>3. 如權(quán)利要求1所述的低信噪比運動小目標的跟蹤與識別的方法，其特征在于，在步 驟二中，給出弱小目標運動信息提取和狀態(tài)預(yù)測建模時，具體實現(xiàn)方法為： 首先構(gòu)建了在線學習的自適應(yīng)神經(jīng)網(wǎng)絡(luò)競爭模型，利用其競爭的活動單元提取弱小目 標的多維特征參數(shù)： 第一步，初始化網(wǎng)絡(luò)：固定輸出神經(jīng)網(wǎng)絡(luò)格子的維數(shù)為NXM，輸入層為四階網(wǎng)絡(luò)，并隨 機初始化輸入神經(jīng)元和輸出神經(jīng)元連接的權(quán)重，令t表示算法迭代次數(shù)，置t = O ; 第二步，選擇獲勝者：把各幀小目標圖像的灰度、色度、運動參數(shù)值X= Ix1, X2，…，Xd} 輸入到網(wǎng)絡(luò)中的輸入神經(jīng)元，對每一個輸入神經(jīng)元值Xj，競爭層中的結(jié)點i的輸出欠為 欠=G(//.(0)，G是一個激活函數(shù)，如取G(X) = l + ^?，α > 〇是常數(shù)，控制曲線的斜率； μ i(t)是P維輸入向量Xj^Pp維權(quán)重向量ω Ji⑴間的歐氏距離I I Xj-Oji (t) I I和，艮P d = ; Oji⑴是在t時刻從輸入層結(jié)點j到競爭層結(jié)點i的連接權(quán)重向 量，j e J，J = {1，…，d}，i e I，I = {1，…，NJ是競爭層的某局部區(qū)域； 選擇獲勝的輸出神經(jīng)元i%在競爭層中，對應(yīng)欠最小的結(jié)點將獲勝，即如果 $ =十/1 X，那么競爭層中獲勝的結(jié)點為i%則與Γ關(guān)聯(lián)的權(quán)重及與i?點鄰近的點關(guān)聯(lián)的 權(quán)重都會得到調(diào)整； 第三步，更新權(quán)重：Ν(Π 是獲勝輸出神經(jīng)元Γ的近鄰，由輸出神經(jīng)元間的距離具體指 定，對每一個輸出神經(jīng)元i e {Ν(Π ，Γ}，按照下式來調(diào)整更新：
n (t) = η預(yù)先已確定好；這條規(guī)則只更新獲勝輸出神經(jīng)元的近鄰； 第四步，標準化權(quán)重：更新權(quán)重后對標準化，從而與輸入測量標準是一致的； 第五步，繼續(xù)循環(huán)：重復(fù)第一步到第四步，迭代的次數(shù)被置成t = t+Ι，直到滿足停機準 貝1J，停機準則為I Ixj-Oji (t) I I < ε，取ε = 0.5,或者超過了最大的循環(huán)次數(shù)為止。
4. 如權(quán)利要求1所述的低信噪比運動小目標的跟蹤與識別的方法，其特征在于，在步 驟三中，建立兩幀間圖像運動小目標的關(guān)聯(lián)矩陣的實現(xiàn)方法為： 建立mXn目標匹配矩陣Μ，這里，m為目前幀的運動小目標的個數(shù)，η為上一幀的運動 小目標的個數(shù)，元素 M(i，j)的值由下式給定：
式中A為第i目標的半徑；rj為第j目標的半徑；(Xi，yi)為第i目標的質(zhì)心坐標； (Xj, h)為第j目標的質(zhì)心坐標；表示一個很大的數(shù)值； 首先，在矩陣M中選擇值最小且不為的元素，該元素所對應(yīng)的行和列分別是當前運 動小目標和上一幀運動小目標的編號，行對應(yīng)的運動小目標與列對應(yīng)的運動小目標相匹 配，然后把完成匹配的行與列的所有元素值變?yōu)? ;繼續(xù)在矩陣M中尋找最小值，完成運動 小目標的匹配，直到矩陣內(nèi)的所有值都變?yōu)閙;搜索結(jié)束后，沒有找到匹配目標的行代表在 當前圖像中有新運動小目標的出現(xiàn)，沒有找到匹配目標的列代表在當前圖像中某運動小目 標消失。
5.如權(quán)利要求1所述的低信噪比運動小目標的跟蹤與識別的方法，其特征在于，在步 驟四中，基于多幀圖像疊加的信息融合，利用模糊下推自動機鏈彈棧遞歸運算提出了網(wǎng)絡(luò) 環(huán)境下大規(guī)模圖像與視頻圖像運動小目標的跟蹤算法與識別方法為： 第一步，各模糊下推自動機對運動小目標識別在時間上的融合： fip(t)和SiU)分別表示t時刻由模糊下推自動機i測得的被識別運動小目標屬于第 P類的模糊隸屬度及模糊分布，表示到1時刻為止由第i個模糊下推自動機積累融合得
Op (P e U)是運動小目標，將t-ι時刻的累積融合模糊分布與t時刻的測量模糊分布進 行融合，得第i個模糊下推自動機到t時刻為止的目標識別累積融合模糊分布Ξ丨為： 到的被識別目標屬于第P類的模糊隸屬度，Ξ丨表示到1時刻為止由第i個模糊下推自動機 積累融合得到的被識別目標的爐細7公右里-1 =1 9…+即 和
其中，; &是模糊綜合函數(shù)，通常S2取下式：
此時，以模糊分布Ξ丨對應(yīng)的小目標的運動狀態(tài)為，if是當前第t時刻的小目標 的運動狀態(tài)估計：
Fi (t)為從上一時刻到當前時刻的運動狀態(tài)轉(zhuǎn)移矩陣，選擇轉(zhuǎn)移模型，為上一時刻 的狀態(tài)估計值，為當前時刻的狀態(tài)估計值； 第二步，模糊下推自動機對小目標識別的空間融合： 在得到t時刻各模糊下推自動機目標識別的積累模糊分布Ξ丨之后，這里i = 1，"·，Ν， 利用模糊綜合函數(shù)對這N個模糊分布進行融合，就得到了到t時刻為止對目標識別的 時-空累積融合模糊分布為： Ξ?Κ)Α" 利用模糊綜合函數(shù)理論，可得 S1^ii表示模糊綜合函數(shù)；設(shè)C^1 = /ji}, p = 1，…，M; 此時，以模糊分布St對應(yīng)的小目標的運動狀態(tài)為^#是當前第k幀的所有小目 標的運動狀態(tài)估計，運動狀態(tài)融合結(jié)果為：X. =^Λ|Α-/4"，A(i)是由第1幀到第k幀的運 I Xk\k 動信息預(yù)測當前第k幀的第i個小目標的運動狀態(tài)估計，是當前第k幀的所有小目標 的運動狀態(tài)估計，/4°是模型的模糊隸屬度；跟蹤的關(guān)鍵是通過測量從開始時刻到k-Ι時 刻預(yù)測當前k時刻第i個跟蹤系統(tǒng)模型的模糊隸屬度，這里 J =PrXtyi是k-l時刻跟蹤系統(tǒng)模型的模糊隸屬度，= Pr(Wi() =m(4是已知的， π只=Prlmk= m (1) Inv1= m ω}是從模型mk_jlj模型mk的狀態(tài)轉(zhuǎn)移模糊隸屬度。
6.如權(quán)利要求5所述的低信噪比運動小目標的跟蹤與識別的方法，其特征在于，經(jīng)過 多幀融合后，小目標點得到進一步增強，大部分噪聲點被濾去，濾除隨機噪聲干擾通過模糊 下推自動機鏈長度進行判決，為了在保留小目標點的同時盡可能減少模糊下推自動機鏈長 度，對融合幀采取了閾值化處理，方法如下： 閾值T是模糊下推自動機鏈的長度，但此鏈必須保證含有小目標點，心為總的融合幀， 在最后的融合幀上，小目標點表現(xiàn)為一相關(guān)性很強的軌跡； 根據(jù)融合算法計算出待識別運動小目標或軌跡的特征向量各分量fA的模糊隸屬度 μ ij，即獲得未知運動小目標或軌跡的特征向量為Ui= [μ η, μ i2，···，μ ik]T;把它同已經(jīng)訓 練好的已知第L類別的多維參數(shù)特征向量ι/,。相比較，當且僅當||α - % I < 5時，判決待識 另Ij運動小目標或軌跡屬于第L類；即若.使得，則判斷待識別運 -1? J ieB 動小目標或軌跡屬于第i〇類；這里，S為門限值，B為目標或軌跡類的指標集。
【專利摘要】本發(fā)明公開了一種低信噪比運動小目標的跟蹤與識別的方法，包括：給出從視頻序列的單幀圖像中提取目標的方法，減弱或消除背景與噪聲的影響；給出弱小目標運動信息提取和狀態(tài)預(yù)測建模；建立兩幀間圖像運動小目標的關(guān)聯(lián)矩陣；基于多幀圖像疊加的信息融合，利用模糊下推自動機鏈彈棧遞歸運算提出了網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻圖像運動小目標的跟蹤算法與識別方法。本發(fā)明有助于目標識別與圖像處理人員了解檢測目標運動規(guī)律、活躍程度及其對其他目標的影響，從而給出相應(yīng)的決策，尋求抑制或消除不良因素對其或其他重要目標的影響都是非常必要的，對軍事、民事、公安系統(tǒng)、道路交通所有基于視頻系統(tǒng)的目標識別與跟蹤的發(fā)展起到重要借鑒和參考作用。
【IPC分類】G06T7-20, G06N3-02
【公開號】CN104835178
【申請?zhí)枴緾N201510052873
【發(fā)明人】吳青娥, 鄭曉婉, 王季方, 方潔, 姜素霞, 丁莉芬, 孫冬, 刁智華, 楊存祥, 錢曉亮
【申請人】鄭州輕工業(yè)學院
【公開日】2015年8月12日
【申請日】2015年2月2日