[发明专利]基于几何重构和多尺度分析的目标识别方法

说明书

技术领域

本发明属于雷达数据处理中的机动目标识别领域。

背景技术

对于红外图像的目标识别，主要难点在于：1，飞行目标图像通常是抓拍所得，姿态多样性、几何特征不一，增加了识别的难度，如何进行飞行姿态的重构及图像预处理，2，提取特征向量的方法，使其具有良好的目标表征能力；3，模式识别方法，使其识别精度高、时间短。

目前在目标识别领域，图像特征向量提取的方法很多，例如使用小波变换，但小波变换反映的是信号的点奇异性，无法精确描述图像边缘的方向，也无法实现对图像的稀疏表示，从而影响识别精度；识别的方法也很多，有的应用角点特征和核聚类算法，有的是用小波变换进行特征有的基于闭合轮廓特征，有的采用模板匹配等等。

发明内容

本发明的目的在于提供一种机动目标识别方法，该方法对飞行姿态进行几何重构，再使用Contourlet变换的多尺度分析方法提取图像低频特征向量和高频特征向量，以低频特征为原始输入参数，通过BP神经网络训练以高频特征向量修正模型，快速有效的实现对不同机型、多种飞行姿态、不同光照明暗变化下的飞行目标进行识别。

实现本发明的技术解决方案为：采用Contourlet变换的图像识别方法和BP神经网络特征向量训练方法相结合的方法。首先对图片库中红外目标图像进行飞行姿态的几何重构；然后基于Contourlet变换的图像特征提取，对机型库中目标图像采用2层Contourlet变换提取特征向量，用表达轮廓的低频特征作为基础输入训练集，提取表达细节信息的高频特征向量作为BP神经网络修正训练集输入网络；最后BP神经网络建模，进行网络设计，包括样本归一化，确定BP神经网络层数，确定隐含层节点个数和中间层、输出层的传递函数；为测试训练结束后的网络精度，对图片库中每种机型各随机选取不重复的若干幅图像用于识别测试。

本发明与现有方法相比，其显著优点为：

1.通过几何重构，调整抓拍图像的目标姿态，对图像多尺度分析提供重要基础。

2.Contourlet变换是一种基于非分离型滤波器组实现的图像多尺度几何分析工具，其思想是通过类似于轮廓段(Contoursegment)的基结构来逼近图像，其算法继承了小波的多分辨和时频局部化特性，同时又兼具良好的方向性和各向异性，克服了小波变换只能反映信号的点奇异性，无法精确描述图像边缘的方向，也无法实现对图像的稀疏表示的局限性。而多尺度几何分析方法正是为了克服小波这一局限性而产生的，

对于一个二次连续可微的目标函f∈L²(R²)，如果f_m是其重构函数，m是其系数重量，则Contourlet变换时，误差逼近满足

而采用小波变换时，误差逼近满足

由此可看出，Contourlet变换比小波变换具有更好的逼近能量，对图像中的曲线、直线具有更“稀疏”的表达，更有利于对红外图像进行预处理提取特征信息。

3.BP神经网络具有一层或多层的网络结构，输入层、中间层、输出层有多个并行节点，并行处理能力强因而识别速度快、效率高；具有自学习算法因而识别预测准确、稳健性好，非常适合用来处理非线性输入输出的关系；可以实现离线数据的在线修正：输入数据通过BP神经网络的各层到达输出层后比较输入输出的差值是否达到，如果没有达到则返回各层不间断调整各层权值，以达到期望的输出。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为红外图像几何重构和灰度归一化对比图；

图2为某幅目标图像的高频特征16个方向分布图；

图3为BP神经网络结构示意图；

图4为BP神经网络修正流程图；

图5为目标辨识流程图；

图6为识别结果。

具体实施方式

识别算法步骤主要分为三步，首先进行飞行姿态的图像归一化处理，然后提取特征向量，最后进行BP神经网络修正训练。

1、飞行目标姿态的几何重构。

(1)用于红外抓拍到的飞行目标具有姿态多样性，对识别造成一定干扰，现将飞行姿态进行姿态重构，调整为机头向上，需提取出飞行目标中心点，沿其机身轴线进行等尺度平移、旋转，可将飞行目标归一为机头向上的图像。

首先提取飞机中心原点