CN113568889B - 面向天基光学探测的空中目标特征库及其构建方法 - Google Patents
面向天基光学探测的空中目标特征库及其构建方法 Download PDFInfo
- Publication number
- CN113568889B CN113568889B CN202110872338.6A CN202110872338A CN113568889B CN 113568889 B CN113568889 B CN 113568889B CN 202110872338 A CN202110872338 A CN 202110872338A CN 113568889 B CN113568889 B CN 113568889B
- Authority
- CN
- China
- Prior art keywords
- target
- features
- aerial target
- space
- layer
- 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.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title description 12
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000003750 conditioning effect Effects 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 44
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 235000015842 Hesperis Nutrition 0.000 claims description 2
- 235000012633 Iberis amara Nutrition 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000012530 fluid Substances 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000002737 fuel gas Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种面向天基光学探测的空中目标特征库，包括：基础数据层，用于存储空中目标的基础数据；条件关联层，用于条件化天基光学探测链路下目标成像变化影响因素，包括所述空中目标的各种成像条件；特征层，用于针对所述空中目标在不同成像条件下的目标特征进行分类整合；推理应用层，用于对所述目标特征的不同作用和在不同作用上的敏感度进行数据化标注。该空中目标特征库是将空中目标特性数据整合和应用的数据库，将“空中目标‑特征‑应用”之间的关系数据化和结构化。
Description
技术领域
本发明涉及目标特性分析和图像处理技术领域，特别涉及一种面向天基光学探测的空中目标特征库及其构建方法。
背景技术
空中目标凭借其高机动性和高灵活度等特点，在民用和军事领域都应用广泛。对空中目标的检测和识别研究不仅有助于及时发现入侵目标，达到防空预警的效果，而且能获得目标的类别及武器挂载等细节信息，为战场指挥提供技术支撑。对空中目标的有效特征提取和特征表征是进行目标准确检测、跟踪和识别的关键。
专利CN102902977A提出一种基于风场扰动特征的空中目标分类方法，该方法通过给出的空中目标风场扰动特征解算算法,准确提取风场扰动特征参数,通过反演算法,反演出目标航迹特征等类型识别特征参数,利用相应的分类算法,实现对飞机目标类别属性的判别；专利CN107885770A提出了一种目标域数据库构建、样本识别方法、终端及存储介质，该方法为解决现有技术中创建面向庞大用户群体的目标域数据库所花费代价较高的问题，提供一种新的目标域数据库构建方案。该方法属于计算机领域，主要应用于机器学习中的数据集训练，而本技术方案属于目标特性领域，针对目标为空中飞行目标，目的是构建一个存储目前已获得的空中目标特性信息的多维数据整合库；专利CN105095906A提出了一种目标特征模型数据库建立的方法、装置及系统，该方法以视频为输入，从视频帧中分离目标和背景，提取目标的行为属性的特征参数，学习行为模式并分类，将模型化分类后的目标依次存储。该方法可总结为一种目标检测和行为分类识别模型，主要针对目标为行人；专利CN105917361A提出了一种动态地更新含有对应于已知目标对象的特征的特征数据库方法，该方法以图像为输入，从所捕获图像内提取第一组特征，并与存储在特征数据库中的特征进行比较，将所提取的特征中尚未包含于特征数据库中的至少一者添加到特征数据库；文献“赵丁，袁艳，苏丽娟，王继超.目标多维特征数据库设计与实现[J].现代电子技术，2017，40(20):10-17”基于SQL Server数据库和关系模型，利用C#语言和.NET平台下的WPF界面框架和Entity Framework数据访问技术，设计了四层体系结构以及四类功能模块，开发了包括空间、光谱和偏振等多维信息在内的数据库系统，并针对多维样本设计了包含属性信息的编号形式；文献“侯国林，王智学，朱卫星，邱爽.基于WEB的目标特征信号数据库建设[J].电脑知识与技术，2013，9(28):6253-6256.”在分析目标特征信号的基础上，进行数据库需求分析，采用Net(C#)+SQL Server 2005等基于WEB2.0的最新技术，建立了一个涵盖多种物理场的统一标识、统一格式的目标特性数据库。
上述文献代表了现有技术的情况，由上述文献可知目前基于光学图像的目标解译算法取得了许多研究成果，提取目标特征种类繁多，在计算机视觉领域的应用也日益广泛，然而却没有系统化的特征数据库能够将“目标-特征-应用”之间的关系数据化和结构化。关于数据库构建的文献也有很多，但没有具体解决空中目标特性整合应用的数据库。
因此，有必要提供一种空中目标特征库构建方法，构建将空中目标特性数据整合和应用的数据库，将“空中目标-特征-应用”之间的关系数据化和结构化。
发明内容
本发明提供了一种面向天基光学探测的空中目标特征库及其构建方法，用于构建将空中目标特性数据整合和应用的数据库，将“空中目标-特征-应用”之间的关系数据化和结构化。
为实现上述目的和其他相关目的，本发明提供了一种面向天基光学探测的空中目标特征库，包括：
基础数据层，用于存储空中目标的基础数据；
条件关联层，用于条件化天基光学探测链路下目标成像变化影响因素，包括所述空中目标的各种成像条件；
特征层，用于针对所述空中目标在不同成像条件下的目标特征进行分类整合；
推理应用层，用于对所述目标特征的不同作用和在不同作用上的敏感度进行数据化标注。
优选地，所述基础数据层包括体网格模型数据库、3D模型数据库、影像数据库和未知目标更新数据库；
所述体网格模型数据库用于存储空中目标的体网格模型；
所述3D模型数据库用于存储空中目标的3D模型；
所述影像数据库用于存储空中目标可见光、红外、紫外、多光谱或高光谱图像数据；
所述未知目标更新数据库用于存储之前未记录的被探测到的空中目标。
优选地，所述空中目标为可经星载光学相机探测到的飞行目标，至少包括民用飞机、军用飞机、汽艇、导弹和火箭。
优选地，所述各种成像条件至少包括空中目标飞行高度、空中目标飞行姿态、探测器探测角度、探测距离、探测时间、气象条件、云层遮挡情况和运动背景。
如权利要求1所述的面向天基光学探测的空中目标特征库，其特征在于，所述特征层至少包括辐射学特征、热力学特征、运动学特征、形态学特征、空间特征和谱段特征。
优选地，辐射学特征至少包括：辐射强度、辐射亮度、谱反射率和辐射强度比色；
所述热力学特征至少包括：辐射亮温和温度变化率；
所述运动学特征至少包括：速度、飞行高度、滚转角和弹道；
所述形态学特征至少包括：有效辐射面积、外型尺寸和轮廓特征；
所述空间特征至少包括：HOG特征、灰度分布特征、颜色分布特征和CNN卷积特征；
所述谱段特征包括：波峰、波谷和波峰所在波段范围。
优选地，所述各种特征的不同作用至少包括空中目标疑似区域分割、发动机及尾焰疑似区域分割、虚警剔除、型号匹配、飞行姿态识别、目标与背景分离和噪声去除。
优选地，所述基础数据层、所述条件关联层、所述特征层和所述推理应用层之间用拓扑结构进行关联。
基于同一发明构想，本发明还提供了一种如上所述的面向天基光学探测的空中目标特征库的构建方法，其特征在于，包括：
根据空中目标的基础数据，构建基础数据层；
条件化天基光学探测链路下所述各种空中目标类型的成像变化影响因素，确定所述各种空中目标类型的各种成像条件，形成条件关联层；
针对所述各种空中目标类型在各种成像条件下的各种特征进行分类整合，形成特征层；
对所述各种特征的不同作用和在不同作用上的敏感度进行数据化标注，形成推理应用层。
优选地，所述数据化标注方法包括：
通过仿真实验对比所述各种特征在不同作用上的效果；
将效果定义为敏感度并进行敏感度评分，用0～1的数字进行记录。
综上所述，本发明一方面对已知典型空中目标的多维飞行状态数据进行了结构化整合，将空中目标的基础数据、探测条件、特征数据空间和特征应用进行规范化和形式化描述，构建“数据-条件-特性-应用”的拓扑关系，实现有效特征检索及特征应用。另一方面可通过此空中目标特征库进行数据迁移学习，有效预测识别未知新型飞行目标，并实现特征库的数据更新，对军事预警具有重要意义。
附图说明
图1为本发明一实施例提供的面向天基光学探测的空中目标特征库示意图。
图2为本发明一实施例提供的结构层拓扑关系图；
图3为本发明一实施例提供的某空中目标的体网格物理模型图；
图4为本发明一实施例提供的某目标特征提取和应用的数据存储结构图；
图5为本发明一实施例提供的某型号战机在9km高度、7.7-14μm波段光谱辐射强度曲线图。
具体实施方式
以下结合附图1-5和具体实施方式对本发明提供的面向天基光学探测的空中目标特征库机器构建方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
参阅图1，本发明提供了一种面向天基光学探测的空中目标特征库，包括：基础数据层、条件关联层、特征层和推理应用层；所述基础数据层包括各种空中目标类型的图像；所述条件关联层用于条件化天基光学探测链路下所述各种空中目标类型的成像变化影响因素，包括所述各种空中目标类型的各种成像条件；所述特征层用于针对所述各种空中目标类型在各种成像条件下的各种特征进行分类整合；所述推理应用层用于对所述各种特征的不同作用和在不同作用上的敏感度进行数据化标注。
在本实施例中，空中目标一般包括：民用飞机、军用飞机、汽艇、导弹、火箭等可经星载光学相机探测到的飞行目标。
在本实施例中，参阅图1，基础数据层数据一般包括：
①体网格模型数据库，存储空中目标的体网格模型，用于流体计算；
②3D模型数据库，存储空中目标的3D模型，用于目标形态学特征提取；
③影像数据库，存储空中目标可见光、红外、紫外、多光谱/高光谱图像数据，用于时空特征提取和目标检测识别；
④未知目标更新数据库，存储国内外新型且不记录在本特征库的被探测到的空中目标，用于后续特征库拓展。
⑤后续可根据技术的发展，拓展空中目标的实体模型数据库。
上述数据库可通过进一步处理构建目标正负样本数据库，通过神经网络构建和深度学习，实现目标的有效检测、跟踪、定位和识别。各种类型的数据库之间是相互联系的，并不是相互独立的，可由某数据库经处理生成另一类型数据库，本系统将数据库之间的转化关系进行数据化标注记录。
在本实施例中，各种成像条件一般包括：目标飞行高度、目标飞行姿态、探测器探测角度、探测距离、探测时间、气象条件、云层遮挡情况、运动背景等。针对空中弱小目标的探测需求，从探测体制出发，分析单采样、过采样对弱小目标探测的影响，通过建立探测链路信号传输以及链路各环节模型进行仿真实验，得到不同探测系统设置下的仿真结果，建立仿真数据库，并记录不同条件设置下探测成像的变化程度，为后续特征提取提供理论参考。
在本实施例中，参阅图1，特征层数据一般包括：辐射学特征类、热力学特征类、运动学特征类、形态学特征类、空间特征类、谱段特征类等。
其中，辐射学特征包括：辐射强度、辐射亮度、谱反射率、辐射强度比色等。热力学特征包括：辐射亮温、温度变化率等。运动学特征包括：速度、飞行高度、滚转角、弹道(轨迹)等。形态学特征包括：有效辐射面积、外型尺寸、轮廓特征等。空间特征包括：HOG特征、灰度分布特征、颜色分布特征、CNN卷积特征等；谱段特征包括：波峰、波谷、波峰所在波段范围等。特征层不仅包括已提取到的特征数据，还记录相关特征对应的提取方法，包括数学模型和实现程序，以便于使用者后续学习和二次开发。
在本实施例中，可以根据不同特征在不同应用上的敏感度用0～1的数字进行标注。目标特征提取是为后续空中目标实时检测、跟踪和识别提供数据基础，不同的目标特征有着不同的作用，包括：目标疑似区域分割、发动机及尾焰疑似区域分割、虚警剔除、型号匹配、飞行姿态识别、目标与背景分离、噪声去除等等。可通过仿真实验对比不同特征在不同作用上的效果，将典型评估算子(如检测率、虚警率、误检率、跟踪成功率等)的计算评分转化为特征敏感度评分，用0～1的数字进行记录。不同特征的联合作用评分记录为混合评分，单个特征的作用评分记录为单体评分。此外，将不同应用对应的实现算法进行分类和记录，并记录不同应用算法使用不同特征时的运行效果，同样以0～1的评分进行评估。应用算法数据包括理论数据模型和实现程序。
基于同一发明构想，本发明还提供了一种面向天基光学探测的空中目标特征库构建方法，包括：
构建基础数据层，所述基础数据层包括各种空中目标类型的图像；
条件化天基光学探测链路下所述各种空中目标类型的成像变化影响因素，确定所述各种空中目标类型的各种成像条件，形成条件关联层；
针对所述各种空中目标类型在各种成像条件下的各种特征进行分类整合，形成特征层；
对所述各种特征的不同作用和在不同作用上的敏感度进行数据化标注，形成推理应用层。
在本实施例中，如图2-图4所示，假设某空中目标Tobj，它的体网格模型为考虑到排气系统是飞行器的一个重要辐射源，其部件结构对飞行器的红外辐射特性有很大影响，在进行飞行器流场仿真时需要对排气系统进行建模，整个排气系统包括外涵进口截面、低压涡轮出口截面、环形混合器、中心锥、火焰稳定器、加力燃烧室筒体、圆转矩过渡段、喷管收敛段和扩张段，这些数据均存入体网格数据库并进行详细标注。
设定目标飞行速度v和高度h等参数，设定流场计算域和边界条件，以上设定条件均可整合到条件关联层，作为链接项链接存储在特征层的特征。通过流场计算得到飞行器压力分布、温度分布、速度分布、组分浓度分布。在进行飞行器流场计算时，假设其流动为稳态流动，数值模拟的结果为雷诺平均后的流场特征。数值模拟流场特征主要是通过求解连续方程、动量方程和标量传输方程实现。连续方程、以张量形式表示的雷诺平均动量方程和雷诺平均的能量传输方程依次如下所示：
式中，ρ为流体密度；Ui、Uj为流体速度；P为流体压力；μ为流体的动力粘性系数；T为流体温度；Г为流体热扩散系数；Cp为流体定压比热容；ui、uj为湍流的脉动速度；τ为湍流的脉动温度；为辐射热源项。
由于高温燃气中的燃烧产物为参与性介质，在辐射特征计算时需要得到参与性介质的浓度分布，所以在计算排气系统流场特征时，还需要对高温燃气中的参与性介质的浓度场进行计算。高温燃气中的组分Yi的浓度分布可由组分传输方程计算，如下
式中，Yi为i组分的质量浓度；Di为该组分的质量扩散系数；为流场中的湍流扩散项。
飞行器红外辐射强度计算的基本方程主要包括：辐射亮度在参与性介质内的传输方程、辐射照度计算方程、辐射边界条件方程和辐射强度计算方程。
辐射亮度为单位时间在单位立体角内通过单位面积的辐射能量。辐射亮度传输方程是辐射能量在射线传输方向上的平衡方程，它描述了介质中的辐射能量在沿着射线传输的过程中，能量的变化与吸收、发射和散射的相互关系，计算方程如下：
式中(C)为单位时间内、单位面积、光谱能量在ω方向的单位立体角中传输单位距离后的变化率；(Ex)为由于被介质吸收引起的光谱能量衰减；(Em)为由于介质发射引起的光谱能量增加；(Es)为由于被介质散射引起的光谱能量衰减；(S)为由于空间各个方向投射在S处的能量的散射引起的ω方向上的光谱能量的增加，Φ(λ,ω,ωi)为相函数，它描述了ωi方向上的入射辐射亮度引起的ω方向上的光谱能量的增加。
辐射照度为单位面积在单位时间内接收到的辐射能量，它描述了辐射亮度和辐射照度之间的转换关系，辐射照度计算方程如下
Hλ＝∫ΩLλ(S,ω)cosβωdω
辐射边界条件与界面的辐射性质有关，对于灰体界面的辐射边界条件方程，它描述了壁面的自身辐射和对入射辐射的反射辐射，计算方程如下
式中右边第一项为壁面自身辐射的光谱辐射亮度，第二项为壁面对入射辐射的反射形成的光谱辐射亮度，εm为壁面的发射率，Tm为壁面的温度，Lbλ(Tm)为黑体温度为Tm时的光谱辐射亮度，为壁面的入射光谱辐射照度。
辐射强度是辐射源在单位时间、单位立体角内发射出的能量。光谱辐射强度的计算方程描述了辐射源所发射的辐射能量在空间分布的特征。计算方程如下：
式中Iλ,α为不考虑大气吸收的光谱辐射强度，为探测点处来自辐射源的照度，α为探测方向对应的角度，R为探测距离，τλ,atm为探测点和辐射源之间大气的光谱透过率。
以上计算得到的辐射学特征数据可对应存入特征层。以某型号战机在9km高度，7.7～14μm波段内的光谱辐射强度曲线为例进行说明，如图5所示，给出了0°、10°、20°、30°、60°、90°、150°和180°方位角上的光谱辐射强度曲线。图中可看出，在14μm波长附件有个小的辐射波峰，这是燃气中二氧化碳的辐射作用；在90°方位角上，光谱辐射强度的幅值最大，这是因为在这个方位角上，飞机蒙皮的投影面积最大；随着方位角的增加，光谱辐射强度曲线的峰值波长有向长波方向移动，这是因为随着方位角的增加，能够观测到的排气系统和燃气越来越少，目标表现的温度越来越低，光谱曲线的峰值向长波方向移动。由此可见辐射强度特征可应用于波段选择。至此，此过程所得数据可分别存储于本方案所述四个结构层中。
本技术方案是一种空中目标特征库构建方法，数据库构建过程中也会将一些算法信息进行存储，具有算法多样性，并包含对算法效果的评价信息；进一步地，本技术方案的基础数据层不仅包括目标所存在的图像数据集，还包括各种不同的目标数据模型，特征层为从基础数据层处理得来的多维特征数据，具有更广泛的多样性；最后，本技术方案构建数据库具有多源性，基础数据包含网格构建、3D建模等多源目标模型，整个数据库整合了目标本体-目标特征属性-特征应用等信息，并将各种信息相互关联，应用性极强。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种面向天基光学探测的空中目标特征库系统，其特征在于，包括：
基础数据层，用于存储空中目标的基础数据；
条件关联层，用于条件化天基光学探测链路下目标成像变化影响因素，包括所述空中目标的各种成像条件；
特征层，用于针对所述空中目标在不同成像条件下的目标特征进行分类整合；
推理应用层，用于对所述目标特征的不同作用和在不同作用上的敏感度进行数据化标注。
2.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述基础数据层包括体网格模型数据库、3D模型数据库、影像数据库和未知目标更新数据库；
所述体网格模型数据库用于存储空中目标的体网格模型；
所述3D模型数据库用于存储空中目标的3D模型；
所述影像数据库用于存储空中目标可见光、红外、紫外、多光谱或高光谱图像数据；
所述未知目标更新数据库用于存储之前未记录的被探测到的空中目标。
3.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述空中目标为可经星载光学相机探测到的飞行目标，至少包括民用飞机、军用飞机、导弹和火箭。
4.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述各种成像条件至少包括空中目标飞行高度、空中目标飞行姿态、探测器探测角度、探测距离、探测时间、气象条件、云层遮挡情况和运动背景。
5.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述特征层至少包括辐射学特征、热力学特征、运动学特征、形态学特征、空间特征和谱段特征。
6.如权利要求5所述的面向天基光学探测的空中目标特征库系统，其特征在于，辐射学特征至少包括：辐射强度、辐射亮度、谱反射率和辐射强度比色；
所述热力学特征至少包括：辐射亮温和温度变化率；
所述运动学特征至少包括：速度、飞行高度、滚转角和弹道；
所述形态学特征至少包括：有效辐射面积、外型尺寸和轮廓特征；
所述空间特征至少包括：HOG特征、灰度分布特征、颜色分布特征和CNN卷积特征；
所述谱段特征包括：波峰、波谷和波峰所在波段范围。
7.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述目标特征的不同作用至少包括空中目标疑似区域分割、发动机及尾焰疑似区域分割、虚警剔除、型号匹配、飞行姿态识别、目标与背景分离和噪声去除。
8.如权利要求1所述的面向天基光学探测的空中目标特征库系统，其特征在于，所述基础数据层、所述条件关联层、所述特征层和所述推理应用层之间用拓扑结构进行关联。
9.一种如权利要求1~8任一项所述的面向天基光学探测的空中目标特征库系统的构建方法，其特征在于，包括：
根据空中目标的基础数据，构建基础数据层；
条件化天基光学探测链路下各种空中目标类型的成像变化影响因素，确定所述各种空中目标类型的各种成像条件，形成条件关联层；
针对所述各种空中目标类型在各种成像条件下的各种特征进行分类整合，形成特征层；
对所述各种特征的不同作用和在不同作用上的敏感度进行数据化标注，形成推理应用层。
10.如权利要求9所述的构建方法，其特征在于，所述数据化标注方法包括：
通过仿真实验对比所述各种特征在不同作用上的效果；
将效果定义为敏感度并进行敏感度评分，用0~1的数字进行记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110872338.6A CN113568889B (zh) | 2021-07-30 | 2021-07-30 | 面向天基光学探测的空中目标特征库及其构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110872338.6A CN113568889B (zh) | 2021-07-30 | 2021-07-30 | 面向天基光学探测的空中目标特征库及其构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113568889A CN113568889A (zh) | 2021-10-29 |
| CN113568889B true CN113568889B (zh) | 2024-02-23 |
Family
ID=78169585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110872338.6A Active CN113568889B (zh) | 2021-07-30 | 2021-07-30 | 面向天基光学探测的空中目标特征库及其构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113568889B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150184B (zh) * | 2023-10-27 | 2024-03-26 | 中科星图测控技术股份有限公司 | 一种基于卫星星历的天基光学设备测量数据仿真方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007257226A (ja) * | 2006-03-23 | 2007-10-04 | Honda Motor Co Ltd | 移動体の自己位置検出装置および位置検出システム |
| CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
| CN106547890A (zh) * | 2016-11-04 | 2017-03-29 | 深圳云天励飞技术有限公司 | 海量图像特征向量中的快速聚类预处理方法 |
| CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
| CN110147400A (zh) * | 2019-05-10 | 2019-08-20 | 青岛建邦供应链股份有限公司 | 基于大数据的跨行业数据资源整合系统 |
| CN111581884A (zh) * | 2020-05-11 | 2020-08-25 | 上海无线电设备研究所 | 一种星载多分辨率目标光学辐射图像仿真方法 |
-
2021
- 2021-07-30 CN CN202110872338.6A patent/CN113568889B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007257226A (ja) * | 2006-03-23 | 2007-10-04 | Honda Motor Co Ltd | 移動体の自己位置検出装置および位置検出システム |
| CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
| CN106547890A (zh) * | 2016-11-04 | 2017-03-29 | 深圳云天励飞技术有限公司 | 海量图像特征向量中的快速聚类预处理方法 |
| CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
| CN110147400A (zh) * | 2019-05-10 | 2019-08-20 | 青岛建邦供应链股份有限公司 | 基于大数据的跨行业数据资源整合系统 |
| CN111581884A (zh) * | 2020-05-11 | 2020-08-25 | 上海无线电设备研究所 | 一种星载多分辨率目标光学辐射图像仿真方法 |
Non-Patent Citations (2)
| Title |
|---|
| Airport aircraft target detection based on space spectrum feature fusion;Zhang Ning等;《2020 5th International conference on computer and communication system》;1-9 * |
| 遥感图像飞机目标检测方法研究;张晨露;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C028-30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113568889A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A hybrid contextual approach to wildland fire detection using multispectral imagery | |
| CN113568889B (zh) | 面向天基光学探测的空中目标特征库及其构建方法 | |
| Gray et al. | Countermeasure effectiveness against an intelligent imaging infrared anti-ship missile | |
| Ni et al. | Detection spectrum optimization of stealth aircraft targets from a space-based infrared platform | |
| Zhou et al. | A novel detection performance modular evaluation metric of space-based infrared system | |
| Ying et al. | Small aircraft detection based on feature enhancement and context information | |
| Li et al. | Infrared imaging guidance missile’s target recognition simulation based on air-to-air combat | |
| Retief et al. | Infrared recordings for characterizing an aircraft plume | |
| Willers et al. | Aircraft vulnerability analysis by modeling and simulation | |
| Ramaswamy et al. | Improvements to the ShipIR/NTCS adaptive track gate algorithm and 3D Flare Particle Model | |
| Kou et al. | Multispectral radiation envelope characteristics of aerial infrared targets | |
| CN109829204B (zh) | 基于时间序列的空间目标遥感特性建模方法 | |
| Fan et al. | The challenges and some thinking for the intelligentization of precision guidance ATR | |
| Shovon et al. | A comparative analysis of deep learning algorithms for optical drone detection | |
| Ramaswamy et al. | An adaptive tracker for ShipIR/NTCS | |
| Ouyang et al. | Research on Airborne Infrared Target Recognition Method Based on Target-Environment Coupling | |
| Westing et al. | Analysis of long-wave infrared hyperspectral classification performance across changing scene illumination | |
| Xu et al. | Infrared target recognition with deep learning algorithms | |
| Lu et al. | Research on capability of detecting ballistic missile by near space infrared system | |
| Yang et al. | Anti-Interference Recognition for Aerial Infrared Object Based on Convolutional Feature Inference Network | |
| Wang et al. | An air target tactical intention recognition method based on the fusion deep learning network model | |
| Chen et al. | A wireless gunshot recognition system based on tri-axis accelerometer and lightweight deep learning | |
| Özertem | Key features for ATA/ATR database design in missile systems | |
| Guo et al. | A characterization method of aerial target and complex background based on infrared differential analytic factor | |
| Chen et al. | Neural Networks Based on Synthesized Training Data for the Automated Detection of Chemical Plumes in Passive Infrared Multispectral 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |