CN103383451A - 基于恒边长梯度加权图切的优化雷达微弱目标检测方法 - Google Patents

基于恒边长梯度加权图切的优化雷达微弱目标检测方法 Download PDF

Info

Publication number
CN103383451A
CN103383451A CN2013102253768A CN201310225376A CN103383451A CN 103383451 A CN103383451 A CN 103383451A CN 2013102253768 A CN2013102253768 A CN 2013102253768A CN 201310225376 A CN201310225376 A CN 201310225376A CN 103383451 A CN103383451 A CN 103383451A
Authority
CN
China
Prior art keywords
target
pixel
model
video
frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102253768A
Other languages
English (en)
Other versions
CN103383451B (zh
Inventor
郭春生
刘丹
董秀青
郭云飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310225376.8A priority Critical patent/CN103383451B/zh
Publication of CN103383451A publication Critical patent/CN103383451A/zh
Application granted granted Critical
Publication of CN103383451B publication Critical patent/CN103383451B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。该方法具体思路如下：首先对相干积累后的距离-多普勒序列进行短时非相关积累；然后利用目标模型和杂波模型在混合高斯框架下，对距离-多普勒视频帧进行基于恒边长梯度加权图切算法的全局优化目标检测，得到目标视频序列；判断该视频帧是否为最后一帧，若是结束检测，反之，利用kalman预测方法对目标视频序列进行目标特征检测与跟踪完成目标模型更新，利用混合高斯更新模型算法实现背景模型的更新；最后读取新捕获到的下一帧视频信息，重复上述步骤直至所有捕获到的视频信息均被检测完为止。本发明优化和改善了对于雷达弱目标的检测结果。

Description

基于恒边长梯度加权图切的优化雷达微弱目标检测方法
技术领域
本发明隶属雷达系统中信号处理技术领域，具体涉及一种基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。 
背景技术
在雷达系统中信号处理技术领域，近来提出了一种基于图切的全局优化弱目标检测方法，该方法巧妙地将雷达的弱目标检测问题转化为网格流量的图切问题，具体通过对相干积累所得到的数据进行能量建模，并构建流量网格图，结合图切中最大流最小切的图切准则，通过最优化能量流的分配实现切割，继而实现对雷达弱目标的检测。但是在该技术中为了方便起见，图模型中流量分配时其连接边权重均设置为恒定值 
Figure 2013102253768100002DEST_PATH_IMAGE002
，这样使得当边缘噪声杂波影响较大的情况下，对于雷达的弱目标检测的结果不太理想。因此，为进一步的优化检测的结果，提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。 
发明内容
    为了使得当目标受边缘噪声杂波影响较大的情况下，对雷达的弱目标检测仍然有较理想的结果，本发明提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。该方法重点针对图模型中的像素节点之间的权重设置做了改进，以此来削减边缘噪声杂波对检测结果的干扰，进而优化对雷达弱目标的检测。本发明的具体思路如下：首先对相干积累后的距离-多普勒序列进行短时非相关积累；然后利用目标模型和杂波模型在混合高斯框架下，对距离-多普勒视频帧进行基于恒边长梯度加权图切算法的全局优化目标检测，得到目标视频序列；判断该视频帧是否为最后一帧，若是结束检测，反之，利用kalman预测方法对目标视频序列进行目标特征检测与跟踪完成目标模型更新，利用混合高斯更新模型算法实现背景模型的更新；最后读取新捕获到的下一帧视频信息，重复上述步骤直至所有捕获到的视频信息均被检测完为止。 
为了方便描述本发明的内容，首先作以下术语定义： 
定义1 恒边长
通过对相干积累所得的距离-多普勒序列进行短时非相关积累，雷达捕获到包含目标的信息集合，结合图论知识建立能量图模型，并二值化图模型，则在一次检测所得视频帧中，目标-背景的邻接像素对数是相对恒定的，即为恒边长。本发明中，设定恒边长值为
Figure 2013102253768100002DEST_PATH_IMAGE004
。
定义2 梯度加权 
本发明中提出的梯度加权，即结合二值化后的图模型，求解邻接像素的一阶导得梯度分布，因目标-背景边缘的梯度要大于其它各邻接边的梯度，故在图像切割中对边流量加权时，结合所得梯度值进行加权，即为梯度加权。设像素数为
Figure 2013102253768100002DEST_PATH_IMAGE006
的距离-多普勒视频帧，则本发明中是通过定义流量参数
Figure 2013102253768100002DEST_PATH_IMAGE008
，来表征梯度加权的含义，所得流量参数
Figure 322643DEST_PATH_IMAGE008
及其相关参数表达式如下：
Figure 2013102253768100002DEST_PATH_IMAGE010
，                      （1）
Figure 2013102253768100002DEST_PATH_IMAGE012
，                  （2）
Figure 2013102253768100002DEST_PATH_IMAGE014
                            （3）
其中，
Figure 2013102253768100002DEST_PATH_IMAGE016
为视频帧中，所有邻接像素对数，表示记为
Figure 2013102253768100002DEST_PATH_IMAGE020
的第对邻接像素的梯度值，
Figure 2013102253768100002DEST_PATH_IMAGE024
为差补矫正因子，它是一个先验值，作用是确保流量参数
Figure 925270DEST_PATH_IMAGE008
与梯度值
Figure 705007DEST_PATH_IMAGE018
成正比。
定义3 能量函数 
设在目标视频序列中，数值“1”表示该距离-多普勒位置处存在目标，数值“0”表示该距离-多普勒位置处为杂波背景，采用马尔可夫随机场模型，可将视频帧描述如下：
Figure 2013102253768100002DEST_PATH_IMAGE028
                （4）
式中
Figure 2013102253768100002DEST_PATH_IMAGE030
为能量函数；
Figure 2013102253768100002DEST_PATH_IMAGE032
为部分函数；为团
Figure 2013102253768100002DEST_PATH_IMAGE036
的势能函数，
Figure 2013102253768100002DEST_PATH_IMAGE038
为二值化视频帧
Figure 717526DEST_PATH_IMAGE026
中所有团集合。若已知先验概率和似然函数，则目标检测就是求解二值化视频帧
Figure 531898DEST_PATH_IMAGE026
的最大后验概率估计
Figure 2013102253768100002DEST_PATH_IMAGE040
，即
Figure 2013102253768100002DEST_PATH_IMAGE042
             （5）
取对数后，最大后验概率估计化简为：
Figure 2013102253768100002DEST_PATH_IMAGE044
   （6）
其中，流量参数
Figure 2013102253768100002DEST_PATH_IMAGE046
                          （7）
      流量参数
Figure 2013102253768100002DEST_PATH_IMAGE048
                                        （8）
Figure 915213DEST_PATH_IMAGE006
为二值化视频帧中的所有像素点数，
Figure 2013102253768100002DEST_PATH_IMAGE050
为目标像素点数，反映了目标的面积特征；
Figure 244563DEST_PATH_IMAGE016
为二值化视频帧
Figure 256512DEST_PATH_IMAGE026
中的所有邻接像素对数，
Figure 987708DEST_PATH_IMAGE004
为目标-背景邻接像素对数，反映了目标的周长特征；
Figure 2013102253768100002DEST_PATH_IMAGE052
为二值化视频帧
Figure 794121DEST_PATH_IMAGE026
中所有像素的集合，
Figure 2013102253768100002DEST_PATH_IMAGE054
为像素点
Figure 2013102253768100002DEST_PATH_IMAGE056
的一阶邻域集合。
定义 4  kalman预测 
设像素数为
Figure 423817DEST_PATH_IMAGE006
的距离-多普勒视频帧，定义第
Figure 2013102253768100002DEST_PATH_IMAGE058
帧视频的状态向量
Figure 2013102253768100002DEST_PATH_IMAGE060
，其中，
Figure 2013102253768100002DEST_PATH_IMAGE062
为第帧视频目标前景像素数，
Figure DEST_PATH_IMAGE064
为其四连通邻接像素对数，
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE068
分别为
Figure 313242DEST_PATH_IMAGE062
和
Figure 743086DEST_PATH_IMAGE064
的速度分量；观测向量
Figure DEST_PATH_IMAGE070
，其中，
Figure DEST_PATH_IMAGE072
为第
Figure 922395DEST_PATH_IMAGE058
帧视频目标前景像素点数的观测值，
Figure DEST_PATH_IMAGE074
为目标-背景四连通邻接像素对数的观测值。系统模型表示如下：
状态方程：
Figure DEST_PATH_IMAGE076
；
观测方程：
Figure DEST_PATH_IMAGE078
。
其中，
Figure DEST_PATH_IMAGE080
为系统噪声，满足
Figure DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE086
为观测噪声，满足，。系统噪声相关矩阵，观测噪声相关矩阵
Figure DEST_PATH_IMAGE094
，及其他相关参数矩阵表示如下： 
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
，。
其中，
Figure DEST_PATH_IMAGE104
为系统读取每一帧图像信息所需要的时间，
Figure DEST_PATH_IMAGE106
为系统噪声，
Figure DEST_PATH_IMAGE108
为观测噪声；根据上述系统模型，结合下述公式： 
Kalman一步预测增益：
Figure DEST_PATH_IMAGE110
,                      （9）
预测状态方程：
Figure DEST_PATH_IMAGE112
,                 （10）
预测均方误差：
Figure DEST_PATH_IMAGE114
，                 （11）
通过一步迭代，实现对
Figure DEST_PATH_IMAGE116
帧待检测的视频的目标像素点个数
Figure DEST_PATH_IMAGE118
（对应观测向量中的
Figure 22286DEST_PATH_IMAGE072
）及目标-背景像素对数
Figure DEST_PATH_IMAGE120
（对应观测向量中的）的预测。
定义 5 混合高斯模型背景更新 
在对雷达捕获到的包含若目标的视频信息的背景建模中，为更准确的逼近杂波背景，一般选用混合高斯模型来实现对其背景的建模，同时为适应复杂的背景变化，实现自适应性的目标检测，需要对背景模型的参数（权值
Figure DEST_PATH_IMAGE122
，均值
Figure DEST_PATH_IMAGE124
及方差）进行更新，具体更新方程如下：
Figure DEST_PATH_IMAGE128
                   （12）
    
Figure DEST_PATH_IMAGE130
                         （13）
Figure DEST_PATH_IMAGE132
                      （14）
Figure DEST_PATH_IMAGE134
             （15）
其中，
Figure DEST_PATH_IMAGE136
为选用的混合高斯模型的个数，
Figure DEST_PATH_IMAGE138
表示
Figure DEST_PATH_IMAGE140
时刻第帧视频的
第个高斯模型的高斯分布概率（
Figure 2013102253768100002DEST_PATH_IMAGE144
），
Figure 2013102253768100002DEST_PATH_IMAGE146
为更新因子，
Figure 2013102253768100002DEST_PATH_IMAGE148
为第t时刻检测的像素点。
本发明提出了本发明提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法，该方法具体包括基于恒边长梯度加权图切的全局优化检测和目标特征检测与跟踪两项关键技术。检测步骤如下： 
步骤1.模型参数初始化：设置初始时刻
Figure 47289DEST_PATH_IMAGE136
个混合高斯背景模型的权值，均值及方差
Figure DEST_PATH_IMAGE154
，（
Figure DEST_PATH_IMAGE156
）；预测模型的观测噪声
Figure 811589DEST_PATH_IMAGE108
及系统噪声
Figure 371884DEST_PATH_IMAGE106
。
步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为
Figure 956580DEST_PATH_IMAGE006
的像素点矩阵，
Figure DEST_PATH_IMAGE158
为矩阵宽度，
Figure DEST_PATH_IMAGE160
为矩阵高度。 
步骤3.根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为
Figure DEST_PATH_IMAGE162
，其中
Figure DEST_PATH_IMAGE164
。 
步骤4.根据能量函数，建立二值化的能量图模型。 
步骤5.计算流量参数
Figure DEST_PATH_IMAGE166
； 
,
Figure DEST_PATH_IMAGE168
,
Figure DEST_PATH_IMAGE170
Figure DEST_PATH_IMAGE172
其中，
Figure 634884DEST_PATH_IMAGE024
为差补矫正因子，为恒边长值， 
Figure DEST_PATH_IMAGE174
是目标像素点的数目；
Figure 890733DEST_PATH_IMAGE056
为输入待检测的像素点，
Figure DEST_PATH_IMAGE176
表示待检测的像素点
Figure 373667DEST_PATH_IMAGE056
是目标像素点的概率，
Figure DEST_PATH_IMAGE178
表示待检测的像素点
Figure 721602DEST_PATH_IMAGE056
是背景像素点的概率；
Figure DEST_PATH_IMAGE180
为输出的观测像素点，为将检测到的像素点判定为目标像素点的概率，
Figure DEST_PATH_IMAGE184
表示将检测到的像素点
Figure 445768DEST_PATH_IMAGE180
判定为背景像素点的概率。
步骤6.算得流量参数后，即得边流量加权参数值和
Figure DEST_PATH_IMAGE188
，将
Figure DEST_PATH_IMAGE190
和
Figure 607759DEST_PATH_IMAGE188
代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权，最后依据最大流最小切生长树搜索原理对能量图的流量进行优化分配，实现目标与背景的分割，继而得到所要检测的雷达弱目标。 
步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8。 
步骤8.参数预测及背景更新。 
首先，结合kalman预测，对第
Figure 482306DEST_PATH_IMAGE058
帧视频，定义目标像素点数量为
Figure 828973DEST_PATH_IMAGE062
，目标-背景像素对数量为
Figure 241500DEST_PATH_IMAGE064
，和
Figure 329378DEST_PATH_IMAGE068
分别为
Figure 332100DEST_PATH_IMAGE062
和
Figure 231923DEST_PATH_IMAGE064
的速度分量，则得系统的状态向量为
Figure DEST_PATH_IMAGE192
,同时，定义为第
Figure 37385DEST_PATH_IMAGE058
帧视频的第一个观测量，
Figure 397959DEST_PATH_IMAGE074
为第
Figure 598127DEST_PATH_IMAGE058
帧视频的第二个观测量，则得系统的观测向量为
Figure DEST_PATH_IMAGE194
，建立如下系统模型为： 
状态方程：
Figure 840365DEST_PATH_IMAGE076
；
观测方程：
Figure 793278DEST_PATH_IMAGE078
，
其中，
Figure 590332DEST_PATH_IMAGE080
为系统噪声，满足
Figure 12218DEST_PATH_IMAGE082
，
Figure 248027DEST_PATH_IMAGE084
；
Figure 258708DEST_PATH_IMAGE086
为观测噪声，满足
Figure 39714DEST_PATH_IMAGE088
，
Figure 198162DEST_PATH_IMAGE090
。设定系统噪声相关矩阵为
Figure 909766DEST_PATH_IMAGE092
，观测噪声相关矩阵为
Figure 588004DEST_PATH_IMAGE094
，则对应的方程参数分别为：
Figure 789178DEST_PATH_IMAGE096
，，
Figure 450019DEST_PATH_IMAGE100
，
Figure 497610DEST_PATH_IMAGE102
。
其中，
Figure 807368DEST_PATH_IMAGE104
为系统读取每一帧图像信息所需要的时间，
Figure 691142DEST_PATH_IMAGE106
为系统噪声，
Figure 806865DEST_PATH_IMAGE108
为观测噪声；根据上述系统模型，结合下述公式： 
Kalman一步预测增益：
Figure DEST_PATH_IMAGE196
,  
预测状态方程：
Figure DEST_PATH_IMAGE198
, 
预测均方误差：，
通过一步迭代，实现对
Figure 335061DEST_PATH_IMAGE116
帧待检测的视频的目标像素点个数
Figure 815721DEST_PATH_IMAGE118
（对应观测向量中的
Figure 170479DEST_PATH_IMAGE072
）及目标-背景像素对数
Figure 837696DEST_PATH_IMAGE120
（对应观测向量中的
Figure 594299DEST_PATH_IMAGE074
）的预测，并更新步骤5所提到的流量参数
Figure 245861DEST_PATH_IMAGE166
；
接着，按照下列公式，更新背景参数：权值
Figure DEST_PATH_IMAGE202
，均值及方差；
Figure DEST_PATH_IMAGE208
Figure DEST_PATH_IMAGE210
Figure DEST_PATH_IMAGE212
其中，
Figure 917276DEST_PATH_IMAGE136
为选用的混合高斯模型的个数， 表示
Figure 739574DEST_PATH_IMAGE140
时刻第
Figure 640665DEST_PATH_IMAGE142
个高斯模型的高斯分布概率（
Figure 970015DEST_PATH_IMAGE144
），
Figure 981965DEST_PATH_IMAGE146
为更新因子，
Figure 385264DEST_PATH_IMAGE148
为第t时刻检测的像素点；
最后，在完成参数预测及背景更新后，读入第帧视频图像，并返回步骤2；
步骤9.结束检测。
本发明的有益效果在于，针对近来提出的基于图切的全局优化弱目标检测方法，存在当边缘噪声杂波影响较大的情况下检测结果不够理想的问题，提出了一种改进的基于恒边长梯度加权图切算法的优化雷达弱目标检测方法，从而优化和改善了对于雷达弱目标的检测结果。 
附图说明
图1为本发明的流程图。 
具体实施方式
    本发明的实施流程图为图1所示，具体实施步骤如下： 
步骤1.模型参数初始化：选定高斯背景模型个数
Figure DEST_PATH_IMAGE216
，并设置背景模型初始的参数值：权值，均值
Figure 73231DEST_PATH_IMAGE152
及方差
Figure 406736DEST_PATH_IMAGE154
，（
Figure DEST_PATH_IMAGE218
）；设置预测模型的观测噪声及系统噪声。
步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为
Figure 291013DEST_PATH_IMAGE006
的像素点矩阵，
Figure 747533DEST_PATH_IMAGE158
为矩阵宽度，
Figure 82699DEST_PATH_IMAGE160
为矩阵高度。 
步骤3.根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为，其中。 
步骤4.根据能量函数，建立二值化的能量图模型。 
步骤5.计算流量参数； 
Figure DEST_PATH_IMAGE220
,,
Figure 698741DEST_PATH_IMAGE170
Figure DEST_PATH_IMAGE226
其中，
Figure 790325DEST_PATH_IMAGE024
为差补矫正因子，
Figure 485879DEST_PATH_IMAGE004
为恒边长值， 
Figure 900680DEST_PATH_IMAGE174
是目标像素点的数目；
Figure 843228DEST_PATH_IMAGE056
为输入待检测的像素点，
Figure 94212DEST_PATH_IMAGE176
表示待检测的像素点是目标像素点的概率，
Figure 859836DEST_PATH_IMAGE178
表示待检测的像素点
Figure 707706DEST_PATH_IMAGE056
是背景像素点的概率；为输出的观测像素点，
Figure 732611DEST_PATH_IMAGE182
为将检测到的像素点判定为目标像素点的概率，表示将检测到的像素点
Figure 631931DEST_PATH_IMAGE180
判定为背景像素点的概率。
步骤6.算得流量参数后，即得边流量加权参数值
Figure 456667DEST_PATH_IMAGE186
和，将
Figure 968868DEST_PATH_IMAGE186
和
Figure 684670DEST_PATH_IMAGE188
代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权。具体操作为：如果
Figure DEST_PATH_IMAGE228
，则将从源节点到像素节点
Figure 313097DEST_PATH_IMAGE022
的连接边的权重赋值为
Figure DEST_PATH_IMAGE230
，将从像素节点
Figure 224553DEST_PATH_IMAGE022
到汇节点的连接边的权重赋值为0；如果
Figure DEST_PATH_IMAGE232
，则将从源节点到像素节点
Figure 663756DEST_PATH_IMAGE022
的连接边的权重赋值为0，将从像素节点
Figure 113191DEST_PATH_IMAGE022
到汇节点的连接边的权重赋值为
Figure DEST_PATH_IMAGE234
。同时，图模型中的各像素节点之间的连接边权重设置为与之对应的
Figure 92780DEST_PATH_IMAGE188
。之后，结合最大流最小切的生长树搜索原理实现图像的切割，提取检测目标。 
步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8。 
步骤8.参数预测及背景更新 
首先，结合kalman预测，对第
Figure 59074DEST_PATH_IMAGE058
帧视频，定义目标像素点数量为
Figure 856129DEST_PATH_IMAGE062
，目标-背景像素对数量为
Figure 527282DEST_PATH_IMAGE064
，
Figure 513824DEST_PATH_IMAGE066
和分别为
Figure 554778DEST_PATH_IMAGE062
和的速度分量，则得系统的状态向量为
Figure 972301DEST_PATH_IMAGE192
,同时，定义
Figure 916117DEST_PATH_IMAGE072
为第
Figure 54974DEST_PATH_IMAGE058
帧视频的第一个观测量，
Figure 700719DEST_PATH_IMAGE074
为第
Figure 778133DEST_PATH_IMAGE058
帧视频的第二个观测量，则得系统的观测向量为，建立如下系统模型为： 
状态方程：
Figure 135482DEST_PATH_IMAGE076
；
观测方程：，
其中，
Figure 134979DEST_PATH_IMAGE080
为系统噪声，满足，
Figure 268468DEST_PATH_IMAGE084
；
Figure 623226DEST_PATH_IMAGE086
为观测噪声，满足
Figure 293373DEST_PATH_IMAGE088
，
Figure 49977DEST_PATH_IMAGE090
。设定系统噪声相关矩阵为，观测噪声相关矩阵为
Figure 556974DEST_PATH_IMAGE094
，则对应的方程参数分别为：
Figure 14500DEST_PATH_IMAGE096
，
Figure 376342DEST_PATH_IMAGE098
，
Figure 526701DEST_PATH_IMAGE100
，
Figure 793734DEST_PATH_IMAGE102
。
其中，
Figure 540104DEST_PATH_IMAGE104
为系统读取每一帧图像信息所需要的时间，为系统噪声， 
Figure 343292DEST_PATH_IMAGE108
为观测噪声；根据上述系统模型，结合下述公式： 
Kalman一步预测增益：
Figure 832043DEST_PATH_IMAGE110
,  
预测状态方程：
Figure 896950DEST_PATH_IMAGE112
, 
预测均方误差：，
通过一步迭代，实现对
Figure 462897DEST_PATH_IMAGE116
帧检测视频的目标像素点个数（对应观测向量中的
Figure 58274DEST_PATH_IMAGE072
）及目标-背景像素对数
Figure 498483DEST_PATH_IMAGE120
（对应观测向量中的
Figure 912278DEST_PATH_IMAGE074
）的预测，并更新步骤5所提到的流量参数；
接着，按照下列公式，更新背景参数：权值，均值及方差
Figure 661742DEST_PATH_IMAGE206
；
Figure 688079DEST_PATH_IMAGE128
Figure 475404DEST_PATH_IMAGE134
其中，为选用的混合高斯模型的个数，
Figure 661852DEST_PATH_IMAGE138
表示
Figure 681891DEST_PATH_IMAGE140
时刻第帧视频的第
Figure 595938DEST_PATH_IMAGE142
个高斯模型的高斯分布概率（
Figure 820246DEST_PATH_IMAGE144
），
Figure 209639DEST_PATH_IMAGE146
为更新因子，
Figure 298250DEST_PATH_IMAGE148
为第t时刻检测的像素点。
最后，在完成参数预测及背景更新后，读入第
Figure 507514DEST_PATH_IMAGE116
帧视频图像，并返回步骤2。 
步骤9.结束检测。 

Claims (1)

1.基于恒边长梯度加权图切的优化雷达微弱目标检测方法，其特征在于该方法的具体步骤是：
步骤1.模型参数初始化：设置背景模型的均值 
Figure 2013102253768100001DEST_PATH_IMAGE002
及方差
Figure 2013102253768100001DEST_PATH_IMAGE004
；预测模型的观测噪声
Figure DEST_PATH_IMAGE006
及系统噪声
Figure DEST_PATH_IMAGE008
；
步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为
Figure 2013102253768100001DEST_PATH_IMAGE010
的像素点矩阵，
Figure 2013102253768100001DEST_PATH_IMAGE012
为矩阵宽度，
Figure 2013102253768100001DEST_PATH_IMAGE014
为矩阵高度；
步骤3. 根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为
Figure 2013102253768100001DEST_PATH_IMAGE016
，其中
Figure DEST_PATH_IMAGE018
；
步骤4.根据能量函数，建立二值化的能量图模型；
步骤5.计算流量参数
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE024
,
Figure DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
为差补矫正因子，
Figure DEST_PATH_IMAGE034
为恒边长值， 
Figure DEST_PATH_IMAGE036
是目标像素点的数目；
Figure DEST_PATH_IMAGE038
为输入待检测的像素点，
Figure DEST_PATH_IMAGE040
表示待检测的像素点
Figure 433844DEST_PATH_IMAGE038
是目标像素点的概率，
Figure DEST_PATH_IMAGE042
表示待检测的像素点是背景像素点的概率；
Figure DEST_PATH_IMAGE044
为输出的观测像素点，
Figure DEST_PATH_IMAGE046
为将检测到的像素点判定为目标像素点的概率，
Figure DEST_PATH_IMAGE048
表示将检测到的像素点
Figure 780621DEST_PATH_IMAGE044
判定为背景像素点的概率；
步骤6.算得流量参数后，即得边流量加权参数值
Figure DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE052
，将和
Figure 133553DEST_PATH_IMAGE052
代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权，最后依据最大流最小切生长树搜索原理对能量图的流量进行优化分配，实现目标与背景的分割，继而得到所要检测的雷达弱目标；
步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8；
步骤8.参数预测及背景更新；
首先，结合kalman预测，对第
Figure DEST_PATH_IMAGE054
帧视频，定义目标像素点数量为，目标-背景像素对数量为
Figure DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE060
分别为
Figure DEST_PATH_IMAGE062
和的速度分量，则得系统的状态向量为
Figure DEST_PATH_IMAGE065
,同时，定义
Figure DEST_PATH_IMAGE067
为第帧视频的第一个观测量，
Figure DEST_PATH_IMAGE071
为第帧视频的第二个观测量，则得系统的观测向量为，建立如下系统模型为： 
状态方程：
Figure DEST_PATH_IMAGE075
；
观测方程：
Figure DEST_PATH_IMAGE077
，
其中，
Figure DEST_PATH_IMAGE079
为系统噪声，满足
Figure DEST_PATH_IMAGE081
，
Figure DEST_PATH_IMAGE083
；
Figure DEST_PATH_IMAGE085
为观测噪声，满足，
Figure DEST_PATH_IMAGE089
；设定系统噪声相关矩阵为，观测噪声相关矩阵为
Figure DEST_PATH_IMAGE093
，则对应的方程参数分别为：
Figure DEST_PATH_IMAGE095
，
Figure DEST_PATH_IMAGE097
，
Figure DEST_PATH_IMAGE099
，
Figure DEST_PATH_IMAGE101
；
其中，
Figure DEST_PATH_IMAGE103
为系统读取每一帧图像信息所需要的时间，
Figure DEST_PATH_IMAGE105
为系统噪声， 
Figure DEST_PATH_IMAGE107
为观测噪声；根据上述系统模型，结合下述公式：
Kalman一步预测增益：
Figure DEST_PATH_IMAGE109
,  
预测状态方程：
Figure DEST_PATH_IMAGE111
, 
预测均方误差：
Figure DEST_PATH_IMAGE113
，
通过一步迭代，实现对
Figure DEST_PATH_IMAGE115
帧检测视频的目标像素点个数
Figure DEST_PATH_IMAGE117
及目标-背景像素对数
Figure DEST_PATH_IMAGE119
的预测，并更新步骤5所提到的流量参数
Figure DEST_PATH_IMAGE121
；
接着，按照下列公式，更新背景参数：权值
Figure DEST_PATH_IMAGE123
，均值及方差
Figure DEST_PATH_IMAGE127
；
      
Figure DEST_PATH_IMAGE129
                                      
Figure DEST_PATH_IMAGE131
                          
Figure DEST_PATH_IMAGE133
                        
Figure DEST_PATH_IMAGE135
              
其中，
Figure DEST_PATH_IMAGE137
为选用的混合高斯模型的个数，
Figure DEST_PATH_IMAGE139
表示
Figure DEST_PATH_IMAGE141
时刻第
Figure DEST_PATH_IMAGE069AA
帧视频的第个高斯模型的高斯分布概率，
Figure DEST_PATH_IMAGE146
，
Figure DEST_PATH_IMAGE148
为更新因子，
Figure DEST_PATH_IMAGE150
为第t时刻检测的像素点；
最后，在完成参数预测及背景更新后，读入第
Figure DEST_PATH_IMAGE115A
帧视频图像，并返回步骤2；
步骤9.结束检测。
CN201310225376.8A 2013-06-07 2013-06-07 基于恒边长梯度加权图切的优化雷达微弱目标检测方法 Expired - Fee Related CN103383451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310225376.8A CN103383451B (zh) 2013-06-07 2013-06-07 基于恒边长梯度加权图切的优化雷达微弱目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310225376.8A CN103383451B (zh) 2013-06-07 2013-06-07 基于恒边长梯度加权图切的优化雷达微弱目标检测方法

Publications (2)

Publication Number Publication Date
CN103383451A true CN103383451A (zh) 2013-11-06
CN103383451B CN103383451B (zh) 2015-05-06

Family

ID=49491290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310225376.8A Expired - Fee Related CN103383451B (zh) 2013-06-07 2013-06-07 基于恒边长梯度加权图切的优化雷达微弱目标检测方法

Country Status (1)

Country Link
CN (1) CN103383451B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104330780A (zh) * 2014-09-25 2015-02-04 中国地质大学（武汉） 一种基于自适应频域非相干积累的目标检测方法及装置
CN107390187A (zh) * 2017-07-28 2017-11-24 西安电子科技大学 基于混合高斯分布的杂波抑制方法
CN110555965A (zh) * 2018-05-30 2019-12-10 立积电子股份有限公司 检测环境中物体存在的方法、装置及处理器可读介质
CN111239724A (zh) * 2020-01-20 2020-06-05 中国人民解放军国防科技大学 一种基于雷达传感网络的目标识别方法
CN111814654A (zh) * 2020-07-03 2020-10-23 南京莱斯信息技术股份有限公司 基于马尔可夫随机场的远程塔台视频目标挂标牌方法
CN112528856A (zh) * 2020-12-10 2021-03-19 天津大学 一种基于特征帧的重复视频检测方法
CN115424455A (zh) * 2022-08-31 2022-12-02 南京慧尔视智能科技有限公司 一种车辆预警方法、装置、电子设备以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080030497A1 (en) * 2005-12-08 2008-02-07 Yangqiu Hu Three dimensional modeling of objects
CN102663740A (zh) * 2012-03-22 2012-09-12 西安电子科技大学 基于图切的sar图像变化检测方法
CN102680957A (zh) * 2012-05-21 2012-09-19 杭州电子科技大学 基于图切的雷达微弱目标优化检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080030497A1 (en) * 2005-12-08 2008-02-07 Yangqiu Hu Three dimensional modeling of objects
CN102663740A (zh) * 2012-03-22 2012-09-12 西安电子科技大学 基于图切的sar图像变化检测方法
CN102680957A (zh) * 2012-05-21 2012-09-19 杭州电子科技大学 基于图切的雷达微弱目标优化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUNSHENG GUO等: "Adaptive graph-cuts algorithm based on higher-order MRF for video moving object detection", 《ELECTRONICS LETTERS》 *
郭春生: "优化的区域增长InSAR相位解缠算法", 《中国图象图形学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104330780A (zh) * 2014-09-25 2015-02-04 中国地质大学（武汉） 一种基于自适应频域非相干积累的目标检测方法及装置
CN104330780B (zh) * 2014-09-25 2016-06-22 中国地质大学（武汉） 一种基于自适应频域非相干积累的目标检测方法及装置
CN107390187A (zh) * 2017-07-28 2017-11-24 西安电子科技大学 基于混合高斯分布的杂波抑制方法
CN107390187B (zh) * 2017-07-28 2020-04-14 西安电子科技大学 基于混合高斯分布的杂波抑制方法
CN110555965A (zh) * 2018-05-30 2019-12-10 立积电子股份有限公司 检测环境中物体存在的方法、装置及处理器可读介质
CN110555965B (zh) * 2018-05-30 2022-01-11 立积电子股份有限公司 检测环境中物体存在的方法、装置及处理器可读介质
CN111239724A (zh) * 2020-01-20 2020-06-05 中国人民解放军国防科技大学 一种基于雷达传感网络的目标识别方法
CN111814654A (zh) * 2020-07-03 2020-10-23 南京莱斯信息技术股份有限公司 基于马尔可夫随机场的远程塔台视频目标挂标牌方法
CN112528856A (zh) * 2020-12-10 2021-03-19 天津大学 一种基于特征帧的重复视频检测方法
CN112528856B (zh) * 2020-12-10 2022-04-15 天津大学 一种基于特征帧的重复视频检测方法
CN115424455A (zh) * 2022-08-31 2022-12-02 南京慧尔视智能科技有限公司 一种车辆预警方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN103383451B (zh) 2015-05-06

Similar Documents

Publication Publication Date Title
CN103383451A (zh) 基于恒边长梯度加权图切的优化雷达微弱目标检测方法
CN103259962B (zh) 一种目标追踪方法和相关装置
US20160054430A1 (en) Multi-sensor target tracking using multiple hypothesis testing
CN104112282A (zh) 一种基于在线学习跟踪监控视频中多个运动目标的方法
CN104021289B (zh) 一种非高斯非稳态噪声建模方法
CN102142085B (zh) 一种林区监控视频中运动火焰目标的鲁棒跟踪方法
CN106154259B (zh) 一种随机集理论下的多传感器自适应管控方法
US20170371033A1 (en) Radar device and method for determining targets to be followed
CN102685766B (zh) 一种基于局域最大最小概率机的无线网络流量预测方法
CN111161325A (zh) 基于卡尔曼滤波与lstm的三维多目标跟踪方法
CN110376582A (zh) 自适应gm-phd的机动目标跟踪方法
CN104637070A (zh) 基于概率假设密度的目标数变化的视频跟踪算法
Li et al. Bus arrival time prediction based on mixed model
Chen et al. Multitarget multisensor tracking
CN114137562B (zh) 一种基于改进全局最邻近的多目标跟踪方法
Fleck et al. Robust tracking of reference trajectories for autonomous driving in intelligent roadside infrastructure
CN115115790A (zh) 预测模型的训练方法、地图预测方法及装置
CN104199006B (zh) 一种基于多假设联合分布滤波器的随机集跟踪方法
Mittal et al. Pedestrian detection and tracking using deformable part models and Kalman filtering
CN107330468B (zh) 基于切尔诺夫融合准则的多传感器分布式数据融合方法
Liu et al. Radar detection during tracking with constant track false alarm rate
Chandio et al. Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories
Stamatescu et al. Multi-camera tracking of intelligent targets with hidden reciprocal chains
CN102497495B (zh) 一种用于多摄像机监控系统的目标关联方法
CN115034159A (zh) 一种海上风电场的功率预测方法、装置、存储介质及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150506

Termination date: 20180607

CF01 Termination of patent right due to non-payment of annual fee