[发明专利]基于分布特性的FOD目标自适应快速分类识别方法、系统及介质

说明书

本发明提供了一种基于分布特性的FOD目标自适应快速分类识别方法、系统及介质，包括：目标划分步骤：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布FOD目标集合。解决了FOD目标检测过程中大目标和一般目标的分类识别问题，将大型目标、集中分布一般目标、一般单独分布目标进行有效分类，提高了FOD系统的识别准确度。

技术领域

本发明涉及FOD雷达图像目标识别算法领域，具体地，涉及基于分布特性的FOD目标自适应快速分类识别方法、系统及介质。

背景技术

机场跑道FOD需要检测在跑道上的会影响飞机起降的异物，然而飞机、汽车、维修线缆等正常运行的物体不属于跑道异物，也会以大目标的形式出现在雷达图像中，呈现出检测到大片FOD目标的形态，影响FOD系统对跑道安全的正常判断。因此，在每一次FOD系统成像并检测出目标后，需要对目标类型进一步分类处理。

跑道上的大目标如停留等待的飞机在雷达图像中出现的次数不可预测，而运行中的飞机根据当时的运行速度也会多次以不同姿态出现在雷达图像中，此种特性使得常规的利用帧间连续性检测在实际场景中不再适用。通过分析大量的FOD图像可知，大目标在图像上显示为一片不规则的目标点，静止物体会目标点的分布与其形态相关，而运动目标由于姿态不同和相对速度的变化会导致雷达检测出的目标点分布形态变化很大，传统的基于形态学的图像检测处理算法不再适用。但是从空间分布的总体上看，目标点分布较为集中，呈现在图像上是一片比较亮的区域。而普通的FOD目标则是单独的孤立点或为数不多的几个亮点，此特征使得该场景的FOD目标检测更适宜采用具有分类功能的聚类处理算法。因此，本发明根据大目标点的分布特性设计了一种快速的大目标自适应分类提取算法，计算简单，结果准确。

传统的模式识别分类方法都避免不了迭代处理的过程，迭代过程在目标数目增多的情况下，计算量会呈指数上涨，而且由于飞机等大目标出现的情况并不是高频率，因此对每次的探测结果均采用迭代分析对于系统的实时处理效果有很大的影响。

结合实际本发明设计了一个分步分类处理过程，利用大目标点集的关联性进行大目标和普通点目标快速分类处理，对目标场景进行快速分类，然后针对出现的大目标集合进行进一步聚类分析。此设计能够有效避免在不存在大目标时的迭代聚类处理，同时降低聚类处理中孤立点的样本数，降低运算量，提高系统效率。

对于提取的大目标集合，利用基于广度优先的自适应聚类处理算法实现各个目标区域的准确聚类，根据先验信息设定限制参数使得聚类过程中聚类数目和结束条件能够自适应确定，过程中人为干预项少，具有很好的场景自适应性。

最后对聚类后的目标区域集合进行特征分析，发现飞机等大目标和实验放置的普通目标集合均被视作大目标。因此，最后需要根据目标区域的特性进行分类识别，减少系统漏警。

通过在机场跑道FOD系统的实际应用表明，本发明设计的一种基于目标分布特性的FOD目标快速分类识别算法，能够快速有效的区分飞机等非FOD大目标、密集分布FOD目标和基础FOD目标，算法处理效果迅速、准确。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于分布特性的FOD目标自适应快速分类识别方法、系统及介质。

根据本发明提供的一种基于分布特性的FOD目标自适应快速分类识别方法，包括：

目标划分步骤：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布FOD目标集合；