[发明专利]一种时敏目标的在轨检测方法

说明书

技术领域

本发明涉及在轨图像处理、目标检测、目标识别、目标监控等技术领域，特别是一种时敏目标的在轨检测方法。

背景技术

与普通的目标相比，时敏目标具有很强的时效性，时敏目标必须在有限的时间窗口内识别，稍纵即逝。同时，时敏目标往往都是非常重要的目标，一旦失去识别的机会，将造成重大损失。因此，时敏目标的检测和识别具有重要的研究意义，但同时更具挑战性。

随着高空间分辨率、高时间分辨率遥感卫星的发展，利用卫星图像在轨检测和识别时敏目标成为可能。与其他的数据获取手段相比，卫星图像范围大，有利于对时敏目标进行准确、长时间的跟踪。

时敏目标检测的难点主要在于时敏目标的复杂性，时敏目标只有在某个时间点发生状态改变或轨迹突变时才呈现时敏目标的特征，而这个关键的时间点很难被捕捉到。对于时敏目标的在轨检测，可以利用的先验知识和数据很少，如何利用最新数据自动调整离线状态训练的目标模型是时敏目标检测的关键。但上述关键技术目前很不成熟，限制了时敏目标在线检测的实际应用。

发明内容

本发明的目的是针对在轨处理的特点和实际应用的需求，提供一种有效的时敏目标的在轨检测方法。

为了实现上述目的，本发明的时敏目标的在轨检测方法，该方法包括步骤如下：

步骤S1：在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标的结构字典；

步骤S2：在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，利用结构字典求解多尺度同心圆环簇方向梯度特征的投影系数即时敏目标类型指示向量，根据时敏目标类型指示向量的结构稀疏特性识别可疑目标的位置和可疑目标的类型，根据时敏目标类型指示向量的相似性提取可疑目标区域；

步骤S3：对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据运动轨迹的奇异性在轨识别出时敏目标；

步骤S4：将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步骤S1。

本发明所述方法对于提高时敏目标在轨检测的普适性、自动化程度具有重要的意义，其主要优点如下：

本发明将历史训练数据和当前最新数据相结合，将时敏目标的先验约束通过历史训练数据体现出来，保障了在无人干预的在轨处理环境中能够将需求和数据特点很好的结合起来；将历史数据包含的时敏目标的特征以及当前图像的新特点结合起来，通过字典在轨增量更新提高了字典的表征能力并大大节约了计算量。

本发明在目标检测阶段利用时敏目标类型指示向量表示像素所属的目标类型，克服了标量表示方法的不确定性；根据像素间时敏目标类型指示向量的相似性提取目标区域，提高了对噪声及遮挡的鲁棒性。

本发明在运动状态异常检测阶段利用目标区域的基于协方差矩阵的广义特征值的距离度量对视角变化具有很好的鲁棒性，减少了时敏目标识别的虚警率；在时空轨迹异常检测阶段将时空轨迹变化曲线转换到极坐标空间，有效地刻画了时敏目标的运动奇异性，提高了时敏目标识别的准确率。

得益于上述优点，本发明使时敏目标的在轨检测成为可能，极大地提高了时敏目标检测、识别的时效性、鲁棒性和自动化程度，可广泛应用于时敏目标发现与监测、目标监控等系统中。

附图说明

图1是本发明一种时敏目标的在轨检测方法流程图。

图2是时空轨迹异常检测图。

具体实施方式

下面结合附图说明本发明技术方案中所涉及的技术问题。应指出的是，所描述的实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。

如图1示出本发明提出一种时敏目标的在轨检测方法实现步骤如下：

步骤S1：在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标的结构字典。

所述多尺度同心圆环簇方向梯度特征以采样点为中心、以采样尺度为半径的图像块上取样并构造3个不同半径的同心圆环形结构，相应的取样点位于上述不同半径的同心圆环上，每个同心圆环上按45°等角度间隔提取8个取样点，同一半径上的取样点具有相同的高斯尺度值，不同半径上的取样点高斯尺度值不同。所述多尺度同心圆环簇方向梯度特征提取的具体过程如下：