弹道目标识别方法

摘要

本发明公开了一种弹道目标识别方法，涉及图像处理方法技术领域。所述方法包括如下步骤：弹道视频图象数字化记录后形成数字视频信号，数字视频信号经双门限比较器后形成目标的轮廓坐标集；根据每个目标的轮廓坐标集，计算每个目标的特征参数；根据每个目标的特征参数和自检光斑信号的特点，实时记忆真假目标的特征，依据所提取的各个目标的特征与自检目标特征的差异，识别真假弹道目标。所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号，从而实现目标的识别、抗干扰和角偏差计算。

说明书

技术领域

本发明涉及图像处理方法技术领域，尤其涉及一种弹道目标识别方法。

背景技术

视频图象数字化记录后，如何从图象数据中获得弹标和弹标位置，并计算出自检目标光斑位置相对于电视视场中心十字线(瞄准线的)的角偏差并不是一件容易的事情。如何从数字背景信号及众多的干扰目标中提取出导弹目标信号，从而实现目标的识别、抗干扰和角偏差计算是本发明取得的重大成果。

发明内容

本发明所要解决的技术问题是提供一种弹道目标识别方法，所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号，从而实现目标的识别、抗干扰和角偏差计算。

为解决上述技术问题，本发明所采取的技术方案是：一种弹道目标识别方法，其特征在于包括如下步骤：

1)弹道视频图象数字化记录后形成数字视频信号，数字视频信号经双门限比较器后形成目标的轮廓坐标集；

2)根据每个目标的轮廓坐标集，计算每个目标的特征参数；

3)根据每个目标的特征参数和自检光斑信号的特点，实时记忆真假目标的特征，依据所提取的各个目标的特征与自检目标特征的差异，识别真假弹道目标。

进一步的技术方案在于：所述的步骤1)中弹道视频图象通过CCD摄像机进行记录。

进一步的技术方案在于：所述的步骤1)中形成目标轮廓坐标集的方法如下：

设统计的场景直方图数据为：

{H(i)|i＝0,1,2…255}

式中：H(i)为波门中灰度i的像元个数；

令：

TH 1＝max{i|H(i)＞0}TH2＝max{i|H(i-2)＜16,H(i-1)＜16,H(i)＜16}

T_max＝224>min＝32

则高门限为

低门限为：当C_f≤138时，T_L＝TH1-32；

当C_f>138时，

其中C_f为自发射导弹开始的电视场次；

目标分割采用灰度切片方法，设大小为M×N的波门内的数字图像为

{G(i,j)|i＝1,2…m,j＝1,2…n}

如果T_H≥G(i,j)≥T_L

则像元G(i,j)为目标像元，否则为背景像元；式中：TH和TL分别为灰度切片的上下门限；目标分割出来后，可求得目标轮廓点坐标集合为：

$>\{(x_i^L,y_i^L),(x_i^R,y_i^R)|,i=1,2,...p\}$>

其中p为目标所占电视线行数，(x^L_i,y^L_i)和(x^R_i,y^R_i)分别是目标在一个电视行上的左、右轮廓坐标，且有

进一步的技术方案在于：所述的步骤2)中，计算目标的特征参数方法如下：

目标的各特征参量定义为

$>\left(\begin{array}{c}\begin{array}{cc}\left(\begin{array}{c}X=\frac{1}{2P}\underset{i=1}{\overset{p}{\Sigma }}\left(x_i^L+y_i^L\right)\\ Y=\frac{1}{2}\left(y_i^L,+y_p^L\right)\end{array}\right)& S=\underset{i=1}{\overset{p}{\Sigma }}\left(x_i^R-x_i^L\right)\end{array}\\ L=\left(x_i^R-x_i^L\right)+\left(x_p^R-x_p^L\right)+2\left(p-1\right)+\underset{i=2}{\overset{p}{\Sigma }}\left(|x_i^R-x_{i-1}^R|+|x_i^L-y_{y-1}^L|\right)\end{array}\right)$>

其中(X，Y)，S，L分别为目标的形心坐标、面积和周长。

进一步的技术方案在于：所述步骤3)的具体方法如下：

自检目标轨迹预测：

设第k场以前的自检弹标轨迹为

(X_k,Y_k),(X_k-1,Y_k-1),(X_k-2,Y_k-2),…

现对第k+1场弹标轨迹作预测，其二阶预测值为

$>\left(\begin{array}{c}\tilde{X}{1}_{k+1}=2X_K-X_{K-1}\\ \tilde{Y}{1}_{k+1}=2Y_K-Y_{K-1}\end{array}\right)$>

五阶预测值为

$>\left(\begin{array}{c}\tilde{X}{2}_{k+1}=9X_K-4X_{K-2}-3X_{K-3}+3X_{K-4}\\ \tilde{Y}{2}_{k+1}=9Y_K-4Y_{K-2}-3Y_{K-3}+3Y_{K-4}\end{array}\right)$>

出现在波门内的亮目标的几何特征是：

(X_n,Y_n,S_n,L_n,R_n)n＝1,2,…N

其中，N为目标个数，n为目标编号，(X，Y)为目标坐标，S为面积，L为周长，R为圆形度。

设第k-1场真目标的面积、周长分别是S_k-1、L_k-1,定义判据

$>D\left(n\right)=\delta \left(\right|X_n-{\tilde{X}}_k|+|Y_n-{\tilde{Y}}_k\left|\right)+\gamma |S_n-S_{k-1}|+\lambda |L_n-L_{k-1}|+\sigma |R_n-1|$>

式中，σ，γ，λ，δ分别为目标各项特征量的权重系数，其取值随自检目标在飞行过程中各阶段运动特性的变化和自检弹标特征的变化而不同，在N个目标中，若有

D(n′)＝min{D(n)|n＝1,2,…M}

则认为第n′个目标为第k场与真实自检弹标最为接近的目标。

采用上述技术方案所产生的有益效果在于：所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号，从而实现目标的识别、抗干扰和角偏差计算。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明所述方法的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

总体的，如图1所示，本发明公开了一种弹道目标识别方法，包括如下步骤：

1)弹道视频图象数字化记录后形成数字视频信号，数字视频信号经双门限比较器后形成目标的轮廓坐标集；

2)根据每个目标的轮廓坐标集，计算每个目标的特征参数；

3)根据每个目标的特征参数和自检光斑信号的特点，实时记忆真假目标的特征，依据所提取的各个目标的特征与自检目标特征的差异，识别真假弹道目标。

具体的，多目标识别是建立在多目标特征参数的提取上的。根据目标的特征参数和自检光斑信号的特点，实时记忆真假目标的特征，依据所提取的各个目标的特征和自检目标特征的差异，识别真假目标。

实时场景直方图分析及门限关键算法：

设统计的场景直方图数据为

{H(i)|i＝0,1,2…255}

式中：H(i)为波门中灰度i的像元个数。

令

TH，1＝max{i|H(i)＞0}TH2＝max{i|H(i-2)＜16,H(i-1)＜16,H(i)＜16}

T_max＝224>min＝32

则高门限为

低门限为：当Cf≤138时，T_L＝TH1-32

当Cf>138时，

其中Cf为自发射导弹开始的电视场次。

目标分割及特征计算：

目标分割采用灰度切片方法。设大小为M×N的波门内的数字图像为

{G(i,j)|i＝1,2…m,j＝1,2…n}

如果T_H≥G(i,j)≥T_L

则像元G(i,j)为目标像元，否则为背景像元。式中：TH和TL分别为灰度切片的上下门限。目标分割出来后，可求得目标轮廓点坐标集合

$>\{(x_i^L,y_i^L),(x_i^R,y_i^R)|,i=1,2,...p\}$>

其中p为目标所占电视线行数，(xLi,yLi)和(xRi,yRi)分别是目标在一个电视行上的左、右轮廓坐标，且有

目标的各特征参量定义为

$>\left(\begin{array}{cc}\left(\begin{array}{c}X=\frac{1}{2P}\underset{i=1}{\overset{p}{\Sigma }}\left(x_i^L+y_i^L\right)\\ Y=\frac{1}{2}\left(y_i^L,+y_p^L\right)\end{array}\right)& S=\underset{i=1}{\overset{p}{\Sigma }}\left(x_i^R-x_i^L\right)\end{array}\right)$>

$>L=\left(x_i^R-x_i^L\right)+\left(x_p^R-x_p^L\right)+2\left(p-1\right)+\underset{i=2}{\overset{p}{\Sigma }}\left(|x_i^R-x_{i-1}^R|+|x_i^L-y_{y-1}^L|\right)$>

其中(X，Y)，S，L分别为目标的形心坐标、面积和周长。

自检目标轨迹预测：

弹标轨迹预测采用二阶、五阶加权平均算法，该算法具有较高的灵敏度和稳定性。设第k场以前的自检弹标轨迹为

(X_k,Y_k),(X_k-1,Y_k-1),(X_k-2,Y_k-2),…

现对第k+1场弹标轨迹作预测，其二阶预测值为

$>\left(\begin{array}{c}\tilde{X}{1}_{k+1}=2X_K-X_{K-1}\\ \tilde{Y}{1}_{k+1}=2Y_K-Y_{K-1}\end{array}\right)$>

五阶预测值为

$>\left(\begin{array}{c}\tilde{X}{2}_{k+1}=9X_K-4X_{K-2}-3X_{K-3}+3X_{K-4}\\ \tilde{Y}{2}_{k+1}=9Y_K-4Y_{K-2}-3Y_{K-3}+3Y_{K-4}\end{array}\right)$>

特征匹配算法：

出现在波门内的亮目标的几何特征是

(X_n,Y_n,S_n,L_n,R_n)n＝1,2,…N

其中，N为目标个数，n为目标编号，(X，Y)为形心坐标，S为面积，L为周长，R为圆形度。

设第k-1场真目标的面积、周长分别是Sk-1、Lk-1,定义判据

$>D\left(n\right)=\delta \left(\right|X_n-{\tilde{X}}_k|+|Y_n-{\tilde{Y}}_k\left|\right)+\gamma |S_n-S_{k-1}|+\lambda |L_n-L_{k-1}|+\sigma |R_n-1|$>

式中，σ，γ，λ，δ分别为目标各项特征量的权重系数，其取值随自检目标在飞行过程中各阶段运动特性的变化和自检弹标特征的变化而不同。在N个目标中，若有

D(n′)＝min{D(n)|n＝1,2,…M}

则认为第n′个目标为第k场与真实自检弹标最为接近的目标。

所述方法能够从数字背景信号及众多的干扰目标中准确的提取出导弹目标信号，从而实现目标的识别、抗干扰和角偏差计算。