一种复杂海面环境下的红外舰船目标检测识别方法技术

一种复杂海面环境下的红外舰船目标检测识别方法，包括以下步骤：步骤1：通过目标识别检测方法对采集红外图像进行小目标图像筛选，并将高速目标和船只的区域分离和预分类；步骤2：提取并建立红外图像特征集合，筛选出的有效特征集，搭建基于支持向量机的经典机器学习模型，实现目标船只识别；步骤3：建立基于卷积神经网络的深度学习模型用于红外图像中的船只识别；步骤4：将深度学习的识别结果和机器学习的分类结果进行决策级融合，实现更为精准的目标识别。

【技术实现步骤摘要】
一种复杂海面环境下的红外舰船目标检测识别方法
本专利技术涉及一种图像识别技术，特别是一种复杂海面环境下的红外舰船目标检测识别方法。
技术介绍
红外视频的小目标包括舰船和飞机目标，因为其像素点少，特征较模糊的特点，大部分的工作还集中在检测定位上，从国外的方面来看从60年代开始，法国、荷兰美国等国家就陆续开始了红外检测系统的研制工作，之后随着探测器工艺水平、热成像技术和信息处理技术的迅速发展，红外检测系统的功能不断增多，性能也不断提高。近年来，由于各类精确制导武器的投入使用和电子战水平的提升，对防空反导作战提出了新的要求，地面型红外检测系统作为传统雷达防空体系的补充得到迅速发展，法国SAGEM公司研制的SIRENE系统，是一种模块式监视和跟踪系统，为支持中距离、短距离及超短距离防空武器系统而设计的；类似的地面搜索系统还有俄罗斯的“凤凰”新型远程红外搜索防空系统。现代战争要求红外搜索探测系统具备如穿透云层、在杂波环境下正常工作和探测弱小目标等能力，以实现全天候、远距离探测和目标识别，因此对红外探测器提出了更高的要求。美国将长波和多光谱大面积凝视焦平面红外探测器阵列和相关的制冷技术列入了弹道导弹防御技术计划。相对于国外，我国在红外检测系统的研制起步较晚，但已经受到各方面足够的重视，已经有多家单位在进行红外检测系统的研究，并且已经取得了一定成就。相应地，在红外弱小目标识别的研究，国内外研究都很少见。从前面的研究现状分析中，我们可以看出在普通光学图像和正常尺度红外目标识别中，不论是经典的特征+分类器模式还是深度学习框架，国内外的科研工作者们都进行了很多很好的工作。但是红外弱小目标的识别暂时处于空缺状态。
技术实现思路
本专利技术的目的在于提供一种基于红外图像检测识别船只方法。实现本专利技术目的的技术方案为：一种复杂海面环境下的红外舰船目标检测识别方法，包括以下步骤：步骤1：通过目标识别检测方法对采集红外图像进行小目标图像筛选，并将高速目标和船只的区域分离和预分类；步骤2：提取并建立红外图像特征集合，筛选出的有效特征集，搭建基于支持向量机的经典机器学习模型，实现目标船只识别；步骤3：建立基于卷积神经网络的深度学习模型用于红外图像中的船只识别；步骤4：将深度学习的识别结果和机器学习的分类结果进行决策级融合，实现更为精准的目标识别。进一步地，步骤1具体包括：步骤1.1，利用高斯分布、瑞利分布、指数分布和Weibull分布模型对采集的红外图像进行了背景杂波拟合构建背景杂波分布模型，去除背景图片中的背景杂波；步骤1.2，将低速目标作为静止目标，通过抑制背景噪声、提升局部对比度的算法、阈值的自适应选取和形态学图像处理获取静止目标；步骤1.3，更新背景杂波分布模型，通过帧差类方法检测高速目标在一定时间内的位移以识别高速目标。进一步地，步骤1.3中更新背景杂波分布模型具体包括：步骤1.3.1，建立一像素级背景模型M(XK)＝{S1(XK),S2(XK),L,SN(XK)}其中，XK为红外图像某一像素点，Si(XK)为在|V(XK)±10|范围内随机抽取的第i个样值，V(XK)为XK的像素值；步骤1.3.2，从第二帧图像开始，判断XK为前景点或背景点；若为前景点转步骤1.3.3；若为背景点，转步骤1.3.4；步骤1.3.3，从该点背景模型M(XK)中随机抽取一个样值Si(XK)，用当前像素值V(XK)来替代Si(XK)，被替代的概率设置为Pb；步骤1.3.4，从该点背景模型中随机抽取一个样值Si(XK)，该样值被前景点像素值V(XK)替换的概率设为Pf。进一步地，红外图像特征包括SIFT特征、HOG特征、Haar特征、小波变换、多尺度几何分析、尾迹、航速、航向。进一步地，尾迹通过以下方法提取：步骤2.1，采用Hough变换检测出红外图像中Hough变换域中的全局峰值点；步骤2.2，将检测出的峰值点与预先设定的阈值K相比较，大于该阈值则是尾迹，否则视为噪声点，结束检测；步骤2.3，将检测出的尾迹在原图像中进行屏蔽，让其不能影响其余尾迹的检测；步骤2.4，在屏蔽了该尾迹的图像中继续重复步骤2.1、2.2检测剩余尾迹特征。进一步地，航速和航向的提取方法为：航速其中k为比例系数，L为尾迹；航向θ＝arctan(L水平/L垂直)，其中，L水平为尾迹在水平方向的投影长度，L垂直为尾迹在垂直方向上的投影。进一步地，步骤4的具体过程为：对支持向量机的特征进行分类，建立多个SVM模型对数据集进行分类，然后对这几个模型用Voting的方法投票选出最合适的结果；在深度学习的模型中使用Bagging的方法。附图说明图1为本专利技术的方法流程示意图。图2为高斯分布、Rayleigh分布、指数分布和Weibull分布密度函数示意图。图3为红外弱小目标检测方法示意图。图4为LCM算法检测结果示意图。图5为LCM算法流程图示意图。图6为目标块与检测块的关系示意图。图7为MPCM算法检测结果示意图。图8为MPCM算法流程图。图9为形态学处理结果示意图。图10为图像阈值分割流程示意图。图11为阈值分割的方法效果示意图。图12为尺度为2的小波变换得到的分解图。图13为小波基与Curvelet基对比图。图14为Contourlet变换频域示意图。图15为提取运动特征的总体技术途径示意图。图16为灰度累积法基本流程示意图。图17为Radon变换原理示意图。图18为Radon变换坐标关系图。图19为Radon变换法真实尾迹示意图。图20为Radon变换法裁剪之后的尾迹示意图。图21为Hough变换之后的图。图22为改进型Hough变换的流程示意图。图23为舰船航向夹角示意图。图24为GMM-CGAN结构示意图。图25为联合网络训练过程示意图。图26为RPN和FASTR-CNN网络训练结构示意图。图27为FASTERR-CNN识别过程示意图。图28为决策级融合示意图。具体实施方式一种复杂海面环境下的红外舰船目标检测识别为例进行论述，其主要架构可以分为复杂背景下的红外弱小目标检测，基于多特征融合和机器学习框架的舰船飞机识别分类和基于卷积神经网络的舰船飞机识别分类，以及及决策级融合三大部分，如图1所示。红外小目标检测：完成海浪和云层等复杂自然背景下红外弱小目标的检测和定位。将包含舰船和飞机等疑似目标的区域从背景图片中分离出来，并进行高速目标(飞机)和低速目标(舰船)的预分类。通过传统目标识别检测类方法对于红外小目标图像进行初步的筛选，同时扩充数据的类别，为后面机器学习、深度学习类算法提供对照标准，也验证对于某些不易用传统方法处理直接获取本文档来自技高网...

【技术保护点】
1.一种复杂海面环境下的红外舰船目标检测识别方法，其特征在于：包括以下步骤：/n步骤1：通过目标识别检测方法对采集红外图像进行小目标图像筛选，并将高速目标和船只的区域分离和预分类；/n步骤2：提取并建立红外图像特征集合，筛选出的有效特征集，搭建基于支持向量机的经典机器学习模型，实现目标船只识别；/n步骤3：建立基于卷积神经网络的深度学习模型用于红外图像中的船只识别；/n步骤4：将深度学习的识别结果和机器学习的分类结果进行决策级融合，实现更为精准的目标识别。/n

【技术特征摘要】
1.一种复杂海面环境下的红外舰船目标检测识别方法，其特征在于：包括以下步骤：
步骤1：通过目标识别检测方法对采集红外图像进行小目标图像筛选，并将高速目标和船只的区域分离和预分类；
步骤2：提取并建立红外图像特征集合，筛选出的有效特征集，搭建基于支持向量机的经典机器学习模型，实现目标船只识别；
步骤3：建立基于卷积神经网络的深度学习模型用于红外图像中的船只识别；
步骤4：将深度学习的识别结果和机器学习的分类结果进行决策级融合，实现更为精准的目标识别。


2.根据权利要求1所述的方法，其特征在于，步骤1具体包括：
步骤1.1，利用高斯分布、瑞利分布、指数分布和Weibull分布模型对采集的红外图像进行了背景杂波拟合构建背景杂波分布模型，去除背景图片中的背景杂波；
步骤1.2，将低速目标作为静止目标，通过抑制背景噪声、提升局部对比度的算法、阈值的自适应选取和形态学图像处理获取静止目标；
步骤1.3，更新背景杂波分布模型，通过帧差类方法检测高速目标在一定时间内的位移以识别高速目标。


3.根据权利要求2所述的方法，其特征在于，步骤1.3中更新背景杂波分布模型具体包括：
步骤1.3.1，建立一像素级背景模型M(XK)＝{S1(XK),S2(XK),L,SN(XK)}
其中，XK为红外图像某一像素点，Si(XK)为在|V(XK)±10|范围内随机抽取的第i个样值，V(XK)为XK的像素值；
步骤1.3.2，从第二帧图像开始，判断XK为前景点或背景点；若为前景点转步骤1.3.3；若为背景点，转步骤1....

【专利技术属性】
技术研发人员：秦晋，祁友杰，王佩，顾超，
申请(专利权)人：中国航天科工集团八五一一研究所，
类型：发明
国别省市：江苏;32