CN110390337A - 一种舰船个体识别方法 - Google Patents
一种舰船个体识别方法 Download PDFInfo
- Publication number
- CN110390337A CN110390337A CN201910567049.8A CN201910567049A CN110390337A CN 110390337 A CN110390337 A CN 110390337A CN 201910567049 A CN201910567049 A CN 201910567049A CN 110390337 A CN110390337 A CN 110390337A
- Authority
- CN
- China
- Prior art keywords
- naval vessel
- formation
- feature
- result
- passive detection
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种舰船个体识别方法,包括以下步骤:根据无源探测定位结果提取目标形状上下文特征和背景形状上下文特征;提取无源探测定位结果对应的多观测点形状特征;根据舰船编队阵型图提取目标形状上下文特征和背景形状上下文特征;提取舰船编队阵型图对应的多观测点形状特征;进行特征匹配与编队阵型识别;根据阵型识别结果完成舰船个体识别与定位。与当前阵型和舰船识别方法相比,本发明具有识别准确率高、受天气影响小、即使编队内有些舰船电磁静默,依然可以通过关联信息估计出其所在区域等优点。
Description
技术领域
本发明涉及一种舰船个体识别方法,具体是关于一种基于无源探测定位结果和编队阵型特征的舰船个体识别方法,属于雷达数据处理领域。
背景技术
以航母战斗群为代表的舰船编队会根据执行任务和预期的危险程度采取不同的队形进行航行,因此对其队形和行为的识别具有深远的战略意义。现有的电子侦察中,通过无源定位方式获取单个舰船的位置和电子辐射等信息,并基于这些信息对舰船进行识别,但是该识别方法没有利用舰船编队中舰船之间位置的约束关系,无法准确识别舰船目标。特别是航母战斗群在行进过程中为了最大限度的保护航母不被电子侦察发现,常采用电磁静默,导致该情况下无法获取航母定位信息。
由于航母战斗群是一种典型的稀疏目标群,因此可以借鉴稀疏目标群的识别方法完成航母编队识别,进而完成对编队中舰船个体的识别。群目标的识别主要有分类器法和图模板匹配法两种方法:分类器法通过对包含大量正负样本的编队阵型特征进行训练学习得到,且只能对已知编队阵型进行训练和识别,适应性较差;图模板匹配法利用编队阵型对应的散点,建立图模型,通过图模型的匹配来完成识别,故只要通过合理的设计图模型及描述特征,就可以得到较高的识别精度。
在邓春华著的学位论文“群目标识别与分析技术研究”中,其通过侦察图像检测舰船得到的散点图,提出在阿基米德螺线上选取一系列观察点,计算每个观察点与航母战斗群的上下文信息,形成多观察点上下文描述子,并利用多观察点上下文描述子完成对航母编队阵型的识别工作。但该类工作都是利用图像检测方法获取舰船目标散点图,识别结果对图像检测精度依赖性较强,而且在进行群目标描述时,只采用了目标形状上下文信息,忽略了背景信息的影响。
发明内容
针对上述问题,本发明的目的是提供一种基于无源探测定位结果和编队阵型特征的舰船个体识别方法,该方法能够综合利用有无源探测定位结果和编队阵型特征先验知识有限识别舰船编队信息及舰船个体。
为实现上述目的,本发明采取以下技术方案:一种舰船个体识别方法,包括以下步骤:步骤一:根据无源探测定位结果提取目标形状上下文特征和背景形状上下文特征;步骤二:提取无源探测定位结果对应的多观测点形状特征;步骤三:根据舰船编队阵型图提取目标形状上下文特征和背景形状上下文特征;步骤四:提取舰船编队阵型图对应的多观测点形状特征;步骤五:进行特征匹配与编队阵型识别;步骤六:根据阵型识别结果完成舰船个体识别与定位。
所述的舰船个体识别方法,优选的,在进行所述步骤一和步骤三时,包括以下步骤:
步骤1:获取无源探测定位结果I(X)和舰船编队阵型图J(X),I(X)和J(X)均为m×n二维矩阵,表示在X位置处是否有舰船存在,M为I(X)和J(X)中包含舰船数量;
步骤2:令表示无源探测定位结果中所有第i个舰船Xi的位置组成的集合,建立全连接图模型G={V,E},其中V为图模型顶点,E为图模型的边e组成集合,第i个舰船Xi对应边的集合表示为Ei;
步骤3:统计第i个舰船Xi对应的目标形状上下文信息Fi C和进而得到无源探测结果和舰船编队阵型图对应的目标形状上下文特征和
步骤4:统计第i个舰船Xi对应的背景形状上下文信息Fi B和进而得到无源探测结果和舰船编队阵型图对应的背景形状上下文特征和
所述的舰船个体识别方法,优选的,在进行所述步骤二和步骤四时,将目标形状上下文特征与背景形状上下文特征组合,分别得到无源探测定位结果和舰船编队阵型图对应的多观测点形状特征和
所述的舰船个体识别方法,优选的,在进行所述步骤3时,对于第i个舰船Xi,其目标形状上下文信息Fi C和的构建方法如下:
步骤①:以第i个舰船Xi所在位置为坐标原点,以舰船运动方向为参考方向建立极坐标系ρ-θ,其中ρ为与坐标原点之间距离,θ为相对于参考方向的旋转方向,顺时针方向为正;
步骤②:将该极坐标系空间按照角度和半径进行划分,根据舰船编队特点,进行非等间隔划分,得到若干个格状区域,每一个格状区域用πρ,θ(X)表示;
步骤③:利用统计每一个格状区域πρ,θ(X)内舰船的数量hρ,θ(Xi);
步骤④:将每一个格状区域内舰船数量统计结果组成一个向量,得到Fi C={hρ,θ(Xi)}和
所述的舰船个体识别方法,优选的,在进行所述步骤4时,对于第i个舰船Xi,其背景上下文特征Fi B和的构建方法如下:
步骤①:以舰船编队中心为原点,以舰船编队运动方向为参考方向建立右手直角坐标系x-y,令为Ei的补集,确定中每一条边的中点坐标(x,y)和方向α;
步骤②:对中点坐标(x,y)和方向α组成的三维空间进行等间隔划分,得到若干个三维立体方格区域πx,y,α(X);
步骤③:统计落入每个三维立体方格区域πx,y,α(X)中边的数量,将统计结果展开成一维向量得到Fi B和
所述的舰船个体识别方法,优选的,在进行所述步骤五时,包括以下步骤:
步骤1:采用下式计算无源探测定位结果对应的多观测点形状特征F与舰船编队阵型图对应的多观测点形状特征H的相似性μ(F,H):
μ(F,H)=(1-λ)CS(F,H)+λCc(F,H)
其中,CS(F,H)为平方损失函数;Cc(F,H)为余弦损失函数;λ为平衡参数。
步骤2:设Tc为形状特征匹配阈值,利用Tc对μ(F,H)=[μ1,μ2,…,μM]进行二值化处理得到其中
步骤3:设TN为匹配点数阈值,若中非0分量个数大于TN,则认为无源探测定位结果对应的多观测点形状特征F和舰船编队阵型图对应的多观测点形状特征H匹配,即无源探测定位结果与舰船编队阵型图为相同阵列。
所述的舰船个体识别方法,优选的,在进行所述步骤六时,如果步骤五的判定结果为真,根据舰船编队阵型图中标记的舰船种类和位置,完成对无源探测定位结果中所有舰船个体的识别,包括电磁静默舰船。
本发明由于采取以上技术方案,其具有以下优点:与当前识别方法相比,本发明能够充分利用编队阵型特征先验知识,完成对编队阵型及编队中舰船个体的识别,当部分舰船电磁静默时依然具有较高精度的识别结果。
附图说明
图1是本发明的流程示意图;
图2是本发明进行目标形状上下文特征计算时极坐标系空间划分示意图;
图3是本发明进行背景形状上下文特征计算时三维空间划分示意图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
如图1所示,本实施例提供的基于无源探测定位结果和编队阵型特征的舰船个体识别方法,包括如下步骤:
步骤一:获取无源探测定位结果I(X),表示在X位置处是否有舰船存在(有舰船时值为1,没有时为0),I(X)大小为m×n,其中m为I(X)包含的行数,n为I(X)包含的列数,M为I(X)中包含舰船数量。如图2所示,每一个实心点代表一个舰船,共11个,M=11。
步骤二:统计该点对应的目标形状上下文信息Fi C,进而得到无源探测结果对应的目标形状上下文特征具体步骤如下:
步骤1:以第i个舰船Xi所在位置为坐标原点(图2中方形实心点),以舰船运动方向为参考方向建立极坐标系ρ-θ;
步骤2:然后将ρ-θ坐标系空间按照角度和半径进行划分(根据战斗群特点,进行非等间隔划分),划分为如图2所示的16个区域,每一个区域用πρ,θ(X)表示(如图2中阴影区域所示);
步骤3:利用统计每一个区域πρ,θ(X)内舰船的数量hρ,θ(Xi);
步骤4:将每个区域内舰船数量统计结果组成一个向量,得到Fi C={hρ,θ(Xi)},将所有舰船对应的Fi C按顺序排列得到无源探测结果对应的目标形状上下文特征以图2为例,Fi C为16维的列向量,舰船数量为M=11,FC是一个16×11维的矩阵,每一个分量代表一个区域内舰船数量。
步骤三:统计该点对应的背景形状上下文信息Fi B,进而得到无源探测结果对应的背景形状上下文特征具体步骤如下:
步骤1:令表示无源探测定位结果中每一个舰船的位置Xi组成的集合,建立全连接图模型G={V,E},V为图模型顶点,E为图模型的边e组成集合,对于任意点Xi,其对应边的集合表示为Ei:;
步骤2:令为Ei的补集,以舰船编队中心为原点,以舰船编队运动方向为参考方向建立右手直角坐标系x-y,计算中每一条边的中点坐标(x,y)和方向α。
步骤3:如图3所示,对中点坐标(x,y)和方向α组成的三维空间进行等间隔划分,得到一个个三维立体方格区域πx,y,α(X);
步骤4:统计落入每个πx,y,α(X)中边的数量,将统计结果展开成一维向量得到Fi B,将所有舰船对应的Fi B按顺序排列得到无源探测结果对应的背景形状上下文特征以图2和图3为例,Fi B为12维的列向量,舰船数量为M=11,FB是一个12×11维的矩阵。
步骤四:将目标形状上下文特征与背景上下文特征组合,得到无源探测定位结果对应的多观测点形状特征F是一个28×11维的矩阵,其每一个列向量为一个舰船对应形状特征。
步骤五:获取舰船编队阵型图J(X),重复上述步骤二到步骤四,得到舰船编队阵型图对应的多观测点形状特征H,H也是一个28×11维的矩阵。
步骤六:首先利用μ(F,H)=(1-λ)CS(F,H)+λCc(F,H)计算F与H的相似性,μ(F,H)是11位向量,每个分量代表一个舰船对应形状特征的匹配程度;
然后设Tc为形状特征匹配阈值,利用Tc对μ(F,H)=[μ1,μ2,…,μ11]进行二值化处理得到其中
最后设TN为匹配点数阈值,若中非0分量个数大于TN,则认为无源探测定位结果对应的多观测点形状特征F和舰船编队阵型图对应的多观测点形状特征H匹配,即无源探测定位结果与舰船编队阵型图为相同阵列。
步骤七:根据编队阵列中已知的舰船种类和位置,完成对无源探测结果中所有舰船个体的识别,包括电磁静默舰船。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种舰船个体识别方法,其特征在于,包括以下步骤:
步骤一:根据无源探测定位结果提取目标形状上下文特征和背景形状上下文特征;
步骤二:提取无源探测定位结果对应的多观测点形状特征;
步骤三:根据舰船编队阵型图提取目标形状上下文特征和背景形状上下文特征;
步骤四:提取舰船编队阵型图对应的多观测点形状特征;
步骤五:进行特征匹配与编队阵型识别;
步骤六:根据阵型识别结果完成舰船个体识别与定位。
2.根据权利要求1所述的舰船个体识别方法,其特征在于,在进行所述步骤一和步骤三时,包括以下步骤:
步骤1:获取无源探测定位结果I(X)和舰船编队阵型图J(X),I(X)和J(X)均为m×n二维矩阵,表示在X位置处是否有舰船存在,M为I(X)和J(X)中包含舰船数量;
步骤2:令表示无源探测定位结果中所有第i个舰船Xi的位置组成的集合,建立全连接图模型G={V,E},其中V为图模型顶点,E为图模型的边e组成集合,第i个舰船Xi对应边的集合表示为Ei;
步骤3:统计第i个舰船Xi对应的目标形状上下文信息Fi C和进而得到无源探测结果和舰船编队阵型图对应的目标形状上下文特征和
步骤4:统计第i个舰船Xi对应的背景形状上下文信息Fi B和进而得到无源探测结果和舰船编队阵型图对应的背景形状上下文特征和
3.根据权利要求2所述的舰船个体识别方法,其特征在于,在进行所述步骤二和步骤四时,将目标形状上下文特征与背景形状上下文特征组合,分别得到无源探测定位结果和舰船编队阵型图对应的多观测点形状特征和
4.根据权利要求2所述的舰船个体识别方法,其特征在于,在进行所述步骤3时,对于第i个舰船Xi,其目标形状上下文信息Fi C和的构建方法如下:
步骤①:以第i个舰船Xi所在位置为坐标原点,以舰船运动方向为参考方向建立极坐标系ρ-θ,其中ρ为与坐标原点之间距离,θ为相对于参考方向的旋转方向,顺时针方向为正;
步骤②:将该极坐标系空间按照角度和半径进行划分,根据舰船编队特点,进行非等间隔划分,得到若干个格状区域,每一个格状区域用πρ,θ(X)表示;
步骤③:利用统计每一个格状区域πρ,θ(X)内舰船的数量hρ,θ(Xi);
步骤④:将每一个格状区域内舰船数量统计结果组成一个向量,得到Fi C={hρ,θ(Xi)}和
5.根据权利要求2所述的舰船个体识别方法,其特征在于,在进行所述步骤4时,对于第i个舰船Xi,其背景上下文特征Fi B和的构建方法如下:
步骤①:以舰船编队中心为原点,以舰船编队运动方向为参考方向建立右手直角坐标系x-y,令为Ei的补集,确定中每一条边的中点坐标(x,y)和方向α;
步骤②:对中点坐标(x,y)和方向α组成的三维空间进行等间隔划分,得到若干个三维立体方格区域πx,y,α(X);
步骤③:统计落入每个三维立体方格区域πx,y,α(X)中边的数量,将统计结果展开成一维向量得到Fi B和
6.根据权利要求3所述的舰船个体识别方法,其特征在于,在进行所述步骤五时,包括以下步骤:
步骤1:采用下式计算无源探测定位结果对应的多观测点形状特征F与舰船编队阵型图对应的多观测点形状特征H的相似性μ(F,H):
μ(F,H)=(1-λ)CS(F,H)+λCc(F,H)
其中,CS(F,H)为平方损失函数;Cc(F,H)为余弦损失函数;λ为平衡参数。
步骤2:设Tc为形状特征匹配阈值,利用Tc对μ(F,H)=[μ1,μ2,…,μM]进行二值化处理得到其中
步骤3:设TN为匹配点数阈值,若中非0分量个数大于TN,则认为无源探测定位结果对应的多观测点形状特征F和舰船编队阵型图对应的多观测点形状特征H匹配,即无源探测定位结果与舰船编队阵型图为相同阵列。
7.根据权利要求6所述的舰船个体识别方法,其特征在于,在进行所述步骤六时,如果步骤五的判定结果为真,根据舰船编队阵型图中标记的的舰船种类和位置,完成对无源探测定位结果中所有舰船个体的识别,包括电磁静默舰船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567049.8A CN110390337B (zh) | 2019-06-27 | 2019-06-27 | 一种舰船个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567049.8A CN110390337B (zh) | 2019-06-27 | 2019-06-27 | 一种舰船个体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390337A true CN110390337A (zh) | 2019-10-29 |
CN110390337B CN110390337B (zh) | 2021-05-18 |
Family
ID=68285944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910567049.8A Active CN110390337B (zh) | 2019-06-27 | 2019-06-27 | 一种舰船个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390337B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061501A (zh) * | 2022-07-28 | 2022-09-16 | 中国人民解放军空军预警学院 | 一种空中编队队形的编码数据识别方法及系统 |
CN115359350A (zh) * | 2022-07-28 | 2022-11-18 | 北京空间飞行器总体设计部 | 一种基于图模型的群目标队形变化识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
CN105069460A (zh) * | 2015-08-21 | 2015-11-18 | 航天长征火箭技术有限公司 | 一种isar图像舰船目标特征提取方法 |
KR101736899B1 (ko) * | 2014-10-16 | 2017-05-17 | 한국해양과학기술원 | 선박 식별 방법 |
-
2019
- 2019-06-27 CN CN201910567049.8A patent/CN110390337B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
KR101736899B1 (ko) * | 2014-10-16 | 2017-05-17 | 한국해양과학기술원 | 선박 식별 방법 |
CN105069460A (zh) * | 2015-08-21 | 2015-11-18 | 航天长征火箭技术有限公司 | 一种isar图像舰船目标特征提取方法 |
Non-Patent Citations (3)
Title |
---|
S. BELONGIE 等: "Shape matching and object recognition using shape contexts", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
邓春华: "群目标识别与分析技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
鲍华: "复杂场景下基于局部分块和上下文信息的单视觉目标跟踪", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061501A (zh) * | 2022-07-28 | 2022-09-16 | 中国人民解放军空军预警学院 | 一种空中编队队形的编码数据识别方法及系统 |
CN115359350A (zh) * | 2022-07-28 | 2022-11-18 | 北京空间飞行器总体设计部 | 一种基于图模型的群目标队形变化识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110390337B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | ShipRSImageNet: A large-scale fine-grained dataset for ship detection in high-resolution optical remote sensing images | |
CN101295363B (zh) | 从距离图像确定物体姿势的方法和系统 | |
CN106355194A (zh) | 一种基于激光成像雷达的无人艇水面目标处理方法 | |
Chen et al. | Adversarial example in remote sensing image recognition | |
CN113223068B (zh) | 一种基于深度全局特征的多模态图像配准方法及系统 | |
WO2012155121A2 (en) | Systems and methods for estimating the geographic location at which image data was captured | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
Zhou et al. | Local attention networks for occluded airplane detection in remote sensing images | |
JP2016033775A (ja) | 同一種類の複数の認識対象物体が検索対象画像中に存在する場合に、それぞれの認識対象物体の位置および向きを精度良く求める手法 | |
CN113420640B (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
CN104574401A (zh) | 一种基于平行线匹配的图像配准方法 | |
Qiu et al. | A survey of motion-based multitarget tracking methods | |
CN111079859A (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
CN110390337A (zh) | 一种舰船个体识别方法 | |
CN110095123B (zh) | 不规则小天体表面路标观测信息评价优化方法 | |
CN101937453B (zh) | 一种基于加权拓扑约束比较的三维模型检索方法 | |
Duan et al. | Elitist chemical reaction optimization for contour-based target recognition in aerial images | |
CN105787081A (zh) | 一种基于辐射源空间位置的辐射平台关联方法 | |
Xie et al. | VOCA: cell nuclei detection in histopathology images by vector oriented confidence accumulation | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
Zhang et al. | Incorporating depth information into few-shot semantic segmentation | |
Huang et al. | Fast single-shot ship instance segmentation based on polar template mask in remote sensing images | |
Wang et al. | A deep deformable residual learning network for SAR image segmentation | |
CN107657272B (zh) | 一种遥感图像海上目标检测方法 | |
CN114660561A (zh) | Ais与雷达的航迹关联方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |