一種緊密空間目標檢測和高精度質心定位方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理與目標檢測領域，更具體地，涉及一種緊密空間目標檢測和 高精度目標質心定位方法。
【背景技術】
[0002] 緊密空間目標（CSO, closely spatial object)是指空間位置相對緊密的目標或 目標群。由于傳感器的分辨率有限，在傳感器焦平面上目標之間的成像距離較近，加上傳感 器點擴展效應影響，多個目標在焦平面上的分布互相干擾。目標群在焦平面形成簇狀像斑 重疊在一起，使場景中目標的個數(shù)和目標的質心位置較難確定，嚴重影響目標的檢測跟蹤。
[0003] 在信息處理系統(tǒng)中，緊密空間目標的分辨是在檢測階段進行的，分辨能力直接影 響后續(xù)目標識別跟蹤等指標的性能，實現(xiàn)群目標的正確分辨和有效檢測有利于提高檢測系 統(tǒng)對多目標的檢測跟蹤識別能力。
[0004] 鑒于緊密空間目標檢測和定位的特殊性，單目標檢測和質心定位算法無法適用， 而研究和開發(fā)針對緊密空間目標檢測和定位的算法存在很大難度，國內(nèi)外相關研究成果相 對較少。其中有：Hui Xu等利用概率假設密度（PHD)濾波方法進行多幀緊密目標位置預測 進而定位目標；T. J. Bartolac等利用神經(jīng)網(wǎng)絡算法，通過訓練樣本擬合出從CSO參數(shù)空間 到探測器信號空間的映射函數(shù)，然后預測CSO亞像素位置；Robert J. Pawlak將Kalman質 心定位和粒子濾波結合進行緊密空間目標檢測；Liangkui Lin等提出基于馬爾可夫鏈蒙特 卡洛的方法建立貝葉斯模型擬合目標軌跡，利用連續(xù)時間序列幀圖像數(shù)據(jù)估計模型參數(shù)。
[0005] 上述算法都需要對圖像序列進行處理，利用目標的時域信息，建立目標時間序列 模型，有的甚至需要對樣本進行訓練。由于模型適應度的影響，其應用都存在一定的局限 性，星上處理系統(tǒng)難以負擔這種較大規(guī)模的計算量和內(nèi)存需求。相較而言，單幀檢測定位算 法更為適合星上執(zhí)行。目前較有效的單幀處理的緊密空間目標分解定位算法是協(xié)方差約束 構建聚類（C3PC)算法，但是依然存在較大誤差，需要完善和繼續(xù)發(fā)展；模型選擇的方法有 很多，包括AIC準則，BIC準則，HQ準則等，但是這些準則由于對高階模型的約束程度不夠而 容易導致虛警，也需要進一步完善。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于假設檢驗模型選擇 和粒子聚類的緊密空間目標檢測和高精度質心定位方法，能對經(jīng)過背景抑制，閾值分割等 處理之后提取出來的目標簇進行緊密空間目標簇判別，并對緊密空間目標進行檢測和高精 度定位。
[0007] 為了實現(xiàn)上述目的，本發(fā)明提供了一種緊密空間目標檢測和高精度質心定位方 法，包括以下步驟：
[0008] (1)計算疑似目標簇的相對擴展因子γ P1:red spraad，并以此對疑似目標簇進行單目標 /多目標判別，如果是單目標簇則直接進行目標質心提取，否則進入下一步；
[0009] (2)根據(jù)相對擴展因子γ piMd 計緊密空間目標個數(shù)n gu_;
[0010] (3)考慮額外的目標個數(shù)，確定假設檢驗模型范圍J= [1，2,…，ng_s，… ，ngUess+nextraJ，
[0011] (4)對目標簇進行偽過采樣插值和粒子散布；
[0012] (5)對假設檢驗模型范圍J的所有可能取值依次進行聚類檢驗，以目標個數(shù)假設 取值對散布粒子進行聚類，檢驗聚類結果并進行模型選擇，得到最佳擬合模型，確定最優(yōu)目 標個數(shù)，輸出相應模型下的目標質心像面定位結果。
[0013] 本發(fā)明的一個實施例中，所述步驟（1)具體包括以下步驟：
[0014] (1-1)計算疑似目標簇的質心和加權協(xié)方差二階矩，及相對擴展因子Tpi3red sp_d， 計算公式如下：
[0015] 設P= ((UdV1),--，（un, vn)}表示包含了 η個目標坐標的集合；坐標（u, V)處 的灰度為S(u，v);對于每一個目標簇，計算質心和加權協(xié)方差二階矩：
[0017]其中，

[0020] 相對擴展因子的定義為：
[0022] 其中σ psf表示傳感器焦平面點擴展系數(shù)；
[0023] (1-2)目標簇單目標/多目標判別，若目標簇滿足像元個數(shù)大于1且相對擴展因 子yP1Md spraad> 1則判定為多目標簇；否則判別為單目標簇，直接輸出單目標簇的質心為
，具體計算見（1_1)。
[0024] 本發(fā)明的一個實施例中，所述步驟（2)中緊密空間目標個數(shù)估計方法如下式所 示：
其中ngUf3SS表示目標估計個數(shù)， YPiMd spraad表示相對擴展因子，floor表示向下取整函數(shù)。
[0026] 本發(fā)明的一個實施例中，所述步驟（3)中假設檢驗的取值范圍J確定方法是：
[0027] J = [1，2,…，nguess，…，nguess+nextrJ，其中 nguess表示目標估計個數(shù)，n extra表示額外 考慮目標個數(shù)。
[0028] 本發(fā)明的一個實施例中，nextrag驗值為2。
[0029] 本發(fā)明的一個實施例中，所述步驟（4)包括以下子步驟：
[0030] (4-1)將目標簇中像素進行偽過采樣插值，生成新的插值目標簇矩陣；
[0031] (4-2)在插值目標簇矩陣的每個單元中均勻散布粒子，每個單元上散布粒子的數(shù) 量與該單元值成正比，單元i上的散布粒子數(shù)計算公式為：
其中，31表示單元i的值，I < i <n，n表示插值目標簇矩陣的單元個數(shù)，Ntotal表示散布粒 子總數(shù)。
[0032] (4-3)將插值目標簇矩陣中散布的粒子映射回原目標簇上，映射函數(shù)為（xf，y f)= ((Xfl-0.5)/2.0,（yfl-0.5)/2.0)，其中（xfl，y fl)表示粒子在插值目標簇矩陣中的浮點坐標， (xf，yf)表示粒子在原目標簇中的浮點坐標。
[0033] 本發(fā)明的一個實施例中，所述散布粒子總數(shù)的取值范圍為，100彡NtotalS 5000。
[0034] 本發(fā)明的一個實施例中，所述步驟（5)包括以下子步驟：
[0035] (5-1)目標個數(shù)j初始化，j = 1，初始化信息量BIC為極大值；
[0036] (5-2)對目標簇中的散布粒子進行EM算法聚類，聚類類別數(shù)為j，聚類類心為目標 質心，輸出聚類模型的最大似然估計值U Θ )
N和K分 別表示待聚類粒子總數(shù)量Ntotal和待聚類的類別數(shù)j，UjP Θ k、Jik是迭代過程中需要估計的 值，表示第k類的質心和協(xié)方差、概率，D(Xl|uk，0k)表示高斯分布密度函數(shù)Gau SS(uk，0k) 在X1處的取值。
[0037] 粒子X1屬于第k類的概率為
，在第一次計算γ (i，k) 之前，將％初始化為從所有粒子中隨機選取的第k個粒子，Θ ,初始化為
JIk 初始化為^。此后，每經(jīng)過一次迭代就更新一次％和31 k，0,保持原值，則可以使用上一次 K 迭代所更新的％和Θ k、JTk來計算當前γ (i，k)。
[0038] %和π ^勺更新公式為，
[0041] (5-3)根據(jù)BIC準則計算目標個數(shù)j聚類結果的適應度BIC (j)，公式如下：BIC (j) =-2L( θ )-2Ρ( Θ )+pl〇gN，其中
CN 105184829 A 說明書 4/8 頁
[0044] SNR為當前處理的圖像的信噪比*
，其中St為目標峰值強度，μ為濾 波圖像均值，σ為濾波圖像標準差，ρ = P11+ρ Jptj，其中均值參數(shù)P11= dj，協(xié)方差參數(shù)
，權重參數(shù)Pu= (j_l)，j為當前假設的目標個數(shù)，d表示要聚類的數(shù)據(jù)維 數(shù)，焦平面數(shù)據(jù)d = 2;
[0045] (5-4)若步驟（5-3)中計算出來的 BIC (j)滿足 BIC (j) < BIC，貝IJ BIC = BIC (j)， 令j = j+1，如果j e J，繼續(xù)進行步驟（5-2);否則確定模型目標個數(shù)為j-1，輸出該模型目 標個數(shù)及目標質心位置。
[0046] 本發(fā)明的一個實施例中，所述BIC = IO6。