论文部分内容阅读
红外成像目标自动识别是国防科技研究的热门领域,其感兴趣的目标从形状上大体可分为两类,一类具有显著的外部轮廓特征,如机场跑道、水上桥梁、雷达天线罩等:另外一类外部轮廓特征不明显,大多数的机动目标和油库、弹仓等人工目标都属此类。其中,后一类目标的检测识别是自动目标识别领域的难点问题,传统的方法误检率较高且计算量较大。针对这一问题,近年来,有人引入了生物视觉注意机制进行目标识别,取得了较好的效果。基于视觉注意的成像目标识别技术的主要优势是:它只对图像中可能存在感兴趣目标的显著区域进行关注,而对于平泛区域则不予关注。这使得图像中的冗余信息被提前舍弃,而可能的目标区域则得到了重点关注,因而,该方法在削减计算量的同时提高了目标识别的精度。本文的工作是在这些研究成果的基础上展开的,主要研究了基于视觉注意的红外成像目标自动识别技术。论文的主要工作如下:深入分析和研究了视觉注意模型,并在此基础上提出了一种基于领域标准差的图像显著区域提取方法。这种方法通过求取邻域标准差对图像各位置进行局部显著性测度,而后对各位置局部显著度在全图范围内进行统一评价,获得该位置的全局显著度,最后将不同特征通道的全局显著度进行融合,获得视觉显著图,进而提取图像的显著区域并确定该区域的尺寸。这种方法是基于Itti的机器视觉模型提出的,但与Itti的方法相比,具有算法简单、易于实现的突出优点。针对显著区域的分割问题,提出了基于灰度/空间信息的图像分割方法。这种方法首先对待分割区域的灰度直方图类型进行判别,并在此基础上选择该区域的分割依据-灰度信息或者空间信息,最后利用所选的分割依据对显著区域进行分割。与其他图像分割方法相比,该方法具有效果好、时耗低等优点,几种典型分割算法的效果和时耗对比实验证明了这一点。研究了基于目标类间特征和类内特征的分类器设计方法。类间特征定义为一类目标明显区于其他目标的独有属性;类内特征定义为同一类目标的共有属性。首先,对目标特征按一定的规则进行训练,获得该类目标的类间特征和类内特征。在此基础上,引进得分机制构建分类器,具体做法是:对目标特征根据其置信度赋予相应的分值,类间特征在目标识别过程中起着主要作用,因此对其赋予较大分值;类内特征可以辅助决策,但作用要劣于类间特征,因此对其赋予较小分值。这些分值都将作为目标识别系统的基本参数参与决策。这种分类器的突出优点是:不同的目标特征依据其置信度在目标识别中发挥不同的作用,使得目标识别的判据的可靠性得以增强。研究了基于得分机制的自动目标识别方法。这种方法首先针对不同的应用背景对分类器的特征参数进行取舍(对处理速度要求很高时,分类器只调用类间特征进行目标识别以减少时耗;对识别效果要求较高时,分类器同时调用类内特征和类间特征,以提高精度)。然后,将待识别目标与分类器进行特征匹配,如果待识别目标的特征与分类器某一特征相匹配,则待识目标获得该类特征的分值。待识目标归属某类已知目标的可能性大小由其对于该类目标的得分情况来反映。最终,待识别目标对于哪类已知目标的得分最高,分类器就将待识别目标判属哪类。这种方法的主要优势在于,它使目标识别系统在精度与时耗之间具备了可调性,从而为不同应用背景和应用需求下的灵活选择提供了可能。对实拍红外图像的仿真实验表明,这一识别方法具有高识别率,低漏、误检率的优点。