CN110443176A - 一种基于统计特征空间的暗弱小天体关联检测方法及系统 - Google Patents
一种基于统计特征空间的暗弱小天体关联检测方法及系统 Download PDFInfo
- Publication number
- CN110443176A CN110443176A CN201910689169.5A CN201910689169A CN110443176A CN 110443176 A CN110443176 A CN 110443176A CN 201910689169 A CN201910689169 A CN 201910689169A CN 110443176 A CN110443176 A CN 110443176A
- Authority
- CN
- China
- Prior art keywords
- time series
- matrix
- factor
- feature
- dark small
- 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
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于统计特征空间的暗弱小天体关联检测方法及系统,所述方法包括:基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将图像中每一个像元的强度值在时序上形成一个时间序列;提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;将特征空间矩阵输入训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。本发明所涉及的方法利用时间序列分析和统计学的方法,能够在不改变现有观测硬件设备的条件下,极大提升对暗弱小天体的检测能力,降低小行星观测成本并提升空间探测效率。
Description
技术领域
本发明涉及空间目标检测领域,具体而言,尤其设计一种基于统计特征空间的暗弱小天体关联检测方法及方法。
背景技术
小天体观测意义重大,从科学研究的角度看,弄清近地天体的空间分布特征本身就具有重要意义,还可以从中选择一些探索价值高的天体,进行环绕或取样返回探测。而大量主带小天体的发现对于研究太阳系的起源和演化有着重要意义。提高望远镜的探测能力的技术途径主要是提升口径、改善传感器精度和创新性数据处理方法。在观测设备没有根本性进步的条件下,通过创新性的数据处理方法提高探测能力是一种经济可行的技术路径。传统处理方法一般通过直接或者间接延长望远镜的曝光时间,这种方法在恒星、星系等静目标的深场探测上取得了良好的效果,但是并不适用于运动天体的探测,并且曝光时间受天光背景的限制不可能无限制地增加。并且当探测距离极远时和目标极为暗弱时,背景信号将压制目标天体的信号,从而导致积分时间无论怎么延长或者是图像叠接,也无法探测出目标天体信号。因此,研究一种基于统计特征空间的暗弱小天体关联检测方法具有重要意义,通过变换域分析等方法提取信号统计特性的深层次关联信息,结合小天体的运动特性,能够反演目标的轨迹。
发明内容
本发明的目的在于解决现有技术目前无法对暗弱小天体进行准确及时的探测问题。
为了实现上述目的,本发明提出了一种基于统计特征空间的暗弱小天体关联检测方法,所述方法能够在不改变现有观测设备的前提下,提升暗弱小天体的发现能力。所述方法包括:
基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将所述图像的每一个像元的强度值在时序上形成一个时间序列;
提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;
将特征空间矩阵输入预先训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
作为所述方法的一种改进,所述基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将图像中每一个像元的强度值在时序上形成一个时间序列;具体包括:
步骤1-1)设定积分时间和图像帧的数量,采集图像样本数据,通过调整积分时间获得某个时间段内的连续N帧图像,N为自然数;
步骤1-2)基于所述的连续N帧图像,设图像上的每个像元的强度值x对应的时间序列为X={xk},k=1,2,......,N,k为时间序列上对应第k帧长度的取值,LN为整个时间序列长度。
作为所述方法的一种改进,所述提取所述时间序列的关联特征和局部特征,构造特征空间矩阵,具体包括:
将所述时间序列X分成若干子片段,计算体现两个相邻子片段在特征空间中的关联度的核函数,根据所述核函数得到时间序列X的关联特征;
计算所述时间序列X各个局部特征的统计量;
利用关联特征、局部特征统计量的最大值、最小值以及方差作为全局特征构造特征空间矩阵。
作为所述方法的一种改进,所述将所述时间序列X分成若干子片段,计算体现两个相邻子片段在特征空间中的关联度的核函数,根据所述核函数得到时间序列X的关联特征,具体包括:
步骤2-1)选取分析窗口长度M和滑动步长δ,将每个像元x对应的时间序列X分成若干子片段,窗口长度M的最大值为整个时间序列长度N的1/3,滑动步长δ的取值为δ=1;
步骤2-2)计算体现两个相邻子片段在特征空间中的关联度的核函数:
其中,i=0,1,2,......,N-2M+1;
步骤2-3)将核函数ker(i)作为时间序列X的得关联特征。
作为所述方法的一种改进,所述计算所述时间序列X各个局部特征的统计量,具体包括:
计算每个像元对应的时间序列每个子片段的统计量,所述每个子片段的统计量包括裕度因子、脉冲因子、峭度因子、峰度因子和波形因子:
裕度因子cl(i)为:
脉冲因子imp(i)为:
峭度因子kurt(i)为:
峰度因子peak(i)为:
波形因子form(i)为:
其中,表示子片段x中从xi开始长度为l的信号片段,为信号片段的均值,cl(i)为裕度因子,imp(i)为脉冲因子,kurt(i)为峭度因子,peak(i)为峰度因子,form(i)为波形因子;
将所述裕度因子、脉冲因子、峭度因子、峰度因子和波形因子作为时间序列X各个局部特征的统计量。
作为所述方法的一种改进,所述利用关联特征、局部特征统计量的最大值,最小值以及方差作为全局特征构造特征空间矩阵,具体包括:
所述利用关联特征、局部特征统计量的最大值,最小值以及方差作为全局特征构造特征空间矩阵,所述特征空间矩阵为A:
其中max、min和var分别为取最大值、取最小值和计算方差运算,cl为由cl(i)组成的裕度因子矩阵,imp为由imp(i)组成的脉冲因子矩阵,kurt由kurt(i)组成的峭度因子矩阵,peak为由peak(i)组成的峰度因子矩阵,form为由form(i)组成的波形因子矩阵,ker为由ker(i)组成的关联特征矩阵。
作为所述方法的一种改进,所述方法还包括分类器的构造步骤,具体包括
步骤5-1)从初始训练集提取训练样本的特征空间矩阵B,训练基学习器hn(B);基学习器的数目为n,n当前值为1;
步骤5-2)根据第n个基学习器输出的训练结果对训练集样本的分布进行调整权重;
步骤5-3)当基学习器的数目n小于预先设定的值T时,将调整后的训练集样本的特征矩阵输入第n个基学习器训练,基学习器的数目n的值加1;返回步骤5-2);
当基学习器的数目n等于或大于预先设定的值T时,执行步骤5-4);
步骤5-4)将T个基学习器进行加权结合得到最终的分类器H(B),即
其中,H(B)为最终分类器,B为训练样本的特征空间矩阵,hn(B)为第n次迭代得到的基学习器,αn为相对应的权重,分类器H(B)的输入为信号的特征空间矩阵,输出为1或0。
作为所述方法的一种改进,所述训练样本的特征空间矩阵B的构造步骤包括:基于初始训练集提取训练样本,通过调整积分时间在某个时间段内获得连续若干帧训练样本图像;将所述训练样本图像的每一个像元的强度值在时序上形成一个训练样本时间序列;
提取所述训练样本时间序列的关联特征和局部特征,利用训练样本时间序列的关联特征统计量、局部特征统计量的最大值,最小值以及方差作为全局特征构造训练样本的特征空间矩阵B。
作为所述方法的一种改进,将所述特征空间矩阵输入训练好的分类器,通过检测时间序列信号中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测,具体包括:
将所述特征空间矩阵A输入训练好的分类器H(B),以检测时间序列信号中的瞬态扰动,根据输出结果判断该像元是否有暗弱小天体目标经过,如果输出结果为“1”判断该像元为有暗弱小天体目标经过,如果输出结果为“0”则判断该像元为无暗弱小天体目标经过,实现目标的检测。
作为所述方法的一种改进,所述系统包括:构造信号获取模块、特征提取模块和目标检测模块;
所述构造信号获取模块,用于基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将所述图像的每一个像元的强度值在时序上形成一个时间序列;
所述特征提取模块,用于提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;
所述目标检测模块,用于将特征空间矩阵输入预先训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
与现有技术相比,本发明的有益效果在于:
本发明所涉及的方法利用时间序列分析和统计学的方法,能够在不改变现有观测硬件设备的条件下,极大提升对暗弱小天体的检测能力,降低小行星观测成本并提升空间探测效率。
附图说明
图1是本发明的基于统计特征空间的暗弱小天体关联检测流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
为了实现发明目标,本发明提供了一种基于统计特征空间的暗弱小天体关联检测方法,能够对暗弱小天体实现有效检测。
本发明的基本原理是利用天文望远镜采集图像数据,通过调整积分时间在短时间内获得大量连续帧图像,图像中每一个像元的强度值在时序上会形成一个时间序列,当该像元有目标经过时,会产生一个瞬态扰动,通过检测时序信号中的微弱瞬态扰动确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测的目的。
实施例
如图1所示,本发明提出的一种基于统计特征空间的暗弱小天体关联检测方法,所述方法包括:
基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将图像中每一个像元的强度值在时序上形成一个时间序列;
提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;
将特征空间矩阵输入训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
步骤1、构造每个像元的时间序列信号
基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将图像中每一个像元的强度值在时序上形成一个时间序列;
获取的图像序列为fi,j(k),i和j表示像元的位置,0≤k≤N-1;N为所设定的图像序列数量;根据采集的图像样本数据,获取每个像元对应的时间序列X={xk},k=1,2,......,N,k为第k帧时间长度取值,N为自然数;
具体步骤为包括:
步骤1-1)设定积分时间和图像帧的数量,采集图像样本数据,通过调整积分时间获得某个时间段内的连续N帧图像,N为自然数;
步骤1-2)基于所述的连续N帧图像,设图像上的每个像元的强度值x对应的时间序列为X={xk},k=1,2,......,N,k为时间序列上对应第k帧长度的取值,LN为整个时间序列长度。
步骤2:提取关联特征
根据所述时间序列,选取分析窗口长度M和滑动步长δ,将每个像元对应的时间序列分成若干子段,窗口长度M的取值一般不宜超过整个时间序列长度LN的三分之一,同时,为了充分利用信号样本所包含的信息,通常令滑动步长δ=1;
对相邻两个子片段的核距离作为关联特征,基于核距离的关联特征方法的主要思想是:将信号从欧式空间通过非线性映射,映射到特征空间,计算两个窗口相邻的子片段在特征空间中的相似性,含有目标和不含有目标的子片段在相似性上会有较大差异。利用三角核函数和拉普拉斯核函数派生出一个新的核函数来度量两个子片段之间的关联度,关联核函数定义为:
其中,i=0,1,2,......,N-2M+1;将核函数ker(i)作为时间序列X的得关联特征。
步骤3:计算其他统计特征
对每个像元对应的时间序列X,计算每个子片段的统计特征,采用裕度因子、脉冲因子、峭度因子、峰度因子、波形因子提取局部统计特征,这些特征是一种无量纲统计特征,他们对具有冲击特性的信号敏感,各个统计量的计算公式如下:
裕度因子cl(i)为:
脉冲因子imp(i)为:
峭度因子kurt(i)为:
峰度因子peak(i)为:
波形因子form(i)为:
其中,i=0,1,2,......,N-2M+1,表示子片段x中从xi开始长度为l的信号片段,为子片段x的信号片段的均值,cl(i)为裕度因子,imp(i)为脉冲因子,kurt(i)为峭度因子,peak(i)为峰度因子,form(i)为波形因子。
步骤4:构造特征空间
采用利用利用关联核函数、局部特征的最大值,最小值以及方差来提取信号局部特征作为全局特征,构建信号的特征空间,特征空间描述矩阵为:
其中max、min和var分别为取最大值、取最小值和计算方差运算,cl为由cl(i)组成的裕度因子矩阵,imp为由imp(i)组成的脉冲因子矩阵,kurt由kurt(i)组成的峭度因子矩阵,peak为由peak(i)组成的峰度因子矩阵,form为由form(i)组成的波形因子矩阵,ker为由ker(i)组成的关联核函数矩阵。
步骤5:分类与检测
分类器采用Booting分类器,其基本原理是:先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本的分布进行调整,使得之前基学习器出错的样本拥有更高的权重,然后利用调整后的样本分布来训练下一个基学习器,如此重复进行,直到基学习器的数目达到预先设定的值T,最终将这T个基学习器进行加权结合得到最终的分类器。所述分类器的构造步骤,具体包括
步骤5-1)从初始训练集提取训练样本的特征空间矩阵B,训练基学习器hn(B);基学习器的数目为n,n当前值为1;
步骤5-2)根据第n个基学习器输出的训练结果对训练集样本的分布进行调整权重;
步骤5-3)当基学习器的数目n小于预先设定的值T时,将调整后的训练集样本的特征矩阵输入第n个基学习器hn(B)训练,基学习器的数目n的值加1;返回步骤5-2);
当基学习器的数目n等于或大于预先设定的值T时,执行步骤5-4);
步骤5-4)将T个基学习器进行加权结合得到最终的分类器H(B),即
其中,H(B)为最终分类器,B为训练集样本的特征空间矩阵,hn(B)为第n次迭代得到的基学习器,αn为相对应的权重,分类器H(B)的输入为信号的特征空间矩阵A,输出为1或0。
所述训练集样本的特征空间矩阵B的构造步骤包括:基于初始训练集提取训练样本,通过调整积分时间在某个时间段内获得连续若干帧训练样本图像;将所述训练样本图像的每一个像元的强度值在时序上形成一个训练样本时间序列;
提取所述训练样本时间序列的关联特征和局部特征,利用训练样本时间序列的关联特征统计量、局部特征统计量的最大值,最小值以及方差作为全局特征构造训练样本的特征空间矩阵B。
对于任意输入分类器的特征矩阵,判断其属于有目标经过还是无目标经过,实现目标的检测。具体包括:
将所述特征空间矩阵A输入训练好的分类器H(B),以检测时间序列信号中的瞬态扰动,根据输出结果判断该像元是否有暗弱小天体目标经过,如果输出结果为“1”判断该像元为有暗弱小天体目标经过,如果输出结果为“0”则判断该像元为无暗弱小天体目标经过,实现目标的检测。
本发明还提出一种基于统计特征空间的暗弱小天体关联检测系统,所述系统具体包括:信号获取模块、特征提取模块和目标检测模块
所述构造信号获取模块,用于基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;图像中每一个像元的强度值在时序上形成一个时间序列;
所述特征提取模块,用于提取所述信号的关联特征和局部特征,构造特征空间矩阵;
所述目标检测模块,用于将所述特征空间矩阵输入训练好的分类器,通过检测时间序列信号中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
本发明还提出一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
本发明还一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述任一项所述的方法。
本发明的创新点为提出一种新的暗弱小天体检测方法,通过高速采样获得每个像元所对应的时间序列,构造每个时间序列的特征空间矩阵并提取矩阵特征,能够区分有目标经过和无目标经过的像元,对暗弱小天体实现有效检测。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于统计特征空间的暗弱小天体关联检测方法,所述方法包括:
基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将所述图像的每一个像元的强度值在时序上形成一个时间序列;
提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;
将特征空间矩阵输入预先训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
2.根据权利要求1所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将图像中每一个像元的强度值在时序上形成一个时间序列;具体包括:
步骤1-1)设定积分时间和图像帧的数量,采集图像样本数据,通过调整积分时间获得某个时间段内的连续N帧图像,N为自然数;
步骤1-2)基于所述的连续N帧图像,设图像上的每个像元的强度值x对应的时间序列为X={xk},k=1,2,......,N,k为时间序列上对应第k帧长度的取值,LN为整个时间序列长度。
3.根据权利要求2所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述提取所述时间序列的关联特征和局部特征,构造特征空间矩阵,具体包括:
将所述时间序列X分成若干子片段,计算体现两个相邻子片段在特征空间中的关联度的核函数,根据所述核函数得到时间序列X的关联特征;
计算所述时间序列X各个局部特征的统计量;
利用关联特征、局部特征统计量的最大值、最小值以及方差作为全局特征构造特征空间矩阵。
4.根据权利要求3所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述将所述时间序列X分成若干子片段,计算体现两个相邻子片段在特征空间中的关联度的核函数,根据所述核函数得到时间序列X的关联特征,具体包括:
步骤2-1)选取分析窗口长度M和滑动步长δ,将每个像元x对应的时间序列X分成若干子片段,窗口长度M的最大值为整个时间序列长度LN的1/3,滑动步长δ的取值为δ=1;
步骤2-2)计算体现两个分析窗口的相邻子片段在特征空间中的关联度的核函数:
其中,i=0,1,2,......,N-2M+1;
步骤2-3)将核函数ker(i)作为时间序列X的关联特征。
5.根据权利要求4所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述计算所述时间序列X各个局部特征的统计量,具体包括:
计算所述时间序列X每个子片段的统计量,所述每个子片段的统计量包括裕度因子、脉冲因子、峭度因子、峰度因子和波形因子:
其中,表示子片段x中从xi开始长度为l的信号片段,为子片段x中信号片段的均值,cl(i)为裕度因子,imp(i)为脉冲因子,kurt(i)为峭度因子,peak(i)为峰度因子,form(i)为波形因子;
将所述裕度因子、脉冲因子、峭度因子、峰度因子和波形因子作为时间序列X各个局部特征的统计量。
6.根据权利要求5所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述利用关联特征、局部特征统计量的最大值,最小值以及方差作为全局特征构造特征空间矩阵,具体包括:
所述利用关联特征、局部特征统计量的最大值,最小值以及方差作为全局特征构造第一特征空间矩阵,所述第一特征空间矩阵为A:
其中max、min和var分别为取最大值、取最小值和计算方差运算,cl为由cl(i)组成的裕度因子矩阵,imp为由imp(i)组成的脉冲因子矩阵,kurt由kurt(i)组成的峭度因子矩阵,peak为由peak(i)组成的峰度因子矩阵,form为由form(i)组成的波形因子矩阵,ker为由核函数ker(i)组成的关联特征矩阵。
7.根据权利要求6所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述方法还包括分类器的构造步骤,具体包括
步骤5-1)从初始训练集提取训练样本的特征空间矩阵B,训练基学习器hn(B);基学习器的数目为n,n当前值为1;
步骤5-2)根据第n个基学习器输出的训练结果对训练集样本的分布进行调整权重;
步骤5-3)当基学习器的数目n小于预先设定的值T时,将调整后的训练集样本的特征矩阵输入第n个基学习器训练,基学习器的数目n的值加1;返回步骤5-2);
当基学习器的数目n等于或大于预先设定的值T时,执行步骤5-4);
步骤5-4)将T个基学习器进行加权结合得到最终的分类器H(B),即
其中,H(B)为最终分类器,B为训练样本的特征空间矩阵,hn(B)为第n次迭代得到的基学习器,αn为相对应的权重,分类器H(B)的输入为信号的特征空间矩阵A,输出为1或0。
8.根据权利要求7所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,所述训练样本的特征空间矩阵B的构造步骤包括:基于初始训练集提取训练样本,通过调整积分时间在某个时间段内获得连续若干帧训练样本图像;将所述训练样本图像的每一个像元的强度值在时序上形成一个训练样本时间序列;
提取所述训练样本时间序列的关联特征和局部特征,利用训练样本时间序列的关联特征、局部特征统计量的最大值,最小值以及方差作为全局特征构造训练样本的特征空间矩阵B。
9.根据权利要求7所述的基于统计特征空间的暗弱小天体关联检测方法,其特征在于,将所述特征空间矩阵输入训练好的分类器,通过检测时间序列信号中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测,具体包括:
将所述特征空间矩阵A输入训练好的分类器H(B),以检测时间序列X中信号的瞬态扰动,根据输出结果判断该像元是否有暗弱小天体目标经过,如果输出结果为“1”判断该像元为有暗弱小天体目标经过,如果输出结果为“0”则判断该像元为无暗弱小天体目标经过,实现目标的检测。
10.一种基于统计特征空间的暗弱小天体关联检测系统,其特征在于,所述系统包括:构造信号获取模块、特征提取模块和目标检测模块;
所述构造信号获取模块,用于基于采集的图像样本数据,通过调整积分时间在某个时间段内获得连续若干帧图像;将所述图像的每一个像元的强度值在时序上形成时间序列;
所述特征提取模块,用于提取所述时间序列的关联特征和局部特征,构造特征空间矩阵;
所述目标检测模块,用于将特征空间矩阵输入预先训练好的分类器,通过检测时间序列中的瞬态扰动,确定该像元是否有暗弱小天体目标经过,实现暗弱小天体检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689169.5A CN110443176B (zh) | 2019-07-29 | 2019-07-29 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689169.5A CN110443176B (zh) | 2019-07-29 | 2019-07-29 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443176A true CN110443176A (zh) | 2019-11-12 |
CN110443176B CN110443176B (zh) | 2022-03-04 |
Family
ID=68432033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689169.5A Active CN110443176B (zh) | 2019-07-29 | 2019-07-29 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443176B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784738A (zh) * | 2020-06-19 | 2020-10-16 | 中国科学院国家空间科学中心 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361585A (zh) * | 2014-10-30 | 2015-02-18 | 中国科学院自动化研究所 | 一种遥感图像变化检测性能在轨评价方法 |
CN104700115A (zh) * | 2014-07-30 | 2015-06-10 | 北京航空航天大学 | 基于稀疏提升集成分类器的火星探测器软着陆过程中陨石坑的检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN108489529A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院国家空间科学中心 | 一种基于高阶统计量的微弱信号检测方法 |
CN108507607A (zh) * | 2018-02-09 | 2018-09-07 | 中国科学院国家空间科学中心 | 一种基于核函数的微弱信号检测方法 |
-
2019
- 2019-07-29 CN CN201910689169.5A patent/CN110443176B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700115A (zh) * | 2014-07-30 | 2015-06-10 | 北京航空航天大学 | 基于稀疏提升集成分类器的火星探测器软着陆过程中陨石坑的检测方法 |
CN104361585A (zh) * | 2014-10-30 | 2015-02-18 | 中国科学院自动化研究所 | 一种遥感图像变化检测性能在轨评价方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN108489529A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院国家空间科学中心 | 一种基于高阶统计量的微弱信号检测方法 |
CN108507607A (zh) * | 2018-02-09 | 2018-09-07 | 中国科学院国家空间科学中心 | 一种基于核函数的微弱信号检测方法 |
Non-Patent Citations (11)
Title |
---|
MARCO SIGNORETTO 等: "Classification of Multichannel Signals With Cumulant-Based Kernels", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
WENLONG NIU 等: "High Frame-Rate Based Moving Point Target Detection", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
WENLONG NIU 等: "Moving Point Target Detection Based on Higher Order Statistics in Very Low SNR", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS 》 * |
YONG WU 等: "A Weak Moving Point Target Detection Method Based on High Frame Rate Image Sequences", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
刘文海: "水下被动目标瞬态特征检测技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
向涛: "复杂场景下目标检测算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
唐意东 等: "基于形态学和高阶统计量的弱小运动目标检测", 《现代防御技术》 * |
李怀俊: "《基于核主元模糊聚类的旋转机械故障诊断技术研究》", 31 July 2016 * |
李鑫: "基于RCS序列的雷达目标特征方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
牛文龙: "基于高时相探测的运动点目标检测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
袁杰 等: "高阶统计量在运动目标检测中的研究", 《模式识别与人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784738A (zh) * | 2020-06-19 | 2020-10-16 | 中国科学院国家空间科学中心 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
CN111784738B (zh) * | 2020-06-19 | 2023-10-31 | 中国科学院国家空间科学中心 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110443176B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348288B (zh) | 一种基于77GHz毫米波雷达信号的手势识别方法 | |
Douglas et al. | Recent and future developments in earthquake ground motion estimation | |
CN103268607B (zh) | 一种弱监督条件下的共同对象检测方法 | |
Li et al. | [Retracted] Intelligent Sports Training System Based on Artificial Intelligence and Big Data | |
CN110334741A (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN111709902A (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
CN106875380B (zh) | 一种基于无监督深度神经网络的异质图像变化检测方法 | |
Wang et al. | A novel deep learning‐based single shot multibox detector model for object detection in optical remote sensing images | |
CN106919952A (zh) | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 | |
CN104599292A (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
CN114494829B (zh) | 一种sar图像多尺度舰船目标检测方法 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN103440389A (zh) | 基于全链路的红外伪装效果仿真系统及评估方法 | |
CN103970929A (zh) | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
WO2022151154A1 (zh) | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 | |
Qu et al. | Human activity recognition based on WRGAN-GP-synthesized micro-doppler spectrograms | |
Xue et al. | Understanding and improving deep neural network for activity recognition | |
CN106228197A (zh) | 一种基于自适应极限学习机的卫星图像云量识别方法 | |
Xu et al. | A deep learning approach to predict sea surface temperature based on multiple modes | |
CN110443176A (zh) | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 | |
CN112241001A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
Zhang et al. | Relationship between the simulated East Asian westerly jet biases and seasonal evolution of rainbelt over eastern China | |
CN115270638B (zh) | 一种城市热环境降尺度时空分析与预测方法及系统 | |
Ma et al. | An energy-based pulsar period estimation method using Hilbert curve and double CNNs |
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 |