基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法
【專利摘要】本發(fā)明提出了一種基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法。包括以下步驟:采用K聚類奇異值分解法K_SVD自適應(yīng)構(gòu)建圖像的超完備形態(tài)字典;基于目標(biāo)信號常服從高斯分布的特點(diǎn),采用高斯超完備字典將自適應(yīng)超完備形態(tài)字典的原子分為表示目標(biāo)形態(tài)的目標(biāo)原子和表示背景噪聲成分的背景原子,形成具有目標(biāo)形態(tài)字典和背景形態(tài)字典的自適應(yīng)混合高斯超完備字典;將原圖像塊在混合高斯超完備字典中進(jìn)行稀疏表示,提取圖像信號的稀疏表示系數(shù);當(dāng)稀疏表示系數(shù)的稀疏度大于閾值則圖像塊含有目標(biāo),否則為背景。本發(fā)明能有效克服高斯稀疏字典難以適應(yīng)非高斯分布的目標(biāo)形態(tài)和難以從高斯原子稀疏表示系數(shù)區(qū)分是否含有目標(biāo)的缺陷,提高了小弱目標(biāo)的檢測性能。
【專利說明】基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于深空飛行器測控領(lǐng)域,具體涉及探測紅外弱小運(yùn)動(dòng)目標(biāo)檢測,是紅外成像搜索與跟蹤系統(tǒng)、目標(biāo)監(jiān)視系統(tǒng)、衛(wèi)星遙感系統(tǒng)、安全檢查系統(tǒng)等的一項(xiàng)核心技術(shù),在各類軍、民用系統(tǒng)中均可有廣泛的應(yīng)用。
【背景技術(shù)】
[0002]在各種成像探測跟蹤系統(tǒng)中,要求能夠盡快地截獲并鎖定跟蹤目標(biāo)。當(dāng)探測器與目標(biāo)之間的距離較遠(yuǎn)時(shí),目標(biāo)在成像上表現(xiàn)為只占若干個(gè)像素的小目標(biāo),并且易于淹沒在各種雜波背景和強(qiáng)噪聲中,這給目標(biāo)檢測與跟蹤帶來了很大難度。
[0003]當(dāng)前,基于單幀的紅外小目標(biāo)檢測算法可分為基于圖像濾波的檢測算法和基于學(xué)習(xí)的檢測算法兩類。基于圖像濾波的檢測算法首先白化圖像信號,接著采用閾值處理得到目標(biāo)位置,如Top-Hat、TDLMS和小波變換等?;趯W(xué)習(xí)的檢測算法則是將目標(biāo)檢測問題轉(zhuǎn)化為模式分類問題,它對目標(biāo)模型和背景模型進(jìn)行訓(xùn)練,并根據(jù)規(guī)則判定圖像是否含有目標(biāo),如主成份分析法(Principal Component Analysis, PCA)及其演變出的一系列算法,稀疏理論檢測算法等。這類算法通過構(gòu)建高斯小弱目標(biāo)樣本集提取小弱目標(biāo)特征得到檢測結(jié)果,常用的樣本集包括高斯字典,Gabor字典,離散Gabor感知多成分字典等。高斯樣本和具有高斯模型的稀疏字典適合于高斯分布的小弱目標(biāo),而小弱目標(biāo)形態(tài)動(dòng)態(tài)變化,高斯模型難以適應(yīng)非高斯分布等非結(jié)構(gòu)形態(tài),適應(yīng)性和檢測能力有待進(jìn)一步加強(qiáng)。
【發(fā)明內(nèi)容】
[0004]針對高斯字典和自適應(yīng)形態(tài)字典在表示和提取目標(biāo)信號的不足,本發(fā)明以目標(biāo)與背景信號在圖像中呈現(xiàn)出不同的形態(tài)差異為出發(fā)點(diǎn),提出了一種基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法。本發(fā)明采用以下技術(shù)方案解決上述技術(shù)問題。
[0005]本發(fā)明提出了一種基于混合高斯稀疏表示的紅外小目標(biāo)檢測方,涉及測控【技術(shù)領(lǐng)域】。本發(fā)明采用K聚類奇異值分解法K_SVD自適應(yīng)構(gòu)建圖像的超完備形態(tài)字典;基于目標(biāo)信號常服從高斯分布的特點(diǎn),采用高斯超完備字典將自適應(yīng)超完備形態(tài)字典的原子分為表示目標(biāo)形態(tài)的目標(biāo)原子和表示背景噪聲成分的背景原子,進(jìn)而形成具有目標(biāo)形態(tài)字典和背景形態(tài)字典的混合高斯超完備字典;將原圖像塊在混合高斯超完備字典中進(jìn)行稀疏分解或稀疏表示,提取圖像信號在混合高斯超完備字典的稀疏表示系數(shù);采用稀疏度度量圖像塊在目標(biāo)形態(tài)字典分解的稀疏程度,將稀疏度進(jìn)行閾值處理,大于閾值則圖像塊含有目標(biāo),否則為背景。
[0006]所述高斯超完備字典是以高斯函數(shù)為模型,擴(kuò)展高斯函數(shù)
【權(quán)利要求】
1.一種基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,所述探測方法包括步驟: 1)基于目標(biāo)信號常服從高斯分布的特點(diǎn),構(gòu)建高斯超完備字典; 2)采用K聚類奇異值分解法K_SVD構(gòu)建圖像的自適應(yīng)超完備形態(tài)字典; 3)采用高斯超完備字典將自適應(yīng)超完備形態(tài)字典的原子分為表示目標(biāo)形態(tài)的目標(biāo)原子和表示背景噪聲成分的背景原子,進(jìn)而形成目標(biāo)形態(tài)字典和背景形態(tài)字典,即混合高斯稀疏超完備子典; 4)將原圖像塊在混合高斯稀疏超完備字典進(jìn)行稀疏分解或稀疏表示,提取圖像信號在混合聞斯稀疏超完備字典的稀疏表不系數(shù); 5)采用稀疏度度量圖像塊在目標(biāo)形態(tài)字典分解的稀疏程度,將稀疏度進(jìn)行閾值處理,大于閾值則圖像塊含有目標(biāo),否則為背景。
2.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,所述形態(tài)分類字典重構(gòu)圖像信號f=Db a +Dt β,其中Db,Dt分別表示能稀疏分解目標(biāo)成份和背景成份的超完備子字典,即目標(biāo)字典和背景字典,
3.根據(jù)權(quán)利要求1所述的混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,高斯超完備字典描述為高斯模型
4.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,所述K聚類奇異值分解法(K_SVD)隨機(jī)選取圖像塊為訓(xùn)練樣本,訓(xùn)練出超完備自適應(yīng)形態(tài)成分字典。
5.根據(jù)權(quán)利要求4所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,所述K_SVD訓(xùn)練超完備自適應(yīng)形態(tài)成分字典包括步驟: 1)稀疏編碼:首先給定一個(gè)初始字典D,采用追蹤算法計(jì)算圖像的稀疏系數(shù),即求解
6.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,所述超完備自適應(yīng)形態(tài)成分字典的分類過程包括如下步驟:1)求解超完備自適應(yīng)形態(tài)成分字典的原子dk在高斯字典Dgaussian的稀疏表示系數(shù)a,即
7.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,將原圖像塊在混合高斯目標(biāo)形態(tài)字典D=[Db DJ進(jìn)行稀疏分解或稀疏表示,提取圖像信號在混合高斯目標(biāo)形態(tài)字典的稀疏表示系數(shù)Y,通過迭代的貪婪算法(匹配追蹤算法)求解它在一定容許誤差。內(nèi)的逼近解f,即f=argmin|Y|Q st || f||2 s。
8.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,本發(fā)明米用稀疏度程度指標(biāo)(Sparse Index, SI)定量描述信號在目標(biāo)字典Dt的表不系數(shù)β的稀疏程度
9.根據(jù)權(quán)利要求1所述的基于混合高斯稀疏表示的紅外小目標(biāo)檢測方法,其特征在于,提取每個(gè)圖像子塊的稀疏程度指標(biāo)SI(β )進(jìn)行閾值處理,大于閾值則圖像塊含有目標(biāo),否則為背景。
【文檔編號】G06K9/62GK103440502SQ201310403862
【公開日】2013年12月11日 申請日期:2013年9月6日 優(yōu)先權(quán)日:2013年9月6日
【發(fā)明者】李正周, 陳靜, 王會(huì)改, 侯靜, 沈美容, 黃揚(yáng)帆, 劉書君 申請人:重慶大學(xué)