作為初 始字典，再交替迭代更新初始字典和投影系數，獲得結構字典。
5. 根據權利要求1所述的方法，其特征在于，所述提取可疑目標區域的步驟包括如下： 步驟S21 :根據結構字典構建新的投影矩陣，將當前在軌每一時相的圖像的每個像素 的多尺度同心圓環簇方向梯度特征向量進行投影，得到每個像素的時敏目標類型指示向 量； 步驟S22:根據體現像素所屬的目標的類型信息的時敏目標類型指示向量的結構稀疏 性確定可疑目標； 步驟S23 :根據位于同一區域的像素具有相似的目標類型指示向量對在軌每一時相的 圖像進行分割，提取可疑目標區域。
6. 根據權利要求1所述的方法，其特征在于，所述在軌識別出時敏目標步驟包括如下： 步驟S31 :利用可疑目標區域的時敏目標類型指示向量集合的協方差矩陣的距離差異 為每一可疑目標尋找在臨近時刻的最近鄰，如果最近鄰區域之間的多尺度同心圓環簇方向 梯度特征向量集合之間的協方差矩陣仍為最近鄰，則表示該目標的運動狀態未發生異常即 為非時敏目標；如果最近鄰區域之間的多尺度同心圓環簇方向梯度特征向量集合之間的協 方差矩陣不為最近鄰，則該目標的運動狀態發生異常即為時敏目標； 步驟S32 :將不同時相非時敏目標的時空軌跡變化曲線投影到極坐標下，根據極坐標 中相鄰時空軌跡的方向變化識別時敏目標。
7. 根據權利要求6所述的方法，其特征在于，所述可疑目標區域之間具有的距離差異， 利用可疑目標區域的時敏目標類型指示向量集合的協方差矩陣之間的差異來度量距離差 異；利用協方差矩陣的廣義特征值的平方和來度量所述協方差矩陣之間的距離差異。
8. 根據權利要求6所述的方法，其特征在于，所述可疑目標區域之間具有的距離差異， 利用可疑目標區域的多尺度同心圓環簇方向梯度特征向量集合的協方差矩陣之間的差異 來度量距離差異；利用協方差矩陣的廣義特征值的平方和來度量所述協方差矩陣之間的距 離差異。
9. 根據權利要求6所述的方法，其特征在于，所述在軌識別時敏目標是將時空軌跡變 化曲線投影到極坐標下，將不同時相非時敏目標的速度變化與方向變化相分離，得到時空 軌跡方向變化的曲線，用于更好的描述時空軌跡的異常性。
10. 根據權利要求1所述的方法，其特征在于，所述結構字典在軌增量更新訓練圖像的 步驟包括如下： 步驟S41 :當訓練樣本較多時，為滿足在軌處理的時效性要求，將已檢測到的在軌時敏 目標及可疑目標的多尺度同心圓環簇方向梯度特征作為新的訓練樣本； 步驟S42:根據當前圖像、當前時敏目標獲得的結構字典在軌增量更新的訓練圖像，利 用新的訓練樣本，對前一時刻的結構字典在軌增量更新。
【文檔編號】G06K9/00GK104408401SQ201410589172
【公開日】2015年3月11日 申請日期:2014年10月28日 優先權日:2014年10月28日
【發明者】霍春雷, 潘春洪, 周志鑫 申請人:中國科學院自動化研究所