基于小波分析的军事目标识别及跟踪方法研究

论文摘要

光电经纬仪目标跟踪系统主要用于外弹道跟踪测量,完成飞机和航空炸弹的飞行轨迹和弹道参数测量。由于被测目标小、暗、对比度差等特点,在远距离上进行弱小目标的检测,可以提高系统对目标反应的灵敏度,提供充足的反应时间。弱小目标检测与跟踪技术的研究无论在理论上还是在应用方面都具有重要的价值。因而远距离、低信噪比、强杂波下的弱小目标检测和跟踪问题成为当前一个既热门又困难的课题。本文针对目前靶场设备电视跟踪系统实现目标自动跟踪这一实际需要,对军事目标识别与跟踪算法问题进行了深入系统的研究。在分析与目标检测相关的小波变换理论的基础上,为提高目标边缘检测效率,对目标图像进行增强和去噪的预处理方法进行了研究,首先研究了天空背景下(点、弱小)运动目标的识别问题。在各种背景的弱目标检测算法研究中,采用了最大类间方差(Otsu)分割的检测算法,对于不同大小的目标提出了两种不同的处理方法。在背景简单的小目标的预处理利用了中值滤波和Otsu相结合的方法;对于背景相对复杂的大目标的检测采用自适应门限,拉普拉斯(Log)滤波和Otsu分割的检测算法提取目标。自适应门限用于增强图像,使图像的背景灰度变得均匀;Log高通滤波器可以有效地去除背景;Otsu是经典的非参数,无监督自适应阈值选取方法,对图像经过阈值分割后,图像将变成包含少量可能目标点的二值图像。通过仿真实验表明,该算法能够有效地去除背景天空强浮云背景,具有计算量小等优点,能够很好地检测出目标。根据小波变换及多尺度分析的理论,分析了图像局部灰度特性,在小波变换方法的各种分析中,提出了双正交小波的弱目标提取方法,它的正交性和对称性,达到了最佳的滤波和检测效果,从中发现了点目标。传统的边缘检测方法很难在精度与抗噪上达到满意的效果,对噪声相对敏感。本文在弱目标的边缘检测算法中提出两种方法,通过对形态学的研究,经中值和LOG滤波等图像预处理之后,膨胀腐蚀后的边缘检测算法能够有效地检测出图像的边缘,速度快,实现简单、能够较好地检测出边缘的特点;采用小波变换进行小波边缘检测的研究,利用七种不同的小波滤波器和不同的阈值进行分割来进行边缘检测,实验证明采用双正交小波的效果最好,实现了图像边缘的单象素。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统。本文对粒子滤波理论及其实现方法进行了研究,通过模拟实验验证了其优于卡尔曼跟踪的性能。提出了一种基于双正交小波的边缘提取结合粒子滤波的跟踪方法,构建其跟踪框架。通过粒子数和系统状态方程的选择,实现了云层背景下用粒子滤波算法对背景简单的点目标和存在遮挡情况下的目标进行跟踪的过程,最后通过实验分析了影响跟踪精度的因素。实验证明,结合鲁棒性的小波检测方法和具有“多峰”描述的粒子滤波算法构造成的跟踪器,在运动目标存在局部遮挡等情况下能够实现稳定的目标跟踪。结合多尺度Gabor滤波器和BP神经网络的基本理论,本文设计并实现了参数优化的Gabor滤波和BP神经网络的检测算法。根据Gabor滤波器具有的良好方向特性,首先确定方向参数,然后在每个特定方向进行最佳的单Gabor滤波器的参数搜索,采用粒子群优化PSO(Particle Swarm Optimization)方法得到的Gabor滤波器组,在性能上是接近最优的。提取48个纹理特征,采用主成分分析PCA(Principle ComponentAnalysis)降维处理,解决了Gabor滤波器应用中的瓶颈问题,即Gabor特征矢量维数较高,以及由此产生的较大计算量。该算法应用于目标识别时,不仅提高了识别的精度,而且克服了BP算法易陷入局部极小的缺陷。经过测试,本文提出的算法在检测图像时具有良好的准确性和鲁棒性,检测率达96.3%。对于真彩多光谱图像和它的全色图像融合时出现的颜色扭曲现象,本文提出一种结合了IHS和小波技术的新的融合方法。采用多种小波进行实验,对取最大值的获取系数方法用取权值的方法进行替换。通过统计融合带和与其对应的原多光谱带的相关系数,来评价融合效果。实验表明在算法中用db4小波和取权值的获取系数方法,得到的融合效果最好。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究目的及意义
• 1.2 目标检测与跟踪国内外研究现状
• 1.3 本文主要研究内容
• 1.4 小波分析在课题中的地位和作用
• 1.5 本文主要结构安排
• 第2章 系统结构及小波分析方法研究
• 2.1 引言
• 2.1.1 光电经纬仪简介
• 2.1.2 电视跟踪系统构成及工作原理简介
• 2.1.3 电视系统工作过程
• 2.1.4 系统的基本组成及原理
• 2.1.5 系统结构设计
• 2.1.6 电视跟踪的数学模型
• 2.2 小波变换理论及方法
• 2.2.1 小波变换方法概述
• 2.2.2 小波快速分解
• 2.2.3 二维离散小波变换
• 2.3 多分辨分析方法
• 2.4 小波滤波理论问题研究
• 2.4.1 小波函数选择
• 2.4.2 小波分析在特征提取方面的应用
• 2.4.3 小波变换在目标图像处理中的应用
• 2.5 小波分解与重构实现
• 2.6 小波变换在小目标识别中的实验
• 2.6.1 小波基选取的实验结果
• 2.7 双正交小波的目标提取方法
• 2.7.1 双正交小波提取弱目标过程
• 2.8 本章小结
• 第3章 目标检测及边缘检测算法研究
• 3.1 引言
• 3.1.1 图像分割方法
• 3.2 图像处理技术
• 3.2.1 自适应门限
• 3.2.2 最大类间方差分割
• 3.2.3 图像增强和边缘检测
• 3.3 图像边缘检测的常用方法
• 3.3.1 中值滤波
• 3.4 数学形态学边缘检测算法
• 3.4.1 数学形态学基础
• 3.4.2 形态学边缘检测
• 3.5 常用弱小目标图像预处理算法
• 3.5.1 复杂背景目标检测算法过程
• 3.6 实验结果及分析
• 3.6.1 简单背景下的点目标检测
• 3.6.2 背景相对复杂的小目标检测
• 3.6.3 相对复杂背景下大目标检测
• 3.6.4 弱目标检测时间分析
• 3.6.5 实验结果
• 3.7 本章小结
• 第4章 小波边缘检测方法
• 4.1 引言
• 4.2 评价边缘检测算法的准则
• 4.2.1 连续Canny准则
• 4.2.2 离散Canny准则
• 4.3 基于小波变换的目标预处理研究
• 4.3.1 利用小波局部模极大值检测边缘的方法
• 4.3.2 基于小波变换的边缘检测理论
• 4.3.3 小波多尺度局部模极大值边缘检测的原理
• 4.4 最优双正交小波边缘检测方法
• 4.4.1 三次B样条小波的构造
• 4.4.2 小波提取图像边缘的算法
• 4.4.3 边缘检测的自适应阈值的选取
• 4.4.4 常见的微分算子
• 4.4.5 各种微分算子的比较
• 4.5 边缘检测结果及分析
• 4.5.1 常用边缘检测算子检测的结果
• 4.5.2 小波边缘检测结果
• 4.5.3 多尺度小波边缘检测
• 4.5.4 基于二次B样条小波的边缘检测实验
• 4.6 利用边缘信息进行目标定位
• 4.7 本章小结
• 第5章 目标跟踪算法的应用与研究
• 5.1 引言
• 5.2 图像序列目标跟踪技术
• 5.3 粒子滤波的跟踪方法
• 5.3.1 贝叶斯滤波原理
• 5.3.2 粒子滤波跟踪方法实现
• 5.3.3 模拟跟踪
• 5.4 目标跟踪
• 5.4.1 简单背景下的小目标的跟踪
• 5.4.2 简单背景下的大目标跟踪
• 5.5 跟踪精度的影响因素
• 5.5.1 粒子数目对跟踪精度的影响
• 5.5.2 粒子传播半径对跟踪精度的影响
• 5.5.3 系统状态转移方程的确定
• 5.6 本章小结
• 第6章 Gabor小波目标识别方法研究
• 6.1 引言
• 6.2 Gabor变换及其函数特性
• 6.2.1 提取Gabor小波特征的方法
• 6.2.2 能量函数的确定和最小化
• 6.2.3 粒子群优化算法
• 6.2.4 算法分析
• 6.2.5 参数优化
• 6.3 小波特征模板的求取
• 6.3.1 Gabor小波特征提取方法的仿真
• 6.3.2 多通道Gabor滤波器
• 6.3.3 多尺度Gabor滤波和特征提取
• 6.3.4 主成分分析实现降维的方法
• 6.3.5 网络参数确定原则
• 6.3.6 用BP神经网络分类
• 6.3.7 基于多通道GABOR滤波器的灰度图象目标识别
• 6.4 本章小结
• 第7章 小波变换在遥感图像融合中的应用
• 7.1 引言
• 7.2 遥感数字图像
• 7.2.1 多光谱遥感数据的波谱信息
• 7.2.2 图像融合
• 7.3 基于IHS和小波变换的图像融合方法
• 7.3.1 多光谱遥感影像数字特征的统计分析
• 7.3.2 基于小波变换的图像融合
• 7.4 基于IHS和小波变换的图像融合算法实现
• 7.4.1 IHS融合技术
• 7.4.2 基于IHS和小波变换的图像融合的原理
• 7.4.3 融合算法
• 7.4.4 实验结果及分析
• 7.5 本章小结
• 第8章 总结与展望
• 8.1 全文工作总结
• 8.2 论文创新性工作
• 8.3 展望
• 参考文献
• 攻读博士学位期间发表的学术论文及承担项目
• 致谢