CN112861877A - 一种基于飞行载体的红外简易图像识别方法 - Google Patents
一种基于飞行载体的红外简易图像识别方法 Download PDFInfo
- Publication number
- CN112861877A CN112861877A CN202110116534.0A CN202110116534A CN112861877A CN 112861877 A CN112861877 A CN 112861877A CN 202110116534 A CN202110116534 A CN 202110116534A CN 112861877 A CN112861877 A CN 112861877A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- value
- row
- column
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 claims abstract description 154
- 238000011156 evaluation Methods 0.000 claims abstract description 139
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000005855 radiation Effects 0.000 claims description 91
- 238000005070 sampling Methods 0.000 claims description 64
- 238000001914 filtration Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 39
- 230000003287 optical effect Effects 0.000 claims description 30
- 238000002474 experimental method Methods 0.000 claims description 28
- 230000000630 rising effect Effects 0.000 claims description 24
- 230000001174 ascending effect Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011157 data evaluation Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003331 infrared imaging Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 22
- 239000011295 pitch Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011896 sensitive detection Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
- G01J2005/106—Arrays
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
一种基于飞行载体的红外简易图像识别方法,其将红外扫描探测装置安装于回转型飞行载体上;在飞行过程中,对被测物体进行高速扫描并进行基础数据采集,并提取目标特征,采用特征评价识别算法进而识别被测目标对象。所述方法步骤如下:红外探测器(4)参与目标探测;对原始数据进行预处理得到滤波后的各敏感元有效数据用于探测目标的识别计算;完成有效数据的采集,并对数据进行判别计算;建立目标特征评价函数综合判别目标。本发明技术实施成本低,实时性好,对目标数据的要求明显降低;尤其适用于简易红外成像的低分辨率红外图像的处理及飞行载体与目标高速交会时快速目标识别的情况。其具有可预期的较为巨大的经济和社会价值。
Description
技术领域:
本发明涉及红外图像处理技术领域,特别提供了一种基于飞行载体的红外简易图像识别方法。
背景技术:
现有技术中,红外图像处理技术领域中的传统快门式的用于面阵探测图像且适用于较大像素的图像处理识别方法,如图像背景抑制算法、图像分割算法、图像边缘检测算法等存在如下问题:算法复杂;需要完整的目标数据才可进行识别;实时性差:当设备完整采集到目标数据时,飞行载体早已飞离目标,故不适用于简易红外成像的低分辨率红外图像的处理及飞行载体与目标高速交会时快速目标识别的情况。
因此,人们期望获得一种克服了前述缺点且具有可操作性的可适用的基于飞行载体的红外简易图像识别方法。
发明内容:
本发明的目的是提供一种红外简易图像识别方法,其将由高速电机驱动的红外扫描探测装置安装于回转型飞行载体上。在飞行过程中,通过对被测物体进行高速扫描的探测器中多个测量敏感单元进行基础数据采集,并在此基础上提取目标特征,采用有效的特征评价识别算法进而识别被测目标对象。
本发明一种基于飞行载体的红外简易图像识别方法,其将红外扫描探测装置1安装于回转型飞行载体上;在飞行载体的飞行过程中,通过对被测物体进行高速扫描的红外探测器4中的测量敏感单元进行基础数据采集,并在此基础上提取目标特征,采用有效的特征评价识别算法进而识别被测目标对象;
所述红外辐射探测目标测量方法具体包括如下步骤:
步骤一,红外扫描探测装置1中采用单探测器光机周向扫描方案,红外探测器4的光机转镜2安装在回转型飞行载体的对称轴上,装置外壁圆周方向设置有红外探测窗口3,高速扫描电机7驱动光机转镜2旋转,采集自外部的探测信息以光信号的形式经过光机转镜2、红外透镜6,最终投射到红外探测器4中,转换成电信号后经过信号处理电路5输出;
其中:红外探测器4由包括N个中波红外线阵探测敏感单元构成,完成自主扫描探测,N≥2;红外探测器4光机扫描和飞行载体的旋转相互独立,红外探测器4中参与目标探测的阵列数据由N个中波红外线阵探测敏感单元的采集数据交替更新得到;
步骤二,对高频采集的N个探测敏感单元原始数据进行预处理,具体包括下述内容:数据的峰值提取、中值平均法一次滤波、一阶滞后二次滤波;预处理后的数据用于构成目标探测的有效阵列;
①首先,同时采集红外探测器4中的N个探测敏感元内的不同信号,实现对载波信号的提取,分别对敏感元原始信号Yir(·)在不同采集周期内进行峰值提取,实现方法为:
其中,Yir(1),Yir(2),…,Yir(m1)为第i个敏感元单位采集周期内原始数据,i=1,2,...,N;m1为一个单位周期内原始信号的采样个数;为第i个敏感元在一个单位周期内峰值提取后的有效值,n1为新生成峰值数据的当前采样点序号;
②其次,采用中位值平均法对得到的周期峰值数据进行一次滤波,去除高频噪声,其表达式为:
③为进一步消除高频噪声影响,采用一阶滞后滤波法对数据进行二次滤波,数学表达式为:
步骤三,完成红外探测器4中的N个探测敏感元原始数据的预处理后,得到滤波后的各敏感元有效数据用于探测目标的识别计算;考虑到探测过程中,探测器敏感元在探测环境中会扫描环境背景和目标区域,需快速区分这两类区域内扫描的数据;在探测初期,采用“最小判别窗口”对探测环境的背景数据进行辨识;具体实现方法为:
设定判别窗口内固定采样点个数为w1,整个目标区内探测完整目标后的需要有效采样点个数为w2,判别窗口内,敏感元预处理后第1个有效数据所对应的采样时间点,记为初始采样时刻k0,数据开始采集;当有效数据从第1个积累到w1时,计算判别窗口内有效数据均值数据当前采样点序号为n4,公式为:
首先,区分探测环境背景数据和目标区数据;考虑到探测初期,首先采集的是探测环境的背景数据,通过与不同环境下的背景阈值数据进行比对,如果计算得到的敏感元均值误差值在预定范围,则认定所采集的数据是背景区的数据,计算公式为:
若当在允许的范围内,则认为当前红外探测器4扫描的区域为背景区域,此部分数据不做目标判别使用;继续采集,完成下一个判别窗口的数据采集,进行步骤三的判别,循环往复,直至大于最大允许误差此时认为红外探测器4脱离背景区域,要进行目标区域探测;
步骤四,在有效判别探测环境背景数据后,探测敏感元进入目标区域,红外探测器4扫描目标所得的数据是针对探测目标关键热区所获得的数据;飞行载体进入目标区后,红外探测器4在圆周方向上进行高速扫描,完成有效数据的采集,并对数据进行判别计算,最大程度保证有效数据更新与判别效率;
步骤五,建立目标特征评价函数综合判别目标:采用多种复合特征作为判别条件,进行信息融合,综合判别;提升单一目标特征值发生缺失,不确定条件下提高识别的准确率。
优选步骤四满足下述要求:在有效判别探测环境背景数据后,探测敏感元进入目标区域,红外探测器4扫描目标所得的数据是针对探测目标关键热区所获得的数据,该数据对应的图像是由红外探测器4中各敏感元在线阵排列方向和与之垂直扫描方向上的辐射电压值所构成的最小单位阵列上呈现,称之为“单位滑动窗口”;单位滑动窗口数据为mu×nu阵列数据,其中,mu表示滑动窗口阵列数据的“行数据”维数,nu为滑动窗口阵列数据的“列数据”维数,阵列数据中每个元素代表检测的红外辐射强度值R,作为识别的关键目标特征之一;
随着红外探测器(4)高速扫描,单个敏感元数据的更新方向为“列更新”,形成了滑动窗口中的“列数据”;对第1个敏感元到N个敏感元有效数据进行采集与更新,会依次得到从第1个敏感元到第N个敏感元的当前采样“列数据”,由这N个列数据构成了滑动窗口的“行数据”;定义滑动窗口中行数据的更新方向为“行方向”,“行方向”上相邻敏感单元间隔周期为T1;完成一次“行数据”的更新周期为T2;mu的数值由离线训练时完成一个完整目标所需的最小行数确定;
设定单个探测器敏感元的采样频率为f,mu的计算公式为:
mu=δ×f/10 (6)
式中,δ表示采样频率满足最高采样频率10MHz时,完成一个完整目标扫描所需的最小行数;
飞行载体进入目标区后,红外探测器4在圆周方向上进行高速扫描,首先完成了各敏感单元的“列更新”,当前采样时刻从1个到N个敏感元有效数据的采集,得到了第1行“行数据”;“列更新”完成后进行“行更新”,N个敏感元逐步采集数据,形成新的“行数据”,完成了行方向的数据更新;当行数据累计到mu维时,形成了第1个“单位滑动窗口”,所形成的“单位滑动窗口”数据由列和行数据构成;在滑动窗口内采用目标函数特征评价算法对目标进行有效判别;探测扫描过程在载体圆周方向和行进方向同时进行,红外探测器4扫描速度远大于载体行进速度,即载体行进过程中在0~360°圆周方向上扫描一次,载体在行进方向上移动一个螺距,此期间形成多个“单位滑动窗口”,数据采用先“列”后“行”方式进行更新;
随着红外探测器4在圆周方向的扫描,“单位滑动窗口”内数据“入一行,出一行”,完成“扫描方向”上的“行更新”;随着载体在行进方向移动,“单位滑动窗口”内数据“入一列,出一列”,完成“行进方向”的“列更新”。考虑到算法实时性,执行过程中,当载体在圆周方向扫描形成的“单位滑动窗口”中的更新行数>mu/2时,对更新后的“单位滑动窗口”的行列数据进行判别计算,最大程度保证有效数据更新与判别效率。
步骤五满足下述要求:其通过“单位滑动窗口”的“行”和“列”方向建立的目标特征评价函数综合判别目标;具体使用下述两种方法之一或其组合:
方法一:在“单位滑动窗口”内,采用“辐射强度”作为关键特征识别值进行目标判别。应用“先列后行”的原则进行目标特征评价函数运算。考虑到飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程,不同敏感元会依次得到探测目标敏感数据,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大;首先找到距离目标区最近敏感元,标记为Nr;此敏感元数据为mu×1维“列数据”,定义为“近目标敏感元列数据”,在该列数据中找到最大辐射值Rmax所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”;首先针对“近目标敏感元列数据”(mu×1维“列数据”),采用目标特征评价函数方法进行计算,得到“列方向”上目标特征评价函数评价估值。通过列方向上近敏感元的评价估值与对应的目标阈值对比,在“列方向”上评价目标;随后,在“单位滑动窗口”内,通过“核心行数据”(1×N维“行数据”),同样采用目标特征评价函数方法进行计算,得到“行方向”上目标特征评价函数评价估值。通过行方向上“核心行数据”评价估值与对应的目标阈值对比,在“行方向”上评价目标;当“列方向”上和“行方向”的目标特征评价估计值同时满足设定条件,即为有效识别目标;
方法二:在方法一“辐射强度”目标特征值的基础上,还采用“滑动窗口”中“近敏感元列数据”辐射强度曲线上升与下降区间段平均斜率和对应包络面积作为另外的关键特征进行判别;即采用多种复合特征作为判别条件,进行信息融合,综合判别;提升单一目标特征值发生缺失,不确定条件下提高识别的准确率。
所述基于飞行载体的红外简易图像识别方法中,采用滑动窗口目标特征评价函数法,在“单位滑动窗口”内将实时采集的有效数据通过行列数据的累积交替进行窗口更新;具体使用下述两种方法之一:
方法一中,具体要求如下:
①在“单位滑动窗口”内采用“先列后行”的原则进行运算:首先找到距离目标区最近敏感元Nr对应的数据为mu×1维“列数据”,定义为“近目标敏感元列数据”,列数据中每个数据值代表了检测的红外辐射强度值,在该列数据中找到最大辐射值Rmax所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”,对应的数据为1×N维的“行数据”;采用“近目标敏感元的列数据”和“核心行数据”参与后续运算;
②“单位滑动窗口”内采用目标特征函数评价方法探测目标特征值是否符合预定目标,其计算公式为:
定义“单位滑动窗口”内滑窗尺度为s;Js(k)表示滑窗尺度为s时,针对“近目标敏感元的列数据”和“核心行数据”方向上的数据,在“列方向”或“行方向”上建立的探测第k个目标特征评价函数计算值;“单位滑动窗口”内滑窗尺度s能够在“列方向”或“行方向”进行取值,“列方向”上的滑窗尺度表征了“近目标敏感元列数据”中参与评价的有效辐射信号特征点个数,可根据精度要求选择适当的值进行运算;“行方向”上的滑窗尺度表征了“核心行数据”中参与评价的有效辐射信号特征点个数,基于飞行载体的红外简易图像识别方法“行方向”包括固定的N列数据,其在[2,N/2]内进行取值;
n为“单位滑动窗口”移动的开始点,为“近目标敏感元的列数据”或者“核心行数据”上的有效数据;为特征识别函数;tj为所对应的采样时间,tj-1为tj上一时刻对应的采样时间;为通过经过多次标定与测试实验环境下测量的理想探测目标期望特征值;为特征识别函数值的二范数,表征了当前采样时刻的实际特征与期望特征的差异程度;
③为了避免个别特征点不匹配所带来的计算影响,算法中采用目标特征估计值评价以往时刻估值和相邻时刻计算误差的影响,其计算公式为:
式中:为当前时刻“列方向”或“行方向”上修正后目标特征评价函数估计值,为上一时刻目标评价函数估计值;Js(k)和Js(k-1)分别为相邻两个采样时刻目标特征评价函数计算值,Js(k)-Js(k-1)为相邻时刻计算误差的变化;α为设置的权重,表征了对目标特征评价函数估计值和相邻时刻计算变化值分配的权重;
④在选定的“近目标敏感元的列数据”和“核心行数据”上,在“行方向”和“列方向”上得到了目标特征评价函数估计值,随着目标特征评价函数估计值不断更新,分别与对应“行”和“列”方向上的目标阈值进行比对,目标阈值能由标定实验过程得到的样本数据综合计算;其中:“行方向”上得到的各阈值误差为Δi,“列方向”上得到的各阈值误差为Δj;实际运算中,当“行方向”和“列方向”上阈值误差最小值Δi,min,Δj,min的绝对值与目标阈值比值百分比同时满足≤20%的设定条件时,即认定为真实目标;
方法二中,满足下列要求:
除了采用辐射强度信号作为判别目标的特征,还采用“近目标敏感元列”mu×1维列数据的辐射强度上升与下降区间段平均斜率和对应的包络面积作为另外的关键特征;
①针对“近目标敏感元列数据”中第1个到第mu个元素值反映了目标辐射强度的变化,辐射强度变化由小变到最大值后再变小,幅度强度区间分为上升区间段和下降区间段;设定相邻时刻距离目标最近敏感元上的有效值为计算的曲线斜率G(j)为:
tj+1和tj为对应的相邻采样时间点;
③对应的有效辐射变化曲线上升段和下降段所包络的近似面积,计算公式为:
Au为上升沿包络总面积;Ad为下降沿包络总面积;
采用离线的标定与测试实验,对真实探测环境下易出现的红外相似目标和真实识别目标进行采样对比;每个目标特征值识别结果为识别和未识别两种情况,前述两种情况被分别定义为H1,H2;目标识别结果为E={H1,H2},表征了识别与未识别两种场景情况下的可能性;
为避免单一目标特征值对目标的误识别,提升在单个特征信号发生缺失,不确定条件下提高识别的准确率,信息融合过程中实现不同特征值的信源组合,特征值数为q,其中q∈[1,6],目标特征值结果的识别率P(Sq);
在目标特征值识别结果为识别,既H1发生的条件下,分别求得“近目标敏感元列数据”和“核心行数据”对应的目标评价函数、“近目标敏感元列数据”中辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积结果的条件识别概率,分别记为P(H1/S1)、P(H1/S2)、P(H1/S3)、P(H1/S4)、P(H1/S5)、P(H1/S6);
⑤方案采用包括“近目标敏感元列数据”和“核心行数据”对应的目标评价函数、“近目标敏感元列数据”中辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积共6个目标特征值作为目标判别值,进行信息融合,综合判别;考虑场景H1的每个特征值Sq的概率分布为P(H1/Sq),由信源融合,给出探测目标的识别概率P(H1)为:
多个目标特征值进行信源融合后识别概率要求≥70%的设定值,目标特征值个数≥2。
根据上述6个特征信号带入式(14)进行信源融合,求得确定为识别目标的识别概率P(H1)。
所述基于飞行载体的红外简易图像识别方法中,搭建了嵌入式红外目标识别系统,该方案只用了一个包括N个探测敏感单元的红外探测器,根据上述6个特征信号带入式(14)进行信源融合,即可求得确定为识别目标。其技术应用成本明显较低;具有良好的可操作性;
识别算法依托的硬件系统可以采用“ARM+FPGA”架构,将ARM与FPGA集成在一块芯片之内,相比于传统的多芯片异构结构,这种结构能够大大节省系统的空间,降低系统的功耗,使嵌入式系统能够实现小型化、轻量化,同等条件下延长嵌入式系统的续航时间。
ARM+FPGA架构中一部分是以ARM处理器为核心的PS端,另一部分是以FPGA可编程逻辑为核心的PL端,PS与PL之间的互联是通过ARM的AXI接口来实现。其中ARM硬核的主频率为767MHz,FPGA主频率为250MHz,配备了HDMI、USB等输入输出接口用于红外目标特征的采集与处理结果显示。嵌入式系统通过软硬件协同设计方法进行资源优化与合理配置,根据各模块的不同特性,将各个模块合理地分配在ARM与FPGA端。采用所提算法在嵌入式系统中进行了实验验证。为保证不同敏感元数据的实时采集,系统采用16位8通道AD 7606用于敏感元模拟数据采集;在PL中构建定制了关于AD的IP核,各敏感元的预处理滤波算法IP核;在ARM端,定制目标识别算法,系统搭建的硬件架构能够保证红外目标识别的实时性和准确性。
本发明所述一种基于飞行载体的红外简易图像识别方法,其具有技术实施成本低、技术效果优良的突出特点,其具有明显更好的实时性,且对目标数据的要求明显降低;相对于现有技术而言,本发明依据现有技术即可以使用并不很复杂的算法较好地实现其技术目的;其尤其适用于简易红外成像的低分辨率红外图像的处理及飞行载体与目标高速交会时快速目标识别的情况。其具有可预期的较为巨大的经济和社会价值。
附图说明:
图1为基于飞行载体的红外简易图像识别方法的装置构成示意图;
图2红外扫描探测装置内部示意图;
图3红外扫描方案示意图;
图4“滑动窗口”目标特征评价识别方法示意图;
图5算法流程控制图;
图6某典型目标红外探测的有效数据;
图7滑动窗口“近目标敏感元的列数据”的辐射电压值;
图8滑动窗口“核心行数据”的辐射电压值;
图9实施例1单次测试实验“近敏感元列数据”目标特征评价函数估值;
图10实施例1单次测试实验“核心行数据”目标特征评价函数估值;
图11不同目标“近敏感元列数据”目标特征评价函数估值样本分布图;
图12实验测试样本数据;
图13某敏感元原始数据和预处理后数据;
图14实施例2多次测试实验中“近敏感元列数据”目标特征评价函数估值;
图15实施例2多次测试实验中“核心行数据”目标特征评价函数估值。
具体实施方式:
附图标记含义及附图的辅助说明:
红外扫描探测装置1、光机转镜2、红外探测窗口3、红外探测器4、信号处理电路5、红外透镜6、高速扫描电机7。
附图1中,高速旋转的光机转镜2绕与红外扫描探测装置1轴线平行甚至重合的轴线旋转以便透过红外探测窗口3采集外部探测信息的光信号;
附图2中,光机转镜2由高速扫描电机7驱动进行高速旋转。所采集外部探测信息的光信号经光机转镜2反射后,经过与之倾角对应的环形红外透镜6发送至红外探测器4接收,由信号处理电路5将光信号转化为电信号;
附图3中,载体飞行方向为红外扫描探测装置1沿轴线的行进方向;扫描方向为光机转镜2旋转方向;实线区域为目标区,由热源中心位置沿四周发射能量,目标区域内电信号值依据与热源中心的距离逐渐降低;长方形虚线区域为扫描区,表示光机转镜2旋转一周所采集转化后的辐射信号值,由红外探测器4中8个敏感探测单元简记为敏感元采得的辐射信号值构成,由ch1到ch8表示;扫描区1、2、3表示相邻螺距内红外扫描探测装置1的沿飞行方向形成的不同扫描数据阵列;螺距表示光机转镜2旋转一周时红外扫描探测装置1的飞行距离。红外扫描探测装置1安装于飞行载体下,红外扫描探测装置1的轴线方向与飞行载体的行进方向平行,在飞行过程中光机转镜2沿与飞行方向平行的轴心高速旋转,每旋转一周形成一个扫描数据阵列区域;扫描背景区时,所得辐射信号值由空心圆圈表示;扫描区域覆盖到目标区时,所得到的信号值与背景区域辐射信号强度值存在较大差异,以实心圆圈表示;
附图4为飞行载体进入目标区后,红外探测器4在圆周方向上进行高速扫描,在某一扫描区由探测器中各敏感元在线阵排列方向和与之垂直扫描方向上的辐射电压值所构成阵列图像数据。其中,用于判别的最小单位阵列为“单位滑动窗口”,在“单位滑动窗口”内,依据不同敏感元距离目标核心区的远近,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大,记为“近目标敏感元列数据”,在该列数据中找到最大辐射值所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,此行数据定义为“核心行数据”;通过“近目标敏感元列数据”和对应“核心行数据”进行红外目标特征判别;
图5为,在单位滑动窗口内,采用“单特征”目标特征评价函数评价和“多特征”信源组合识别的控制流程图;
图6中,为飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程中,红外探测器4在圆周方向和行进方向上扫描后,根据采样频率为10MHz的真实数据采集的整体红外辐射电压值参数,以扫描器选择转单圈周期为x轴,以行进方向的像元数为y轴,以辐射电压值为z轴。选择0.02ms×333行数据=6.67ms作为y轴宽度,既扫描器在旋转一周6.67ms内所采集的像元数,绘制目标附近范围内信号图像,数据的大小代表着辐射电压值,即辐射强度的不同,幅值较为平坦的部分为背景区,幅值较大的凸起部分为目标热区电压辐射值;
图7中,为“单位滑动窗口”内“近敏感元列数据”采集得到的有效辐射电压值;图8中,为“单位滑动窗口”内“核心行数据”采集得到的有效辐射电压值;图9中,为对应实施1中单次测试实验“单位滑动窗口”内“近敏感元列数据”经目标特征评价函数计算后得到的评价估计值;图10中,为对应实施1中单次测试实验“单位滑动窗口”内“核心行数据”经目标特征评价函数计算后得到的评价估计值;图11中,为不同目标“近敏感元列数据”目标特征评价函数估值样本分布图;图12实验测试数据,针对目标,红外探测器4在圆周和行进方向扫描后得到的各敏感元有效样本数据;图13某敏感元预处理后的有效数据,针对某敏感元的原始数据进行峰值预处理后的数据;图14中,多次测试实验中在“单位滑动窗口”内“近敏感元列数据”经目标特征评价函数计算后得到的评价估计值;图15中,多次测试实验中在“单位滑动窗口”内“核心行数据”经目标特征评价函数计算后得到的评价估计值。
实施例1
一种基于飞行载体的红外简易图像识别方法,其具体是针对掠飞式飞行载体上安装的光学超环面的无盲区红外探测器光机设备的红外识别。红外探测装置外部示意图如图1,围绕中心轴共有6个红外探测窗口3,呈六棱柱式。在中心处置有一个可旋转的光机转镜2,由高速扫描电机7驱动的红外扫描探测装置1安装于回转型飞行载体上。在飞行过程中,通过对被测物体进行高速扫描的红外探测器4中8个中波红外线阵探测敏感单元进行基础数据采集,并在此基础上提取目标特征,采用有效的特征评价识别算法进而识别被测目标对象。
红外扫描探测装置1中采用单探测器光机周向扫描方案,红外探测器4的光机转镜2安装于回转型飞行载体的对称轴上,装置外壁圆周方向均匀布置有红外探测窗口3,高速扫描电机7驱动光机转镜2旋转,采集外部探测信息的光信号经过光机转镜2,红外透镜6,投射到红外探测器4中,转换成电信号后经过信号处理电路5输出。红外探测器4由包括8个中波红外线阵探测敏感单元构成,完成自主扫描探测。红外探测器光机扫描和飞行载体的旋转相互独立,红外探测器4中参与目标探测的阵列数据由8探测敏感单元的采集数据交替更新得到,见图1,2。
单探测器光机周向扫描方案的特点是红外扫描探测为自主扫描探测,不受制于飞行载体的旋转状态,光机扫描和飞行载体的旋转相互独立,红外探测器只有一个,包含8个敏感元,即只有8个红外探测通道,后级的信号放大调理电路也只需要8路,电路简单了许多,电路的功耗也降低了很多,信号处理电路需要处理的数据量也不大,此方案中的功耗大户是扫描电机,转速越高,功耗越大。另外,该方案只用了一个8元的红外探测器,探测装置红外探测器件的成本较低。
单次采样采集信息:红外探测器4内置的8个敏感元沿飞行方向分布,在单次扫描周期内对每个敏感元高速采集的数据经峰值处理、一次,二次滤波等预处理后作为有效数值。最终得到8个有效数值,反映了探测目标的红外信号强度。
驱动转镜2的高速电机的旋转速度为150r/s,扫描频率为50KHz,设定载体最大飞行速度为250m/s,故转镜2旋转一圈时间为6.7ms,载体飞行距离为1.67m,实际扫描频率为333次/圈,即转镜2旋转一周内,探测器得到了333×8个扫描数据。定义沿飞行方向上,敏感元ch1到敏感元ch8依次排布,随着载体的飞行,最接近目标的敏感元为ch8。红外扫描方案示意见图3,图中载体飞行方向为红外扫描探测装置1沿轴线的行进方向;扫描方向为光机转镜2旋转方向;实线区域为目标区,由热源中心位置沿四周发射能量,目标区域内电信号值依据与热源中心的距离逐渐降低;长方形虚线区域为扫描区,表示光机转镜2旋转一周所采集转化后的辐射信号值,由红外探测器4中8个敏感探测单元(简记为敏感元)采得的辐射信号值构成,由ch1到ch8表示;扫描区1、2、3表示相邻螺距内红外扫描探测装置1的沿飞行方向形成的不同扫描数据阵列;螺距表示光机转镜2旋转一周时红外扫描探测装置1的飞行距离。红外扫描探测装置1安装于飞行载体下,红外扫描探测装置1的轴线方向与飞行载体的行进方向平行,在飞行过程中光机转镜2沿与飞行方向平行的轴心高速旋转,每旋转一周形成一个扫描数据阵列区域;扫描背景区时,所得辐射信号值由空心圆圈表示;扫描区域覆盖到目标区时,所得到的信号值与背景区域辐射信号强度值存在较大差异,以实心圆圈表。
算法首先对各敏感元采集得到的原始数据进行预处理,主要包括数据的峰值提取,中位值平均法滤波,一阶滞后滤波等。
①首先,同时采集8个敏感元内的不同信号,实现对载波信号的提取,分别对敏感元原
始信号Yir(·)在不同采集周期内进行峰值提取,实现方法为:
其中,Yir(1),Yir(2),…,Yir(m1)为第i个敏感元单位采集周期内原始数据,i=1,2,...,8;m1为1个单位周期内原始信号的采样个数,取值为23;为第i个敏感元在1个单位周期内峰值提取后的有效值,n1为新生成峰值数据的当前采样点序号;
②其次,采用中位值平均法对得到的周期峰值数据进行一次滤波,去除高频噪声,其表达式为:
③为进一步消除高频噪声影响,采用一阶滞后滤波法对数据进行二次滤波,数学表达式为:
完成各敏感元原始数据的预处理后,得到滤波后的各敏感元有效数据用于探测目标的识别计算,针对某敏感元的原始数据进行峰值预处理后的数据见图13。考虑到探测过程中,探测器敏感元在探测环境中会扫描环境背景数据和目标区数据,需快速区分这两类数据;在探测初期,采用“最小判别窗口”对探测环境的背景数据进行辨识。具体实现方法为:
设定判别窗口内固定采样点个数为w1,实例中w1取值为25;判别窗口内,敏感元预处理后第1个有效数据所对应的采样时间点,记为初始采样时刻k0,数据开始采集;当有效数据从第1个积累到w1时,计算判别窗口内有效数据均值数据当前采样点序号为n4,公式为:
首先区分探测环境背景数据和目标区数据。考虑到探测初期,首先采集的是探测环境的背景数据,通过与不同环境下的背景阈值数据进行比对,如计算得到的敏感元均值误差值在预定范围,则认定所采集的数据是背景区的数据,计算公式为:
表征了在最小判别窗口内N个探测敏感元的平均辐射强度与预先标定的环境阈值的差异程度。当在允许的范围内,认为当前红外探测器4扫描的区域为背景区域,此部分数据不做目标判别使用;继续采集,完成下一个判别窗口的数据采集,进行判别,循环往复,直至大于最大允许误差认为红外探测器4脱离背景区域,进行目标区域探测,式中N=8。针对某测试样本,8个探测敏感元的背景阈值数据为:
根据离线测试实验,设置如小于最大允许误差则认为在背景区域;如大于最大允许误差则认为脱离背景区域,进行目标区域探测。算法在实现过程中,可针对不同的测试环境,进行离线测试,预先确定各环境背景下的背景阈值及最大允许误差。
探测过程中,探测器敏感元在探测环境中会扫描环境背景和目标区域,在探测初期,采用“最小判别窗口”对探测环境的背景数据进行辨识。进入到目标区域后,采用“单位滑动窗口”目标特征评价函数方法对目标进行识别,“滑动窗口”目标特征评价识别方法示意见图4,图4为飞行载体进入目标区后,红外探测器4在圆周方向上进行高速扫描,在某一扫描区由探测器中各敏感元在线阵排列方向和与之垂直扫描方向上的辐射电压值所构成阵列图像数据。其中,用于判别的最小单位阵列为“单位滑动窗口”,在“单位滑动窗口”内,依据不同敏感元距离目标核心区的远近,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大,记为“近目标敏感元列数据”,在该列数据中找到最大辐射值所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,此行数据定义为“核心行数据”;通过“近目标敏感元列数据”和对应“核心行数据”进行红外目标特征判别。
方法一:在“单位滑动窗口”内,首先采用“辐射强度”作为关键特征识别值进行目标判别。应用“先列后行”的原则进行目标特征评价函数运算。考虑到飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程,不同敏感元会依次检测探测目标敏感数据,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大;首先找到距离目标区最近敏感元,标记为Nr;此敏感元数据为mu×1维“列数据”,定义为“近目标敏感元列数据”,在该列数据中找到最大辐射值Rmax所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”;首先针对“近目标敏感元列数据”(mu×1维“列数据”),采用目标特征评价函数方法进行计算,得到“列方向”上目标特征评价函数评价估值。通过列方向上近敏感元的评价估值与对应的目标阈值对比,在“列方向”上评价目标;随后,在“单位滑动窗口”内,通过“核心行数据”(1×N维“行数据”),同样采用目标特征评价函数方法进行计算,得到“行方向”上目标特征评价函数评价估值。通过行方向上“核心行数据”评价估值与对应的目标阈值对比,在“行方向”上评价目标;当“列方向”上和“行方向”的目标特征评价估计值同时满足设定条件,即为有效识别目标;
方法二:在方法一“辐射强度”目标特征值的基础上,还采用“滑动窗口”中“近敏感元列数据”辐射强度曲线上升与下降区间段平均斜率和对应包络面积作为另外的关键特征进行判别,整个识别方法的具体流程如图5。针对某模拟目标,红外探测的有效数据结果如图6。图6中红外探测器4在圆周方向和行进方向上扫描后,根据采样频率为10MHz的真实数据采集的整体红外辐射电压值参数,以扫描器选择转单圈周期为x轴,以行进方向的像元数为y轴,以辐射电压值为z轴。选择0.02ms×333行数据=6.67ms作为y轴宽度,既扫描器在旋转一周6.67ms内所采集的像元数,绘制目标附近范围内信号图像,数据的大小代表着辐射电压值,即辐射强度的不同,较为平坦的部分为背景区,幅值较大的凸起部分为目标热区电压辐射值;
划分“单位滑动窗口”:在有效判别探测环境背景数据后,探测敏感元进入目标区域,红外探测器4扫描目标所得的数据是针对探测目标关键热区所成的数据,该图像是由红外探测器5在线阵排列方向和与之垂直扫描方向上的辐射电压值所构成的最小单位阵列上呈现,称之为“单位滑动窗口”。单位滑动窗口数据为mu×nu阵列数据,R代表检测的红外辐射强度值,作为识别的关键目标特征之一;其中,nu为滑动窗口阵列数据的“列数据”,维数为8,代表8个探测敏感单元;随着红外探测器4高速扫描,首先完成从1元到8元敏感元有效数据的采集与更新,依次得到从1元到8元敏感元的列数据,构成了“单位滑动窗口”的行数据,“行方向”上相邻敏感单元间隔周期为T1,T1≤5μs;完成一次“行数据”的更新周期为T2,T2≤20μs;mu的维数可由离线训练时完成一个完整目标所需的最小行数确定。设定单个探测器敏感元的采样频率为f,mu的计算公式为:
mu=δ×f/10 (6)
式中,mu为滑动窗口的“行数据”;δ表示采样频率满足最小采样频率10MHz时,离线时完成一个完整目标所需的最小行数。实例中单个探测器敏感元的采样频率f取为0.05MHz,经实验测算δ取值为5000,解得mu为25,扫描25组数据用时为500μs,此时载体飞行距离为0.125m。
进入目标区后,首先完成当前采样时刻从1个到8个敏感元有效数据的采集,得到了第1行“行数据”;随着红外探测器4扫描,8个敏感元逐步采集数据,形成新的“行数据”,完成了行方向的数据更新;当行数据累计到25维时,形成了第1个“单位滑动窗口”,在滑动窗口内采用目标函数特征评价算法对目标进行有效判别;随着红外探测器4在圆周方向上的高速扫描,首先完成了个敏感单元的“列更新”,“列更新”完成后进行“行更新”,所形成的“单位滑动窗口”数据由列和行数据构成;探测扫描过程在载体圆周方向和行进方向同时进行,由于红外探测器4扫描速度远大于载体行进速度,即载体行进过程中的在0-360°圆周方向扫描一次,载体在行进方向移动一个螺距,此期间形成多个“单位滑动窗口”,数据采用先“列”后“行”方式进行更新。考虑到算法实时性,执行过程中,当载体在圆周方向扫描形成的“单位滑动窗口”中的更新行数>12时,对更新后的“单位滑动窗口”的行列数据进行判别计算,最大程度保证有效数据更新与判别效率。
选定的“单位滑动窗口”包括25×8阵列数据。采用“辐射强度”作为关键特征识别值进行目标判别。应用“先列后行”的原则进行目标特征评价函数运算。考虑到飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程,不同敏感元会依次检测探测目标敏感数据,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大;距离目标区最近敏感元为第8个敏感元ch8;此敏感元上的数据为25×1维“列数据”,定义为“近目标敏感元列数据”,其辐射电压值结果见图7,图中的辐射电压值变化反应了检测目标的辐射电压变化,最大的辐射电压值为2.28V;在该列数据中找到最大辐射值2.28V所对应的具体“列”位置为第3个,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”,其辐射电压值结果见图8,由图可见,距离目标最近的第8个敏感元ch8的电压辐射值最大;首先针对“近目标敏感元列数据”,采用目标特征评价函数方法进行计算,得到“列方向”上目标特征评价函数评价估值。通过列方向上第8个敏感元ch8(25×1维“列数据”)的评价估值与对应的目标阈值对比,在列方向上评价目标;随后,在“单位滑动窗口”内,通过“核心行数据”(1×8维“行数据”),同样采用目标特征评价函数方法进行计算,得到“行方向”上目标特征评价函数评价估值。通过“行方向”上各敏感元评价估值与对应的目标阈值对比,在“行方向”上评价目标。
“单位滑动窗口”内采用“近目标敏感元列数据”目标特征函数评价方法探测目标特征值是否符合预定目标,其计算公式为:
Js(k)表示滑窗尺度为s时,针对近目标敏感元的“列数据”和“核心行”方向上数据,在“列方向”或“行方向”上建立的探测第k个目标特征评价函数计算值;“单位滑动窗口”内滑窗尺度s可在“列方向”或“行方向”进行取值;n为“单位滑动窗口”移动的开始点;为近目标敏感元的“列数据”或者“核心行数据”上的有效数据;为特征识别函数,可取为线性函数tj为所对应的采样时刻;为通过经过多次标定与测试实验环境下测量的理想探测目标期望特征值;表征了当前采样时刻的实际特征与期望特征的差异程度。本实例中mu取值为25,既“近目标敏感元的列数据”计算时取k=1,2,...,22,以滑窗尺度s=4,n=1,采样频率50KHz下,“近目标敏感元的列数据”的更新时间为20μs,时间间隔tj-tj-1=20×10-6s带入函数进行计算;核心“行”方向上数据计算时取k=1,2,...,6,以滑窗尺度s=3,n=1,“行方向”上相邻敏感单元时间间隔tj-tj-1=2.86×10- 6s带入函数进行计算。
为了避免个别特征点不匹配所带来的计算影响,算法中采用特征值估计值评价以往时刻估值和相邻时刻计算误差的影响,其计算公式为:
式中为当前时刻“列方向”或“行方向”上修正后目标特征评价函数估计值,为相邻时刻的上一个目标评价函数估计值Js(k);和Js(k-1)分别为相邻两个采样时刻目标特征评价函数计算值,Js(k)-Js(k-1)为相邻时刻计算误差的变化,α为设置的权重,表征了对目标特征评价函数估计值和相邻时刻计算变化值分配的权重,α=0.85。针对某测试实验样本,“近目标敏感元的列数据”和“核心行数据”带入目标特征函数后输出值带入式(8),“近目标敏感元的列数据”目标特征函数估值最小值为0.14×10-3,“核心行数据”目标特征函数估值最小值为0.057×10-4,所得结果分别见图9及图10。
在选定的“近目标敏感元的列数据”和“核心行数据”上,在“行方向”和“列方向”上得到了目标特征评价函数估计值,随着目标特征评价函数估计值不断更新,分别与对应“行”和“列”方向上的目标阈值进行比对,目标阈值可由标定实验过程得到的样本数据综合计算;其中,“行方向”上得到的各阈值误差为Δi,“列方向”上得到的各阈值误差为Δj,实际运算时,为保证判别的准确度,离线计算的目标阈值会根据在多次检测同一检测目标阈值的均值来确定。当“行方向”和“列方向”上阈值误差最小值Δi,min,Δj,min的绝对值与目标阈值比值百分比同时满足≤20%的设定条件时,即认定为真实目标。以“辐射强度”目标特征值作为特征判别,判别步骤中其最小值在设定的阈值的规定的误差范围内。针对某测试目标样本数据,其中,“行方向”目标阈值选选定为0.06×10-4,“列方向”上阈值目标阈值选选定为0.15×10-3;“核心行数据”目标特征函数估值最小值为0.057×10-4,“近目标敏感元的列数据”目标特征函数估值最小值为0.14×10-3;“行方向”和“列方向”上阈值误差最小值Δi,min,Δj,min的绝对值为0.003×10-4,0.01×10-3,其与目标阈值比值百分比分别为5%,6.7%,满足≤20%的设定条件,目标识别。
除了采用辐射强度信号作为判别目标的特征,还采用近目标敏感元列的辐射强度上升与下降区间段平均斜率和对应的包络面积作为另外的关键特征进行判别。即采用多种复合特征作为判别条件,进行信息融合,综合判别。
对应的有效辐射变化曲线上升段和下降段所包络的近似面积,计算公式为:
Au为上升沿包络总面积;Ad为下降沿包络总面积。针对某测试实验样本数据, Au=3.29,Ad=6.6,对比预先确定的真实目标的各参数设定值,确定各计算值所对应真实目标的概率分别为82%、80%、84.7%、82.5%。
采用离线的标定与测试实验,对真实探测环境下易出现的红外相似目标,真实识别目标进行采样对比。目标识别结果分为E={H1,H2},表征了识别与不识别两种场景情况下的可能性。为避免单一目标特征值对目标的误识别,提升在单个特征信号发生缺失,不确定条件下提高识别的准确率,信息融合过程中实现不同特征值的信源组合,特征值数为6,目标特征值结果的识别率P(Sq),分别记为P(H1/S1)、P(H1/S2)、P(H1/S3)、P(H1/S4)、P(H1/S5)、P(H1/S6)。
本实例中目标的“近敏感元列数据”目标特征评价函数估值最小值为0.14×10-3。针对不同的三个目标,每个目标各取30个样本数据进行测试,以“近敏感元列数据”目标特征评价函数估值进行评价,分别计算识别概率,测试结果见表1,这对本领域的其他相关具体技术应用也具有重要参考价值。
表1 不同目标“近敏感元列数据”目标特征评价函数估值识别概率表
考虑场景H1的每个特征值Sq的概率分布为P(H1/Sq)。由信源融合,给出探测目标的识别概率为:
根据上述6个特征信号带入式(14)进行信源融合,可求得确定为识别目标的识别概率P(H1)。目标概率大于70%时,可确定为目标;小于70%时,可确定为非目标。
以“近敏感元列数据”目标特征评价函数估值为例,对不同特征目标试验结果见图11。通过“近敏感元列数据”目标特征评价函数估值(图12)与测试表1比对,可得“近敏感元列数据”目标特征评价函数估值的识别概率为96%。对于其他5个目标评价特征,通过对比离线实验确定的真实目标的各参数设定值,对比原理同上,确定其他特征信号源识别概率分别为93.1%、82%、80%、84.7%、82.5%,经6个特征值进行信源融合计算,带入式(14),目标的识别概率P(H1)为86.4%,大于70%的设定值,故认定为真实目标。
实施例2
一种基于飞行载体的红外简易图像识别方法,为简化判别步骤,保证算法的实时性,实施例2中,在“单位滑动窗口”内,采用单一“辐射强度”作为关键特征识别值进行目标判别。应用“先列后行”的原则进行目标特征评价函数运算。考虑到飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程,通过“近目标敏感元列数据”和“核心行数据”,采用目标特征评价函数方法进行计算,得到“列方向”和“行方向”上目标特征评价函数评价估值。通过评价估值与对应的目标阈值对比,当“列方向”上和“行方向”的目标特征评价估计值同时满足设定条件,即为有效识别目标;
地面综合测试系统中采用高频数据采集卡实现数据采集,嵌入式系统中采用A/D采集芯片完成敏感元数据解析与处理。为测试识别算法在嵌入式平台的有效性,实验数据来源于真实外场实验数据。为与实际平台采集频率一致,采集频率设置为50KHz,即每20μs更新敏感元数据。
测试过程中,从大于100万行,8列的不同测试实验阵列数据中每200组数提取一组有效数字设置为嵌入式平台用实验模拟数组,分别在PC端对实验数据及模拟数组共进行8组试验,采集的实验样本数据见图12。
测试样本中选定的“单位滑动窗口”包括25×8阵列数据,距离目标区最近敏感元为第8个敏感元ch8;此敏感元上的数据为25×1维“列数据”,定义为“近目标敏感元列数据”,最大的辐射强度值为2.28V,对应的核心行为376548行,此行数据定义为“核心行数据”。首先在“列方向”上计算目标特征评价计算值,其计算公式为:
“单位窗口内”,滑窗尺度s=4,n=1,可计算求得22个Js(k)(k=1,2,...22),时间间隔tj-tj-1=20×10-6s。
为了避免个别特征点不匹配所带来的计算影响,算法中采用特征值估计值评价以往时刻和相邻时刻评估计算误差的影响,其计算公式为:
式中为当前时刻“列方向”或“行方向”上修正后目标特征评价函数估计值,为相邻时刻的上一个目标评价函数估计值Js(k);和Js(k-1)分别为相邻两个采样时刻目标特征评价函数计算值,Js(k)-Js(k-1)为相邻时刻计算误差的变化,α为设置的权重,表征了对目标特征评价函数估计值和相邻时刻计算变化值分配的权重,α=0.85。某次测试样本中,将近目标敏感元的“列数据”带入目标特征函数后输出值带入式(8),“近目标敏感元的列数据”目标特征函数估值最小值为0.14×10-3。
“核心行数据”也带入到特征评价函数进行计算,核心“行”方向上数据计算时取k=1,2,...,6,以滑窗尺度s=3,n=1,时间间隔tj-tj-1=2.86×10-6s带入函数进行计算,进一步计算特征评价函数估计值,“核心行数据”目标特征函数估值最小值为0.057×10-4。
随着目标特征评价函数估计值不断更新,分别与对应“行”和“列”方向上的目标阈值进行比对,目标阈值可由标定实验过程得到的样本数据综合计算;其中,“行方向”目标阈值选选定为0.06×10-4,“列方向”上阈值目标阈值选选定为0.15×10-3;分别对同一探测目标进行3组测试试验,3组试验中,“行方向”目标特征评价函数估计值分别为0.057×10-4、0.063×10-4、0.061×10-4,测试结果见图15;“列方向”目标特征评价函数估计值分别为0.14×10-3、0.142×10-3、0.149×10-3,测试结果见图14。三组“行方向”和“列方向”上阈值误差最小值Δi,min,Δj,min的绝对值与目标阈值比值百分比分别为5%、6.7%;5%、5.3%;1.6%、0.7%,满足≤20%的设定条件,目标识别。
实施例3
对应的有效辐射变化曲线上升段和下降段所包络的近似面积。计算公式为:
Au为上升沿包络总面积;Ad为下降沿包络总面积,带入测试样本后,得Au=3.29,Ad=6.6。
采用离线的标定与测试实验,对真实探测环境下易出现的红外相似目标,真实识别目标进行采样对比。每个目标特征值识别结果为识别和未识别两种情况,分别定义为H1,H2。目标识别结果分为E={H1,H2},信息融合过程中实现不同特征值的信源组合,特征值数为4,目标特征值结果的识别率P(Sq),分别记为P(H1/S1)、P(H1/S2)、P(H1/S3)、P(H1/S4),各特征信号源识别概率分别为82%、80%、84.7%、82.5%。
针对近目标敏感元列方向辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积共4个目标特征值作为目标判别值,进行信息融合,综合判别;考虑场景H1的每个特征值Sq的概率分布为P(H1/Sq)。由信源融合,给出探测目标的识别概率为:
根据上述4个特征信号带入式(14)进行信源融合,可求得确定为识别目标的识别概率P(H1),为82.3%,目标概率大于设定目标概率70%时,可确定为目标,通过实施例3也同样判断了目标;
实施例4一种基于飞行载体的红外简易图像识别方法,其在“单位滑动窗口”内,采用单一“辐射强度”作为关键特征识别值进行目标判别,通过“近目标敏感元列数据”,采用目标特征评价函数方法进行计算,得到“列方向”上目标特征评价函数评价估值,通过评价估值与对应的目标阈值对比,首先采用“列方向”上的目标特征评价估计值进行判别;随后采用“近敏感元列数据”辐射强度曲线上升与下降区间段平均斜率和对应的包络面积作为另外的关键特征进行判别,最后计算“近目标敏感元列数据”评价函数评价估值、近目标敏感元列方向辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积共4个目标特征值,计算目标概率,综合判断。
Claims (4)
1.一种基于飞行载体的红外简易图像识别方法,其特征在于:将红外扫描探测装置(1)安装于回转型飞行载体上;在飞行载体的飞行过程中,通过对被测物体进行高速扫描的红外探测器(4)中的测量敏感单元进行基础数据采集,并在此基础上提取目标特征,采用有效的特征评价识别算法进而识别被测目标对象;
所述红外辐射探测目标测量方法具体包括如下步骤:
步骤一,红外扫描探测装置(1)中采用单探测器光机周向扫描方案,红外探测器(4)的光机转镜(2)安装在回转型飞行载体的对称轴上,装置外壁圆周方向设置有红外探测窗口(3),高速扫描电机(7)驱动光机转镜(2)旋转,采集自外部的探测信息以光信号的形式经过光机转镜(2)、红外透镜(6),最终投射到红外探测器(4)中,转换成电信号后经过信号处理电路(5)输出;
其中:红外探测器(4)由包括N个中波红外线阵探测敏感单元构成,完成自主扫描探测,N≥2;红外探测器(4)光机扫描和飞行载体的旋转相互独立,红外探测器(4)中参与目标探测的阵列数据由N个中波红外线阵探测敏感单元的采集数据交替更新得到;
步骤二,对高频采集的N个探测敏感单元原始数据进行预处理,具体包括下述内容:数据的峰值提取、中值平均法一次滤波、一阶滞后二次滤波;预处理后的数据用于构成目标探测的有效阵列;
①首先,同时采集红外探测器(4)中的N个探测敏感元内的不同信号,实现对载波信号的提取,分别对敏感元原始信号Yir(·)在不同采集周期内进行峰值提取,实现方法为:
其中,Yir(1),Yir(2),…,Yir(m1)为第i个敏感元单位采集周期内原始数据,i=1,2,...,N;m1为一个单位周期内原始信号的采样个数;为第i个敏感元在一个单位周期内峰值提取后的有效值,n1为新生成峰值数据的当前采样点序号;
②其次,采用中位值平均法对得到的周期峰值数据进行一次滤波,去除高频噪声,其表达式为:
③为进一步消除高频噪声影响,采用一阶滞后滤波法对数据进行二次滤波,数学表达式为:
步骤三,完成红外探测器(4)中的N个探测敏感元原始数据的预处理后,得到滤波后的各敏感元有效数据用于探测目标的识别计算;考虑到探测过程中,探测器敏感元在探测环境中会扫描环境背景和目标区域,需快速区分这两类区域内扫描的数据;在探测初期,采用“最小判别窗口”对探测环境的背景数据进行辨识;具体实现方法为:
设定判别窗口内固定采样点个数为w1,整个目标区内探测完整目标后的需要有效采样点个数为w2,判别窗口内,敏感元预处理后第1个有效数据所对应的采样时间点,记为初始采样时刻k0,数据开始采集;当有效数据从第1个积累到w1时,计算判别窗口内有效数据均值数据当前采样点序号为n4,公式为:
首先,区分探测环境背景数据和目标区数据;考虑到探测初期,首先采集的是探测环境的背景数据,通过与不同环境下的背景阈值数据进行比对,如果计算得到的敏感元均值误差值在预定范围,则认定所采集的数据是背景区的数据,计算公式为:
若当在允许的范围内,则认为当前红外探测器(4)扫描的区域为背景区域,此部分数据不做目标判别使用;继续采集,完成下一个判别窗口的数据采集,进行步骤三的判别,循环往复,直至大于最大允许误差此时认为红外探测器(4)脱离背景区域,要进行目标区域探测;
步骤四,在有效判别探测环境背景数据后,探测敏感元进入目标区域,红外探测器(4)扫描目标所得的数据是针对探测目标关键热区所获得的数据;飞行载体进入目标区后,红外探测器(4)在圆周方向上进行高速扫描,完成有效数据的采集,并对数据进行判别计算,最大程度保证有效数据更新与判别效率;
步骤五,建立目标特征评价函数综合判别目标:
采用多种复合特征作为判别条件,进行信息融合,综合判别;提升单一目标特征值发生缺失,不确定条件下提高识别的准确率。
2.按照权利要求1所述基于飞行载体的红外简易图像识别方法,其特征在于:所述基于飞行载体的红外简易图像识别方法中,步骤四满足下述要求:
在有效判别探测环境背景数据后,探测敏感元进入目标区域,红外探测器(4)扫描目标所得的数据是针对探测目标关键热区所获得的数据,该数据对应的图像是由红外探测器(4)中各敏感元在线阵排列方向和与之垂直扫描方向上的辐射电压值所构成的最小单位阵列上呈现,称之为“单位滑动窗口”;单位滑动窗口数据为mu×nu阵列数据,其中,mu表示滑动窗口阵列数据的“行数据”维数,nu为滑动窗口阵列数据的“列数据”维数,阵列数据中每个元素代表检测的红外辐射强度值R,作为识别的关键目标特征之一;
随着红外探测器(4)高速扫描,单个敏感元数据的更新方向为“列更新”,形成了滑动窗口中的“列数据”;对第1个敏感元到N个敏感元有效数据进行采集与更新,会依次得到从第1个敏感元到第N个敏感元的当前采样“列数据”,由这N个列数据构成了滑动窗口的“行数据”;定义滑动窗口中行数据的更新方向为“行方向”,“行方向”上相邻敏感单元间隔周期为T1;完成一次“行数据”的更新周期为T2;mu的数值由离线训练时完成一个完整目标所需的最小行数确定;
设定单个探测器敏感元的采样频率为f,mu的计算公式为:
mu=δ×f/10 (6)
式中,δ表示采样频率满足最高采样频率10MHz时,完成一个完整目标扫描所需的最小行数;
飞行载体进入目标区后,红外探测器(4)在圆周方向上进行高速扫描,首先完成了各敏感单元的“列更新”,当前采样时刻从1个到N个敏感元有效数据的采集,得到了第1行“行数据”;“列更新”完成后进行“行更新”,N个敏感元逐步采集数据,形成新的“行数据”,完成了行方向的数据更新;当行数据累计到mu维时,形成了第1个“单位滑动窗口”,所形成的“单位滑动窗口”数据由列和行数据构成;在滑动窗口内采用目标函数特征评价算法对目标进行有效判别;探测扫描过程在载体圆周方向和行进方向同时进行,红外探测器(4)扫描速度远大于载体行进速度,即载体行进过程中在0°~360°圆周方向上扫描一次,载体在行进方向上移动一个螺距,此期间形成多个“单位滑动窗口”,数据采用先“列”后“行”方式进行更新;
随着红外探测器(4)在圆周方向的扫描,“单位滑动窗口”内数据“入一行,出一行”,完成“扫描方向”上的“行更新”;随着载体在行进方向移动,“单位滑动窗口”内数据“入一列,出一列”,完成“行进方向”的“列更新”;考虑到算法实时性,执行过程中,当载体在圆周方向扫描形成的“单位滑动窗口”中的更新行数>mu/2时,对更新后的“单位滑动窗口”的行列数据进行判别计算,最大程度保证有效数据更新与判别效率。
3.按照权利要求1或2所述基于飞行载体的红外简易图像识别方法,其特征在于:所述基于飞行载体的红外简易图像识别方法中,步骤五满足下述要求:
其通过“单位滑动窗口”的“行”和“列”方向建立的目标特征评价函数综合判别目标;具体使用下述两种方法之一或其组合:
方法一:在“单位滑动窗口”内,采用“辐射强度”作为关键特征识别值进行目标判别;应用“先列后行”的原则进行目标特征评价函数运算;考虑到飞行载体与识别目标会经过接近目标、到达目标、飞离目标的过程,不同敏感元会依次得到探测目标敏感数据,距离目标最近的探测敏感元检测目标数据首先变化,且变化幅度最大;首先找到距离目标区最近敏感元,标记为Nr;此敏感元数据为mu×1维“列数据”,定义为“近目标敏感元列数据”,在该列数据中找到最大辐射值Rmax所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”;首先针对“近目标敏感元列数据”即mu×1维“列数据”,采用目标特征评价函数方法进行计算,得到“列方向”上目标特征评价函数评价估值;通过列方向上近敏感元的评价估值与对应的目标阈值对比,在“列方向”上评价目标;随后,在“单位滑动窗口”内,通过“核心行数据”即1×N维“行数据”,同样采用目标特征评价函数方法进行计算,得到“行方向”上目标特征评价函数评价估值;通过行方向上“核心行数据”评价估值与对应的目标阈值对比,在“行方向”上评价目标;当“列方向”上和“行方向”的目标特征评价估计值同时满足设定条件,即为有效识别目标;
方法二:在方法一“辐射强度”目标特征值的基础上,还采用“滑动窗口”中“近敏感元列数据”辐射强度曲线上升与下降区间段平均斜率和对应包络面积作为关键特征进行判别。
4.按照权利要求3所述基于飞行载体的红外简易图像识别方法,其特征在于:所述基于飞行载体的红外简易图像识别方法中,采用滑动窗口目标特征评价函数法,在“单位滑动窗口”内将实时采集的有效数据通过行列数据的累积交替进行窗口更新;具体使用下述两种方法之一:
方法一中,具体要求如下:
①在“单位滑动窗口”内采用“先列后行”的原则进行运算:首先找到距离目标区最近敏感元Nr对应的数据为mu×1维“列数据”,定义为“近目标敏感元列数据”,列数据中每个数据值代表了检测的红外辐射强度值,在该列数据中找到最大辐射值Rmax所对应的具体“列”位置,随之找到该值在数据阵列中所对应的“行”,标记为rc,此行数据定义为“核心行数据”,对应的数据为1×N维的“行数据”;采用“近目标敏感元的列数据”和“核心行数据”参与后续运算;
②“单位滑动窗口”内采用目标特征函数评价方法探测目标特征值是否符合预定目标,其计算公式为:
定义“单位滑动窗口”内滑窗尺度为s;Js(k)表示滑窗尺度为s时,针对“近目标敏感元的列数据”和“核心行数据”方向上的数据,在“列方向”或“行方向”上建立的探测第k个目标特征评价函数计算值;“单位滑动窗口”内滑窗尺度s能够在“列方向”或“行方向”进行取值,“列方向”上的滑窗尺度表征了“近目标敏感元列数据”中参与评价的有效辐射信号特征点个数,能够根据精度要求选择适当的值进行运算;“行方向”上的滑窗尺度表征了“核心行数据”中参与评价的有效辐射信号特征点个数,基于飞行载体的红外简易图像识别方法“行方向”包括固定的N列数据,其在[2,N/2]内进行取值;
n为“单位滑动窗口”移动的开始点;为“近目标敏感元的列数据”或者“核心行数据”上的有效数据;为特征识别函数;tj为所对应的采样时间,tj-1为tj上一时刻对应的采样时间;为通过经过多次标定与测试实验环境下测量的理想探测目标期望特征值;为特征识别函数值的二范数,表征了当前采样时刻的实际特征与期望特征的差异程度;
③为了避免个别特征点不匹配所带来的计算影响,算法中采用目标特征估计值评价以往时刻估值和相邻时刻计算误差的影响,其计算公式为:
式中:为当前时刻“列方向”或“行方向”上修正后目标特征评价函数估计值,为上一时刻目标评价函数估计值;Js(k)和Js(k-1)分别为相邻两个采样时刻目标特征评价函数计算值,Js(k)-Js(k-1)为相邻时刻计算误差的变化;α为设置的权重,表征了对目标特征评价函数估计值和相邻时刻计算变化值分配的权重大小;
④在选定的“近目标敏感元的列数据”和“核心行数据”上,在“行方向”和“列方向”上得到了目标特征评价函数估计值,随着目标特征评价函数估计值不断更新,分别与对应“行”和“列”方向上的目标阈值进行比对,目标阈值能由标定实验过程得到的样本数据综合计算;其中:“行方向”上得到的各阈值误差为Δi,“列方向”上得到的各阈值误差为Δj;实际运算中,当“行方向”和“列方向”上阈值误差最小值Δi,min,Δj,min的绝对值与目标阈值比值百分比同时满足≤20%的设定条件时,即认定为真实目标;
方法二中,满足下列要求:
除了采用辐射强度信号作为判别目标的特征,还采用“近目标敏感元列数据”即mu×1维数据的辐射强度上升与下降区间段平均斜率和对应的包络面积作为另外的关键特征;
①针对“近目标敏感元列数据”中第1个到第mu个元素值反映了目标辐射强度的变化,辐射强度变化由小变到最大值后再变小,幅度强度区间分为上升区间段和下降区间段;设定相邻时刻距离目标最近敏感元上的有效值为计算的曲线斜率G(j)为:
tj+1和tj为对应的相邻采样时间点;
③对应的有效辐射变化曲线上升段和下降段所包络的近似面积,计算公式为:
Au为上升沿包络总面积;Ad为下降沿包络总面积;
采用离线的标定与测试实验,对真实探测环境下易出现的红外相似目标和真实识别目标进行采样对比;每个目标特征值识别结果为识别和未识别两种情况,前述两种情况被分别定义为H1,H2;目标识别结果为E={H1,H2},表征了识别与未识别两种场景情况下的可能性;
为避免单一目标特征值对目标的误识别,提升在单个特征信号发生缺失,不确定条件下提高识别的准确率,信息融合过程中实现不同特征值的信源组合,特征值数为q,其中q∈[1,6],目标特征值结果的识别率P(Sq);
在目标特征值识别结果为识别,既H1发生的条件下,分别求得“近目标敏感元列数据”和“核心行数据”对应的目标评价函数、“近目标敏感元列数据”中辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积结果的条件识别概率,分别记为P(H1/S1)、P(H1/S2)、P(H1/S3)、P(H1/S4)、P(H1/S5)、P(H1/S6);
⑤方案采用包括“近目标敏感元列数据”和“核心行数据”对应的目标评价函数、“近目标敏感元列数据”中辐射强度上升与下降区间段平均斜率、对应的上升与下降区间段包络面积共6个目标特征值作为目标判别值,进行信息融合,综合判别;考虑场景H1的每个特征值Sq的概率分布为P(H1/Sq),由信源融合,给出探测目标的识别概率P(H1)为:
多个目标特征值进行信源融合后识别概率要求≥70%的设定值,目标特征值个数≥2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116534.0A CN112861877B (zh) | 2021-01-20 | 2021-01-20 | 一种基于飞行载体的红外简易图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116534.0A CN112861877B (zh) | 2021-01-20 | 2021-01-20 | 一种基于飞行载体的红外简易图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861877A true CN112861877A (zh) | 2021-05-28 |
CN112861877B CN112861877B (zh) | 2023-06-27 |
Family
ID=75986952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116534.0A Active CN112861877B (zh) | 2021-01-20 | 2021-01-20 | 一种基于飞行载体的红外简易图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861877B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933315A (zh) * | 2021-10-13 | 2022-01-14 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
CN114019688A (zh) * | 2021-11-29 | 2022-02-08 | 重庆利龙科技产业(集团)有限公司 | 一种自适应背光调节方法及系统 |
CN115205510A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性特征信息判别的复杂场景红外点目标识别方法 |
CN117324769A (zh) * | 2023-11-14 | 2024-01-02 | 江西瑞升科技股份有限公司 | 一种基于ccd视觉检测的自动精密激光焊接方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960097A (en) * | 1997-01-21 | 1999-09-28 | Raytheon Company | Background adaptive target detection and tracking with multiple observation and processing stages |
CN101241599A (zh) * | 2008-02-28 | 2008-08-13 | 上海交通大学 | 红外线列探测器成像中基于列的弱小目标检测方法 |
US20150227776A1 (en) * | 2013-09-30 | 2015-08-13 | Huazhong University Of Science And Technology | Aircraft-based infrared image recognition device for ground moving target |
CN109389609A (zh) * | 2018-10-24 | 2019-02-26 | 西安电子科技大学 | 基于fart神经网络的交互自反馈红外目标检测方法 |
-
2021
- 2021-01-20 CN CN202110116534.0A patent/CN112861877B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960097A (en) * | 1997-01-21 | 1999-09-28 | Raytheon Company | Background adaptive target detection and tracking with multiple observation and processing stages |
CN101241599A (zh) * | 2008-02-28 | 2008-08-13 | 上海交通大学 | 红外线列探测器成像中基于列的弱小目标检测方法 |
US20150227776A1 (en) * | 2013-09-30 | 2015-08-13 | Huazhong University Of Science And Technology | Aircraft-based infrared image recognition device for ground moving target |
CN109389609A (zh) * | 2018-10-24 | 2019-02-26 | 西安电子科技大学 | 基于fart神经网络的交互自反馈红外目标检测方法 |
Non-Patent Citations (1)
Title |
---|
张晨;陈遵田;唐辉;: "基于泽尔尼克矩的红外扫描引信图像识别算法", 探测与控制学报, no. 03 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933315A (zh) * | 2021-10-13 | 2022-01-14 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
CN113933315B (zh) * | 2021-10-13 | 2024-04-05 | 深圳市中纬智能有限公司 | 贴片电路板共线性检测方法与系统 |
CN114019688A (zh) * | 2021-11-29 | 2022-02-08 | 重庆利龙科技产业(集团)有限公司 | 一种自适应背光调节方法及系统 |
CN114019688B (zh) * | 2021-11-29 | 2024-04-12 | 重庆利龙中宝智能技术有限公司 | 一种自适应背光调节方法及系统 |
CN115205510A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性特征信息判别的复杂场景红外点目标识别方法 |
CN117324769A (zh) * | 2023-11-14 | 2024-01-02 | 江西瑞升科技股份有限公司 | 一种基于ccd视觉检测的自动精密激光焊接方法 |
CN117324769B (zh) * | 2023-11-14 | 2024-03-29 | 江西瑞升科技股份有限公司 | 一种基于ccd视觉检测的自动精密激光焊接方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112861877B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861877A (zh) | 一种基于飞行载体的红外简易图像识别方法 | |
US20200319312A1 (en) | Multiple pulse, lidar based 3-d imaging | |
CN110378879B (zh) | 一种桥梁裂缝检测方法 | |
JP3340427B2 (ja) | イメージング・ターゲット検出方法および装置 | |
CN103235830A (zh) | 一种基于无人机电力巡线方法、装置及无人机 | |
US5923776A (en) | Object extraction in images | |
Lei et al. | End-to-end change detection using a symmetric fully convolutional network for landslide mapping | |
CN102854194A (zh) | 基于线阵ccd的物件表面缺陷检测方法及装置 | |
CN114879217B (zh) | 一种目标位姿的判断方法及系统 | |
CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
CN112487900A (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
KR20160049305A (ko) | 초분광 영상의 분광혼합분석에 의한 표적물질 탐지방법 | |
CN114399674A (zh) | 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统 | |
KR20190114241A (ko) | 딥러닝 기반의 독성조류 판별 및 셀카운팅 장치 및 그 방법 | |
KR20170063182A (ko) | 표적신호 분리를 이용하여 탐지성능이 향상된 초분광 영상의 표적물질 탐지방법 | |
CN105092026A (zh) | 一种推扫型成像光谱仪自动调焦的方法 | |
CN108491888B (zh) | 基于形态学分析的环境监测高光谱数据谱段选择方法 | |
CN116489338A (zh) | 一种相机拍摄延迟测试方法及系统 | |
CN115797366A (zh) | 一种基于霍夫变换的移动目标提取图像处理方法和系统 | |
CN112396066A (zh) | 一种适用于高光谱影像的特征提取方法 | |
CN111412987B (zh) | 一种基于光谱特征的动态扫描检测装置及方法 | |
CN113435300B (zh) | 一种避雷器仪表实时识别方法及系统 | |
CN109271939B (zh) | 基于单调波方向能量直方图的热红外人体目标识别方法 |
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 |