一种时敏目标的在轨检测方法

摘要

本发明是一种时敏目标的在轨检测方法，该方法包括：步骤S1：在历史图像上选取各种时敏目标训练区域，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，利用结构字典求解敏目标类型指示向量，根据时敏目标类型指示向量结构稀疏特性识别可疑目标的位置和可疑目标的类型，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。

权利要求

1.一种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。

2.根据权利要求1所述的方法，其特征在于，所述结构字典是从高维的多尺度同心圆环簇方向梯度特征向量集合以及对应的时敏目标类型编号中学习得到的低维的多尺度同心圆环簇方向梯度特征。

3.根据权利要求2所述的方法，其特征在于，根据时敏目标类型指示向量的稀疏性和不同像素处时敏目标类型指示向量之间的相似性构建结构字典的学习模型。

4.根据权利要求2所述的方法，其特征在于，对各类型时敏目标的多尺度同心圆环簇方向梯度特征集合进行主成分分析，得到并将与显著特征值对应的特征向量的并集作为初始字典，再交替迭代更新初始字典和投影系数，获得结构字典。

5.根据权利要求1所述的方法，其特征在于，所述提取可疑目标区域的步骤包括如下：步骤S21：根据结构字典构建新的投影矩阵，将当前在轨每一时相的图像的每个像素的多尺度同心圆环簇方向梯度特征向量进行投影，得到每个像素的时敏目标类型指示向量；

步骤S22：根据体现像素所属的目标的类型信息的时敏目标类型指示向量的结构稀疏性确定可疑目标；

步骤S23：根据位于同一区域的像素具有相似的目标类型指示向量对在轨每一时相的图像进行分割，提取可疑目标区域。

6.根据权利要求1所述的方法，其特征在于，所述在轨识别出时敏目标步骤包括如下：步骤S31：利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵的距离差异为每一可疑目标寻找在临近时刻的最近邻，如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协方差矩阵仍为最近邻，则表示该目标的运动状态未发生异常即为非时敏目标；如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协方差矩阵不为最近邻，则该目标的运动状态发生异常即为时敏目标；

步骤S32：将不同时相非时敏目标的时空轨迹变化曲线投影到极坐标下，根据极坐标中相邻时空轨迹的方向变化识别时敏目标。

7.根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异，利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵之间的差异来度量距离差异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距离差异。

8.根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异，利用可疑目标区域的多尺度同心圆环簇方向梯度特征向量集合的协方差矩阵之间的差异来度量距离差异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距离差异。

9.根据权利要求6所述的方法，其特征在于，所述在轨识别时敏目标是将时空轨迹变化曲线投影到极坐标下，将不同时相非时敏目标的速度变化与方向变化相分离，得到时空轨迹方向变化的曲线，用于更好的描述时空轨迹的异常性。

10.根据权利要求1所述的方法，其特征在于，所述结构字典在轨增量更新训练图像的步骤包括如下：步骤S41：当训练样本较多时，为满足在轨处理的时效性要求，将已检测到的在轨时敏目标及可疑目标的多尺度同心圆环簇方向梯度特征作为新的训练样本；

步骤S42：根据当前图像、当前时敏目标获得的结构字典在轨增量更新的训练图像，利用新的训练样本，对前一时刻的结构字典在轨增量更新。

说明书

一种时敏目标的在轨检测方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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

[0005] 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。

[0006] 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：

[0007] 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；

[0008] 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；

[0009] 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；

[0010] 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。

[0011] 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：

[0012] 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。

[0013] 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。

[0014] 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。

[0015] 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

[0016] 图1是本发明一种时敏目标的在轨检测方法流程图。

[0017] 图2是时空轨迹异常检测图。

具体实施方式

[0018] 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。

[0019] 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：

[0020] 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。

[0021] 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：

[0022] 步骤S01：计算以采样点为中心、以采样尺度∑为半径的图像块的每个像素(u，v)的8个方向梯度，然后，用高斯核卷积得到(u，v)处的方向梯度特征向量h∑(u，v)如下表示：

[0023]

[0024] u和v分别为像素的行号和列号，T表示向量的转置， 表示第m个方向梯度用高斯核卷积得到的梯度向量，m为方向编号，m＝1，2，…，8。

[0025] 步骤S02：多尺度同心圆环簇方向梯度特征D(u，v)是描述取样点(u，v)局部支撑区域中每个位置的一系列相关向量的并集，D(u，v)的表示形式如下：

[0026]

[0027] 其中，lm2(u，v，Rn2)表示像素点(u，v)的第n2个同心圆环上第m2个取样点的坐标，表示像素点(u，v)的第n2个同心圆环上第m2个取样点的局部方向梯度直方图，n为采样尺度序号，n2为同心圆环序号，m2为取样点序号。

[0028] 所述结构字典学习是从高维的多尺度同心圆环簇方向梯度特征向量集合及对应的目标类型编号中学习低维的、可分性好的字典。设图像 为目标类型j的第i幅训练图像， 的像素个数为Ni，则从图像 可以提取到Ni个多尺度同心圆环簇方向梯度特征向量，这Ni个特征向量的并集作为目标类型j的特征。为方便叙述，将第j类目标的训练特征集合记为Xj＝{xk＝{j，fk}|1≤k≤Aj}，Xk＝{j，fk}表示其中的第k个训练样本，j为目标类型编号，fk为第k个训练样本对应的多尺度同心圆环簇方向梯度特征向量，Aj表示第j类目标训练特征集合中元素个数。本发明的结构字典学习模型如下：

[0029]

[0030] 其中，矩阵X为所有的训练图像得到的多尺度同心圆环簇方向梯度特征向量集合，矩阵X的维数是M行N列，M为多尺度同心圆环簇方向梯度特征向量的维数，N为所有的训练样本的个数。矩阵D为结构字典，结构字典D的维数为M行K列，结构字典D的每一列称为一个字典原子，K为结构字典原子个数。矩阵Z＝[z1T；z2T；…；zaT；…；zNT]T为矩阵X利用结构字典求得的投影系数矩阵，T表示向量或矩阵的转置。K维向量za表示矩阵Z的第a列，1≤a≤N。||·||F、||·||1和||·||2表示矩阵的Frobenius范数、1范数和2范数，λ1和λ2为正则化系数，分别控制投影系数的稀疏度和可分性。Wi1，i2表示训练样本zi1和zi2的相似权重，若zi1和zi2为同一类型目标的训练样本的投影系数，则Wi1，i2＝1，若zi1和zi2为不同一类型目标的训练样本的投影系数，则wi1，i2＝0。

[0031] 所述结构字典学习模型求解具体过程如下：

[0032] 步骤S11初始值设定。设定正则化系数λ1和λ2，木发明中λ1＝λ2＝0.01。对每种类型的目标的多尺度同心圆环簇方向梯度特征集合进行主成分分析求得与显著特征值对应的特征向量，不同类型的目标的特征向量的并集作为结构字典D的初始值D(0)，投影系数Z的初始值Z(0）＝([D(0)]TD(0）)-1[D(0)]TX。显著特征值是指对特征值进行降序排列后超过所有特征值能量90％的前L个特征值。所有的显著特征值个数即为字典原子个数K。

[0033] 步骤S12结构字典和投影系数矩阵的交替迭代更新。令D(t)和Z(t)为结构字典D和投影系数矩阵Z第t次达代时的解，按照如下公式对结构字典和投影系数矩阵进行交替迭代更新：

[0034]

[0035]

[0036] 其中，S为对角阵，对角线上的元素 矩阵W的第b行第l列的值为wb，1，1≤b≤N，1≤1≤N。Dr，c(t+1)和Dr，c(t)分别表示结构字典的第(t+1)次和第t次迭代时的解的第r行第c列的值；Zr，c(t)表示Z(t)的第r行第c列的值，r和c为矩阵的行号和列号，1≤r≤M，1≤c≤K。[Z(t)]T表示矩阵Z(t)的转置。交替迭代更新停止的准则为t＜100或mse(D(t+1)Z(t+1)，D(t)Z(t))＜ε，mse(D(t+1)Z(t+1)，D(t)Z(t))表示相邻两次迭代的均方误差，ε为一阈值，本发明中ε＝
0.1。

[0037] 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，具体过程如下：

[0038] 步骤S21根据结构字典构建新的投影矩阵，将当前在轨每一时相的图像的每个像素的多尺度同心圆环簇方向梯度特征向量进行投影，得到每个像素的时敏目标类型指示向量，具体过程如下：

[0039] 设Fr2，c2为当前图像上第r2行第c2列的多尺度同心圆环簇方向梯度特征向量，则Fr2，c2对应的时敏目标类型目标类型指示向量为CEr2，c2＝PFr2，c2，CEr2，c2为K维向量。其中P＝T -1 T(DD+λI) D，λ为修正系数，本发明λ＝0.1。I为单位矩阵。

[0040] 步骤S22根据体现像素所属的目标的类型信息的时敏目标类型指示向量的结构稀疏性确定可疑目标，具体过程如下：

[0041] 设第j种类型目标的显著特征个数为Kj，则在得到的字典中对应的Kj个字典原子代表的是第j种类型目标的特征。相应地，时敏目标类型指示向量CEr2，c2中包含了目标的类型信息。具体的，向量CEr2，c2中的对应的第Kj段分量的能量和稀疏度反映了该目标属于第j种类型目标的概率。如果CEr2，c2的第Kj段分量的能量最大而其它段的分量很稀疏，则表示当前图像上第r2行第c2列像素为第j种类型目标的一部分。如果各段分量的能量和稀疏度相差不大，则表示该像素为背景区域。与传统的标量式目标类型表示方法相比，这种向量式的目标类型表示方法更加鲁棒。

[0042] 步骤S23根据位于同一区域的像素具有相似的目标类型指示向量对在轨每一时相的图像进行分割，提取可疑目标区域。本发明的图像分割是基于图论的分割算法。为此，首先构建无向图G＝(V；E)，图像中的每个像素点pi与V中的一个顶点vi对应，V为无向图G的顶点集合，E为无向图G的边的集合；边(vi，vj)的权值d((vi，vj))为像素pi和pj的时敏目标类型指示向量之间的的差异。目标区域提取就是对无向图G进行合并和分裂的具体过程的步骤如下：

[0043] S231：初始化。将E按权值进行升序排列，得到有序的边集合π＝(o1，…，om3)，边o1的权重最小，边om3的权重最大；计算初始分割S0，每个区域只包含一个顶点vi，m3为所述无向图G的边的集合E中边的个数。

[0044] S232：令Sq-1和Sq分别表示包含q-1个边和q个边的分割结果，q表示有序的边集合π中边的序号，1≤q≤m3。对q(1≤q≤m3)，执行如下操作：给定Sq-1和连接其第q条边的顶点vi、vj，令和 分别为Sq-1中包含vi和vj的区域集合，按如下步骤构造Sq：如果区域 且权值 则合并区域 和区域 如果区域 或权值
则Sq＝Sq-1；其中：
表示 和 的最小值，函数 控制区域集合 的整体
相似性，木发明中 表示区域 中像素的个数，tt＝vi或tt＝vj。α
的取值反映了观测尺度，本发明中α＝200。 表示区域 的基于最小生成树最大权重表示的内部相异性，即 表示区域 的基于最小生
成树，d(e)表示最小生成树上边的权重。

[0045] S233最终的分割结果为S＝Sm3。

[0046] 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。运动轨迹的奇异性主要表现在如下两种情况：运动状态异常(可疑目标的突然出现或消失、外观的剧烈改变)、时空轨迹的异常。本发明根据这两种奇异性对时敏目标进行识别。所述时敏目标的在轨识别具体过程如下：

[0047] 步骤S31：利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵的距离差异为每一可疑目标寻找在临近时刻的最近邻，如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协方差矩阵仍为最近邻，则表示该目标的运动状态未发生异常即为非时敏目标；如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协方差矩阵不为最近邻，则该目标的运动状态发生异常即为时敏目标，具体过程如下：

[0048] 设在两相邻时刻t1和t2的图像上检测到的第j种类型目标的个数分别为 和和 分别表示tc(c＝1，2)时刻第j种类型的第β个目标的多尺度同心圆环簇方向梯度特征特征向量集合和时敏目标类型指示向量集合的协方差矩阵，设时敏目标类型指示向量协方差矩阵 在协方差矩阵集合 中的最近邻和次紧邻分别为 和若 则表示 表示的目标状态或外观已发生改
变，该可疑目标被判为时敏目标；若 则表示 表示的
目标为非时敏目标。本发明中，τ1＝0.9，τ2＝0.6。对于两个协方差矩阵A和B，表示矩阵A和B的第η个广义特征值，μ表示协方差矩阵A
和B的广义特征值的个数。

[0049] 步骤S32：将不同时相非时敏目标的时空轨迹变化曲线投影到极坐标下，根据极坐标中相邻时空轨迹的方向变化识别时敏目标。具体过程如下：

[0050] 设根据步骤S31在当前在轨多时相图像上得到的非时敏目标的个数为N1，其中的第γ个目标在第g时刻的质心坐标为 ζ为当前在轨多时相图像的个数，则其时空轨迹变化曲线表示为：

[0051]

[0052] 时空轨迹异常通常表现为运动方向突变，为此木发明将其时空轨迹变化曲线转化为2 2 3 3 ζ ζ
极坐标的形式{(ρ，θ)，(ρ，θ)，…，(ρ，θ)}，其中
表示2≤k1≤ζ时刻时空轨迹变化的速度， 表示kl时刻时空轨
迹变化的方向。

[0053] 如果θk1＞π/2，表明该可疑目标在第k1时刻的运动方向是原运动方向的反方向，时空轨迹异常，该可疑目标为时敏目标。图2是时空轨迹异常检测图，其中，变化轨迹a对应的目标为正常目标，变化轨迹b对应的目标为时敏目标。

[0054] 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。具体过程如下：

[0055] 步骤S41：当训练样本较多时，为满足在轨处理的时效性要求，将已检测到的在轨时敏目标及可疑目标的多尺度同心圆环簇方向梯度特征作为新的训练样本。

[0056] 步骤S42：根据当前图像、当前时敏目标获得的结构字典在轨增量更新的训练图像，利用新的训练样本，对前一时刻的结构字典在轨增量更新。结构字典在轨增量更新方法与步骤S1的字典学习方法类似，差别在于初始字典的设定。步骤S11初始字典来自于主成分分析方法的基向量，而本步骤的初始字典来自已有的字典。更新后的字典结合了最新图像特征和时敏目标特征，具有更强的表征能力。

[0057] 以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的保护范围之内，因此，木发明的保护范围应该以权利要求书的保护范围为准。