CN106127168A - 弹道目标识别方法 - Google Patents
弹道目标识别方法 Download PDFInfo
- Publication number
- CN106127168A CN106127168A CN201610503211.6A CN201610503211A CN106127168A CN 106127168 A CN106127168 A CN 106127168A CN 201610503211 A CN201610503211 A CN 201610503211A CN 106127168 A CN106127168 A CN 106127168A
- Authority
- CN
- China
- Prior art keywords
- target
- self
- inspection
- objective
- clarification
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明公开了一种弹道目标识别方法,涉及图像处理方法技术领域。所述方法包括如下步骤:弹道视频图象数字化记录后形成数字视频信号,数字视频信号经双门限比较器后形成目标的轮廓坐标集;根据每个目标的轮廓坐标集,计算每个目标的特征参数;根据每个目标的特征参数和自检光斑信号的特点,实时记忆真假目标的特征,依据所提取的各个目标的特征与自检目标特征的差异,识别真假弹道目标。所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号,从而实现目标的识别、抗干扰和角偏差计算。
Description
技术领域
本发明涉及图像处理方法技术领域,尤其涉及一种弹道目标识别方法。
背景技术
视频图象数字化记录后,如何从图象数据中获得弹标和弹标位置,并计算出自检目标光斑位置相对于电视视场中心十字线(瞄准线的)的角偏差并不是一件容易的事情。如何从数字背景信号及众多的干扰目标中提取出导弹目标信号,从而实现目标的识别、抗干扰和角偏差计算是本发明取得的重大成果。
发明内容
本发明所要解决的技术问题是提供一种弹道目标识别方法,所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号,从而实现目标的识别、抗干扰和角偏差计算。
为解决上述技术问题,本发明所采取的技术方案是:一种弹道目标识别方法,其特征在于包括如下步骤:
1)弹道视频图象数字化记录后形成数字视频信号,数字视频信号经双门限比较器后形成目标的轮廓坐标集;
2)根据每个目标的轮廓坐标集,计算每个目标的特征参数;
3)根据每个目标的特征参数和自检光斑信号的特点,实时记忆真假目标的特征,依据所提取的各个目标的特征与自检目标特征的差异,识别真假弹道目标。
进一步的技术方案在于:所述的步骤1)中弹道视频图象通过CCD摄像机进行记录。
进一步的技术方案在于:所述的步骤1)中形成目标轮廓坐标集的方法如下:
设统计的场景直方图数据为:
{H(i)|i=0,1,2…255}
式中:H(i)为波门中灰度i的像元个数;
令:
TH 1=max{i|H(i)>0}TH2=max{i|H(i-2)<16,H(i-1)<16,H(i)<16}
Tmax=224 Tmin=32
则高门限为
低门限为:当Cf≤138时,TL=TH1-32;
当Cf>138时,
其中Cf为自发射导弹开始的电视场次;
目标分割采用灰度切片方法,设大小为M×N的波门内的数字图像为
{G(i,j)|i=1,2…m,j=1,2…n}
如果TH≥G(i,j)≥TL
则像元G(i,j)为目标像元,否则为背景像元;式中:TH和TL分别为灰度切片的上下门限;目标分割出来后,可求得目标轮廓点坐标集合为:
其中p为目标所占电视线行数,(xL i,yL i)和(xR i,yR i)分别是目标在一个电视行上的左、右轮廓坐标,且有
进一步的技术方案在于:所述的步骤2)中,计算目标的特征参数方法如下:
目标的各特征参量定义为
其中(X,Y),S,L分别为目标的形心坐标、面积和周长。
进一步的技术方案在于:所述步骤3)的具体方法如下:
自检目标轨迹预测:
设第k场以前的自检弹标轨迹为
(Xk,Yk),(Xk-1,Yk-1),(Xk-2,Yk-2),…
现对第k+1场弹标轨迹作预测,其二阶预测值为
五阶预测值为
出现在波门内的亮目标的几何特征是:
(Xn,Yn,Sn,Ln,Rn)n=1,2,…N
其中,N为目标个数,n为目标编号,(X,Y)为目标坐标,S为面积,L为周长,R为圆形度。
设第k-1场真目标的面积、周长分别是Sk-1、Lk-1,定义判据
式中,σ,γ,λ,δ分别为目标各项特征量的权重系数,其取值随自检目标在飞行过程中各阶段运动特性的变化和自检弹标特征的变化而不同,在N个目标中,若有
D(n′)=min{D(n)|n=1,2,…M}
则认为第n′个目标为第k场与真实自检弹标最为接近的目标。
采用上述技术方案所产生的有益效果在于:所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号,从而实现目标的识别、抗干扰和角偏差计算。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明所述方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
总体的,如图1所示,本发明公开了一种弹道目标识别方法,包括如下步骤:
1)弹道视频图象数字化记录后形成数字视频信号,数字视频信号经双门限比较器后形成目标的轮廓坐标集;
2)根据每个目标的轮廓坐标集,计算每个目标的特征参数;
3)根据每个目标的特征参数和自检光斑信号的特点,实时记忆真假目标的特征,依据所提取的各个目标的特征与自检目标特征的差异,识别真假弹道目标。
具体的,多目标识别是建立在多目标特征参数的提取上的。根据目标的特征参数和自检光斑信号的特点,实时记忆真假目标的特征,依据所提取的各个目标的特征和自检目标特征的差异,识别真假目标。
实时场景直方图分析及门限关键算法:
设统计的场景直方图数据为
{H(i)|i=0,1,2…255}
式中:H(i)为波门中灰度i的像元个数。
令
TH,1=max{i|H(i)>0}TH2=max{i|H(i-2)<16,H(i-1)<16,H(i)<16}
Tmax=224 Tmin=32
则高门限为
低门限为:当Cf≤138时,TL=TH1-32
当Cf>138时,
其中Cf为自发射导弹开始的电视场次。
目标分割及特征计算:
目标分割采用灰度切片方法。设大小为M×N的波门内的数字图像为
{G(i,j)|i=1,2…m,j=1,2…n}
如果TH≥G(i,j)≥TL
则像元G(i,j)为目标像元,否则为背景像元。式中:TH和TL分别为灰度切片的上下门限。目标分割出来后,可求得目标轮廓点坐标集合
其中p为目标所占电视线行数,(xLi,yLi)和(xRi,yRi)分别是目标在一个电视行上的左、右轮廓坐标,且有
目标的各特征参量定义为
其中(X,Y),S,L分别为目标的形心坐标、面积和周长。
自检目标轨迹预测:
弹标轨迹预测采用二阶、五阶加权平均算法,该算法具有较高的灵敏度和稳定性。设第k场以前的自检弹标轨迹为
(Xk,Yk),(Xk-1,Yk-1),(Xk-2,Yk-2),…
现对第k+1场弹标轨迹作预测,其二阶预测值为
五阶预测值为
特征匹配算法:
出现在波门内的亮目标的几何特征是
(Xn,Yn,Sn,Ln,Rn)n=1,2,…N
其中,N为目标个数,n为目标编号,(X,Y)为形心坐标,S为面积,L为周长,R为圆形度。
设第k-1场真目标的面积、周长分别是Sk-1、Lk-1,定义判据
式中,σ,γ,λ,δ分别为目标各项特征量的权重系数,其取值随自检目标在飞行过程中各阶段运动特性的变化和自检弹标特征的变化而不同。在N个目标中,若有
D(n′)=min{D(n)|n=1,2,…M}
则认为第n′个目标为第k场与真实自检弹标最为接近的目标。
所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号,从而实现目标的识别、抗干扰和角偏差计算。
Claims (5)
1.一种弹道目标识别方法,其特征在于包括如下步骤:
1)弹道视频图象数字化记录后形成数字视频信号,数字视频信号经双门限比较器后形成目标的轮廓坐标集;
2)根据每个目标的轮廓坐标集,计算每个目标的特征参数;
3)根据每个目标的特征参数和自检光斑信号的特点,实时记忆真假目标的特征,依据所提取的各个目标的特征与自检目标特征的差异,识别真假弹道目标。
2.如权利要求1所述的弹道目标识别方法,其特征在于,所述的步骤1)中弹道视频图象通过CCD摄像机进行记录。
3.如权利要求1所述的弹道目标识别方法,其特征在于,所述的步骤1)中形成目标轮廓坐标集的方法如下:
设统计的场景直方图数据为:
{H(i)|i=0,1,2…255}
式中:H(i)为波门中灰度i的像元个数;
令:
TH 1=max{i|H(i)>0} TH2=max{i|H(i-2)<16,H(i-1)<16,H(i)<16}
Tmax=224 Tmin=32
则高门限为
低门限为:当Cf≤138时,TL=TH1-32;
当Cf>138时,
其中Cf为自发射导弹开始的电视场次;
目标分割采用灰度切片方法,设大小为M×N的波门内的数字图像为
{G(i,j)|i=1,2…m,j=1,2…n}
如果TH≥G(i,j)≥TL
则像元G(i,j)为目标像元,否则为背景像元;式中:TH和TL分别为灰度切片的上下门限;目标分割出来后,可求得目标轮廓点坐标集合为:
其中p为目标所占电视线行数,(xL i,yL i)和(xR i,yR i)分别是目标在一个电视行上的左、右轮廓坐标,且有
4.如权利要求3所述的弹道目标识别方法,其特征在于,所述的步骤2)中,计算目标的特征参数方法如下:
目标的各特征参量定义为
其中(X,Y),S,L分别为目标的形心坐标、面积和周长。
5.如权利要求4所述的弹道目标识别方法,其特征在于,所述步骤3)的具体方法如下:
自检目标轨迹预测:
设第k场以前的自检弹标轨迹为
(Xk,Yk),(Xk-1,Yk-1),(Xk-2,Yk-2),…
现对第k+1场弹标轨迹作预测,其二阶预测值为
五阶预测值为
出现在波门内的亮目标的几何特征是:
(Xn,Yn,Sn,Ln,Rn)n=1,2,…N
其中,N为目标个数,n为目标编号,(X,Y)为目标坐标,S为面积,L为周长,R为圆形度;
设第k-1场真目标的面积、周长分别是Sk-1、Lk-1,定义判据
式中,σ,γ,λ,δ分别为目标各项特征量的权重系数,其取值随自检目标在飞行过程中各阶段运动特性的变化和自检弹标特征的变化而不同,在N个目标中,若有
D(n′)=min{D(n)|n=1,2,…M}
则认为第n′个目标为第k场与真实自检弹标最为接近的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610503211.6A CN106127168B (zh) | 2016-06-30 | 2016-06-30 | 弹道目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610503211.6A CN106127168B (zh) | 2016-06-30 | 2016-06-30 | 弹道目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127168A true CN106127168A (zh) | 2016-11-16 |
CN106127168B CN106127168B (zh) | 2019-02-22 |
Family
ID=57285721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610503211.6A Expired - Fee Related CN106127168B (zh) | 2016-06-30 | 2016-06-30 | 弹道目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127168B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093193A (zh) * | 2012-12-28 | 2013-05-08 | 中国航天时代电子公司 | 一种空地图像制导武器目标识别方法 |
CN104484667A (zh) * | 2014-12-30 | 2015-04-01 | 华中科技大学 | 一种基于亮度特征和轮廓完整性的轮廓提取方法 |
-
2016
- 2016-06-30 CN CN201610503211.6A patent/CN106127168B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093193A (zh) * | 2012-12-28 | 2013-05-08 | 中国航天时代电子公司 | 一种空地图像制导武器目标识别方法 |
CN104484667A (zh) * | 2014-12-30 | 2015-04-01 | 华中科技大学 | 一种基于亮度特征和轮廓完整性的轮廓提取方法 |
Non-Patent Citations (6)
Title |
---|
LI KE 等: "Study on Storage life predicting Method of Missile equipment", 《4TH INTERNATIONAL CONFERENCE ON MACHINERY, MATERIALS AND COMPUTING TECHNOLOGY (ICMMCT 2016)》 * |
卢大威 等: "基于轮廓特征的空间目标识别算法", 《火力与指挥控制》 * |
张天序等: "基于不变矩的前视红外图像机场目标识别", 《华中科技大学学报(自然科学版)》 * |
李文才: "一种弹道目标的轨迹预测方法", 《四川兵工学报》 * |
杜宇人: "一种基于轮廓特征的运动目标识别方法", 《江苏大学学报(自然科学版)》 * |
王庆欣 等: "基于自适应UKF的反辐射导弹抗机动目标雷达短时关机研究", 《计算机技术与自动化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106127168B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722891B (zh) | 一种图像显著度检测的方法 | |
CN104282020B (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN106683118B (zh) | 一种基于分层模型的无人机目标跟踪方法 | |
CN111506759B (zh) | 一种基于深度特征的影像匹配方法及装置 | |
CN111967511B (zh) | 一种基于异构特征融合网络的地基云图分类方法 | |
CN109934127B (zh) | 基于视频图像与无线信号的行人识别与跟踪方法 | |
CN102364497A (zh) | 一种应用于电子导盲系统的图像语义提取方法 | |
CN111046789A (zh) | 一种行人重识别方法 | |
CN105279769A (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN111985274A (zh) | 一种基于卷积神经网络的遥感图像分割算法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN110472628A (zh) | 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法 | |
CN110781962A (zh) | 基于轻量级卷积神经网络的目标检测方法 | |
CN105046721A (zh) | 基于Grabcut及LBP跟踪质心矫正模型的Camshift算法 | |
CN111241943B (zh) | 基于背景目标与三元组损失的场景识别与回环检测方法 | |
CN111062310B (zh) | 一种基于虚拟样本生成的少样本无人机图像识别方法 | |
CN106951841B (zh) | 一种基于颜色和距离聚类的多目标跟踪方法 | |
CN114332444A (zh) | 一种基于增量漂移聚类的复杂星空背景目标识别方法 | |
CN111476167B (zh) | 一种基于“学生-t”分布辅助的一阶段方向遥感图像目标检测方法 | |
CN114037650A (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
CN109919973B (zh) | 基于多特征联合的多视角目标关联方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 Termination date: 20190630 |