【技术实现步骤摘要】
本专利技术涉及,基于图像多尺度自卷积矩(MultiScale Auto-convolution,MSA)特征和模拟退火优化的遥感图像多目标关联。其可以广泛应用于遥感图像多目标检测识别、融合、跟踪系统中。
技术介绍
以往的目标关联方法主要指状态滤波类方法,将目标视为点对象,利用雷达型数据提供的目标位置、速度、方位等运动特征进行关联,适合密集采样的序列图像。如1989年Shalom Y B提出了基于目标质心及质心偏移量的联合概率数据关联(JPDA)方法,首先将目标与背景分割,然后计算目标区域的质心,以估计目标的运动信息,最后利用JPDA方法实现关联与跟踪。1993年Blackman S等人提出了在红外系统中将目标检测和跟踪联合设计的方法,利用多假设跟踪(MHT)算法进行目标图像特征点的匹配跟踪。但由于当前遥感成像技术一般只能获取采样稀疏的遥感图像,很难预测目标的状态量,因此信息融合领域中传统的利用状态特征进行关联的方法并不适合遥感图像的目标关联。需要利用目标图像自身特征进行匹配,来建立新的目标关联准则。首先解决图像特征的提取问题。不变矩方法是解决图像特征不变性的常用方法,它能够克服视点变化对特征量的干扰,最具代表性的就是Hu矩特征。2005年Esa Rahtu等结合多尺度几何分析方法,在Hu矩特征的基础上,研究可以同时捕获空间特性和图像强度的多维不变描述子,构造了多尺度自卷积矩(Multi Scale Auto-convolution, MSA)特征,实践证明是目前最稳健的不变矩特征之一。然后采用距离度量法进行特征匹配,但由于遥感信息的不确定性 和特 ...
【技术保护点】
一种遥感图像多目标关联的方法,其特征在于步骤如下:步骤1、特征提取:采用MSA变换计算每幅目标图像的特征向量F(α,β)=∫R2f(u)pUα,β(u)du=∫R2f(u)(pα×pβ×pγ)(u)]]>其中:f(μ)为图像灰度函数,为概率密度函数,α,β为线性变换系数;所述α,β线性变换系数是在集合{‑1,‑0.75,‑0.5,‑0.25,0,0.25,0.5,0.75,1}中取任意两元素的组合构成29对(α,β)值,计算出多目标的29维MSA特征向量;步骤2、构造关联代价矩阵:计算目标的29维MSA特征向量之间的欧氏距离可获得任意两目标的MSA特征匹配代价;所述欧氏距离c(m,n)=||fm,1‑fn,2||,其中:fm,1fn,2分别为前后幅图像的29维MSA特征;m=0,1,…,M;n=0,1,…,N,构造出关联代价矩阵C={a(m,n)c(m,n)}m=0,1…M;n=0,1,…,N;M为图像1中有M个目标;N为图像2中有N个目标;当两幅图 ...
【技术特征摘要】
1.一种遥感图像多目标关联的方法,其特征在于步骤如下: 步骤1、特征提取:采用MSA变换计算每幅目标图像的特征向量 2.根据权利要求1所述遥感图像多目...
【专利技术属性】
技术研发人员:李晖晖,滑立,郭雷,杨宁,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。