[发明专利]一种基于DS证据理论的多光谱图像弱小目标跟踪方法

说明书

本发明基于多光谱图像，提供一种用DS证据理论实现面空背景下弱小目标跟踪的方法，涉及目标跟踪、图像处理领域。本发明对目标、云、天空建立三角模糊模型，将模型展宽后对像素点分类，根据像素点分类结果得到目标位置实现对目标的跟踪，并用像素点分类结果更新当前三角模糊数模型。本发明采用DS证据理论对像素点分类，此分类方法较好的融合了不同波段的图像信息，能够实现目标跟踪，具有计算简单、实时性好的优点；本发明提出的干扰排除方法，很好的排除了随机干扰导致的误判，能够选取到真实的跟踪目标。

技术领域

本发明涉及目标跟踪、图像处理领域，是一种基于DS证据理论实现面空背景下多光谱图像弱小目标跟踪的方法。

背景技术

目标跟踪是计算机视觉研究领域的热点之一，并得到广泛应用。简单来说，目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹。给定图像第一帧的目标坐标位置，计算在下一帧图像中目标的确切位置。现代化战争中，为了增大作战距离，通常要求远距离跟踪锁定目标，实现快速有效的目标打击。然而，对于远距离成像，由于目标成像面积较小、图像信噪比较低，无法得到目标形状、纹理等有用的目标特征，因此弱小目标的检测跟踪比较困难。

信息融合技术是协同利用多源信息，以获得对事物或目标更客观、更本质认识的信息综合处理技术，是智能科学研究的关键技术之一。在诸多的融合模型和方法中，D-S证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集，又称为辨识框架，在辨识框架上建立了基本概率分配函数(Basic ProbabilityAssignment，BPA)。此外，证据理论还提供了一个Dempster组合规则，该规则可以在没有先验信息的情况下实现证据的融合。特别地，当BPA只在辨识框架的单子集命题上进行分配时，BPA就转换为概率论中的概率，而组合规则的融合结果与概率论中的Bayes公式相同。从这个角度来看，DS证据理论能够比概率论更有效地表示和处理不确定信息，这些特点使其在信息融合领域得到了广泛的应用。正是由于DS证据理论在不确定知识表示方面具有优良的性能，所以近几年其理论和应用发展较快，该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。

目前尚未有基于证据理论实现多光谱图像弱小目标跟踪的研究。证据理论有诸多优点，将其应用在多光谱图像弱小目标跟踪上具有重要的军事价值。

发明内容

为了实现弱小目标跟踪，本发明基于多光谱图像，提供一种用DS证据理论实现面空背景下弱小目标跟踪的方法。使用该方法实现的弱小目标跟踪具有重要的军民用价值。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤一：输入一帧面空多光谱图像及当前环境下每个波段云(C)、天空(S)及目标(T)灰度最小值、中值及最大值，根据输入的云、天空及当前目标成像的灰度最小值、中值、最大值，建立对应的三角模糊数模型，辨识框架为Θ＝{C,S,T}，辨识框架中C表示云，S表示天空，T表示目标，C，S，T三角模糊数模型建立的方法为：

将波段i云成像的灰度最小值Cmin_i、中值Cave_i及最大值Cmax_i分别作为波段i云三角模糊数模型的最小值，中值，最大值，则波段i云的三角模糊数为将波段i天空成像的灰度最小值Smin_i、中值Save_i及最大值Smax_i分别作为波段i天空三角模糊数模型的最小值，中值，最大值，则波段i天空建立的三角模糊数为将波段i目标成像的灰度最小值Tmin_i、中值Tave_i及最大值Tmax_i分别作为波段i当前目标三角模糊数模型的最小值，中值，最大值，则波段i当前目标建立的三角模糊数为

步骤二：将步骤一获得的模糊数展宽，即将模糊数的上界增大、下界减小，分别记云、天空、当前目标展宽后的模糊数为所述展宽方法为：