CN104965199B - 雷达视频运动目标特征融合判定方法 - Google Patents

雷达视频运动目标特征融合判定方法 Download PDF

Info

Publication number
CN104965199B
CN104965199B CN201510454149.1A CN201510454149A CN104965199B CN 104965199 B CN104965199 B CN 104965199B CN 201510454149 A CN201510454149 A CN 201510454149A CN 104965199 B CN104965199 B CN 104965199B
Authority
CN
China
Prior art keywords
target
moving target
radar
decision
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.)
Active
Application number
CN201510454149.1A
Other languages
English (en)
Other versions
CN104965199A (zh
Inventor
周伟
于晓涵
姜佰辰
孙艳丽
胡文超
刘宁波
关键
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.)
Naval Aeronautical Engineering Institute of PLA
Original Assignee
Naval Aeronautical Engineering Institute of PLA
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 Naval Aeronautical Engineering Institute of PLA filed Critical Naval Aeronautical Engineering Institute of PLA
Priority to CN201510454149.1A priority Critical patent/CN104965199B/zh
Publication of CN104965199A publication Critical patent/CN104965199A/zh
Application granted granted Critical
Publication of CN104965199B publication Critical patent/CN104965199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达视频运动目标特征融合判定方法，属于雷达信号处理领域。针对密集杂波和复杂多目标情况下，雷达对运动目标的检测与跟踪存在较多虚假航迹的问题。本发明利用迭代式阈值分割法从单帧雷达视频图像中快速检测出疑似目标，并对连续多帧检测结果进行积累；综合目标的单帧检测结果和多帧积累结果提取目标的面积变化比和能量密度特征，并采用D‑S证据理论对其进行决策融合，获取最优决策以实现运动目标的正确判定。该方法充分利用了目标在一定空间时间范围内的相关性和目标的几何结构信息，可有效去除运动目标检测与跟踪中的虚假航迹，具有推广应用价值。

Description

雷达视频运动目标特征融合判定方法
技术领域
本发明涉及雷达信号处理领域中利用目标的几何特征和能量特征融合进行运动目标判定的方法，即多特征决策融合判决方法，适用于雷达视频运动目标的判定。
背景技术
雷达在海洋监视中发挥着至关重要的作用，运动目标检测与跟踪是雷达最基本的功能。最初是由雷达操作员根据雷达屏幕上的回波信号进行海上目标检测，人工锁定目标并配合后台硬件完成目标跟踪。近年来，新型雷达大多具备了目标自动检测与跟踪功能，但在密集杂波和复杂多目标情况下，目标检测虚警率高，跟踪处理难度大，容易形成虚假航迹。因此，研究一种能稳健地对海上运动目标进行判定的方法具有十分重要的意义。
与传统的雷达信号处理相比，将按时间顺序平面显示的雷达回波信号构成的序列看作雷达视频，从计算机视觉的角度来研究目标检测与跟踪，其优势在于可以综合考虑目标的时间和空间属性，提高检测跟踪速度和准确性。目前，国内外常用的基于图像的运动目标判定方法有帧间差法、光流场法、背景差法等。帧间差法利用图像序列中两帧或多帧图像之间的差异来确认运动目标，运算简单、速度快，但这种方法容易造成漏检，在目标中间形成空洞。光流场法是通过计算位移向量来初始化目标轮廓，然后融合其他分割方法来判断运动目标，算法成熟，但其仅适用于低速单目标的判定，且计算量大，难以用于实时处理。背景差法用当前图像与背景图像进行差分，从而判断出运动目标，但在背景初始化、背景对象移位、背景更新等方面存在诸多问题。
发明内容
针对密集杂波和复杂多目标情况下，雷达对运动目标的检测与跟踪存在较多虚假航迹的问题，提供一种能稳健地对海上运动目标进行判定的方法，其中要解决的技术问题包括：
(1)单帧雷达视频图像中疑似目标的快速检测；
(2)目标的面积变化比、能量密度特征提取；
(3)对提取的目标特征进行决策融合，形成运动目标判定依据。
本发明所述的雷达视频运动目标特征融合判定方法，其特征在于包括以下技术措施：首先利用迭代式阈值分割法从单帧雷达视频图像中快速检测出疑似目标，并对连续多帧检测结果进行积累；然后综合目标的单帧检测结果和多帧积累结果提取目标的面积变化比和能量密度特征，并分别构建二者的基本概率赋值函数；最后，采用D-S证据理论对其进行决策融合，获取最优决策作为运动目标的判定依据。
本发明相比背景技术具有如下的优点：
(1)该方法易于实现，计算量较小，可用于实时处理；
(2)该方法综合了雷达图像的单帧检测结果和多帧积累结果，充分利用了目标在一定空间时间范围内的相关性和目标的几何结构信息；
(3)该方法分别从几何形态和能量分布角度提取了两个表征目标的有效特征，并引入决策融合的思想，将两个特征进行融合作为判定依据，提高了检测效果；
(4)该方法可有效减少虚假航迹，大大降低了后续跟踪工作的难度。
附图说明
说明书附图是本发明的实施原理流程图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明的具体实施方式分以下几个步骤：
(1)将预先获取的雷达视频图像输入计算装置1进行迭代式阈值分割。设定参数T0，并选择一个初始的估计阈值T1；用阈值T1分割图像，将图像分成两部分：G1是由灰度值大于T1的像素组成，G2是由灰度值小于或等于T1的像素组成；计算G1和G2中所有像素的平均灰度值μ1和μ2，以及新的阈值T2＝(μ1+μ2)/2；如果|T2-T1|<T0，则推出T2为最优阈值，否则，将T2赋值给T1，直到获取最优阈值。
(2)计算装置2接受计算装置1得到的分割数据，对每个分割区域进行形态学处理，填充空洞、桥接裂缝，进而得到最佳的分割效果，检测出疑似目标，同时有效地剔除海面杂波和噪声。
(3)计算装置3接受计算装置2得到的基于形态学处理后的分割数据，对连续多帧的检测结果进行积累，获取目标的历史轨迹，假设第i帧检测结果为Ii，则连续i帧积累结果为Iti＝I1∪I2∪…∪Ii。
(4)将装置2输出的当前帧检测结果和装置3输出的当前积累结果输入计算装置4进行目标特征提取。
从几何形态角度，运动目标和静止目标最直观的差异就是目标轮廓在目标轨迹中所占的比例大小。我们引入面积变化比这一概念对其加以描述，将面积变化比定义为当前目标面积与当前积累的目标轨迹连通区域面积的比值，目标第i帧的面积变化比为Ari＝Ai/Asi，其中Ai为第i帧目标面积，Asi为前i帧目标积累后的连通区域面积。
从能量分布角度，引入能量密度的概念，反映在阈值分割后的二值图像上，能量可以用像素点个数定量描述，将目标第i帧的能量密度Pri定义为Pri＝∑Ai/Asi。
(5)装置5和装置6分别接受装置4输出的面积变化比Ari和能量密度Pri，并分别输入计算装置7和8，计算其相应的基本概率赋值函数(BPA)。根据Ari和Pri的物理意义，对雷达图像序列的前200帧图像进行分析，并结合人工判读结果，可以得出二者的运动目标概率分段函数y1,y2分别为
以及对应的置信度Q1＝0.75，Q2＝0.7。则基本概率赋值函数可由式
得到，其中1-Qi表示运动目标判定的不确定信息。
(6)计算装置9用来对面积变化比和能量密度进行特征融合。设同一识别框架Θ上两个性质不同的证据C和D，其基本概率赋值分别为m1和m2，则有如下组合公式：
式中，K表示归一化因子，若K≠1，则m确定一个组合基本概率赋值；若K＝1，则认为m1,m2矛盾，不能对基本概率赋值进行组合。将装置7和装置8输出的基本概率赋值函数输入装置9用上述公式进行决策融合，所有的K均小于1，满足组合条件，得到的组合结果为
(7)决策融合的结果是全局最优决策，即运动目标的最终判决标准。设满足
若有
则B1为最优决策。根据(6)中组合结果，m(B1)＝0.9815，m(B2)＝0.8814，符合最优决策规则，当目标的面积变化比和能量密度满足0<Ari≤0.3,0<Pri≤8时，将其判定为运动目标，该决策融合结果即为判断装置10的判断依据。
(8)若输入装置10的面积变化比和能量密度满足最优决策，则判定该目标为运动目标，并在装置11中输出，否则转到装置3继续对下一单帧检测结果进行积累。

Claims (3)

1.雷达视频运动目标特征融合判定方法，其特征在于包括以下步骤：
(1)从单帧雷达图像中快速检测疑似目标，并对连续多帧检测结果进行了积累；
(2)提取表征目标的面积变化比和能量密度特征；
(3)用证据理论对两个特征进行融合，得到决策准则作为运动目标的判定依据；
其中所述用证据理论对两个特征进行融合，得到决策准则作为运动目标的判定依据，包括：
根据Ari和Pri的物理意义，对雷达图像序列的前200帧图像进行分析，并结合人工判读结果，可以得出二者的运动目标概率分段函数y1,y2分别为
以及对应的置信度Q1＝0.75，Q2＝0.7；根据式
可分别求出其基本概率赋值函数，其中1-Qi表示运动目标判定的不确定信息；利用D-S组合规则
对其进行组合，再结合最优决策规则可得到判决准则：当目标的面积变化比和能量密度满足0＜Ari≤0.3,0＜Pri≤8时，将其判定为运动目标；
式中：Ari表示目标第i帧的面积变化比；Pri表示目标第i帧的能量密度；Qi表示置信度；yi表示运动目标概率分段函数；mi表示基本概率赋值；mi(Θ)表示基本概率赋值函数；Θ表示识别框架；Ci和Dj表示两个性质不同的证据；K表示归一化因子；B表示决策集合；m(B)表示决策融合的结果。
2.权利要求1所述的雷达视频运动目标特征融合判定方法，其中步骤“(1)从单帧雷达图像中快速检测疑似目标，并对连续多帧检测结果进行了积累”具有如下步骤：首先对单帧雷达图像进行迭代式阈值分割，有效剔除海面杂波和噪声，然后对分割后的雷达图像进行形态学处理，填充空洞、桥接裂缝，检测出疑似目标，再对连续多帧的检测结果进行积累，获取目标的历史轨迹，假设第i帧检测结果为Ii，则连续i帧积累结果为 Iti＝I1∪I2∪…∪Ii。
3.权利要求1所述的雷达视频运动目标特征融合判定方法，其中步骤“(2)提取表征目标的面积变化比和能量密度特征”具有如下步骤：综合雷达图像的单帧检测结果和多帧积累结果进行特征提取，将面积变化比定义为当前目标面积与当前积累的目标轨迹连通区域面积的比值，则目标第i帧的面积变化比Ari＝Ai/Asi，其中Ai为第i帧目标面积，Asi为前i帧目标积累后的连通区域面积；反映在阈值分割后的二值图像上，能量可以用像素点个数定量描述，将目标第i帧的能量密度Pri定义为Pri＝∑Ai/Asi。
CN201510454149.1A 2015-07-28 2015-07-28 雷达视频运动目标特征融合判定方法 Active CN104965199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510454149.1A CN104965199B (zh) 2015-07-28 2015-07-28 雷达视频运动目标特征融合判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510454149.1A CN104965199B (zh) 2015-07-28 2015-07-28 雷达视频运动目标特征融合判定方法

Publications (2)

Publication Number Publication Date
CN104965199A CN104965199A (zh) 2015-10-07
CN104965199B true CN104965199B (zh) 2017-11-17

Family

ID=54219240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510454149.1A Active CN104965199B (zh) 2015-07-28 2015-07-28 雷达视频运动目标特征融合判定方法

Country Status (1)

Country Link
CN (1) CN104965199B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105487061B (zh) * 2015-12-01 2018-04-17 中国人民解放军海军航空工程学院 目标数据关联的多特征信息融合方法
CN107256221B (zh) * 2017-04-26 2020-11-03 苏州大学 基于多特征融合的视频描述方法
CN108010066B (zh) * 2017-11-23 2021-10-22 中国航空工业集团公司洛阳电光设备研究所 基于红外目标灰度互相关和角度信息的多假设跟踪方法
CN110940959B (zh) * 2019-12-13 2022-05-24 中国电子科技集团公司第五十四研究所 一种用于低分辨雷达地面目标的人车分类识别方法
CN111257865B (zh) * 2020-02-07 2021-09-24 电子科技大学 一种基于线性伪量测模型的机动目标多帧检测跟踪方法
CN112232421B (zh) * 2020-10-19 2022-10-04 中国科学技术大学 一种基于多维融合技术的道路场景目标检测方法及系统
CN113009443B (zh) * 2021-02-22 2023-09-12 南京邮电大学 一种基于图连通密度的海面目标检测方法及其装置
CN113447027B (zh) * 2021-07-16 2022-03-08 电信科学技术第五研究所有限公司 一种基于几何图形的目标融合过滤方法
CN116027294B (zh) * 2023-02-14 2023-11-03 深圳大学 基于决策级融合的单比特雷达微动目标识别方法、装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894269B (zh) * 2010-07-16 2012-07-04 西安电子科技大学 基于多分类器系统的合成孔径雷达自动目标识别方法
CN103886285B (zh) * 2014-03-11 2017-06-09 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法

Also Published As

Publication number Publication date
CN104965199A (zh) 2015-10-07

Similar Documents

Publication Publication Date Title
CN104965199B (zh) 雷达视频运动目标特征融合判定方法
CN105023278B (zh) 一种基于光流法的运动目标跟踪方法及系统
CN104217428B (zh) 一种融合特征匹配和数据关联的视频监控多目标跟踪方法
CN112308881A (zh) 一种基于遥感图像的舰船多目标跟踪方法
Genovesio et al. Split and merge data association filter for dense multi-target tracking
WO2012009947A1 (zh) 特征迹驱动的多目标跟踪装置及方法
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
JPH1114741A (ja) ターゲット追跡方法及び装置
CN105809954B (zh) 交通事件检测方法以及系统
CN101383004A (zh) 一种红外和可见光图像相结合的乘客目标检测方法
Lee et al. Detection and tracking of multiple moving vehicles with a UAV
Jiang et al. Multiple pedestrian tracking using colour and motion models
Zulkifley et al. Robust hierarchical multiple hypothesis tracker for multiple-object tracking
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN110400294B (zh) 一种红外目标探测系统及探测方法
CN111913177A (zh) 对目标物探测方法、装置以及存储介质
Arróspide et al. On-board robust vehicle detection and tracking using adaptive quality evaluation
CN115497056A (zh) 基于深度学习的区域内遗失物品检测方法
Mao et al. Automated multiple target detection and tracking in UAV videos
Teutsch et al. Fusion of region and point-feature detections for measurement reconstruction in multi-target Kalman tracking
CN104537690B (zh) 一种基于最大值‑时间索引联合的运动点目标检测方法
Zhang et al. A real-time multiple vehicle tracking method for traffic congestion identification
Joshi Vehicle speed determination using image processing
Chao et al. An improved occlusion handling for appearance-based tracking
Lu et al. Multi-feature fusion based object detecting and tracking

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Zhou Wei

Inventor after: Yu Xiaohan

Inventor after: Jiang Baichen

Inventor after: Sun Yanli

Inventor after: Hu Wenchao

Inventor after: Liu Ningbo

Inventor after: Guan Jian

Inventor before: Zhou Wei

Inventor before: Yu Xiaohan

Inventor before: Sun Yanli

Inventor before: Hu Wenchao

Inventor before: Jiang Baichen

Inventor before: Liu Ningbo

Inventor before: Guan Jian

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant