基于稀疏表示的小弱运动目标跟踪方法技术

一种基于稀疏表示的小弱运动目标跟踪方法，包括步骤：首先由检测算法获取红外图像目标位置，构建初始训练样本和初始粒子集；运用K聚类奇异值分解法K_SVD训练样本构建图像的自适应形态成份超完备字典，然后构造自适应在线分类超完备字典，并进行实时在线更新；最后在粒子滤波跟踪框架下，建立小弱目标稀疏表示观测模型，利用粒子目标图像块和粒子背景图像块在自适应在线分类字典中的稀疏重构残差大小来估计目标的位置，并通过反复迭代来保持对后续帧中的目标稳定跟踪。本发明专利技术不仅能克服离线结构字典难以稀疏表征动态变化的图像信号的缺点，提高信号和背景的表示稀疏度差异，还能有效地提高红外小弱目标的运动检测跟踪能力。

【技术实现步骤摘要】

本专利技术属于深空飞行器测控领域，具体涉及探测红外弱小运动目标检测，
技术介绍
运动目标检测是红外成像搜索与跟踪系统、目标监视系统、卫星遥感系统、安全检 查系统等的一项核心技术，在各类军、民用系统中均可有广泛的应用。在各种成像探测跟踪 系统中，要求能够尽快地截获并锁定跟踪目标。当探测器与目标之间的距离较远时，目标在 成像上表现为只占若干个像素的小目标，并且易于淹没在各种杂波背景和强噪声中，且缺 乏颜色、结构、纹理等特征，采用普通的目标跟踪方法往往无法获得较好的跟踪效果，因此， 研宄在低信噪比条件下的红外小弱目标跟踪的新方法具有非常重要意义。 近年来，图像稀疏表示理论在信号表示上的简洁性和高效性，使其备受广泛关注。 它采用冗余的超完备字典代替传统的傅里叶变换、小波变换等基于数学基函数构造的信号 表示方法，利用超完备字典中较少原子即可对信号形成最优表示。稀疏表示将目标信号和 背景杂波分别仅集中于数量少且能表示各自本质特征和内在结构的"本征原子"上。如何 选择基信号作为字典的原子，决定了采用稀疏表示所解决问题的最终效果，是信号稀疏表 示模型的最根本问题。构造表征目标信号和背景杂波的自适应形态成份结构字典，有效增 强了两者稀疏表示系数间的差异程度。可是，该字典中表征目标信号的原子和表示背景杂 波的原子混杂在一起，表示系数可解释性差，难以从背景杂波中分辨出目标信号。然而，现 有的方法都是通过离线学习方式构建的字典难以捕获动态变化的目标信号和起伏不定的 背景杂波的所有状态，导致结构字典与信号状态失配，能量分散在相邻且相关性强的字典 原子上，非零表示系数呈现聚集块的形式，匹配追踪类和范数类算法性能将会变差。
技术实现思路
针对离线字典的不足，本专利技术利用高斯超完备字典对自适应形态成份字典的原子 进一步在线自动分类，构建基于自适应的在线分类超完备字典的红外图像信号的稀疏表示 模型，以增强目标与背景的特征差异为出发点，结合粒子滤波框架提出一种基于稀疏表示 的小弱运动目标跟踪方法。 本专利技术采用以下技术方案解决上述技术问题。 本专利技术提出一种，涉及测控
本 专利技术由检测算法获取红外图像目标位置，构建初始训练样本和初始粒子集；运用K聚类奇 异值分解法K_SVD训练样本构建图像的自适应形态成份超完备字典，然后利用高斯超完备 字典对自适应形态成份字典的原子在线自动分类，构造自适应在线分类超完备字典，即目 标超完备字典和背景超完备字典，并每间隔5帧采用随机估计的方法对字典子空间进行实 时在线更新；最后在粒子滤波跟踪框架下，建立基于自适应在线分类字典的小弱目标的稀 疏表示观测模型，利用粒子目标图像块和粒子背景图像块在自适应在线分类字典中的稀疏 重构残差大小来估计目标的下一帧位置，并通过反复迭代来实现目标的稳健跟踪。 本专利技术的实现步骤主要包括： (1)检测算法获取红外图像目标位置，构建初始训练样本和初始粒子集； (2)初始化：采用K聚类奇异值分解法K_SVD学习训练样本构建红外图像帧的初 始自适应形态成份超完备字典D，在初始目标区域建立初始化粒子集= 1，...，7V}; (3)利用高斯超完备字典对自适应形态成份字典的原子在线自动分类，构造自适 应在线分类超完备字典，即目标超完备字典Dt和背景超完备字典Db; ⑷根据建立的目标运动模型来预测粒子集下一时刻的转移状态；构建基于自适 应在线分类超完备字典的小弱目标稀疏表示模型，并将其作为粒子滤波框架中的观测模 型； (5)采用正交匹配跟踪（OMP)算法将红外图像信号f在自适应在线分类超完备字 典D进行稀疏分解，得到图像信号分别在目标超完备字典和背景超完备字典中的稀疏表示 系数a、0及稀疏重构残差&江)、rb(f)，计算步骤（3)中观测模型值从而得到粒子权值； (6)如果跟踪过程中的粒子目标图像块和粒子背景图像块在基于该超完备字典的 稀疏域中的稀疏重构残差的差异度大于一定阈值，则保存该粒子的运动信息； (7)利用最大权值的三个目标粒子预测跟踪的小弱目标的准确位置； (8)根据当前最新的图像信息对当前背景下的在线分类超完备字典进行在线更新 和重建，获得对目标图像信号的最优稀疏重构，更新迭代间隔为5帧； (9)如果不满足更新迭代间隔为5帧，则继续输入图像跳转至步骤（4)。 所述步骤（3)利用高斯超完备字典实现对自适应形态成份字典的原子在线自动 分类，具体为：将适应形态成份超完备字典原子dk在高斯超完备字典Dgaussian中进行稀疏分 解，通过残余能量来判断为目标原子还是背景原子。原子dk在高斯字典Dgaussian稀疏分解表 示为为稀疏矩阵a的第k列，，经过k次稀疏迭代后， 原子dk的残余能量r(dk)记作：r(dk) = | |dk_Dgaussiana| |2，然后将r(dk)与阈值8进行比 较，如残余能量r(dk)大于阈值S，则判断原子dk为背景原子，相反，djlj为目标原子，一般 阈值S与原子的大小成正比；最后，对字典中的每一个原子进行判断，最终得到自动在线 分类的目标超完备字典Dt和背景超完备字典Db。 本专利技术的红外图像信号f的稀疏模型是通过目标超完备字典和背景超完备字典 来表示为： 其中，D= 表示包含目标超完备字典和背景超完备字典的联合超完备字 典，y=T表示一个（Nt+Nb)维的向量，代表联合分类超完备字典的稀疏表 示系数；如果红外图像信号f是目标信号，则它不能由背景字典稀疏表示，a'应为零向量 而是一个稀疏向量；类似的，如果f是背景信号，则它不能由目标字典稀疏表示，a' 应为稀疏向量而0 '是一个零向量。 所述步骤（4)基于自适应在线分类超完备字典的小弱目标稀疏表示模型，即在 粒子滤波框架下的目标观测模型为，其中，yt 为t帧时的稀疏表示系数y，Dyt为利用字典D中的稀疏表示系数yt重构后的图像块，y_Dyt为重构后的残差向量，（y-Dyt)(i)为残差向量中第i个分量，〇s为高斯方差，0 < 〇s<l，实际中取〇. 5，n为粒子数。 所述步骤（5)采用正交匹配跟踪（OMP)算法求解红外图像信号f在自适应在线分 类超完备字典，即目标字典和背景字典中的稀疏表示系数a，0，则求解它在一定容许误差 〇内的L1范数最小化问题的逼近解分别为： 所述步骤（4)采用正交匹配跟踪（OMP)算法求解红外图像信号f在自适应在 线分类超完备字典，即目标字典和背景字典中稀疏重构残差分别为 I表示红外图像信号f在目标超完备字典中的稀疏重构系数，a1表 示红外图像信号f?在背景超完备字典中的稀疏重构系数，m为常数。 所述步骤（5)稀疏重构误差大小指标函数定义为：D(f) =rb(f)_rt(f) 式中，D(f)表示信号在目标字典和背景字典中重构后误差的差异度，n为误差阈 值，当D(f)>n，则可以判断小弱目标图像信号为目标信号，否则，为背景信号。 所述步骤（8)中采用随机估计（StochasticApproximation)方法对字典子空间 进行当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于稀疏表示的小弱运动目标跟踪方法，其特征在于，包括步骤：(1)检测算法获取红外图像目标位置，构建初始训练样本和初始粒子集；(2)初始化：采用K聚类奇异值分解法K_SVD学习训练样本构建红外图像帧的初始自适应形态成份超完备字典D，在初始目标区域建立初始化粒子集(3)利用高斯超完备字典对自适应形态成份字典的原子在线自动分类，构造自适应在线分类超完备字典，即目标超完备字典Dt和背景超完备字典Db；(4)根据建立的目标运动模型来预测粒子集下一时刻的转移状态；构建基于自适应在线分类超完备字典的小弱目标稀疏表示模型，并将其作为粒子滤波框架中的观测模型；(5)采用正交匹配跟踪(OMP)算法将红外图像信号f在自适应在线分类超完备字典D进行稀疏分解，得到图像信号分别在目标超完备字典和背景超完备字典中的稀疏表示系数α、β及稀疏重构残差rt(f)、rb(f)，计算步骤(4)中观测模型值从而得到粒子权值；(6)如果跟踪过程中的粒子目标图像块和粒子背景图像块在基于该超完备字典的稀疏域中的稀疏重构残差的差异度大于一定阈值，则保存该粒子的运动信息；(7)利用最大权值的三个目标粒子预测跟踪的小弱目标的准确位置；(8)根据当前最新的图像信息对当前背景下的在线分类超完备字典进行在线更新和重建，获得对目标图像信号的最优稀疏重构，更新迭代间隔为5帧；(9)如果不满足更新迭代间隔为5帧，则继续输入图像跳转至步骤(4)。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李正周，付红霞，刘德鹏，李家宁，邵万兴，陈静，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85