[发明专利]一种基于光谱指纹特征的弱小目标精确跟踪方法

摘要

本发明涉及一种基于光谱指纹特征的弱小目标跟踪方法，包括以下三个步骤步骤一目标光谱稳定吸收特征描述，通过画幅式成像光谱仪获得前景高光谱图像，并对高光谱图像进行数据预处理，用以消除设备噪声；步骤二建立基于高光谱影像的运动目标跟踪数学模型，结合基本的可见光目标运动模型和光谱吸收特征，建立基于高光谱影像的运动目标跟踪数学模型；步骤三针对高光谱图像的层次化粒子滤波跟踪，综上三个步骤，最终算法输出目标的光谱指纹特征集、当前的即运动状态向量以及目标的运动轨迹。本发明方法满足了高光谱弱小目标精确跟踪的需要，并且增强了跟踪算法的适用范围和实用效能。

主权项

一种基于光谱指纹特征的弱小目标跟踪方法，包括以下三个步骤：步骤一：目标光谱稳定吸收特征描述通过画幅式成像光谱仪获得前景高光谱图像，并对高光谱图像进行数据预处理，用以消除设备噪声；为了准确高效地描述目标的光谱特性，使用一系列光谱统计数据来准确的反应每个像素点上所包含的数百个波段的值，其具体的步骤如下：(1)在特征库中引入目标二值化光谱曲线；(2)构造一组特征向量来表述目标的强光谱特征，强光谱特征包括目标物体的固有稳定光谱吸收特征，目标与背景反差明显的光谱波段区间和近红外波段区间；通过上述特征提取，获得一组代表目标稳定特征的数据，这一组特征数据称之为光谱指纹特征；在光谱跟踪算法中，把特征数据引入用光谱学特征描述目标形态的数学模型，通过扩展核函数的特征直方图维数，将这些特征值变换到直方图分布函数中，建立概率直方图特征模型；步骤二：建立基于高光谱影像的运动目标跟踪数学模型结合基本的可见光目标运动模型和光谱吸收特征，建立基于高光谱影像的运动目标跟踪数学模型；设m帧的高光谱图像序列为像素点xi下的n维特征空间Hn，包括步骤一中的光谱吸收特征：二值化曲线跳变位置hb、近红外积分特征hinf、大于均值的波峰数haMax、大于均值的波谷数haMin、小于均值的波峰数hbMax、小于均值的波谷数hbMin、上升趋势点数huGdt、下降趋势点数hdGdt、波峰位置hmax和波谷hmin位置；对于u∈{1,m}，第u帧图像中的目标tu可以表示为：tu=1CsΣi=1nkK(||xi-x0h||2)δ(bs(f(xi)),u)---(1)]]>其中，{xi}i＝1...n是像素点在图像中的位置，Cs是核直方图的归一化常数，h为跟踪窗口半径，函数K和δ的定义如上述式(1)所述的和(bs(f(xi)),u)；函数f(xi)是一个特征空间函数，其作用在于获取像素点xi下的n维特征空间Hn中的10个特征值{hb,hinf,haMax,haMin,hbMax,hbMin,huGdt,hdGdt,hmax,hmin}∈Hn，并将这些特征值变换到[0,255]的区间上后返回到直方图分布函数bs(x)中；根据获得的10个特征值，bs(x)将该像素点分配到一个量化级数为λ＝1610的直方图；最后这个直方图被转换成概率直方图；假设弱小目标的跟踪窗口为矩形区域，目标的状态模型可以用如下向量表示：Sk=(CkT,WkT)T---(2)]]>Sk表示目标第k个运动状态，C表示目标的位置属性，W表示目标的大小属性；以跟踪窗口的概率直方图为特征，搜索最相似的候选区域Sk；假设Sk和目标参考状态S*都具有λ个分量的核直方图，通过Bhattacharrya系数ρ(S*,Sk)来度量两个离散概率分布的可分离误差，即ρ(S*,Sk)=Σk=1mSkSk-1---(3)]]>完成相似度计算后，通过启发式策略在候选空间中搜索最佳匹配目标，避免全局搜索；上式在Sk(Ck)处泰勒展开，得到ρ[S*(C‾ki),Sk)≈12Σk=1mS*(C0)Sk+λ2Σi=1nkωiK(||C‾ki-Cih||2)---(4)]]>对于式(4)中的右边第二项，采用均值偏移算法迭代寻找其最大值，从而得到起始候选区域移向真实目标区域的平均位移：m(C‾ki)=Σj=1mCjωjg(||C‾ki-Cjh||2)Σj=1mωg(||C‾ki-Cjh||2)-C‾ki---(5)]]>其中，{Cj}j＝1,2,…,m是状态在矩形区域像素坐标点；ωj是在位置Cj处像素值的相似权重，是参考概率直方图与概率直方图二进制比率的平方根；g(.)是一个核函数；h为归一化后的窗口半径；在式(5)中，g(x)＝‑K′(x)；该算法沿偏移向量的方向不断向核函数中心位置移动，这个过程已经被证明是收敛的，通过5次重复迭代基本可以达到准确跟踪目标的效果；步骤三：针对高光谱图像的层次化粒子滤波跟踪其具体流程如下：(1)在跟踪区间内，选择N个随机不重合的目标点，N即为初始化的粒子个数；(2)对每个目标点独立同分布采样得到初始粒子集(3)计算k状态的粒子的数学期望：同时得到该粒子的权重：(4)将粒子集随机分成相等的两个子集，即(5)对其中一个子集中的每个粒子，以精确跟踪模型进行迭代运算，完成目标的搜索；在每次迭代过程中，首先选择出加权值最大的粒子，然后使用该子集中的所有粒子，来计算该粒子状态中心点的平均位移，如公式(5)所示；(6)经过一次迭代得到的子集与原有不变的子集合并，得到新的粒子集同时对两个子集的权值ωj进行合并，使得(7)重复(5)和(6)的迭代过程t次，t＝5；获得第k帧中车辆目标的状态向量估计值为：S~k=Σj=1NSkjωj;]]>综上三个步骤，最终算法输出目标的光谱指纹特征集、当前的即运动状态向量以及目标的运动轨迹。