CN106447722A - 基于pca主轴提取的红外目标关键部位定位方法 - Google Patents
基于pca主轴提取的红外目标关键部位定位方法 Download PDFInfo
- Publication number
- CN106447722A CN106447722A CN201610724744.7A CN201610724744A CN106447722A CN 106447722 A CN106447722 A CN 106447722A CN 201610724744 A CN201610724744 A CN 201610724744A CN 106447722 A CN106447722 A CN 106447722A
- Authority
- CN
- China
- Prior art keywords
- target
- key position
- main shaft
- infrared
- pca
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Image Analysis (AREA)
Abstract
本发明的基于PCA主轴提取的红外目标关键部位定位方法,包括如下步骤:1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;2)对前景点的坐标分布进行PCA投影,获取目标主轴;3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置。本发明的基于PCA主轴提取的红外目标关键部位定位方法充分利用目标的几何信息以及纹理信息,能快速准确地定位出目标的关键部位。
Description
技术领域
本发明涉及计算机、模式识别、图像处理等交叉应用技术领域,具体涉及一种基于PCA主轴提取的红外目标关键部位定位方法。
背景技术
红外成像技术自从诞生之日起就一直是军用和民用领域的研究热点。尤其是在军用领域,由于红外探测是无源被动探测,具有良好的隐蔽性和抗干扰能力,探测距离较远,且能昼夜工作,使红外技术被广泛应用于战区预警、目标搜索和精确制导。当目标距离红外探测器太远时,红外目标的尺寸很小、对比度很低,没有明显的纹理、结构等特征。末端红外目标由远距离下的点目标渐变成近距离下的面目标,面目标一方面由于红外辐射成像的灰度分布极其不均匀,另一方面易受诱饵干扰弹遮挡、覆盖等,很难准确定位目标以及目标的关键部位。
末端红外目标由远距离下的点目标渐变成近距离下的面目标,末端红外目标的主要特性是:目标呈现一定的形状,有纹理信息,目标运动速度过快,在视场中的面积较大,可能被干扰弹部分遮挡,也可能目标有部分在视场之外。在末端红外目标检测与跟踪阶段,要求快速准确定位目标位置,剔除诱饵干扰弹影响。在末端红外目标成像阶段,目标面积变大,亮度略有增加,使目标变得略显清晰,但与可见光下的灰度图像相比,其仍然具有边缘、形状和纹理不明显等特点。特别是目标易受背景等因素干扰,给红外面目标特征提取、姿态识别、稳健跟踪、关键部位提取带来诸多困难。目标的稳健跟踪、关键部位提取,一直是计算机视觉领域中两个非常重要的研究课题,是包括图像处理、模式识别、人工智能、信号处理等多学科交叉的前沿科学,具有很强的复杂性。而对于红外目标而言,由于红外图像与可见光图像相比,蒙皮效应使得目标边缘弱和对比度低等特点,目标的关键部位提取实现难度更大。特别的,对于直升机等目标,红外辐射极其不均匀,一般而言发动机处辐射能量较大,反映至成像平面上灰度值较大;而机身周围(机头、机尾)辐射能量很低,其相对应灰度值与背景较为接近,如图1所示,使得目标轮廓准确提取、关键部位确定等造成很大困难。特别的,在红外图像中,直升机的机头机尾轮廓外形较为类似,区分出机头、机尾具有较大难度。正常而言,战斗机的机头机尾具有较大的差异,然而由于尾焰的存在,使得机头和尾焰非常类似,很难严格区分出机头和尾焰,如图2所示。
当前大部分关于关键部位提取算法的研究工作主要是基于模板匹配算法。一般而言,通过设计出相关模板(机头、机尾等),在图像中进行多尺度搜索,进行匹配从而定位出目标的关键部位。但对于直升机或战斗机,一方面由于直升机的能量辐射分布极其不均匀,模板差别较大;另一方面,由于目标姿态的变化,使得模板与真实目标之间存在误匹配。传统的基于相似性的匹配算法失效。
发明内容
本发明的目的在于提供一种基于PCA主轴提取的红外目标关键部位定位方法,实现对红外目标关键部位精确定位。
为了达到上述的目的,本发明提供一种基于PCA主轴提取的红外目标关键部位定位方法,包括如下步骤:1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;2)对前景点的坐标分布进行PCA投影,获取目标主轴;3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置。
上述基于PCA主轴提取的红外目标关键部位定位方法,其中,对于直升机红外图像,所述步骤3)包括:3-1A)将目标主轴上方的前景点向目标主轴方向投影,统计目标主轴方向上前景点累积像素分布;3-2A)对目标主轴方向上前景点累积像素分布采用8阶多项式进行拟合,得到拟合曲线;3-3A)求取拟合曲线前后两段区间中各自的极小值点,较小的极小值点所在的区间即为直升机机尾,另一区间即为直升机机头。
上述基于PCA主轴提取的红外目标关键部位定位方法,其中,所述步骤3-3A)中,若极小值点在端点处取得,说明该段区间拟合曲线为单调递增或单调递减,判定为该段区间的极小值点并不存在。
上述基于PCA主轴提取的红外目标关键部位定位方法,其中,对于战斗机红外图像,所述步骤3)包括:3-1B)根据灰度信息确定战斗机机头和机尾;3-2B)采用中心周围差异算法确定尾焰中心位置。
上述基于PCA主轴提取的红外目标关键部位定位方法,其中,所述步骤3-1B)中,计算目标主轴两端点邻域附近的平均灰度值,灰度值较大的一端为战斗机机尾,灰度值较小的一端为战斗机机头。
上述基于PCA主轴提取的红外目标关键部位定位方法,其中,所述步骤3-2B)中,对战斗机区域内的点计算中心周围差异,差异图加权后的坐标为尾焰中心位置。
与现有技术相比,本发明具有如下的有益效果:
本发明的基于PCA主轴提取的红外目标关键部位定位方法充分利用目标的几何信息以及纹理信息,能快速准确地定位出目标的关键部位。
附图说明
本发明的基于PCA主轴提取的红外目标关键部位定位方法由以下的实施例及附图给出。
图1是中波红外成像条件下直升机红外图像;
图2是战斗机红外图像;
图3是直升机前景点的像素分布及目标主轴示意图;
图4是根据本发明方法得到的直升机目标主轴方向上前景点累积像素分布及拟合曲线图;
图5是战斗机目标主轴及采用中心周围差异算法确定的尾焰中心示意图。
具体实施方式
以下将结合图1~图5对本发明的基于PCA主轴提取的红外目标关键部位定位方法作进一步的详细描述。
先介绍PCA投影算法:
PCA投影算法是一种得到广泛运用的降维算法,它是一种非常流行和实用的数据分析技术,最重要的应用是对原有数据进行简化。主成分分析可以有效的找出数据中最“主要”的元素和结构,去除噪声和冗余,将原有的复杂数据降维处理,揭示出隐藏在复杂数据背后的简单结构。它的优点是简单,而且无参数限制,可以方便的应用于各个场合。
针对于本发明,PCA投影算法任务如下:将目标从背景中分割出来后,其前景点的位置信息可用坐标[x1,y1],[x2,y2],…,[xn,yn]表示。如何从这些坐标信息中得到目标的主轴方向?怎样将冗余变量剔除,化归到这个潜在的x轴上?图3中圆圈代表前景数据点,最大限度的揭示原数据的结构和关系,找出潜在的最优的主轴,事实上等价寻找一对空间内的垂直直线(图中黑线表示,也对应于此空间的一组基),使得前景点在该方向上的分布尽可能大。容易看出,图3所示实例中潜在的x轴就是图上的较长黑线方向,即最优的“主元”方向。
一般而言,对于一组具有m维特征,n个样本数据X,将每个观测变量的值写为行向量,可以得到一个m×n的样本矩阵:定义协方差矩阵如下:
协方差矩阵CX包含了所有观测变量之间的相关性度量。更重要的是,根据前两部分的说明,这些相关性度量反映了数据的噪音和冗余的程度。在对角线上的元素越大,表明信号越强,变量的重要性越高;元素越小则表明可能是存在的噪音或是次要变量。在非对角线上的元素大小则对应于相关观测变量对之间冗余程度的大小。
一般情况下,初始数据的协方差矩阵总是不太好的,表现为信噪比不高且变量间相关度大。PCA投影算法的目标就是通过基变换对协方差矩阵进行优化,找到相关“主元”。主元分析以及协方差矩阵优化的原则是:1)最小化变量冗余即对应于协方差矩阵的非对角元素要尽量小;2)最大化信号即对应于要使协方差矩阵的对角线上的元素尽可能的大。因为协方差矩阵的每一项都是正值,最小值为0,所以,优化的目标矩阵CY的非对角元素应该都是0,对应于冗余最小。所以,优化的目标矩阵CY应该是一个对角阵,即只有对角线上的元素可能是非零值。同时,PCA投影算法假设P所对应的一组变换基必须是标准正交的,而优化的目标矩阵CY对角线上的元素越大,就说明信号的成分越大,换句话就是对应于越重要的“主元”。
在线形代数中,PCA投影算法问题可以描述成以下形式:寻找一组正交基组成的矩阵P,有Y=PX,使得是对角阵。则P的行向量(也就是一组正交基),就是数据X的主元向量。
对CY进行推导:
定义A≡XXT,则A是一个对称阵。对A进行对角化求取特征向量得:
A=EDET
则D是一个对角阵而E则是对称阵A的特征向量排成的矩阵。
这里要提出的一点是,A是一个m×m的矩阵,而它将有p(p<=m)个特征向量。其中p是矩阵A的秩。如果p<=m,则A即为退化阵。此时分解出的特征向量不能覆盖整个m空间。此时只需要在保证基的正交性的前提下,在剩余的空间中任意取得m-p维正交向量填充E的空格即可。它们将不对结果造成影响。因为此时对应于这些特征向量的特征值,也就是方差值为零。
求出特征向量矩阵后我们取P=ET,则A=PTDP,由线形代数知识可知矩阵P有性质P-1=PT,从而进行如下计算:
可知此时的P就是我们需要求得变换基。
至此可以得到以下结论:X的主元即是XXT的特征向量也就是矩阵P的行向量;矩阵P对角线上第i个元素是数据X在方向pi的方差。
综上所述,PCA投影算法的一般步骤:
采集数据形成m×n的矩阵,其中,m为特征维数,n为样本数;
在每个特征维度(矩阵行向量)上减去该维的平均值得到矩阵X;
对XXT进行特征分解,求取特征向量以及所对应的特征根。
本发明的基于PCA主轴提取的红外目标关键部位定位方法包括如下步骤:
1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;
用分割法获取目标,得到前景点坐标信息,属于成熟技术,本发明对此不作展开说明;
2)对前景点的坐标分布进行PCA投影,获取目标主轴;
本发明中,取n个数据点,每个数据点以二维坐标的形式表示,将每个数据点的值写为行向量,可以得到一个n×2的矩阵,即样本矩阵协方差矩阵C为2×2矩阵,求得白化变换后的XXT中最大的特征值所对应的特征向量,即为目标主轴方向;
3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置。
本发明的基于PCA主轴提取的红外目标关键部位定位方法,利用PCA投影算法提取目标主轴,并结合相关先验信息(几何特征等)实现对末端红外目标的关键部位定位。
实施例一:
本实施例应用于直升机。
本实施例的基于PCA主轴提取的红外目标关键部位定位方法包括如下步骤:
1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;
2)对前景点的坐标分布进行PCA投影,获取目标主轴;
图3中(c)中的线条即是通过PCA投影算法提取的目标主轴;
3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置;
通过分析分割后的直升机红外图像发现,直升机尾部位置存在凹陷,本实施例利用该几何特征(先验信息)进行机头与机尾的区分,并结合该几何特征设计相应的直升机尾部定位算法,以精确确定机尾位置;
3-1A)将目标主轴上方的前景点向目标主轴方向投影,统计目标主轴方向上前景点累积像素分布;
本实施例只将目标主轴上方的前景点向目标主轴方向投影,剔除了处于目标主轴下方的前景点,避免目标主轴下方的前景点对目标主轴上像素统计的影响,目标主轴方向上的像素统计结果如图4所示(图中黑点);
3-2A)对目标主轴方向上前景点累积像素分布采用8阶多项式进行拟合,得到拟合曲线,如图4所示(图中曲线);
本实施例的拟合方程为:
f(x)=p1*x^8+p2*x^7+p3*x^6+p4*x^5+p5*x^4+p6*x^3+p7*x^2+p8*x+p9
Coefficients(with 95%confidence bounds):
p1=-1.218e-08(-2.994e-08,5.569e-09)
p2=1.475e-06(-8.729e-07,3.822e-06)
p3=-7.275e-05(-0.0002008,5.526e-05)
p4=0.001894(-0.001822,0.00561)
p5=-0.02804(-0.08989,0.0338)
p6=0.2339(-0.3575,0.8253)
p7=-0.9993(-4.076,2.077)
p8=2.106(-5.494,9.705)
p9=-0.3366(-6.708,6.035)
Goodness of fit:
SSE:18.99;R-square:0.8856;Adjusted R-square:0.8458;RMSE:0.9086
3-3A)求取拟合曲线前后两段区间中各自的极小值点,较小的极小值点所在的区间即为直升机机尾,另一区间即为直升机机头;
目标主轴方向上前景点累积像素分布中,前后两端处的像素累计较少,中间处对应于直升机机身、螺旋桨,其像素分布较多,因此,本实施例将拟合曲线分为三段,只对前后两段求极小值点,尽量避免中间段对前后两段凹陷检测的影响;
理想情况下,拟合曲线f(x)对应直升机机头的部分应是单调递增,对应直升机机尾的部分应是单调递减至极小值点随后又单调上升;求取极小值点时,若极小值点在端点处取得,说明该段区间拟合曲线为单调递增(减),可判定为该段区间的极小值点并不存在。
实施例二:
本实施例应用于战斗机。
本实施例的基于PCA主轴提取的红外目标关键部位定位方法包括如下步骤:
1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;
2)对前景点的坐标分布进行PCA投影,获取目标主轴;
图5中(b)中的线条即是通过PCA投影算法提取的目标主轴;
3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置;
通过分析分割后的战斗机红外图像发现,战斗机机头位置处的平均灰度明显低于其尾部火焰处灰度,且尾焰红外图像具有明暗相间的纹理特征,本实施例利用该几何特征(先验信息)进行机头与尾焰的区分,并结合该几何特征设计相应的战斗机尾焰定位算法,以精确确定尾焰位置;
3-1B)根据灰度信息确定战斗机机头和机尾;
对于战斗机,其机头与机尾的确定比较简单,因为目标主轴两端分别为战斗机机头和机尾;计算目标主轴两端点邻域附近的平均灰度值,灰度值较大的一端为战斗机机尾,灰度值较小的一端为战斗机机头;
3-2B)采用中心周围差异算法确定尾焰中心位置;
精确定位尾焰所在位置,则需利用纹理特征,因为尾焰具有明暗相间的纹理特征;
对战斗机区域内的点计算中心周围差异,可以发现对于相对匀质的机身和背景,差异图上的响应很小,而尾焰因为具有明暗相间的纹理特征,差异图上的响应较大;所以可以根据差异图加权后的坐标作为尾焰的中心位置,具体公式如下:
其中,I(1)为图像的灰度值,xi,yi为坐标值,从而便可确定尾焰的位置,如图5所示。
本发明基于PCA主轴提取的红外目标关键部位定位方法能快速准确地定位出目标的关键部位,实现对末端红外目标的精准打击。
Claims (6)
1.基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,包括如下步骤:
1)采用分割法获取目标,将目标图像分为前景点和背景点,记录前景点的坐标信息;
2)对前景点的坐标分布进行PCA投影,获取目标主轴;
3)根据目标几何特征设计目标关键部位定位算法,确定目标关键部位位置。
2.如权利要求1所述的基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,对于直升机红外图像,所述步骤3)包括:
3-1A)将目标主轴上方的前景点向目标主轴方向投影,统计目标主轴方向上前景点累积像素分布;
3-2A)对目标主轴方向上前景点累积像素分布采用8阶多项式进行拟合,得到拟合曲线;
3-3A)求取拟合曲线前后两段区间中各自的极小值点,较小的极小值点所在的区间即为直升机机尾,另一区间即为直升机机头。
3.如权利要求2所述的基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,所述步骤3-3A)中,若极小值点在端点处取得,说明该段区间拟合曲线为单调递增或单调递减,判定为该段区间的极小值点并不存在。
4.如权利要求1所述的基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,对于战斗机红外图像,所述步骤3)包括:
3-1B)根据灰度信息确定战斗机机头和机尾;
3-2B)采用中心周围差异算法确定尾焰中心位置。
5.如权利要求4所述的基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,所述步骤3-1B)中,计算目标主轴两端点邻域附近的平均灰度值,灰度值较大的一端为战斗机机尾,灰度值较小的一端为战斗机机头。
6.如权利要求4所述的基于PCA主轴提取的红外目标关键部位定位方法,其特征在于,所述步骤3-2B)中,对战斗机区域内的点计算中心周围差异,差异图加权后的坐标为尾焰中心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610724744.7A CN106447722B (zh) | 2016-08-25 | 2016-08-25 | 基于pca主轴提取的红外目标关键部位定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610724744.7A CN106447722B (zh) | 2016-08-25 | 2016-08-25 | 基于pca主轴提取的红外目标关键部位定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447722A true CN106447722A (zh) | 2017-02-22 |
CN106447722B CN106447722B (zh) | 2019-03-22 |
Family
ID=58182144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610724744.7A Active CN106447722B (zh) | 2016-08-25 | 2016-08-25 | 基于pca主轴提取的红外目标关键部位定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447722B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609504A (zh) * | 2009-07-21 | 2009-12-23 | 华中科技大学 | 一种红外图像海面目标检测识别定位方法 |
CN101982836A (zh) * | 2010-10-14 | 2011-03-02 | 西北工业大学 | 运动捕获系统中基于pca的标记点标识初始化方法 |
JP2016015016A (ja) * | 2014-07-02 | 2016-01-28 | 国立大学法人 奈良先端科学技術大学院大学 | 動作認識装置及び動作認識方法 |
-
2016
- 2016-08-25 CN CN201610724744.7A patent/CN106447722B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609504A (zh) * | 2009-07-21 | 2009-12-23 | 华中科技大学 | 一种红外图像海面目标检测识别定位方法 |
CN101982836A (zh) * | 2010-10-14 | 2011-03-02 | 西北工业大学 | 运动捕获系统中基于pca的标记点标识初始化方法 |
JP2016015016A (ja) * | 2014-07-02 | 2016-01-28 | 国立大学法人 奈良先端科学技術大学院大学 | 動作認識装置及び動作認識方法 |
Non-Patent Citations (2)
Title |
---|
刘刚 等: "基于红外图像的飞机目标关键攻击部位识别", 《计算机工程与应用》 * |
芮挺 等: "基于ICA的特征不变性目标识别", 《小型微型计算机系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106447722B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10641897B1 (en) | Ladar system and method with adaptive pulse duration | |
Park et al. | Modified polar mapping classifier for SAR automatic target recognition | |
CN112232109B (zh) | 一种活体人脸检测方法及系统 | |
KR101139588B1 (ko) | 합성 개구면 레이더 영상에서 표적의 기종을 식별하는 방법 및 그 장치 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
Kou et al. | Infrared small target tracking algorithm via segmentation network and multistrategy fusion | |
Nguyen et al. | Structure overview of vegetation detection. A novel approach for efficient vegetation detection using an active lighting system | |
CN113050074A (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
Yun et al. | Reflection removal for large-scale 3D point clouds | |
CN112561996A (zh) | 一种自主水下机器人回收对接中目标检测方法 | |
Munawar et al. | Isotropic surround suppression based linear target detection using hough transform | |
US8958654B1 (en) | Method and apparatus for enhancing three-dimensional imagery data | |
CN106447722B (zh) | 基于pca主轴提取的红外目标关键部位定位方法 | |
CN112598032A (zh) | 面向红外图像对抗攻击的多任务防御模型构建方法 | |
Wang | Biomimetic staring infrared imaging omnidirectional detection technology | |
Tang et al. | Multimodel fusion method for cloud detection in satellite laser footprint images | |
Mau et al. | Through thick and thin: Imaging through obscurant using spad array | |
KR20150090731A (ko) | 표적 식별 정보 데이터베이스 구축 장치 및 방법 | |
CN113359133A (zh) | 一种协同光学和雷达遥感数据的面向对象变化检测方法 | |
CN106251319A (zh) | 一种基于Curvelet变换的彩色图像融合算法 | |
Paulson | Utilizing glint phenomenology to perform classification of civilian vehicles using synthetic aperture radar | |
Friedel | Event-based visual-inertial odometry using smart features | |
CN116363135B (zh) | 基于高斯相似度的红外目标检测方法、装置、介质和设备 | |
CN109543500A (zh) | 将自拍面部图像绑定到虹膜图像用于生物识别身份登记 | |
CN103839218B (zh) | 一种二维图像数据转换一维脉冲数据方法 |
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 |