CN111914910A - 基于多观察点形状上下文的飞机编队识别方法 - Google Patents

基于多观察点形状上下文的飞机编队识别方法 Download PDF

Info

Publication number
CN111914910A
CN111914910A CN202010680481.0A CN202010680481A CN111914910A CN 111914910 A CN111914910 A CN 111914910A CN 202010680481 A CN202010680481 A CN 202010680481A CN 111914910 A CN111914910 A CN 111914910A
Authority
CN
China
Prior art keywords
formation
observation
function
similarity
point
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.)
Withdrawn
Application number
CN202010680481.0A
Other languages
English (en)
Inventor
周亮
张旭光
李陈
李昂
康彬
陈建新
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010680481.0A priority Critical patent/CN111914910A/zh
Publication of CN111914910A publication Critical patent/CN111914910A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多观察点形状上下文的飞机编队识别，包括：构建基于阿基米德螺旋线的多观察点；建立描述全局信息的形状上下文算子；建立描述局部信息的概率密度函数；建立相似度量函数，判别编队类型。本发明对战斗队形、出发队形、进攻队形三种队形进行建模分析，使得对三种队形的平均识别率达到95％。

Description

基于多观察点形状上下文的飞机编队识别方法
技术领域
本发明属于图像处理领域，涉及一种基于形状上下文描述子的飞机编队识别方法。
背景技术
海军和空军的力量强弱已经成为决定战争胜负的主要因素。飞机战斗群是美国空军的主要编成，也是美国称为世界警察的重要军力力量之一。美国的高级指挥官针对不同的任务提出了不同的飞机战斗群队形，形成了相关的作战理念。通过卫星监视飞机战斗群、识别其队形、队形变化的行为等，可以给军事指挥官提供宝贵的建议，帮助他做出睿智的决策，甚至能够决定一场战役的胜负。目前基于光学影像的军事战斗群队形的相关研究很少。直到20世纪末才开始有学者研究，最近几年才出现一些比较有实际应用价值的成果。现有的飞机编队识别方法存在以下缺陷：1、有些方法试图通过飞机群结构单元来分析队形，但是这种初级的办法没能进一步展开。2、有些方法试图通过监控飞机群密度来判断群体编队，但是这种方法只适合少数特殊场景。相关的研究实用性不强，而且比较分散。
发明内容
本发明的目的是针对卫星图像拍摄提出一种基于多观察点形状上下文描述子的飞机编队识别方法，在自建数据集上可对三种飞机阵型进行识别。
为实现上述目的，本发明采用如下技术方案：
一种基于形状上下文描述子的飞机编队识别方法，包括如下步骤：
步骤一：构建基于阿基米德螺旋线的多观察点。首先对飞机目标进行分割，用其中心代表飞机，将整个飞机战斗群看作一些离散点集，为了减少飞机数量、编队尺度、编队方向对编队识别的影响，我们建立了观察点用作提取上下文信息的原点。
步骤二：建立描述全局信息的形状上下文算子。将每一个观察点周围区域的环形和半径分成一个个格状区域，并建立自然极坐标系，计算形状上下文描述子。
步骤三：建立描述局部信息的概率密度函数。上下文算子含有的全都是综合信息，缺乏局部信息。但是局部信息在队形识别中也是非常重要的。为了弥补这个缺点，引进了标准队形的概率密度函数(PDFs)。标准队形的概率密度函数主要用来突显比较重要的观察点的信息，而削弱不重要的部分关键点的信息。
步骤四：建立相似度量函数，判别编队类型。对于带识别飞机战斗群队形和某个类别标准队形，首先计算它们形状上下文描述子以及标准队形的概率密度函数，并构造相似性函数来计算两个飞机战斗群队形之间的相似度，选择相似度最大的标准队形作为识别结果。
有益效果：
1、本发明使用阿基米德螺旋线作为建立坐标系的基础，有效防止因拍摄角度不同引起的尺度变化和角度变化问题。在阿基米德螺旋线上，均匀分布观察点，在观察点上得到形状上下文算子，这些算子组成的矩阵，可以有效地表示飞机阵列的局部信息，防止飞机间的尺度变化和角度的不同。
2、本发明使用概率密度函数描述飞机阵列的全局信息，能够更好地将阵列整体上下文信息量化。使用拉普拉斯变换来定义概率密度函数，利用飞机之间的角度和归一化距离，更好的量化飞机编队。
3、本发明使用开方损失函数和余弦损失函数构成相似性矩阵进行编队归类，效果更准确。本发明将相似性矩阵二值化，二值化中使用阈值进行判别，扩大不同标准编队之间的差异，并缩小同类型编队之间的差距。
附图说明
图1是本发明提供的算法示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
该方法的主要步骤如下：
步骤一：以编队的加权中心为阿基米德螺旋线中心，并选择一个固定的方向为极轴方向建立阿基米德坐标系，坐标系方程为：
Figure BDA0002585633280000021
式子中ρ表示的是极径，θ是极角，θi是极角初始值，ρi为所有的飞机目标到中心点的平均距离。极角的取值范围是2nπ(n为整数)。选择螺旋线上的观察点Y＝{Y1,Y2,Y3,…,YN}，参数N表示飞机总数,其中某一观察点可以表示为：
Figure BDA0002585633280000022
其中参数M＝mn，表示的是观察点的总数，
Figure BDA0002585633280000031
表示相邻的观察点角度间隔。m和n的取值越大，则计算量越大，对硬件要求越高，取值越小，则旋转后的曲线和原来的曲线相差越大，本发明根据实验，取值为m＝12，n＝15折中效果最好。
步骤二：建立一个描述整体信息的MVC算子。以步骤一建立的观察点Yi为中心，将周围区域用环形和线段划分为一个个格状区域，其中Nθ表示环形小格子的数量，Nρ表示半径小格子的数量，观察点Yi上下文信息S(Yi)计算公式如下：
Figure BDA0002585633280000032
Figure BDA0002585633280000033
表示格子半径，
Figure BDA0002585633280000034
表示格子角度，πρ,θ＝πρπθ表示角度格子θ半径格子ρ之间的关系函数。I表示权重。实际编程与应用中会对该式进行简化，在本发明中将Nρ＝1，Nθ＝12，所以，对于Yi有如下的式子描述：
Figure BDA0002585633280000035
其中N为飞机编队中飞机的数量，
Figure BDA0002585633280000036
是θ的隶属函数，为：
Figure BDA0002585633280000037
Figure BDA0002585633280000038
floor()是取整函数，∠(XjYiXo)是目标点Xj在以观察点Yi为原点，向量YiXo为极轴的自然极坐标中的极角值。因此Sθ(Yi)可进一步简化为
Figure BDA0002585633280000039
因此，所有观察点的描述Sθ可以表示为：
Figure BDA00025856332800000310
Q即是飞机编队形状上下文描述子，M是步骤一建立的观察点的数目。
步骤三：建立描述局部信息的概率密度函数。考虑到结构信息包括目标与观察点之间的角度和距离因素，本系统采用拉普拉斯变换定义待检测飞机编队X和观察点Yi的概率密度函数：
Figure BDA0002585633280000041
这里的σJ表示的是Xi到Yj的距离。为了增强算子的鲁棒性，将式子(19)进行归一化得：
Figure BDA0002585633280000042
归一化后，所有的观察点得概率密度值
Figure BDA0002585633280000043
即为标准队形的概率密度函数。
步骤四：假设待识别的飞机编队为X＝{X1,X2,…,XN}，某个标准的编队为Z＝{Z1,Z2,…,ZN}，通过计算两者的全局上下文描述算子Qx和Qz的相似度来判断X是否属于类别Z。本发明使用损失函数定义相似度：
μi(X,Z)＝1-Ci(Qx-Qz),i＝1,2,…,N (21)
其中Ci(Qx-Qz)表示两个编队的对应序号的观察点Yi X和Yi Z损失函数。且Ci(Qx-Qz)是由开放损失函数和余弦损失函数构成。编队X和编队Z的所有对应观察点的相似性构成了这两个对性的相似性矩阵：
μ(X,Z)＝[μ1(X,Z),μi(X,Z),…,μN(X,Z)] (22)
为了将不同编队的差异进行放大，本发明使用布尔函数将式子(22)中的相似矩阵μ(X,Z)二值化。将矩阵内的每个元素与阈值T对比，大于阈值则输出1，小于阈值则输出0。得到二值化后的相似矩阵
Figure BDA0002585633280000048
这个阈值的大小是由当前标准编队与其他标准编队之间的相似性所决定的。假设某一标准编队为P另外有两个标准编队用O和C表示，则阈值计算方式为：
Figure BDA0002585633280000044
Figure BDA0002585633280000045
然后结合二值矩阵
Figure BDA0002585633280000046
和标准编队Z的概率密度函数计算待测编队和标准编队的相似性：
Figure BDA0002585633280000047
δ(X,Z)即是相似性度量，在有多个标准编队情况下，选取最大的相似性度量值，待测编队的阵型就是最大值对应的标准编队阵型。
数据集构建与测试：
我们构建了三种队形(战斗队形、出发队形、攻击队形)的标准编队数据库，每种队形数量为50，然后每种队形各使用100个样本进行测试，结果为：战斗队形识别率：92.3％，出发队形识别率94.7％，攻击队形识别率98.1％，平均识别率95.0％。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述基础上做出的等同替换或者替代均属于本发明的保护范围。

Claims (5)

1.一种基于多观察点形状上下文的飞机编队识别方法，其特征在于，包括如下步骤：步骤一：构建基于阿基米德螺旋线的多观察点；
步骤二：建立描述全局信息的形状上下文算子；
步骤三：建立描述局部信息的概率密度函数；
步骤四：建立相似度量函数，判别编队类型。
2.根据权利要求1所述的一种基于形状上下文描述子的飞机编队识别，其特征在于，在步骤一构建基于阿基米德螺旋线的多观察点中，以编队的加权中心为阿基米德螺旋线中心，并选择一个固定的方向为极轴方向建立阿基米德坐标系。
3.根据权利要求1所述的一种基于形状上下文描述子的飞机编队识别，其特征在于，在步骤二建立描述全局信息的形状上下文算子中，以步骤一建立的观察点Yi为中心，将周围区域用环形和线段划分为若干个格状区域，观察点Yi上下文信息S(Yi)计算公式如下：
Figure FDA0002585633270000011
Figure FDA0002585633270000012
表示格子半径，
Figure FDA0002585633270000013
表示格子角度，πρ,θ＝πρπθ表示角度格子θ半径格子ρ之间的关系函数，Nθ表示环形小格子的数量，Nρ表示半径小格子的数量，I表示权重，所以，对于Yi有如下的式子描述：
Figure FDA0002585633270000014
其中N为飞机编队中飞机的数量，
Figure FDA0002585633270000015
是θ的隶属函数，为：
Figure FDA0002585633270000016
Figure FDA0002585633270000017
floor()是取整函数，∠(XjYiXo)是目标点Xj在以观察点Yi为原点，向量YiXo为极轴的自然极坐标中的极角值，Sθ(Yi)可简化为
Figure FDA0002585633270000018
因此，所有观察点的描述Sθ可表示为：
Figure FDA0002585633270000021
Q即是飞机编队形状上下文描述子，M是步骤一建立的观察点的数目。
4.根据权利要求1所述的一种基于形状上下文描述子的飞机编队识别，其特征在于，在步骤三建立描述局部信息的概率密度函数中，采用拉普拉斯变换定义待检测飞机编队X和观察点Yi的概率密度函数：
Figure FDA0002585633270000022
σJ(σK)表示Xj到Yi的距离，
Figure FDA0002585633270000023
由中心点Xo、观察点Yi和目标点Xj构成的，拉普拉斯变换包含了当前观察点与所有目标点之间的差异信息，反映的是航母战斗群在观察点Yi处的局部信息。
5.根据权利要求1所述的一种基于形状上下文描述子的飞机编队识别方法，其特征在于，在步骤四建立相似度量函数，判别编队类型中，假设待识别的飞机编队为X＝{X1,X2,…,XN}，某个标准的编队为Z＝{Z1,Z2,…,ZN}，通过计算两者的全局上下文描述算子Qx和Qz的相似度来判断X是否属于类别Z；使用损失函数定义相似度：
μi(X,Z)＝1-Ci(Qx-Qz),i＝1,2,…,N (8)
其中Ci(Qx-Qz)表示两个编队的对应序号的观察点Yi X和Yi Z损失函数，且Ci(Qx-Qz)是由开放损失函数和余弦损失函数构成，编队X和编队Z的所有对应观察点的相似性构成了这两个对性的相似性矩阵：
μ(X,Z)＝[μ1(X,Z),μi(X,Z),…,μN(X,Z)] (9)
使用布尔函数将式子(9)中的相似矩阵μ(X,Z)二值化，将矩阵内的每个元素与阈值T对比，大于阈值则输出1，小于阈值则输出0，得到二值化后的相似矩阵
Figure FDA0002585633270000024
然后结合二值矩阵
Figure FDA0002585633270000025
和标准编队Z的概率密度函数计算待测编队和标准编队的相似性：
Figure FDA0002585633270000026
δ(X,Z)即是相似性度量，在有多个标准编队情况下，选取最大的相似性度量值，待测编队的阵型就是最大值对应的标准编队阵型。
CN202010680481.0A 2020-07-15 2020-07-15 基于多观察点形状上下文的飞机编队识别方法 Withdrawn CN111914910A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680481.0A CN111914910A (zh) 2020-07-15 2020-07-15 基于多观察点形状上下文的飞机编队识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680481.0A CN111914910A (zh) 2020-07-15 2020-07-15 基于多观察点形状上下文的飞机编队识别方法

Publications (1)

Publication Number Publication Date
CN111914910A true CN111914910A (zh) 2020-11-10

Family

ID=73280958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680481.0A Withdrawn CN111914910A (zh) 2020-07-15 2020-07-15 基于多观察点形状上下文的飞机编队识别方法

Country Status (1)

Country Link
CN (1) CN111914910A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936592A (zh) * 2022-04-28 2022-08-23 南京航空航天大学 一种基于阿基米德螺旋线的群目标疏密动态变化检测方法
CN115019238A (zh) * 2022-07-04 2022-09-06 南京航空航天大学 一种基于隐马尔科夫模型的群目标动态行为识别方法
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936592A (zh) * 2022-04-28 2022-08-23 南京航空航天大学 一种基于阿基米德螺旋线的群目标疏密动态变化检测方法
CN115019238A (zh) * 2022-07-04 2022-09-06 南京航空航天大学 一种基于隐马尔科夫模型的群目标动态行为识别方法
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
CN115061501B (zh) * 2022-07-28 2022-11-22 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

Similar Documents

Publication Publication Date Title
CN110956187A (zh) 一种基于集成学习的无人机影像植物冠层信息提取方法
CN111914910A (zh) 基于多观察点形状上下文的飞机编队识别方法
CN101839722A (zh) 一种中低空下目标自动识别及载体高精度定位方法
CN109948414A (zh) 基于LiDAR点云特征的电力走廊场景分类方法
CN112668557B (zh) 一种行人再识别系统中防御图像噪声攻击的方法
CN104732224B (zh) 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法
Kim et al. Urban scene understanding from aerial and ground LIDAR data
CN114821282B (zh) 一种基于域对抗神经网络的图像检测装置及方法
CN111860359B (zh) 一种基于改进随机森林算法的点云分类方法
CN116958606B (zh) 一种图像匹配方法及相关装置
Wang et al. A camouflaged object detection model based on deep learning
CN111007871B (zh) 无人机动态特征识别方法、介质、设备及装置
CN114330509A (zh) 一种空中目标活动规律预测方法
Bai et al. Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination
CN107273914B (zh) 基于信源自适应动态选择的高效融合识别方法
CN105825178A (zh) 基于遥感图像的功能区划分方法以及设备
CN110458111B (zh) 基于LightGBM的车载激光点云电力线的快速提取方法
CN113361968B (zh) 基于人工智能和大数据的电网基建人员安全风险评估方法
CN111626096B (zh) 一种三维点云数据兴趣点提取方法
Wang et al. Coactive design of human-machine collaborative damage assessment using UAV images and decision trees
CN114764879A (zh) 一种基于雷达红外融合特征的空中目标识别方法
KR102223078B1 (ko) 합성 개구면 레이더 영상의 표적 및 인공 클러터 구분법
CN112967290A (zh) 一种可用于无人机对空中目标飞机敌友自动识别的方法
Li et al. Deep adaptive proposal network in optical remote sensing images objective detection
Li A new approach for firearm identification with hierarchical neural networks based on cartridge case images

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201110

WW01 Invention patent application withdrawn after publication