基于快速自动密度聚类的可变尺度红外小目标的检测方法技术

基于快速自动密度聚类的可变尺度红外小目标的检测方法，涉及图像分析与图像理解。利用SURF算子解决尺度可变小目标的特征提取。解决特征对于环境的敏感问题；快速自动化密度聚类算法，针对问题域，直接从空域完成轨迹的分割、提取，克服了原有序列检测问题中数据融合带来的指数级复杂度问题。解决了聚类过程中产生的过分割以及欠分割问题，保证了轨迹提取的完整性和独立性以及聚类中心的自动选择。在后期的轨迹提取中，利用回溯算法寻找最优解，将轨迹具有的平滑不变约束融入剪枝函数的设计，快速剪掉无关的杂波分支，加快了搜索解的速度。结合鲁棒的特征检测算子和回溯策略，解决可变尺度红外小目标的检测问题，提高算法的实时性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及图像分析与图像理解，尤其是涉及一种基于快速自动密度聚类的可变尺度红外小目标的检测方法。
技术介绍
红外小目标的检测、跟踪、识别等系列问题，主要来自于红外搜索与跟踪系统(InfraredSearchandTrack,IRST)。其主要任务是对天空、海面等复杂场景下的飞机、船只等感兴趣目标进行有效地检测、识别以及跟踪。由于其作用距离较远，目标在图像平面成像一般只有几个像素大小，缺乏形状、纹理等可资利用的信息，同时，受到天空云层，海面杂波、反光带的影响，处于低信杂比(Signal-to-ClutterRatio,SCR)的环境下，属于典型的弱小目标，长期以来，一直是目标自动识别领域(AutomaticTargetRecognition，ATR)的难点与焦点问题。基于序列图像的边检测边跟踪方法(TrackBeforeDetection,TBD)在早期成为该问题的主要技术框架。其将检测软判决(softdecision)推迟到稳定地跟踪目标一段时间之后，适用于目标运动轨迹具有时空一致性、相关性的低信杂比目标。围绕该技术路线，一些经典的算法相继被提出，如：动态规划(dynamicprogramming,DP)、多级假设检验(multiple–stagehypothesistesting,MHT)、高阶相关(high-ordercorrelation)等，但是该类方法均需要构建初始的轨迹搜索空间，之后借助于数据融合(dataassociation)利用目标的运动信息完成轨迹检测，伴随图像帧数的增加，计算复杂度呈指数级增长。与TBD方法不同，后期提出的基于单帧图像的先检测后跟踪(DetectionbeforeTrack,DBT)方法，检测思路是来一帧检测一帧，具有更好的实时性。但是，该研究方法的有效性强度依赖于提取的目标特征的稳定性。近些年来，研究者在不同的角度(时域、空域)，不同变换域(频率域、小波变换域)等尝试挖掘更为鲁棒、有效的目标特征，诸如局部小区域的灰度差，对比度等等。然而此类特征对环境变化和噪声非常敏感，而且不满足尺度不变(scale-invariant)特性，即：目标的大小会伴随成像环境改变等。从而无法得到稳定的检测结果，算法具有局限性。在该类目标的自动识别任务中，如何挖掘鲁棒的目标特征，使其满足尺度不变特性，适应成像距离以及光照等外部环境的影响是核心工作。同时，借助于序列图像处理低信杂比目标的优势，并且克服其较高的计算代价，设计出低复杂度的数据融合(dataassociation)方法也是亟待解决的问题。作为计算机视觉领域中的一种局部特征检测算子以及描述算子(speeded-uprobustfeature，SURF)是尺度不变特征转换算子(scale-invariantfeaturetransform，SIFT)的加速版本。由于其具有尺度不变特性，经常被用于人脸等有形目标的识别、图像配准以及分类等任务，利用SURF完成感兴趣点的提取(interestpointextraction)是进行匹配的前期工作，其与本专利技术的红外小目标的点状特征匹配。聚类分析(clusteringanalysis)是无监督分类的主要方法，用于对未标注数据集进行分类。Alex等人在文献“Clusteringbyfastsearchandfindofdensitypeaks.InSCIENCE，2014”中提出一种快速的密度聚类方法，区别于已有的DBSCAN，K-means等方法，该方法只以数据集中各点的距离矩阵为输入参数完成检测，适用于非球形聚类，同时由于简洁、快速，成为非常实用的聚类方法。分析小目标轨迹的特点，由于其作用距离远，运动缓慢，与随机性更强的噪声相比，其轨迹片段在图像平面会呈现一种局部密度聚集特性。这启发我们可以利用聚类分析对这些数据点进行自动聚类，直接从空域完成轨迹的提取。由于在二维图像平面进行操作，时间复杂度可以控制在多项式级别，避免使用传统数据融合方法而带来的计算代价过高问题。密度聚类算法的主要缺陷是无法进行聚类中心的自动确定(尚需手工选取)以及无法克服聚类分割产生的两类错误问题：过分割(over-segmentation)、欠分割(under-segmentation)。应用到我们的数据集，会产生两种不理想的聚类结果，即：一条完整轨迹被聚集到不同的聚类(cluster)；多条轨迹被分配到一个聚类中。这两种错误聚类，将导致低检测率(detectionprobability)和高误检率(Falsedetection)。
技术实现思路
本专利技术的目的在于针对上述方法的不足，提供一种结合鲁棒的特征检测算子和回溯策略，解决可变尺度红外小目标的检测问题，提高算法的实时性和鲁棒性的基于快速自动密度聚类的可变尺度红外小目标的检测方法。本专利技术包括如下步骤：1)采集真实云天或者海天背景，构建仿真小目标，利用matlab中的imnoise函数叠加高斯噪声，合成仿真图像序列F(t)(t＝1,...N)作为图像数据,其中，N表示图像序列的长度；2)利用SURF加速鲁棒特征检测算子提取图像序列F(t)中每一帧图像的特征点；3)筛选所有特征点中最强的K个点；4)保存标记得到的所有候选目标点迹的图像坐标，作为后续聚类的数据集；5)计算数据集合中每个点i与其它各点的距离，生成距离矩阵dist，距离函数选取欧式距离；6)确定自适应参数S(S代表每个数据点平均邻居的个数)；给出S的选取原则为：假定S等于截断距离dc，当S为序列长度N×帧间运动位移frameoff×1/2时，可以得到完整的轨迹片段。7)由步骤6)中给出的S，确定截断距离dc；8)通过高斯核计算每个数据点i的局部密度ρi以及δi，并计算得到数组γi＝ρi×δi；9)针对每个γi，若γi＞TH，(此处参数TH选取190～200之间，可以满足轨迹的独立性)则确定为聚类中心；10)将所有的数据点聚集到与自己最近的聚类中心中；11)剔除离散点；12)保存得到的聚类，标记其数量；13)设置轨迹长度门限；14)对于得到的所有聚类，逐个依据下述步骤进行处理；15)取出第i个聚类中的一个点A，判断该点是否是聚类中倒数第1个点，若是，则处理下一个聚类，若不是，则继续下列步骤；16)取出聚类中的下一个点B；17)生成直线C：A->B，将两点存入直线集合E；18)取出聚类中下一个点K，若线段AB和BK的夹角θ满足平滑性约束(smooth-keptconstraint),即：0≤θ≤π/2，则将其归入直线集合E，否则转步骤19)；19)判断K是否是该聚类中的最后一个点，若是，则判断直线集合E中点的个数是否大于轨迹最小长度，若小于，则转步骤16)；若大于，则转步骤20)；若不是该聚类的最后一个点，则返回到步骤18)；20)输出直线集合E，转步骤15)；21)处理完所有聚类后，将得到的所有轨迹片段进行标记保存。本专利技术具有如下优点：1.本专利技术利用SURF算子解决尺度可变小目标的特征提取。由于算子具有优良的尺度不变特性，用于提取候选感兴趣的目标点，较好地解决了目前众多方法中特征对于环境的敏感问题，为方法的鲁棒性奠定了基础。2.快速自动化密度聚类算法，针对问题域，直接从空域完成轨迹的分割、提本文档来自技高网...

【技术保护点】
基于快速自动密度聚类的可变尺度红外小目标的检测方法，其特征在于包括如下步骤：1)采集真实云天或者海天背景，构建仿真小目标，利用matlab中的imnoise函数叠加高斯噪声，合成仿真图像序列F(t)作为图像数据,其中，t＝1,...N，N表示图像序列的长度；2)利用SURF加速鲁棒特征检测算子提取图像序列F(t)中每一帧图像的特征点；3)筛选所有特征点中最强的K个点；4)保存标记得到的所有候选目标点迹的图像坐标，作为后续聚类的数据集；5)计算数据集合中每个点i与其它各点的距离，生成距离矩阵dist，距离函数选取欧式距离；6)确定自适应参数S，S代表每个数据点平均邻居的个数；给出S的选取原则为：假定S等于截断距离dc，当S为序列长度N×帧间运动位移frameoff×1/2时，可以得到完整的轨迹片段；7)由步骤6)中给出的S，确定截断距离dc；8)通过高斯核计算每个数据点i的局部密度ρi以及δi，并计算得到数组γi＝ρi×δi；9)针对每个γi，若γi＞TH，则确定为聚类中心，其中，TH选取190～200之间，可以满足轨迹的独立性；10)将所有的数据点聚集到与自己最近的聚类中心中；11)剔除离散点；12)保存得到的聚类，标记其数量；13)设置轨迹长度门限；14)对于得到的所有聚类，逐个依据下述步骤进行处理；15)取出第i个聚类中的一个点A，判断该点是否是聚类中倒数第1个点，若是，则处理下一个聚类，若不是，则继续下列步骤；16)取出聚类中的下一个点B；17)生成直线C：A‑>B，将两点存入直线集合E；18)取出聚类中下一个点K，若线段AB和BK的夹角θ满足平滑性约束,即：0≤θ≤π/2，则将其归入直线集合E，否则转步骤19)；19)判断K是否是该聚类中的最后一个点，若是，则判断直线集合E中点的个数是否大于轨迹最小长度，若小于，则转步骤16)；若大于，则转步骤20)；若不是该聚类的最后一个点，则返回到步骤18)；20)输出直线集合E，转步骤15)；21)处理完所有聚类后，将得到的所有轨迹片段进行标记保存。...

【技术特征摘要】
1.基于快速自动密度聚类的可变尺度红外小目标的检测方法，其特征在于包括如下步骤：1)采集真实云天或者海天背景，构建仿真小目标，利用matlab中的imnoise函数叠加高斯噪声，合成仿真图像序列F(t)作为图像数据,其中，t＝1,...N，N表示图像序列的长度；2)利用SURF加速鲁棒特征检测算子提取图像序列F(t)中每一帧图像的特征点；3)筛选所有特征点中最强的K个点；4)保存标记得到的所有候选目标点迹的图像坐标，作为后续聚类的数据集；5)计算数据集合中每个点i与其它各点的距离，生成距离矩阵dist，距离函数选取欧式距离；6)确定自适应参数S，S代表每个数据点平均邻居的个数；给出S的选取原则为：假定S等于截断距离dc，当S为序列长度N×帧间运动位移frameoff×1/2时，可以得到完整的轨迹片段；7)由步骤6)中给出的S，确定截断距离dc；8)通过高斯核计算每个数据点i的局部密度ρi以及δi，并计算得到数组γi＝ρi×δi；9)针对每个γi，若γi＞T...

【专利技术属性】
技术研发人员：张海英，苏劲松，刘昆宏，白皎，刘岩，李正洁，朱宽，赵曌，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35