CN106874928A - 跟踪目标突发关键事件自动判决方法及*** - Google Patents
跟踪目标突发关键事件自动判决方法及*** Download PDFInfo
- Publication number
- CN106874928A CN106874928A CN201611231161.7A CN201611231161A CN106874928A CN 106874928 A CN106874928 A CN 106874928A CN 201611231161 A CN201611231161 A CN 201611231161A CN 106874928 A CN106874928 A CN 106874928A
- Authority
- CN
- China
- Prior art keywords
- tracking target
- current
- critical event
- burst
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种跟踪目标突发关键事件自动判决方法及***,属于地面光电测量技术领域,该方法及***基于地面光学测量***对跟踪目标的实时观测,实时获取跟踪目标的图像,并提取当前跟踪目标图像的当前跟踪目标特征量,将跟踪目标特征库中发生突发事件前的特征信息和发生突发事件时的特征信息作为两种特征类别,利用模式识别将当前跟踪目标图像的当前跟踪目标特征量匹配至对应的特征类别,从而实现跟踪目标是否发生突发关键事件的判决,并且能够准确、快速地识别跟踪目标发生突发关键事件的时刻,从而直接为指挥控制中心提供高可靠性的目标突发关键事件判决依据,进一步丰富了指挥控制中心的实时决策依据。
Description
技术领域
本发明涉及地面光电测量技术领域,特别是涉及一种跟踪目标突发关键事件自动判决方法及***。
背景技术
以航天器发射过程为例,工程师需要准确掌握火箭分离事件的发生情况,包括火箭分离发生的时间和完成情况。通常情况下,对火箭分离事件的判决主要采用无线电信息采集、传输和处理技术,通过传感器获取目标事件信息。但由于信息采集误码、空间链路的不稳定性等方面原因,在实际应用中,这种方式存在一定的不可靠性,影响火箭分离事件判决的准确性。
目前,最常用的、最直观的事态判决方式是通过视觉信息进行判决,因此目标图像信息常常是作为跟踪目标突发关键事件判决的另一类重要的信息源。但是,由于人体视觉判决往往存在着模糊性和不准确性,无法在时间上、状态上及时给予指挥决策人员以定量的、准确的信息参考,不利于对跟踪目标是否发生突发事件的判断。
发明内容
基于此,有必要针对现有技术中对跟踪目标发生突发事件的判决结果存在一定的不可靠性,无法在时间上、状态上及时给予指挥决策人员以定量的和准确的信息参考的问题,提供一种跟踪目标突发关键事件自动判决方法及***。
为解决上述问题,本发明采取如下的技术方案:
一种跟踪目标突发关键事件自动判决方法,所述方法包括以下步骤:
从地面光学测量***获取跟踪目标的当前跟踪目标图像;
提取所述当前跟踪目标图像的当前跟踪目标特征量;
根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集;
根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策;
当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
同时,本发明还提出一种跟踪目标突发关键事件自动判决***,所述***包括:
图像获取模块,用于从地面光学测量***获取跟踪目标的当前跟踪目标图像;
特征提取模块,用于提取所述当前跟踪目标图像的当前跟踪目标特征量;
特征集获取模块,用于根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集;
分类决策模块,用于根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策;
判决模块,用于当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
上述跟踪目标突发关键事件自动判决方法及***基于地面光学测量***对跟踪目标的实时观测,实时获取跟踪目标的图像,并提取当前跟踪目标图像的当前跟踪目标特征量,跟踪目标特征库包含了历次任务中跟踪目标发生突发事件前和发生突发事件时的特征信息,将跟踪目标特征库中发生突发事件前的特征信息和发生突发事件时的特征信息作为两种特征类别,利用模式识别将当前跟踪目标图像的当前跟踪目标特征量匹配至对应的特征类别,从而实现跟踪目标是否发生突发关键事件的判决,并且能够准确、快速地识别跟踪目标发生突发关键事件的时刻,从而直接为指挥控制中心提供高可靠性的目标突发关键事件判决依据,提高诸如航天器发射任务快速评估能力、导弹发射任务快速预警能力等,进一步丰富了指挥控制中心的实时决策依据。同时,通过实施本发明可以辅助指挥员及早对跟踪目标飞行状态的进行判决,避免一旦跟踪目标发生故障,安全控制措施处理不及时而对落点附近人群、重要设施造成非常严重的安全威胁。
附图说明
图1为本发明跟踪目标突发关键事件自动判决方法其中一个实施例的流程示意图;
图2为本发明跟踪目标突发关键事件自动判决方法其中一个具体实施方式的原理示意图;
图3为本发明跟踪目标突发关键事件自动判决***的结构示意图。
具体实施方式
本发明所提出的跟踪目标突发关键事件自动判决方法及***从地面光学测量***获取的当前跟踪目标图像入手,以实现基于图像特征的跟踪目标发生突发关键事件识别为目的,本发明所提出的方法及***可以直接应用于现有的或者在研的地面光学测量***之上,其具体用途包括:(1)用于发射器助推器分离事件发生情况实时自动判决;(2)用于发射器级间分离事件发生情况实时自动判决;(3)用于火箭整流罩分离事件发生情况实时自动判决;(4)用于载荷与航天器分离事件发生情况实时自动判决等。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,如图1所示,一种跟踪目标突发关键事件自动判决方法,包括以下步骤:
S100从地面光学测量***获取跟踪目标的当前跟踪目标图像。
地面光学测量***或地面光学测量设备基于光学测量和成像原理,能够测量、记录跟踪目标或者飞行目标的运动轨迹、姿态和运动中发生的事件,并记录目标的红外辐射和视觉(可见光)特征。运动目标检测是地面光学测量***中的一个重要环节,运动目标检测的准确与否会对后续的目标跟踪产生重要的影响,一般情况下,从序列图像中检测运动信息最为直接客观,利用时空图像的灰度、梯度等信息,通过全域比较提取差分信息。Mean-shift算法可以在目标发生旋转、缩放、与背景相似、遮挡等情况下保证准确、实时的跟踪,可以通过迭代快速的收敛于概率密度函数的局部最大值,使用改进的核函数和均值漂移算法,以灰度密度函数为特征进行模板匹配实现目标跟踪。
地面光学测量***能够实时获取外场跟踪目标的图像,该图像作为一种客观现场证据,能够及时、直观地反映跟踪目标飞行过程中的各种关键动作及其发生时间。本步骤从地面光学测量***获取跟踪目标的当前跟踪目标图像,以获得最接近跟踪目标当前状态的图像,为跟踪目标突发关键事件的判决提供可靠的数据。
作为一种具体的实施方式,当前跟踪目标图像包括跟踪目标当前的可见光图像和跟踪目标当前的红外图像,其中红外图像包括中波红外图像和长波红外图像,从而为跟踪目标突发关键事件的自动判决提供多种类型的图像数据,有利于提高判决的准确性。
S200提取所述当前跟踪目标图像的当前跟踪目标特征量。
在步骤S100获取到跟踪目标的当前跟踪目标图像后,对该当前跟踪目标图像进行特征提取,其中提取的特征是能够表征跟踪目标在发生突发关键事件时会发生变化的图像特征。本步骤中对当前跟踪目标图像的特征提取可以利用现有的特征提取方法实现,这些特征提取方法包括小波变换法、最小二乘法、Fourier变换法、窗口Fourier变换法等。
如何提取合适的特征量与跟踪目标的图像模型密切相关,图像模型表达和建立的好坏是进行特征量提取的关键所在,必须结合计算机视觉的内容深入分析。同时特征量的选择也很重要,因为寻找的跟踪目标机体特征量越多,则对跟踪目标的识别率理论上就越高。已有试验表明,特征量超过一定数量后并不能有效提高目标识别率,而且特征量过多还会影响识别速度。在靶场应用项目中,火箭等飞行目标的典型特征是呈现长条目标形状,针对这类比较常见的特定目标探测,可以采用多方向长形目标滤波探测技术,该技术可以比较可靠地检测沿某一角度方向的呈长条形特征的目标,滤除非此方向的及非长条形的目标,从而为后续目标提取和跟踪提供有利的条件。本发明中的特征量的提取可以利用Gabor小波滤波技术,Gabor小波又称为加窗傅立叶变换,其奇函数形式具有较好的边缘检测性能,且其边缘检测可根据Gabor小波母函数的频率和角度的调整而实现对不同方向、不同边缘变换频率的提取,相比常规的边缘提取算子,Gabor小波的边缘提取更加灵活、适用性更广,由于长形目标具有典型的方向角和边缘特征,因此利用基于Gabor小波的长形目标滤波探测技术可以实现比较可靠的提取。
作为一种具体的实施方式,提取当前跟踪目标图像的当前跟踪目标特征量的过程包括:利用形态学滤波法去除当前跟踪目标图像的背景噪声,并基于连通性分析提取去除背景噪声后的当前跟踪目标图像的当前跟踪目标特征量。本实施方式充分考虑到跟踪目标发生突发关键事件时,地面光学测量***获得的当前跟踪目标图像的背景特性可能对跟踪目标的动态检测以及特征提取造成影响,因此在对当前跟踪目标图像进行特征提取之前,首先利用形态学滤波法去除当前跟踪目标图像的背景噪声,然后再基于连通性分析对去除背景噪声后的当前跟踪目标图像进行特征提取,得到当前跟踪目标特征量,从而进一步提高跟踪目标发生突发关键事件的自动判决的可靠性。
S300根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集。
本步骤依据跟踪目标的当前目标类型、当前气象条件和当前观测状态,从跟踪目标特征库中获取突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集,其中,跟踪目标特征库包括预先采集的大量跟踪目标图像训练样本,这些跟踪目标图像训练样本包括跟踪目标的各个部件的红外图像样本和可见光图像样本。
S400根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策。
跟踪目标特征库包括两类特征集,分别为突发关键事件前特征集ω1和突发关键事件时特征集ω2,每一个特征集均包含了多个特征量,即ω1={x11,x12,...,x1M},ω2={x21,x22,...,x2N}。假设步骤S200提取的当前跟踪目标特征量为x,那么根据突发关键事件前特征集和突发关键事件时特征集对当前跟踪目标特征量进行分类决策的过程所对应的分类决策问题即为x∈ω1或x∈ω2,如果采用k-近邻法对当前跟踪目标特征量进行分类决策,基本过程为:
计算当前跟踪目标特征量分别与突发关键时间前特征集和突发关键事件时特征集中的特征量之间的空间距离:
g1i(x)=||x-x1i||(i=1,2,...,M)
g2j(x)=||x-x2j||(j=1,2,...,N)
再从g1i(x)和g2j(x)中找出k个最小值,假设这k个最小值种有k1个来自g1i(x),k2个来自g2j(x),则k-近邻决策规则为:
若k1>k2,则x∈ω1;
若k1<k2,则x∈ω2;
显然,对当前跟踪目标特征量进行分类决策的过程实际上就是对跟踪目标发生突发关键事件的识别过程,当分类决策的结果为x∈ω2时,即可判决跟踪目标发生突发关键事件。
S500当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
根据步骤S400的分类决策可知,当分类决策的结果为x∈ω2,即当前跟踪目标特征量x属于突发关键事件时特征集ω2时,可以判决跟踪目标发生突发关键事件。
本实施例所提出的跟踪目标突发关键事件自动判决方法基于地面光学测量***对跟踪目标的实时观测,实时获取跟踪目标的图像,并提取当前跟踪目标图像的当前跟踪目标特征量,跟踪目标特征库包含了历次任务中跟踪目标发生突发事件前和发生突发事件时的特征信息,将跟踪目标特征库中发生突发事件前的特征信息和发生突发事件时的特征信息作为两种特征类别,利用模式识别将当前跟踪目标图像的当前跟踪目标特征量匹配至对应的特征类别,从而实现跟踪目标是否发生突发关键事件的判决,并且能够准确、快速地识别跟踪目标发生突发关键事件的时刻,从而直接为指挥控制中心提供高可靠性的目标突发关键事件判决依据,提高诸如航天器发射任务快速评估能力、导弹发射任务快速预警能力等,进一步丰富了指挥控制中心的实时决策依据。同时,通过实施本发明可以辅助指挥员及早对跟踪目标飞行状态的进行判决,避免一旦跟踪目标发生故障,安全控制措施处理不及时而对落点附近人群、重要设施造成非常严重的安全威胁。
作为一种具体的实施方式,判决跟踪目标发生突发关键事件的步骤之后,跟踪目标突发关键事件自动判决方法还包括以下步骤:将当前目标类型、当前气象条件和当前观测状态、当前跟踪目标特征量和当前跟踪目标图像的时间标志添加至跟踪目标特征库,对跟踪目标特征库进行更新。如图2所示,预先采集跟踪目标的各个部件(如助推器等)在各种条件下的先验图像,得到跟踪目标的分离图像训练样本,并将分离图像训练样本储存到预设的模型库中,对分离图像训练样本进行特征量提取分类后,将对应的特征量分类存储到跟踪目标特征库中;从地面光学测量***获取跟踪目标的当前跟踪目标图像即得到跟踪目标的光测图像测试样本后,对光测图像测试样本进行特征量提取并将提取的当前跟踪目标特征量发送至分类器,其中分类器是从跟踪目标特征库中获得突发关键事件前特征集和突发关键事件时特征集的一种算法,通过它可以输入跟踪目标的实况图像特征,得到是否是突变特征的结果;分类器根据跟踪目标特征库和当前跟踪目标特征量进行分类决策,并通过状态窗口确认后输出决策结果,如果当前跟踪目标特征量的分类决策结果是属于跟踪目标特征库中的突发关键事件时特征集时,则将当前目标类型、当前气象条件和当前观测状态、当前跟踪目标特征量和当前跟踪目标图像的时间标志添加至跟踪目标特征库,对跟踪目标特征库进行更新,对应图2中的路径(1);如果当前跟踪目标特征量的分类决策结果是属于跟踪目标特征库中的突发关键事件前特征集时,则继续对下一时刻的光测图像测试样本进行特征提取,对应图2中的路径(2)。
为了能够方便地将每次任务的跟踪目标图像特征信息和跟踪目标突发关键事件识别结果添加至跟踪目标特征库,这里可以采用Microsoft SQL Server数据库平台建立跟踪目标特征库。同时,考虑到跟踪目标的要求和数据库平台性价比等因素,这里优选Microsoft SQL Server 2005,其作为一个全面的数据库平台,使用集成的商业智能(BI)工具提供了企业级的数据管理服务,它的数据库引擎为关系型数据和结构化数据提供了更安全可靠的存储功能,可以构建和管理用于业务的高可用和高性能的数据应用程序。在模型数据库内建立作为主表的跟踪目标突发关键事件光测任务表OM_TASK_GRID(如表1所示),和任务图像特征分析结果表OM_SCHA_GRID(如表2所示),以通过基于表1和表2的数据应用程序实现对跟踪目标特征库的更新。
表1 OM_TASK_GRID表描述
表2 OM_SCHA_GRID表描述
作为一种具体的实施方式,对跟踪目标特征库进行更新的步骤之后,跟踪目标突发关键事件自动判决方法还包括以下步骤:在预设的模型库中搜索与当前跟踪目标图像相匹配的分离图像训练样本,其中分离图像训练样本中包括跟踪目标的各个部件的可见光分离图像训练样本和红外分离图像训练样本;根据与当前跟踪目标图像相匹配的分离图像训练样本识别突发事件的发生节点。在本实施方式中,判决跟踪目标发生突发关键事件并对跟踪目标特征库进行更新之后,利用图像匹配技术,在预设的模型库中搜索与当前跟踪目标图像相匹配的分离图像训练样本,其中分离图像训练样本中包括跟踪目标的各个部件的可见光分离图像训练样本和红外分离图像训练样本;获得与当前跟踪目标图像相匹配的分离图像训练样本后,根据该分离图像训练样本可以确定当前跟踪目标图像实际检测的是跟踪目标的按一个部件,从而识别对应的突发事件的发生节点,例如识别发射器助推器分离节点、发射器级间分离节点、火箭整流罩分离节点以及载荷与航天器分离节点等,从而帮助指挥控制中心及时确定跟踪目标的运行状态,进而发出正确的指挥控制指令。
同时,在另一个实施例中,如图3所示,本发明还提出一种跟踪目标突发关键事件自动判决***,该***包括:
图像获取模块100,用于从地面光学测量***获取跟踪目标的当前跟踪目标图像;
特征提取模块200,用于提取所述当前跟踪目标图像的当前跟踪目标特征量;
特征集获取模块300,用于根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集;
分类决策模块400,用于根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策;
判决模块500,用于当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
地面光学测量***或地面光学测量设备基于光学测量和成像原理,能够测量、记录跟踪目标或者飞行目标的运动轨迹、姿态和运动中发生的事件,并记录目标的红外辐射和视觉(可见光)特征。运动目标检测是地面光学测量***中的一个重要环节,运动目标检测的准确与否会对后续的目标跟踪产生重要的影响,一般情况下,从序列图像中检测运动信息最为直接客观,利用时空图像的灰度、梯度等信息,通过全域比较提取差分信息。Mean-shift算法可以在目标发生旋转、缩放、与背景相似、遮挡等情况下保证准确、实时的跟踪,可以通过迭代快速的收敛于概率密度函数的局部最大值,使用改进的核函数和均值漂移算法,以灰度密度函数为特征进行模板匹配实现目标跟踪。
地面光学测量***能够实时获取外场跟踪目标的图像,该图像作为一种客观现场证据,能够及时、直观地反映跟踪目标飞行过程中的各种关键动作及其发生时间。图像获取模块100从地面光学测量***获取跟踪目标的当前跟踪目标图像,以获得最接近跟踪目标当前状态的图像,为跟踪目标突发关键事件的判决提供可靠的数据。
作为一种具体的实施方式,当前跟踪目标图像包括跟踪目标当前的可见光图像和跟踪目标当前的红外图像,其中红外图像包括中波红外图像和长波红外图像,从而为跟踪目标突发关键事件的自动判决提供多种类型的图像数据,有利于提高判决的准确性。
图像获取模块100获取到跟踪目标的当前跟踪目标图像后,特征提取模块200对该当前跟踪目标图像进行特征提取,其中提取的特征是能够表征跟踪目标在发生突发关键事件时会发生变化的图像特征。特征提取模块200对当前跟踪目标图像的特征提取可以利用现有的特征提取方法实现,这些特征提取方法包括小波变换法、最小二乘法、Fourier变换法、窗口Fourier变换法等。
如何提取合适的特征量与跟踪目标的图像模型密切相关,图像模型表达和建立的好坏是进行特征量提取的关键所在,必须结合计算机视觉的内容深入分析。同时特征量的选择也很重要,因为寻找的跟踪目标机体特征量越多,则对跟踪目标的识别率理论上就越高。已有试验表明,特征量超过一定数量后并不能有效提高目标识别率,而且特征量过多还会影响识别速度。在靶场应用项目中,火箭等飞行目标的典型特征是呈现长条目标形状,针对这类比较常见的特定目标探测,可以采用多方向长形目标滤波探测技术,该技术可以比较可靠地检测沿某一角度方向的呈长条形特征的目标,滤除非此方向的及非长条形的目标,从而为后续目标提取和跟踪提供有利的条件。本发明中特征提取模块200对特征量的提取可以利用Gabor小波滤波技术,Gabor小波又称为加窗傅立叶变换,其奇函数形式具有较好的边缘检测性能,且其边缘检测可根据Gabor小波母函数的频率和角度的调整而实现对不同方向、不同边缘变换频率的提取,相比常规的边缘提取算子,Gabor小波的边缘提取更加灵活、适用性更广,由于长形目标具有典型的方向角和边缘特征,因此利用基于Gabor小波的长形目标滤波探测技术可以实现比较可靠的提取。
作为一种具体的实施方式,特征提取模块200利用形态学滤波法去除当前跟踪目标图像的背景噪声,并基于连通性分析提取去除背景噪声后的当前跟踪目标图像的当前跟踪目标特征量。本实施方式充分考虑到跟踪目标发生突发关键事件时,地面光学测量***获得的当前跟踪目标图像的背景特性可能对跟踪目标的动态检测以及特征提取造成影响,因此在特征提取模块200对当前跟踪目标图像进行特征提取之前,特征提取模块200首先利用形态学滤波法去除当前跟踪目标图像的背景噪声,然后再基于连通性分析对去除背景噪声后的当前跟踪目标图像进行特征提取,得到当前跟踪目标特征量,从而进一步提高跟踪目标发生突发关键事件的自动判决的可靠性。
特征集获取模块300依据跟踪目标的当前目标类型、当前气象条件和当前观测状态,从跟踪目标特征库中获取突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集,其中,跟踪目标特征库包括预先采集的大量跟踪目标图像训练样本的特征向量,其中跟踪目标图像训练样本包括跟踪目标的各个部件的红外图像样本和可见光图像样本。
跟踪目标特征库包括两类特征集,分别为突发关键事件前特征集ω1和突发关键事件时特征集ω2,每一个特征集均包含了多个特征量,即ω1={x11,x12,...,x1M},ω2={x21,x22,...,x2N}。假设特征提取模块200提取的当前跟踪目标特征量为x,那么分类决策模块400根据突发关键事件前特征集和突发关键事件时特征集对当前跟踪目标特征量进行分类决策的过程所对应的分类决策问题即为x∈ω1或x∈ω2,如果采用k-近邻法对当前跟踪目标特征量进行分类决策,基本过程为:
计算当前跟踪目标特征量分别与突发关键时间前特征集和突发关键事件时特征集中的特征量之间的空间距离:
g1i(x)=||x-x1i||(i=1,2,...,M)
g2j(x)=||x-x2j||(j=1,2,...,N)
再从g1i(x)和g2j(x)中找出k个最小值,假设这k个最小值种有k1个来自g1i(x),k2个来自g2j(x),则k-近邻决策规则为:
若k1>k2,则x∈ω1;
若k1<k2,则x∈ω2;
显然,对当前跟踪目标特征量进行分类决策的过程实际上就是对跟踪目标发生突发关键事件的识别过程,当分类决策的结果为x∈ω2时,判决模块500判决跟踪目标发生突发关键事件。
本实施例所提出的跟踪目标突发关键事件自动判决***基于地面光学测量***对跟踪目标的实时观测,实时获取跟踪目标的图像,并提取当前跟踪目标图像的当前跟踪目标特征量,跟踪目标特征库包含了历次任务中跟踪目标发生突发事件前和发生突发事件时的特征信息,将跟踪目标特征库中发生突发事件前的特征信息和发生突发事件时的特征信息作为两种特征类别,利用模式识别将当前跟踪目标图像的当前跟踪目标特征量匹配至对应的特征类别,从而实现跟踪目标是否发生突发关键事件的判决,并且能够准确、快速地识别跟踪目标发生突发关键事件的时刻,从而直接为指挥控制中心提供高可靠性的目标突发关键事件判决依据,提高诸如航天器发射任务快速评估能力、导弹发射任务快速预警能力等,进一步丰富了指挥控制中心的实时决策依据。同时,通过实施本发明可以辅助指挥员及早对跟踪目标飞行状态的进行判决,避免一旦跟踪目标发生故障,安全控制措施处理不及时而对落点附近人群、重要设施造成非常严重的安全威胁。
作为一种具体的实施方式,跟踪目标突发关键事件自动判决***还包括更新模块,用于将当前目标类型、当前气象条件和当前观测状态、当前跟踪目标特征量和当前跟踪目标图像的时间标志添加至跟踪目标特征库,对跟踪目标特征库进行更新。本实施方式中更新模块其具体功能的实现方法,可以参照上述的跟踪目标突发关键事件自动判决方法实施例中描述的实现方法,此处不再赘述。
作为一种具体的实施方式,跟踪目标突发关键事件自动判决***还包括识别模块,用于在预设的模型库中搜索与当前跟踪目标图像相匹配的分离图像训练样本,其中分离图像训练样本包括跟踪目标的各个部件的可见光分离图像训练样本和红外分离图像训练样本,并根据与当前跟踪目标图像相匹配的分离图像训练样本识别突发事件的发生节点。本实施方式中识别模块其具体功能的实现方法,可以参照上述的跟踪目标突发关键事件自动判决方法实施例中描述的实现方法,此处不再赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种跟踪目标突发关键事件自动判决方法,其特征在于,包括以下步骤:
从地面光学测量***获取跟踪目标的当前跟踪目标图像;
提取所述当前跟踪目标图像的当前跟踪目标特征量;
根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集;
根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策;
当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
2.根据权利要求1所述的跟踪目标突发关键事件自动判决方法,其特征在于,判决所述跟踪目标发生所述突发关键事件的步骤之后,还包括以下步骤:
将所述当前目标类型、当前气象条件和当前观测状态、当前跟踪目标特征量和所述当前跟踪目标图像的时间标志添加至所述跟踪目标特征库,对所述跟踪目标特征库进行更新。
3.根据权利要求2所述的跟踪目标突发关键事件自动判决方法,其特征在于,对所述跟踪目标特征库进行更新的步骤之后,还包括以下步骤:
在预设的模型库中搜索与所述当前跟踪目标图像相匹配的分离图像训练样本,所述分离图像训练样本包括所述跟踪目标的各个部件的可见光分离图像训练样本和红外分离图像训练样本;
根据与所述当前跟踪目标图像相匹配的分离图像训练样本识别所述突发事件的发生节点。
4.根据权利要求1至3任意一项所述的跟踪目标突发关键事件自动判决方法,其特征在于,提取所述当前跟踪目标图像的当前跟踪目标特征量的过程包括:
利用形态学滤波法去除所述当前跟踪目标图像的背景噪声,并基于连通性分析提取去除背景噪声后的当前跟踪目标图像的当前跟踪目标特征量。
5.根据权利要求1至3任意一项所述的跟踪目标突发关键事件自动判决方法,其特征在于,
所述当前跟踪目标图像包括所述跟踪目标当前的可见光图像和所述跟踪目标当前的红外图像,所述红外图像包括中波红外图像和长波红外图像。
6.一种跟踪目标突发关键事件自动判决***,其特征在于,包括:
图像获取模块,用于从地面光学测量***获取跟踪目标的当前跟踪目标图像;
特征提取模块,用于提取所述当前跟踪目标图像的当前跟踪目标特征量;
特征集获取模块,用于根据所述跟踪目标的当前目标类型、当前气象条件和当前观测状态获取跟踪目标特征库中突发关键事件对应的突发关键事件前特征集和突发关键事件时特征集;
分类决策模块,用于根据所述突发关键事件前特征集和所述突发关键事件时特征集对所述当前跟踪目标特征量进行分类决策;
判决模块,用于当所述当前跟踪目标特征量的分类决策结果为属于所述突发关键事件时特征集时,判决所述跟踪目标发生所述突发关键事件。
7.根据权利要求6所述的跟踪目标突发关键事件自动判决***,其特征在于,还包括更新模块,
所述更新模块用于将所述当前目标类型、当前气象条件和当前观测状态、当前跟踪目标特征量和所述当前跟踪目标图像的时间标志添加至所述跟踪目标特征库,对所述跟踪目标特征库进行更新。
8.根据权利要求7所述的跟踪目标突发关键事件自动判决***,其特征在于,还包括识别模块,
所述识别模块用于在预设的模型库中搜索与所述当前跟踪目标图像相匹配的分离图像训练样本,所述分离图像训练样本包括所述跟踪目标的各个部件的可见光分离图像训练样本和红外分离图像训练样本,并根据与所述当前跟踪目标图像相匹配的分离图像训练样本识别所述突发事件的发生节点。
9.根据权利要求6至8任意一项所述的跟踪目标突发关键事件自动判决***,其特征在于,
所述特征提取模块利用形态学滤波法去除所述当前跟踪目标图像的背景噪声,并基于连通性分析提取去除背景噪声后的当前跟踪目标图像的当前跟踪目标特征量。
10.根据权利要求6至8任意一项所述的跟踪目标突发关键事件自动判决***,其特征在于,
所述当前跟踪目标图像包括所述跟踪目标当前的可见光图像和所述跟踪目标当前的红外图像,所述红外图像包括中波红外图像和长波红外图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611231161.7A CN106874928B (zh) | 2016-12-28 | 2016-12-28 | 跟踪目标突发关键事件自动判决方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611231161.7A CN106874928B (zh) | 2016-12-28 | 2016-12-28 | 跟踪目标突发关键事件自动判决方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874928A true CN106874928A (zh) | 2017-06-20 |
CN106874928B CN106874928B (zh) | 2020-05-19 |
Family
ID=59164904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611231161.7A Expired - Fee Related CN106874928B (zh) | 2016-12-28 | 2016-12-28 | 跟踪目标突发关键事件自动判决方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874928B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818337A (zh) * | 2017-10-09 | 2018-03-20 | 中国电子科技集团公司第二十八研究所 | 基于深度卷积神经网络的突发事件分级分类方法及装置 |
CN113271233A (zh) * | 2020-02-16 | 2021-08-17 | 特拉维夫迈络思科技有限公司 | 突发得分 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103609A (zh) * | 2009-12-21 | 2011-06-22 | 北京中星微电子有限公司 | 一种信息检索方法及*** |
CN102902951A (zh) * | 2012-06-29 | 2013-01-30 | 陕西省交通规划设计研究院 | 高清视频监控图像的车辆目标定位、事件检测***及方法 |
CN103729553A (zh) * | 2013-12-19 | 2014-04-16 | 浙江工商大学 | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 |
CN103745201A (zh) * | 2014-01-06 | 2014-04-23 | Tcl集团股份有限公司 | 一种节目识别方法及装置 |
CN105578034A (zh) * | 2015-12-10 | 2016-05-11 | 深圳市道通智能航空技术有限公司 | 一种对目标进行跟踪拍摄的控制方法、控制装置及*** |
-
2016
- 2016-12-28 CN CN201611231161.7A patent/CN106874928B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103609A (zh) * | 2009-12-21 | 2011-06-22 | 北京中星微电子有限公司 | 一种信息检索方法及*** |
CN102902951A (zh) * | 2012-06-29 | 2013-01-30 | 陕西省交通规划设计研究院 | 高清视频监控图像的车辆目标定位、事件检测***及方法 |
CN103729553A (zh) * | 2013-12-19 | 2014-04-16 | 浙江工商大学 | 一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法 |
CN103745201A (zh) * | 2014-01-06 | 2014-04-23 | Tcl集团股份有限公司 | 一种节目识别方法及装置 |
CN105578034A (zh) * | 2015-12-10 | 2016-05-11 | 深圳市道通智能航空技术有限公司 | 一种对目标进行跟踪拍摄的控制方法、控制装置及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818337A (zh) * | 2017-10-09 | 2018-03-20 | 中国电子科技集团公司第二十八研究所 | 基于深度卷积神经网络的突发事件分级分类方法及装置 |
CN113271233A (zh) * | 2020-02-16 | 2021-08-17 | 特拉维夫迈络思科技有限公司 | 突发得分 |
Also Published As
Publication number | Publication date |
---|---|
CN106874928B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Scale adaptive proposal network for object detection in remote sensing images | |
CN109857889B (zh) | 一种图像检索方法、装置、设备及可读存储介质 | |
Yang et al. | Deep concrete inspection using unmanned aerial vehicle towards cssc database | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN113269073A (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN114299417A (zh) | 一种基于雷视融合的多目标跟踪方法 | |
CN106845496B (zh) | 精细目标识别方法和*** | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
Adiwinata et al. | Fish species recognition with faster r-cnn inception-v2 using qut fish dataset | |
CN106874928A (zh) | 跟踪目标突发关键事件自动判决方法及*** | |
WO2024152477A1 (zh) | 一种基于多尺度特征解耦的机场飞行区目标实时检测方法 | |
Yang et al. | Method for building recognition from FLIR images | |
Hu et al. | Airport Detection for Fixed-Wing Unmanned Aerial Vehicle Landing Using a Hierarchical Architecture | |
Valldor et al. | Firearm detection in social media images | |
Peng et al. | Real-time traffic sign text detection based on deep learning | |
Aziz et al. | Instance segmentation of fire safety equipment using mask R-CNN | |
Haq et al. | Rotation Aware Object Detection Model with Applications to Weapons Spotting in Surveillance Videos | |
Nazarkevych et al. | Method of Dataset Filling and Recognition of Moving Objects in Video Sequences based on YOLO. | |
Thoreau et al. | SaRNet: A dataset for deep learning assisted search and rescue with satellite imagery | |
Cao et al. | Vision-based flying targets detection via spatiotemporal context fusion | |
Ali et al. | Proposed technique for aircraft recognition in intelligent video automatic target recognition system (ivatrs) | |
CN116630900B (zh) | 基于机器学习的客运站旅客流线识别方法、***及设备 | |
Xu et al. | Meta-transfer learning for person re-identification in aerial imagery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200519 Termination date: 20211228 |
|
CF01 | Termination of patent right due to non-payment of annual fee |