[发明专利]一种基于十字检测的栅格状雷达检测方法

说明书

技术领域

本发明一种基于十字检测的栅格状雷达检测方法，属于雷达目标识别技术领域。

背景技术

雷达有着白天黑夜均能探测远距离目标的优点，随着雷达技术的发展，已经广泛应用于社会经济发展和科学研究，对雷达的目标识别也成为一项迫切需要的工作。飞行器技术和图像目标识别技术的发展，使得捕获雷达图像并对图像进行雷达检测成为可能。

由于雷达种类的多样性，找到一种适用于所有雷达的检测算法是很难的，本发明主要是针对栅格状雷达图像提出的一种自动检测算法，栅格状雷达指的是含有明显网状结构的雷达。栅格状雷达在雷达中占有相当大的比重，且自身特殊的网状结构使得其易于区别其与其他物体。

目前目标识别的主流技术是通过提取目标的特征，将目标识别问题转化为特征识别问题。而特征按照抽取的范围不同可以分为两种类型：(1)全局特征；(2)局部特征。全局特征是从整个图像中抽取的特征，局部特征是从图像的局部区域中抽取的特征。全局特征因为没有捕捉到图像的局部信息，当目标发生较大变化，如局部遮挡时，会导致全局特征的变化，最终导致目标识别任务的失败。因此，近些年来，大量针对局部特征的目标识别方法被提出并应用到实践中。

一些方法通过提取图像的边缘信息作为特征，如Canny边缘检测、Hough变换；一些通过先检测图像中的关键点，再在关键点处提取特征，如Harris角点检测、SIFT(Scale Invariant Feature Transform)特征；还有一些将整幅图像划分成许多小局部，分别提取局部特征，最后将各个小局部特征联合起来作为图像的特征，如HOG(Histogram of Oriented Gradient)特征、HOG-LBP(Histogram of Oriented Gradient-Local Binary Pattern)特征。

对特征的识别方面有多种方法，如(1)Hough(参见P.V.C.Hough.Methods and Means for Recognizing Complex Patterns.U.S.Patent 3069654.)于1962年提出一种直线检测方法，并在美国作为专利发表，因为较好的容错性和鲁棒性，一直被广泛应用。(2)Harris(参见C.Harris and M.Stephens.A Combined Corner and Edge Detector[C].Alvey vision conference.1988,15-50.)于1988年提出了经典的Harris角点检测算法，该算法旨在发现图像中各个方向灰度均有较大变化的像素点，并认为这些点是图像中的关键点。Harris角点对旋转和灰度变化具有不变性。(3)SIFT特征是由Lowe于1999年首次提出的一种局部特征(参见D.G.Lowe.Object Recognition from Local Scale-Invariant Features[C].Proceedings of the seventh IEEE International Conference on Computer Vision,1999,2:1150-1157.)，该特征对尺度、旋转和灰度变化具有不变性，在拍摄视角小幅度变化时也能起到很好的效果。该算法利用金字塔和高斯核滤波差分来求解高斯拉普拉斯空间中的极值点，并将这些极值点作为图像的关键点并提取附近的梯度信息形成特征向量，然后利用这些特征向量进行图像特征点匹配。(4)Dalal于2005年提出了一种用于行人检测的特征(参见N.Dalal and B.Triggs.Histograms of Oriented Gradients for Human Detection[C].Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,886-893.)并得到了很好的结果。该算法的核心思想是一幅图像中的物体的表象和形状可以被灰度梯度的方向分布很好的描述。实现方法是将图像分成小的方格单元连通区域(cell)，然后采集方格单元中各像素点的梯度方向直方图，最后把这些直方图组合起来构成特征描述子。为了提高精度，还可以将这些局部直方图在图像的更大区间(block)中进行对比度归一化，获得对光照变化更好的稳定性。HOG特征已广泛应用于各种图像处理问题。(5)HOG-LBP是Wang于2009年在HOG基础上提出的一种行人检测算子(参见X.Y.Wang,T.X.Han and S.C.Yan.An HOG-LBP Human Detector with Partial Occlusion Handling.IEEE 12th International Conference on Computer Vision,2009,32-39.)在行人检测上获得了比HOG更高的准确率。该算子在提取HOG特征之外将图片分成不重叠的block提取结构化的LBP特征。然后将两个特征联合起来作为图像的特征。(6)SVM是分类算法中常用的一种，这类算法能最小化经验误差于最大化几何边缘区，可尽量避免局部最优解且在高维问题中表现出了很多优势。本发明中使用了LIBSVM工具箱(参见C.C.Chang and C.J.Lin.LIBSVM:A Library for Support Vector Machines.ACM Transactions on Intelligent Systems and Technology.2011,2:27:1-27:27.)。