CN112257699A - 基于可见光图像和sar图像的鸟类目标特征分析与提取方法 - Google Patents

基于可见光图像和sar图像的鸟类目标特征分析与提取方法 Download PDF

Info

Publication number
CN112257699A
CN112257699A CN202011536107.XA CN202011536107A CN112257699A CN 112257699 A CN112257699 A CN 112257699A CN 202011536107 A CN202011536107 A CN 202011536107A CN 112257699 A CN112257699 A CN 112257699A
Authority
CN
China
Prior art keywords
target
fuzzy
visible light
suspicious
image
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.)
Pending
Application number
CN202011536107.XA
Other languages
English (en)
Inventor
刘建平
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 Huage Information Technology Co ltd
Original Assignee
Nanjing Huage Information Technology Co ltd
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 Huage Information Technology Co ltd filed Critical Nanjing Huage Information Technology Co ltd
Priority to CN202011536107.XA priority Critical patent/CN112257699A/zh
Publication of CN112257699A publication Critical patent/CN112257699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，属于智能分析的技术领域，包括以下操作步骤：步骤1：采集现场数据：采用可见光图像拍摄，采集可见图像，以及雷达SAR采集SAR图像；步骤2：可疑目标提取；步骤2：可疑目标的特征提取；步骤3：对可疑目标的特征模糊化处理，步骤4：模糊融合。本发明与单一传感器识别相比，融合识别可以提高目标识别率，减少虚警和漏警。

Description

基于可见光图像和SAR图像的鸟类目标特征分析与提取方法
技术领域
本发明涉及一种基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，属于智能分析的技术领域。
背景技术
飞机与鸟相撞，是世界性难题，对民航飞机和军用飞机的飞行安全都构成威胁。飞机怕鸟，是因为飞机的相对速度快，与物体相撞后的力量就大。超过飞机某一部件的承受力，就有可能损坏飞机的机体或零部件，严重的就直接威胁飞行安全。
比如，如果鸟撞坏飞机挡风玻璃，就直接影响飞行员操纵飞机，甚至影响飞行员生命安全。如果鸟撞坏发动机，会造成发动机空中停车，甚至会引起发动机空中失火，直至引燃整个飞机。
机场需要随时监控空中飞鸟的动态，及时对鸟类进行驱逐，避免发生鸟撞击到飞机的事件，防止飞机收到损伤。
在飞行器方面，高速度是导致鸟击的重要原因，高速度使得绝大多数鸟类无法躲避飞行中的飞机；另外喷气式飞机进气口强大的气流常会将飞过的鸟类吸入发动机，造成鸟击事件。
发明内容
为了解决上述技术问题，本发明提供一种基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，其具体技术方案如下：
一种基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，包括以下操作步骤：
步骤1：采集现场数据：采用可见光图像拍摄，采集可见图像，以及雷达SAR采集SAR图像；
步骤2：可疑目标提取：以步骤1采集到的可见光图像和SAR图像作为数据源，从数据源中提取可疑目标；
步骤3：可疑目标的特征提取：对可疑目标进行特征提取；
步骤4：对可疑目标的特征模糊化处理：设X={
Figure 541928DEST_PATH_IMAGE001
}，X表示目标特征集，模 糊测度的密度定义为函数g：
Figure 521385DEST_PATH_IMAGE002
即
Figure 894597DEST_PATH_IMAGE003
，
则确定集合的
Figure 352123DEST_PATH_IMAGE004
模糊度量表示为：
Figure 635337DEST_PATH_IMAGE005
（1），
Figure 549810DEST_PATH_IMAGE006
是任意目标特征集合X重要性的
Figure 551264DEST_PATH_IMAGE007
度量，当
Figure 219006DEST_PATH_IMAGE008
时，式(1)可写成：
Figure 481360DEST_PATH_IMAGE009
（2），
利用边界条件
Figure 943565DEST_PATH_IMAGE010
常数
Figure 25791DEST_PATH_IMAGE011
通过以下方程得到：
Figure 90699DEST_PATH_IMAGE012
（3），
模糊密度表示单个特征的作用程度，结果比单依靠隶属度函数进行融合更加准确可靠；
步骤5：模糊融合：把模糊密度与隶属度结合起来进行融合，具体为：
隶属度函数
Figure 177866DEST_PATH_IMAGE013
类似于0和1之间的值的概率分布，特征量在某一范围内均是目标， 其隶属度均为1，特征量大于某一范围，可以肯定不是目标，其隶属度为O；
Figure 935606DEST_PATH_IMAGE014
（4），
其中，
Figure 646073DEST_PATH_IMAGE015
为特征融合后第i个可疑目标属于真实目标的置信度，置信度大于设定的阈 值就判定其为真实目标，
Figure 514672DEST_PATH_IMAGE016
、
Figure 892564DEST_PATH_IMAGE017
分别为第i个可疑目标在第n个特征下的隶属度和 模糊密度；
把隶属度函数和模糊密度通过公式（4）的规则进行模糊融合，得到不同数据源的不同特征融合后，目标为真的模糊置信度。
进一步的，所述步骤4中还包括模糊积分，具体过程为：
设 (X，B，g)是一个模糊度量空间并且
Figure 696572DEST_PATH_IMAGE018
是一个B可测量函数，关于模糊 度量g的choquet积分
Figure 18969DEST_PATH_IMAGE019
定义如下：
Figure 924215DEST_PATH_IMAGE020
（5），
其中，
Figure 625454DEST_PATH_IMAGE021
Figure 724997DEST_PATH_IMAGE022
，并且
Figure 410057DEST_PATH_IMAGE023
，模糊积分可看成目标属于某一特定类的最大置信程度。
进一步的，设X为一集合，
Figure 886037DEST_PATH_IMAGE024
是一函数，在
Figure 972942DEST_PATH_IMAGE025
和函数
Figure 508966DEST_PATH_IMAGE026
上关于模糊度量g的Sugeno模糊积分定义为：
Figure 415742DEST_PATH_IMAGE028
（6），
其中
Figure 570780DEST_PATH_IMAGE029
，当X是确定集合时，Sugeno积分的计算很容易得到。
本发明的有益效果是：
本发明与单一传感器识别相比，融合识别可以提高目标识别率，减少虚警和漏警。
本发明本专利根据可见光图像和SAR图像由于成像机理不同而对同一目标呈现不同特征的特点，提出了一种利用模糊融合进行目标识别的方法。从两幅图像中分别提取可疑目标，对可疑目标选择并提取有效特征，自定义模糊隶属度和模糊密度，用模糊理论进行融合得到目标属于真实目标的置信度，进而实现对目标的识别。
附图说明
图1是本发明的系统框图，
图2是对着天空采集的可见光图像，
图3是图2模糊化处理后的图，
图4是对着天空采集的SAR图像，
图5是图4模糊化处理后的图，
图6是图3和5融合后的图。
具体实施方式
本发明的基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，包括以下操作步骤：
步骤1：采集现场数据：采用可见光图像拍摄，采集可见图像，以及雷达SAR采集SAR图像；
步骤2：可疑目标提取：以步骤1采集到的可见光图像和SAR图像作为数据源，从数据源中提取可疑目标；
步骤3：可疑目标的特征提取：对可疑目标进行特征提取；
步骤4：对可疑目标的特征模糊化处理：设X={
Figure 138289DEST_PATH_IMAGE001
}，X表示目标特征集，模 糊测度的密度定义为函数g：
Figure 720580DEST_PATH_IMAGE002
即
Figure 708128DEST_PATH_IMAGE003
，
则确定集合的
Figure 525911DEST_PATH_IMAGE004
模糊度量表示为：
Figure 915304DEST_PATH_IMAGE005
（1），
Figure 934076DEST_PATH_IMAGE006
是任意目标特征集合X重要性的
Figure 815444DEST_PATH_IMAGE007
度量，当
Figure 224470DEST_PATH_IMAGE008
时，式(1)可写成：
Figure 874895DEST_PATH_IMAGE009
（2），
利用边界条件
Figure 798988DEST_PATH_IMAGE010
常数
Figure 26707DEST_PATH_IMAGE011
通过以下方程得到：
Figure 327239DEST_PATH_IMAGE012
（3），
模糊密度表示单个特征的作用程度，结果比单依靠隶属度函数进行融合更加准确可靠；
步骤5：模糊融合：把模糊密度与隶属度结合起来进行融合，具体为：
隶属度函数
Figure 753541DEST_PATH_IMAGE013
类似于0和1之间的值的概率分布，特征量在某一范围内均是目标， 其隶属度均为1，特征量大于某一范围，可以肯定不是目标，其隶属度为O；
Figure 677897DEST_PATH_IMAGE014
（4），
其中，
Figure 392912DEST_PATH_IMAGE030
为特征融合后第i个可疑目标属于真实目标的置信度，一般置信度大于设定 的阈值就可以判定其为真实目标，
Figure 497134DEST_PATH_IMAGE016
、
Figure 981205DEST_PATH_IMAGE017
分别为第i个可疑目标在第n个特征下的 隶属度和模糊密度；
把隶属度函数和模糊密度通过公式（4）的规则进行模糊融合，得到不同数据源的不同特征融合后，目标为真的模糊置信度。
为了进一步提高图像融合的可靠度，可在所述步骤3中继续增加模糊积分，具体过程为：
设 (X，B，g)是一个模糊度量空间并且
Figure 512680DEST_PATH_IMAGE018
是一个B可测量函数，关于模糊 度量g的choquet积分
Figure 714992DEST_PATH_IMAGE019
定义如下：
Figure 622905DEST_PATH_IMAGE020
（5），
其中，
Figure 102428DEST_PATH_IMAGE021
Figure 427973DEST_PATH_IMAGE022
，并且
Figure 992947DEST_PATH_IMAGE023
，模糊积分可看成目标属于某一特定类的 最大置信程度。
设X为一集合，
Figure 438972DEST_PATH_IMAGE024
是一函数，在
Figure 897635DEST_PATH_IMAGE025
和函数
Figure 770913DEST_PATH_IMAGE026
上关于 模糊度量g的Sugeno模糊积分定义为：
Figure 947816DEST_PATH_IMAGE032
（6），
其中
Figure 931953DEST_PATH_IMAGE029
，当X是确定集合时，Sugeno积分的计算很容易得到。
参见图2-6，可见数据源图像经过模糊化处理，特征变得清晰，再通过特征重合融合，特征更加突出，清晰可见，提高了识别的准确性，应用于天空中识别鸟类，大大提高识别的准确性，防止因为天气大雾，降低识别度，识别结果应用于指导机场鸟类的防患。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，其特征在于：包括以下操作步骤：
步骤1：采集现场数据：采用可见光图像拍摄，采集可见图像，以及雷达SAR采集SAR图像；
步骤2：可疑目标提取：以步骤1采集到的可见光图像和SAR图像作为数据源，从数据源中提取可疑目标；
步骤3：可疑目标的特征提取：对可疑目标进行特征提取；
步骤4：对可疑目标的特征模糊化处理：设X={
Figure 674932DEST_PATH_IMAGE001
}，X表示目标特征集，模糊 测度的密度定义为函数g：
Figure 187953DEST_PATH_IMAGE002
即
Figure 117732DEST_PATH_IMAGE003
，
则确定集合的
Figure 639980DEST_PATH_IMAGE004
模糊度量表示为：
Figure 214181DEST_PATH_IMAGE005
（1），
Figure 288316DEST_PATH_IMAGE006
是任意目标特征集合X重要性的
Figure 49599DEST_PATH_IMAGE007
度量，当
Figure 131382DEST_PATH_IMAGE008
时，式(1)可写成：
Figure 91248DEST_PATH_IMAGE009
（2），
利用边界条件
Figure 149334DEST_PATH_IMAGE010
常数
Figure 460229DEST_PATH_IMAGE011
通过以下方程得到：
Figure 386597DEST_PATH_IMAGE012
（3），
模糊密度表示单个特征的作用程度，结果比单依靠隶属度函数进行融合更加准确可靠；
步骤5：模糊融合：把模糊密度与隶属度结合起来进行融合，具体为：
隶属度函数
Figure 325603DEST_PATH_IMAGE013
类似于0和1之间的值的概率分布，特征量在某一范围内均是目标， 其隶属度均为1，特征量大于某一范围，可以肯定不是目标，其隶属度为O；
Figure 944803DEST_PATH_IMAGE014
（4），
其中，
Figure 618361DEST_PATH_IMAGE015
为特征融合后第i个可疑目标属于真实目标的置信度，置信度大于设定的阈 值就可以判定其为真实目标，
Figure 82840DEST_PATH_IMAGE016
、
Figure 17298DEST_PATH_IMAGE017
分别为第i个可疑目标在第n个特征下的隶属 度和模糊密度；
把隶属度函数和模糊密度通过公式（4）的规则进行模糊融合，得到不同数据源的不同特征融合后，目标为真的模糊置信度。
2.根据权利要求1所述的基于可见光图像和SAR图像的鸟类目标特征分析与提取方法，其特征在于：所述步骤4中还包括模糊积分，具体过程为：
设 (X，B，g)是一个模糊度量空间并且
Figure 433499DEST_PATH_IMAGE018
是一个B可测量函数，关于模糊 度量g的choquet积分
Figure 453407DEST_PATH_IMAGE019
定义如下：
Figure 596944DEST_PATH_IMAGE020
（5），
其中，
Figure 917067DEST_PATH_IMAGE021
Figure 2703DEST_PATH_IMAGE022
，并且
Figure 509908DEST_PATH_IMAGE023
，模糊积分可看成目标属于某一特定类的 最大置信程度。
3.根据权利要求2所述的基于可见光图像和SAR图像的鸟类目标特征分析与提取方法， 其特征在于：设X为一集合，
Figure 722714DEST_PATH_IMAGE024
是一函数，在
Figure 520513DEST_PATH_IMAGE025
和函数
Figure 386838DEST_PATH_IMAGE026
上 关于模糊度量g的Sugeno模糊积分定义为：
Figure 381338DEST_PATH_IMAGE028
（6），
其中
Figure 866678DEST_PATH_IMAGE029
，当X是确定集合时，Sugeno积分的计算很容易得到。
CN202011536107.XA 2020-12-23 2020-12-23 基于可见光图像和sar图像的鸟类目标特征分析与提取方法 Pending CN112257699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011536107.XA CN112257699A (zh) 2020-12-23 2020-12-23 基于可见光图像和sar图像的鸟类目标特征分析与提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011536107.XA CN112257699A (zh) 2020-12-23 2020-12-23 基于可见光图像和sar图像的鸟类目标特征分析与提取方法

Publications (1)

Publication Number Publication Date
CN112257699A true CN112257699A (zh) 2021-01-22

Family

ID=74225226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011536107.XA Pending CN112257699A (zh) 2020-12-23 2020-12-23 基于可见光图像和sar图像的鸟类目标特征分析与提取方法

Country Status (1)

Country Link
CN (1) CN112257699A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800935A (zh) * 2021-01-25 2021-05-14 山东大学 一种基于激光雷达的虫群轨迹预测和虫害防治效果评估设备及布设方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102762013A (zh) * 2012-05-10 2012-10-31 上海交通大学 温室led光源的智能控制系统
CN106960430A (zh) * 2017-03-17 2017-07-18 西安电子科技大学 基于分区域的sar图像与彩色可见光图像融合方法
CN111383192A (zh) * 2020-02-18 2020-07-07 清华大学 一种融合sar的可见光遥感图像去雾方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102762013A (zh) * 2012-05-10 2012-10-31 上海交通大学 温室led光源的智能控制系统
CN106960430A (zh) * 2017-03-17 2017-07-18 西安电子科技大学 基于分区域的sar图像与彩色可见光图像融合方法
CN111383192A (zh) * 2020-02-18 2020-07-07 清华大学 一种融合sar的可见光遥感图像去雾方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何贵青等: "多传感器图像融合效果综合评价研究", 《计算机学报》 *
沈景悦等: "一种基于模糊融合的遥感图像目标识别方法", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800935A (zh) * 2021-01-25 2021-05-14 山东大学 一种基于激光雷达的虫群轨迹预测和虫害防治效果评估设备及布设方法
CN112800935B (zh) * 2021-01-25 2022-04-15 山东大学 一种虫群轨迹预测和虫害防治效果评估设备的布设方法

Similar Documents

Publication Publication Date Title
Unlu et al. Using shape descriptors for UAV detection
CN109255286B (zh) 基于深度学习网络框架的无人机光学快速检测识别方法
US20190354772A1 (en) A method for foreign object debris detection
CN106546975B (zh) 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法
CN115034324B (zh) 一种多传感器融合感知效能增强方法
CN113253289A (zh) 基于激光雷达与视觉结合的无人机探测跟踪系统实现方法
CN112257699A (zh) 基于可见光图像和sar图像的鸟类目标特征分析与提取方法
Ajakwe et al. Adaptive drone identification and neutralization scheme for real-time military tactical operations
CN114139373B (zh) 一种面向无人机反制车的多传感器自动协同管理方法
Hwang et al. Aircraft detection using deep convolutional neural network in small unmanned aircraft systems
CN110796682A (zh) 运动目标的检测识别方法及检测识别系统
Chandana et al. Autonomous drones based forest surveillance using Faster R-CNN
Geyer et al. Prototype sense-and-avoid system for UAVs
CN111311640A (zh) 一种基于运动估计的无人机识别跟踪方法
CN114545414A (zh) 一种用于无人机防撞雷达的航迹管理方法
Wainwright et al. Fusion of morphological images for airborne target detection
CN109669180B (zh) 一种连续波雷达无人机检测方法
Khan et al. Translearn-yolox: Improved-yolo with transfer learning for fast and accurate multiclass uav detection
Li et al. Research on detection technology of autonomous landing based on airborne vision
CN113359847A (zh) 基于无线电遥感技术的无人机反制方法、系统和存储介质
CN113537198A (zh) 一种无人机图像采集时自动拍照的控制方法
CN111413681A (zh) 基于熵权法的飞行目标威胁度识别方法、系统和存储介质
CN112215902A (zh) 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法
Jan et al. Artificial neural networks in the filtration of radiolocation information
Hożyń et al. Detection of unmanned aerial vehicles using computer vision methods: a comparative analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210122

RJ01 Rejection of invention patent application after publication