一种基于图模型的群目标队形变化识别方法技术

本发明专利技术提出了一种基于图模型的群目标队形变化识别方法，能够描述群目标队形变化数据之间的时空相关性和相互依赖性，并且提升群目标队形变化的识别准确率。本发明专利技术面向群目标队形变化序列，构建基于时空轨迹数据的图模型，以描述群目标队形变化数据之间的时空相关性和相互依赖性，具有较强的抗形变能力；并通过建立动态图的递归卷积网络模型，解决了在时序运动和空间结构联合建模的问题，提升了群目标队形变化的识别准确率。队形变化的识别准确率。队形变化的识别准确率。

【技术实现步骤摘要】
一种基于图模型的群目标队形变化识别方法


[0001]本专利技术涉及卫星图像处理与应用
，具体涉及一种基于图模型的群目标队形变化识别方法。

技术介绍

[0002]现有技术中有很多识别群目标队形的方案，比如CN201910398081.8，基于直线空间分布关系和投影特征的群目标检测算法，专利权人为哈尔滨工业大学。该专利基于目标的位置分布规律和几何参数特征，采用改进的直线检测方法，对目标进行粗提取，然后结合颜色信息的投影特征，利用支持向量机模型，将粗提取中的虚警信息进行剔除，获得最终的群目标，该方法仅对直线以外的形状识别无效；《兵工学报》2016 年4 月第37 卷第4 期，张翼飞等人发表论文《基于Hough变换和聚类的舰艇编队队形识别算法》，该文基于Hough变换技术研究了一种舰艇编队队形识别算法，当目标信息受污染较严重时，进一步采用了改进的K均值聚类算对Hough变换后得到的积累矩阵局部峰值进行聚类处理，根据峰值聚类的结果准确提取出待识队形的参数，但该方法主要是针对直线检测设计，适应性不强；CN201910713263.X，公开了一种目标群体识别方法、装置及设备，专利权人为阿里巴巴集团控股有限公司，该专利根据用户属性，计算用户的相似度，形成混合矩阵，并根据混合矩阵进行聚类，根据聚类结果识别出多个用户中的目标群体，该方法对数据量要求较大，但面向卫星图像中的舰船编队等样本量小的群目标不适用；《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》2015 年7 月第51 卷第3 期，邓春华等人发表的文章《Recognizing the formations of CVBG based on multiviewpoint context》，该文针对舰船编队队形的识别，提出了基于阿基米德螺旋线的MVC（Multi
‑
viewpoint Context）描述子，引进了观测点的概率密度密度函数，并提出一种相似性度量方法，直接识别舰船编队队形，但是其描述子只有空间结构信息，缺乏时间
‑
空间结构信息；CN201610969853.5是一种基于距离
‑
慢时间像的自旋微动群目标分辨方法，专利权人为中国人民解放军空军工程大学，该专利技术针对宽带雷达信号条件下的自旋微动群目标分辨问题，通过图像处理的方式抑制一维距离像旁瓣引起的曲线变粗现象，剔除基于距离
‑
慢时间像获得所有散射点在雷达视线方向慢时间微动的和函数的方法，再对和函数做傅里叶变化，根据和函数在频率域的分量视线群目标分辨，该方法适用于雷达信号，但对于光学信号的适用性受到约束；《系统工程与电子技术》2010年8月第32卷第8期，张昌芳等人发表论文《一种通用的阵群目标队形变化识别方法》，该方法提出根据不同的队形模板和队形观测，动态选择二者队形描述的基准点；通过队形观测和队形模板之间的匹配来进行队形识别。然而由于阵群成员的位置观测可能存在漏检，在阵群成员观测中“基准”成员可能缺失；即使观测到“基准”成员，在只有位置观测信息的情况下，也难以将其同其余的阵群成员或杂波区分开来，因此，基于模板匹配的方法在实际应用中将受到较多约束；《火力与指挥控制》2010年11月第35卷第11期，董受全等人发表的论证《基于空间方向相似性的编队队形识别算法》，提出将编队队形看作二维空间中的一个场景，把已知队形作为模板，通过计算与模板的场景相似性实现对队形的
识别，该方法优点在于只依靠目标方位信息，对目标定位精度要求不高，但是抗形变能力较差。
[0003]但是目前没看到根据群目标动态序列信息预测/推测队形变化的工作，针对舰船编队行为识别问题，由于舰船编队队形通常由多个基本单元复合而成，舰船与舰船之间存在很强的空间关系，随着时间的变化，空间关系同时变化，因此，队形变化的本质是各个基本单元的时空关系变化，目前的群体目标方法无法同时捕捉时间和空间特征，具体表现在：（1）由于监视舰船编队通常在很远的高空，舰船的细节和姿态很难被对手获知。这些舰船只能当作一些离散的点，而这些离散的点能够通过不同的连接方法形成不同的形状。舰船编队中同一队形在不同观察角度和连接方式得到不同的形态如附图1所示，舰船的数量和队形都是相同的，而通过不同连接方式和不同的角度观察，所形成的形状差异很大。在识别队形时，这两种不同的形状应该属于同一种队形。正是由于这种不固定的形态和旋转、尺度问题，传统的模板匹配方法、局部描述子方法不能很好的识别舰船编队的队形。
[0004]（2）在舰船编队动态行为识别的过程中，时间、空间信息的综合运用至关重要，传统方法中时间特征描述的缺失影响了队形变换识别的精度。对于舰船的准确描述应该是舰船的运动轨迹时间和空间上的结构信息，需要建立目标与目标之间、目标与部分以及目标与整体之间的上下文关系的模型，才能够包含舰船编队的舰船轨迹信息，更好的描述战斗群的行为识别。

技术实现思路

[0005]有鉴于此，本专利技术提出了一种基于图模型的群目标队形变化识别方法，能够描述群目标队形变化数据之间的时空相关性和相互依赖性，并且提升群目标队形变化的识别准确率。
[0006]为实现上述目的，本专利技术的技术方案为：本专利技术的一种基于图模型的群目标队形变化识别方法，面向群目标队形变化序列，构建基于时空轨迹数据的图模型；对图模型进行多尺度特征提取，得到多尺度图卷积核；在构建多尺度图卷积核的基础上，根据回归滑动平均模型，构建时空图谱卷积模型，所述时空图谱卷积模型在图结构上进行空间上的谱图卷积操作的同时，在时间域上也进行卷积操作，二者递归进行，由此得到时空图谱的递归卷积模型；将所述递归模型作为一个基本的神经网络层，通过堆叠形成一个多层的网络结构，其中上一层的输出信号作为下一层的输入信号，通过一个全连接层，将学到的分布式特征表示映射到样本标记空间，对出行轨迹进行分类或预测。
[0007]其中，把舰船编队卫星图像建模成无向属性图，对于长度为T的队形图序列，将其表示为，其中表示第k个时间切片上的队形，表示节点的集合，表示节点特征，表示邻接矩阵，下标k表示第k个时间切片，。
[0008]其中，对于尺度为K的感受野，定义多尺度卷积滤波操作为：其中，Z为图谱卷积滤波操作的输出响应；为舰船编队卫星图像的无向属性图；f
表示特征提取器；表示第k个尺度的感受野，其中为所述无向属性图的拉普拉斯矩阵；X为输入信号或输入特征谱；是关于第k尺度的输入信号的信号变换矩阵，其中d表示数据维度，为拓展后的数据维度，。
[0009]其中，所述时空图谱卷积模型为：其中是隐状态，是输出状态，下标t表示t时刻，下标t+1表示t时刻的下一时刻；K1和K2分别是时域和空域上核函数的数量；为t时刻输入信号；是关于第k尺度的变换后的信号的信号变换矩阵。
[0010]其中，将递归模型作为一个基本的层，用于堆积成多层网络架构，其中底层的输出信号用作顶层的输入，形式上写成：其中l表示网络的层数。
[0011]其中，通过构造多通道的局部卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图模型的群目标队形变化识别方法，其特征在于，面向群目标队形变化序列，构建基于时空轨迹数据的图模型；对图模型进行多尺度特征提取，得到多尺度图卷积核；在构建多尺度图卷积核的基础上，根据回归滑动平均模型，构建时空图谱卷积模型，所述时空图谱卷积模型在图结构上进行空间上的谱图卷积操作的同时，在时间域上也进行卷积操作，二者递归进行，由此得到时空图谱的递归卷积模型；将所述递归模型作为一个基本的神经网络层，通过堆叠形成一个多层的网络结构，其中上一层的输出信号作为下一层的输入信号，通过一个全连接层，将学到的分布式特征表示映射到样本标记空间，对出行轨迹进行分类或预测。2.如权利要求1所述的方法，其特征在于，把舰船编队卫星图像建模成无向属性图，对于长度为T的队形图序列，将其表示为，其中表示第k个时间切片上的队形，表示节点的集合，表示节点特征，表示邻接矩阵，下标k表示第k个时间切片，。3.如权利要求2所述的方法，其特征在于，对于尺度为K的感受野，定义多尺度卷积滤波操作为：其中，Z为图谱卷积滤波操作的输出响应；为舰船编队卫...

【专利技术属性】
技术研发人员：王丹，王翠莲，何熊文，崔钊婧，许春燕，崔振，藏洁，高阳特，肖遥，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：