空間點目標(biāo)檢測的關(guān)鍵技術(shù)研究.pdf

1、“點目標(biāo)”這一概念首先來源于軍事領(lǐng)域。在夜視環(huán)境下，空間作戰(zhàn)的敵方目標(biāo)一般都處于遠距離的復(fù)雜云天背景之下，通過傳感器采樣得到的圖像中，目標(biāo)往往成像面積都在幾個像素，甚至更少，所以普遍地稱之為小目標(biāo)或者點目標(biāo)。點目標(biāo)系列問題的研究具有重要的軍事國防意義，伴隨精確制導(dǎo)武器的發(fā)展，對于遠距離作用目標(biāo)實施有效攔截和精確打擊是支撐點目標(biāo)技術(shù)發(fā)展的最終目標(biāo)。此外其在海面作業(yè)、醫(yī)療診斷等領(lǐng)域也具有廣泛的應(yīng)用。本文以經(jīng)典的邊檢測邊跟蹤理論為主要理論基礎(chǔ)

2、，針對復(fù)雜云天背景下(固定背景、變化背景)點目標(biāo)的檢測與跟蹤等系列問題進行了一系列研究。利用序列圖像生成的航跡，從圖像處理和信號處理兩個角度出發(fā)完成檢測過程。試圖解決該熱點問題中的一些關(guān)鍵技術(shù)，如：雜波抑制、軌跡互聯(lián)、目標(biāo)檢測、目標(biāo)識別等等。
　　點目標(biāo)技術(shù)的研究首推三維匹配濾波器算法，為了減少設(shè)計三維匹配濾波器的復(fù)雜性和計算量，一般都將三維圖像序列投影到二維空間中降維，然后通過識別累加起來的目標(biāo)軌跡片段達到檢測的目的。本文的第一

3、部分研究工作就是采用了這種研究思路，檢測無遮擋的天空背景下的多目標(biāo)。將目標(biāo)軌跡進行累加和投影，并通過聚類方法篩選出軌跡片斷，從而達到檢測的目的，同時改進了傳統(tǒng)的Pipeline管道算法的開環(huán)結(jié)構(gòu)，將濾波管道、檢測管道、搜索窗預(yù)測環(huán)節(jié)融為一體，構(gòu)建了一種新型的閉環(huán)結(jié)構(gòu)。搜索窗預(yù)測工作的開展使得每一次迭代時的搜索空間急劇地壓縮，提高了管道的吞吐率。比起原有方法，該方法在計算復(fù)雜性和存儲量上更具有優(yōu)越性。
　　目標(biāo)在實際飛行中，往往存在

4、更復(fù)雜的情況，如：軌跡彼此交叉、目標(biāo)穿越云層從而出現(xiàn)的部分遮擋以及完全遮擋等現(xiàn)象。因此，本文的第二部分工作著力解決此類復(fù)雜目標(biāo)的檢測問題。為了進行正確的軌跡互聯(lián)，對于存在共享觀測量的目標(biāo)，從首尾兩個方向開展多階段的軌跡互聯(lián)，可以憑借目標(biāo)軌跡的曲率約束、連續(xù)性等特點完成正確的關(guān)聯(lián)，同時不斷地進行虛假分支的剪支工作，比起順序的單方向互聯(lián)速度更快。此外，為了剔除干擾雜波和噪聲，本文設(shè)計了一種雙向高階“與邏輯”管道濾波器進行去噪，不斷篩選可以構(gòu)

5、成連續(xù)的三點軌跡片斷的像素，從而降低了后期軌跡互聯(lián)時發(fā)生虛警的概率。最后沿著航跡進行能量積累，從而迅速地提高目標(biāo)的信噪比，完成檢測。對于處于遮擋中的目標(biāo)，為了充分保留目標(biāo)信息，設(shè)計了一種低通濾波器，將具有低頻特征的背景信息濾除，然后給出一種多信息融合滾動搜索窗算法，通過不斷地尋找搜索范圍內(nèi)具有最大灰度強度的像素進行軌跡互聯(lián)。同時按照軌跡與背景之間的位置關(guān)系進行分類，對于未遮擋目標(biāo)以及部分遮擋目標(biāo)，通過對比度與灰度強度的多信息融合完成檢測

6、，而對于完全遮擋的目標(biāo)，為了克服其處于雜波干擾之下導(dǎo)致過多錯誤互聯(lián)的問題，本文進一步地開展了二次互聯(lián)。實驗證明，這種二次互聯(lián)可以較好地提高正確互聯(lián)率。最后通過灰度強度的累積實施檢測。此外本文還依據(jù)不同軌跡的特點開展雜波航跡的剔除工作。實驗證明，此種方法對于檢測信噪比大于4dB的遮擋目標(biāo)具有良好的檢測效果。
　　本文的第三部分工作力求解決信噪比低于2dB的弱目標(biāo)的檢測問題。為了克服類似于窮舉式搜索的動態(tài)規(guī)劃算法不適用于大尺寸圖像，不

7、允許目標(biāo)速度遷移的缺陷，本文首先給出了一種貪心算法。在構(gòu)造可能航跡時，每次只互聯(lián)利用高階相關(guān)濾波器得到的“可擴展節(jié)點”。由于每次只考慮最有希望的節(jié)點，比起窮舉式搜索，計算復(fù)雜性只有 MN(N幀圖像，M種遷移狀態(tài))。同時為了避免貪心算法易陷入局部解的缺陷，后期融合軌跡特征對這個可行解進行考察，不斷地校正使其與真實軌跡吻合。最后通過Neyman-Pearson的恒虛警率檢測準(zhǔn)則完成檢測過程。實驗部分通過與傳統(tǒng)的動態(tài)規(guī)劃算法的比對證明，本文提

8、出的方法不僅具有時間、空間的優(yōu)勢，而且由于抑制了更多的虛警，檢測率更高，實時性更好，操作更簡單。此外本文還給出了一種雙階段FSS(固定采樣數(shù)檢驗)的多分辨率檢測方法。它將多分辨率思想融入其中，實現(xiàn)一種由粗至精的定位方法。對于在低分辨率下獲得的“啟發(fā)式片段”進行一次FSS檢驗，保留滿足門限的等待繼續(xù)檢驗，如果低于門限則直接截斷；對于經(jīng)過篩選之后的啟發(fā)式片段，再進行細尺度的調(diào)節(jié)，之后對于合格的軌跡再執(zhí)行一次 FSS檢驗，最終篩選出目標(biāo)。實驗