[發明專利]一種基于漲落分析的極暗弱運動目標關聯檢測方法

在審

• 申請號: 202010564687.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111784738A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 鄭偉;楊震;彭曉東;牛文龍;鄧昊
• 申請（專利權）人: 中國科學院國家空間科學中心
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/49;G06K9/62
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 楊青;劉振

本發明公開了一種基于漲落分析的極暗弱運動目標關聯檢測方法，包括：步驟1)對高幀頻圖像序列在時序上做歸一化預處理；步驟2)根據幀頻以及信號駐留時間，將每個像元的時序信號劃分為多個等長的時間窗口，在相鄰兩個時間窗口上提取第一次關聯特征；步驟3)基于第一次關聯特征，重新進行時間窗口劃分，設置能量參數和速度參數，在相鄰兩個時間窗口上提取第二次關聯特征；步驟4)基于每個像元的時序信號的第二次關聯特征，尋找第二關聯特征變化異常的位置，作為空間軌跡判別的依據；步驟5)根據目標速度和跨越像元的距離，劃出一定大小空間窗口，若空間窗口內檢測出的目標存在，則判斷為目標軌跡，否則，轉入步驟3)。

技術領域

本發明涉及運動目標檢測檢測領域，具體涉及一種基于漲落分析的極暗弱運動目標關聯檢測方法。

背景技術

近地小天體本身不發光，是典型的極暗弱運動目標。近地小天體監測預警存在視場、距離和分辨率的矛盾，根本原因是大視場、遠距離和運動條件下的目標信號能量極微弱和信噪比極低，經典基于成像的目標檢測方法對探測信噪比要求高，需要進行時間或空間上的掃描對目標信號多次曝光，在抑制噪聲的同時累積目標能量。這種方法采集完整數據消耗時間長，不適用于小、暗、弱運動目標和信噪比較低目標的探測和識別；其次，傳統方法未考慮到低占比暗弱運動目標自身的粒子特征和背景的交互特性，平均噪聲的同時容易損失掉目標本身就微弱的信號；第三，目標信號過于微弱，傳統提升積分時間的同時難以抑制噪聲同步累積，造成有效信號被噪聲甚至背景波動所淹沒。因此對于極低信噪比暗弱運動目標，難以累積有效積分時間而造成圖像質量較差，導致難以對極暗弱運動目標進行檢測和識別。因此，極低信噪比信號檢測對于極暗弱運動目標探測具有重要意義和巨大的應用價值。

現有的運動目標檢測的方法主要可以分為四類：基于空間濾波、基于時域濾波、基于時空聯合和基于機器學習的方法。基于空域的檢測方法主要通過抑制背景來檢測目標，常用的基于空域的背景抑制算法有局部均值法、最大值濾波、形態學濾波(Top-Hat)和小波變換等算法，對目標信噪比要求較高。基于時域濾波方法是利用目標信號的時域信息來分割目標和背景，常用的檢測方法有背景建模、幀間差分等方法，背景建模法對背景變化十分敏感，幀間差分法則易受到目標的運動速度以及噪聲影響。針對基于時域和基于空域的檢測方法無法同時利用目標的時域和空域信息，一些基于時空域聯合的濾波方法被應用和提出，如光流法、三維匹配濾波、檢測前跟蹤(track-before-detect，TBD)以及跟蹤前檢測(detect-before-track,DBT)等方法，光流法能獨立檢測運動目標，但非常耗時，三維匹配濾波難以檢測信噪比較低的目標，TBD方法計算相對復雜、不易硬件實現；DBT方法抗干擾能力很差。基于機器學習的方法則是利用分類來進行運動目標的檢測，常用模型包括基于傳統的統計機器學習方法，如支持向量機、隨機森林等，另外則是基于深度網絡的有監督學習方法，如卷積神經網絡(Convolutional Neural Networks,CNN)、YOLO等，對于極暗弱目標，深度網絡模型很難構建外觀模型，導致其魯棒性不高。以上方法均難以對近地小天體的監測和預警中極暗弱運動目標進行檢測。

發明內容

本發明的目的在于克服上述技術缺陷，提出一種基于漲落分析的極暗弱運動目標關聯檢測方法，關聯檢測的核心思想是利用目標和背景在時間分布上的序貫差異性。序貫差異性是由于目標運動擾動了短時平穩的背景與噪聲，從而導致背景噪聲在不同時段的分布特性發生變化。利用高幀頻采樣能夠獲取時域的分布特性，而關聯度量方法能夠將這種微弱的時序分布變化提取出來，從而反演出運動目標的存在。

為實現上述目的，本發明提出了一種基于漲落分析的極暗弱運動目標關聯檢測方法，所述方法包括：

步驟1)對高幀頻圖像序列在時序上做歸一化預處理，得到圖像上每個像元的時序信號；

步驟2)根據幀頻以及信號駐留時間，將每個像元的時序信號劃分為多個等長的時間窗口，在相鄰兩個時間窗口上提取第一次關聯特征；