[發明專利]一種基于DS證據理論的多光譜圖像弱小目標跟蹤方法

有效

• 申請號: 201711115738.2
• 申請日: 2017-11-13
• 公開（公告）號: CN107767406B
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 蔣雯;胡偉偉;鄧鑫洋
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/277
• 分類號: G06T7/277;G06T7/136;G06T5/50
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 劉強強

1.一種基于DS證據理論的多光譜圖像弱小目標跟蹤方法，其特征在于包括下述步驟：

步驟一：輸入一幀多光譜圖像及當前環境下每個波段云、天空及目標灰度最小值、中值及最大值，根據輸入的云、天空及當前目標成像的灰度最小值、中值、最大值，建立對應的三角模糊數模型，辨識框架為Θ＝{C,S,T}，辨識框架中C表示云，S表示天空，T表示目標，C，S，T三角模糊數模型建立的方法為：

將波段i云成像的灰度最小值Cmin_i、中值Cave_i及最大值Cmax_i分別作為波段i云三角模糊數模型的最小值，中值，最大值，則波段i云的三角模糊數為將波段i天空成像的灰度最小值Smin_i、中值Save_i及最大值Smax_i分別作為波段i天空三角模糊數模型的最小值，中值，最大值，則波段i天空建立的三角模糊數為將波段i目標成像的灰度最小值Tmin_i、中值Tave_i及最大值Tmax_i分別作為波段i當前目標三角模糊數模型的最小值，中值，最大值，則波段i當前目標建立的三角模糊數為

步驟二：將步驟一獲得的模糊數展寬，即將模糊數的上界增大、下界減小，分別記云、天空、當前目標展寬后的模糊數為所述展寬方法為：

步驟三：對輸入圖像中任一像素點p進行分類，分類結果為云、天空、目標：

1)對任一分類像素點p，取其波段i灰度值G_i，用G_i和生成基本概率分配函數m_i，所述分別為前述波段i云、天空、目標的三角模糊數，所述基本概率分配函數在證據理論中被定義為對任意一個屬于Θ的子集A，m(A)∈[0,1]，且滿足則m_i為2^Θ上的基本概率分配函數，其中2^Θ為辨識框架的冪集，所述基本概率分配函數m_i生成方法為：將G_i與模糊數交點的高點賦給相應單子集元素的信度，將G_i與模糊數交點的最低點賦給相應雙子集元素或多子集的信度，其中所述的單子集元素指的是步驟一中辨識框架Θ的子集{C}，{S}或{T}，所述的雙子集元素指的是步驟一中辨識框架Θ的子集{C,S}，{C,T}或{S,T}，所述多子集元素指的是步驟一中辨識框架Θ的子集{C,S,T}；記生成的信度之和為Sum，將生成的信度歸一化得到m_i；

2)將25個波段生成的基本概率分配函數m_i使用平均融合方法融合得到m，所述平均融合方法為：其中m_i(i＝1,2,…,25)為生成的基本概率分配函數；

3)使用Pignistic probability transformation方法將融合后的m轉換為概率分布P，所述轉換方法為：其中

4)依據得到的概率分布P對像素點p分類，取P({C})，P({S})，P({T})中最大的概率對應的類別作為像素點p分類的結果，分類結果中C表示云，S表示天空，T表示目標；

步驟四：對誤識點進行干擾排除，以選取真實的跟蹤目標，干擾排除的原理是利用相鄰幀目標區域的位置相關性來實現：

在當前幀所有目標區域中選取距離上幀圖像中目標位置最近的區域作為待選目標，若距離在合理的閾值區間內，則認為待選目標是當前跟蹤的目標，否則認為是隨機干擾，閾值區間可根據目標運動速度選取；

步驟五：根據當前幀的像素點分類結果更新上一幀目標、云、天空的三角模糊數模型，將更新后的模型作為下一幀圖像云、天空、目標三種類別的模糊數模型，所述模型更新方法為：

對于所有被識別為云的像素點，求出這些像素點波段i的最大值max和最小值min，若max>Cmax_i，將上界更新為max，若min<Cmin_i，將下界更新為min；對于所有被識別為天空的像素點，求出這些像素點波段i的最大值max和最小值min，若max>Smax_i，將上界更新為max，若min<Smin_i，將下界更新為min；對于所有被識別為目標的像素點，求出這些像素點波段i的最大值max和最小值min，若max>Tmax_i，將上界更新為max，若min<Tmin_i，將下界更新為min。