System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及点目标识别,具体是涉及一种基于运动特征的点目标识别方法。
技术介绍
1、图像信息中包含各种各样的信息,例如背景信息、运动目标信息以及会影响图像质量的噪声。信噪比越低,我们从图像中提取关键信息就越难。因此从包含许多冗余信息的图像中正确识别运动目标受到了广泛的研究。
2、点目标图像是指目标在图像中为几个像素的图像,此时点目标不再具有形状、强度分布、轮廓等特征。这给目标识别带来极大困难,基于现有的成像系统技术是不能反映出除强度之外的特征。由于现实场景复杂,目标被遮挡、光照不恒定、尺度变化都会给点目标特征提取造成巨大困难。这些问题对点目标的识别产生的影响是无法忽视的。
3、目前的点目标识别都是基于雷达、红外探测器等,只有较少的研究是利用点目标的光学运动特征进行识别的,故能够准确在图像中利用点目标的光学运动特征识别点目标具有重大意义。不同的运动目标,形状、大小会有所不同,除此之外运动目标在运动过程中目标除速度、强度、运动姿态等瞬时特征也会有所差异。这些运动差异在时间序列图像中则会表现为点目标强度随时间变化规律的不同,以及目标运动轨迹特征的差异,这给我们识别点目标带来了一些可行的方向。
4、综上所述,目前需要提出更为有效的点目标识别方法。
技术实现思路
1、本专利技术的目的在于克服上述技术上的缺陷,提供一种基于运动特征的点目标识别方法,基于点目标的光学特征进行目标识别,具体是利用运动目标的光学特征来完成在超远距离时或者小目标在图像中为几个像素的
2、为达到上述目的,本专利技术通过下述技术方案实现。
3、本专利技术提出了一种基于运动特征的点目标识别方法,包括以下步骤:
4、步骤1.对运动点目标的视频进行预处理,得到点目标强度序列;
5、步骤2.根据预处理得到的点目标强度随时间变化的序列提取反映点目标运动特征的统计量;
6、步骤3.将提取出的反映运动特征的统计量输入训练好的机器学习模型得到点目标识别结果。
7、作为上述技术方案的改进之一,所述步骤1包括:
8、步骤1-1.判断运动点目标视频的图像是否为灰度图像,若是,则进入步骤1-2;若否,则将图像转换为灰度图像再进入步骤1-2;
9、步骤1-2.裁剪视频尺寸,截取一定范围的目标运动区域,保证区域中只有待识别点目标;
10、步骤1-3.对含有待识别点目标的灰度图像进行阈值去噪,将灰度值低于k的值置零,其中k根据最大灰度值的百分比设置;
11、步骤1-4.对含有待识别点目标的灰度图像中每帧图像的灰度值求和,得到点目标的强度变化序列;
12、步骤1-5.对点目标的强度变化序列进行去噪处理,得到去噪的点目标强度序列。
13、作为上述技术方案的改进之一,所述步骤1-5中,使用小波分析方法、emd-ar方法、lombscargle periodogram方法、加权小波z变换方法、jurkevich方法、功率谱法、music算法、周期图谱法或结构函数法进行去噪处理。
14、作为上述技术方案的改进之一,所述步骤2中提取的反映点目标运动特征的统计量包括:点目标频域特征、点目标一阶统计量、点目标熵、点目标高阶统计特征和无量纲指标;其中,
15、所述点目标频域特征,包括:重心频率、频率方差、频率标准差、均方频率和均方根频率;
16、所述点目标一阶统计量,包括:灰度最大值、最小值、平均值、峰峰值、整流平均值、方差和标准差;
17、所述点目标熵,包括:功率谱熵、奇异谱熵和能量熵;
18、所述点目标高阶统计特征,包括:点目标峰度、峭度和偏度;
19、所述无量纲指标提取,包括:波形因子、峰值因子、脉冲因子和裕度因子。
20、作为上述技术方案的改进之一,提取点目标频域特征,包括:利用傅里叶变换将时域信号转化为频域信号,计算式为:
21、
22、其中ts为采样间隔,x[n]是强度序列,n为样本个数;
23、分别提取频域中的重心频率fc、频率方差vf、频率标准差rvf、均方频率msf和均方根频率rmsf,计算式分别为:
24、
25、其中,f是信号频率,p(f)为目标强度序列的功率谱;
26、
27、其中,fi为第i个信号的频率,i=1,2,...,n,为频率平均值;
28、
29、
30、
31、作为上述技术方案的改进之一,
32、提取功率谱熵,包括:
33、step1.1求强度的功率谱p(w):
34、
35、其中,w是角频率,t是周期,ft(w)是信号的傅里叶变换;
36、step1.2:求每段频率的能量占全部能量的比值,得到概率密度函数p(x);
37、step1.3:利用概率密度函数p(x)进行功率谱熵h(x)的求解:
38、
39、其中,x是强度序列;
40、提取奇异谱熵,包括:
41、step2.1:将原始信号xt处理成矩阵a:
42、
43、其中,xi为信号数据值,m为模式维数,n代表数据长度;
44、step2.2:对矩阵a进行奇异值分解,得到奇异值谱{λ1,λ2,λ3,…};
45、step2.3:求各个奇异值占全部奇异值之和的比重大小,得到概率密度函数;
46、step2.4:利用概率密度函数进行信息熵的求解;
47、提取能量熵,包括:
48、step3.1:将原始信号分解为多个分量;
49、step3.2:分别计算每个分量的能量;
50、step3.3:计算不同分量的能量占全部能量的比值,得到概率密度函数;
51、step3.4:利用概率密度函数进行能量熵的求解。
52、作为上述技术方案的改进之一,点目标峰度k的计算式为:
53、
54、其中,μ是均值,σ是标准差,n是样本个数;
55、峭度k′的计算式为:
56、
57、其中,xi是第i个样本,在点目标识别任务中,xi为信号数据值;
58、偏度s的计算式为:
59、
60、其中,σ是方差。
61、作为上述技术方案的改进之一,峰值因子、脉冲因子、波形因子和裕度因子的计算式分别为:
62、
63、
64、
65、
66、作为上述技术方案的改进之一,所述方法还包括对机器学习模型的训练,训练过程包括:
67、构建训练数据集:对待识别不同类型的目标运动过程进行多次拍摄得到视频数据,拍摄时设置分辨率使得目标在视频中为点目标;本文档来自技高网...
【技术保护点】
1.一种基于运动特征的点目标识别方法,包括以下步骤:
2.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤1包括:
3.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤1-5中,使用小波分析方法、EMD-AR方法、LombScargle Periodogram方法、加权小波Z变换方法、Jurkevich方法、功率谱法、music算法、周期图谱法或结构函数法进行去噪处理。
4.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤2中提取的反映点目标运动特征的统计量包括:点目标频域特征、点目标一阶统计量、点目标熵、点目标高阶统计特征和无量纲指标;其中,
5.根据权利要求4所述的基于运动特征的点目标识别方法,其特征在于,提取点目标频域特征,包括:利用傅里叶变换将时域信号转化为频域信号,计算式为:
6.根据权利要求4所述的基于运动特征的点目标识别方法,其特征在于,
7.根据权利要求4所述的基于运动特征的点目标识别方法,其特征在于,点目标峰度K的计算式为:<
...【技术特征摘要】
1.一种基于运动特征的点目标识别方法,包括以下步骤:
2.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤1包括:
3.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤1-5中,使用小波分析方法、emd-ar方法、lombscargle periodogram方法、加权小波z变换方法、jurkevich方法、功率谱法、music算法、周期图谱法或结构函数法进行去噪处理。
4.根据权利要求1所述的基于运动特征的点目标识别方法,其特征在于,所述步骤2中提取的反映点目标运动特征的统计量包括:点目标频域特征、点目标一阶统计量、点目标熵、点目标高阶统计...
【专利技术属性】
技术研发人员:朱露洁,刘雪峰,刘璠,
申请(专利权)人:中国科学院国家空间科学中心,
类型:发明
国别省市:
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。