基于毫米波太赫兹Fisher向量特征的目标检测方法

摘要

基于毫米波太赫兹Fisher向量特征的目标检测方法，本发明为解决毫米波太赫兹成像探测误检率高，待测目标与环境分离较困难，导致待测目标难以检测，降低成像探测能力的问题，获取待测目标的毫米波太赫兹成像的多个角度的线极化图像，对获取的多个角度的线极化图像进行组合，得到组合后的图像；对得到的组合后的图像进行分割，得到分割后的图像；根据得到的分割后的图像计算Fisher向量特征量，得到Fisher向量特征量；根据S2中得到的分割后的图像和S3中得到的Fisher向量特征量生成待测目标的特征图像，对特征图像进行阈值分割，得到待测目标的检测图像。属于电子信息、遥感探测技术领域。

说明书

技术领域

本发明涉及一种目标检测方法，属于电子信息、遥感探测技术领域。

背景技术

被动毫米波太赫兹成像系统通过接收物质自发或反射的毫米波太赫兹辐射来实现对观测场景的遥感与探测，具有全天时工作、准全天候工作、隐蔽性好和无辐射危害等优点。因此，已被应用到大气遥感、海洋监测、土壤和植被遥感、人体安检、重点场所监视、军事探测等领域。

在被动毫米波太赫兹成像应用中，通常利用单一极化图像灰度差异对目标进行检测识别。不同种类、不同粗糙度的目标通常具有不同物理特性，然而，在单一极化成像中可能存在相同亮温灰度，使得难以区分不同目标。极化成像方法可产生多种极化图像，从而获得观测场景更多的信息。已有一些研究通过多极化成像从多个维度分析不同目标的亮温灰度，从而提升检测识别能力。然而，现有毫米波太赫兹成像探测技术通常直接对亮温灰度图像进行单个或多个阈值分割，存在误检率高的问题，尤其会出现诸多零散像素的误检，严重降低成像探测能力；此外，现有技术未使用多极化互补信息进行综合检测，某些物品在单一极化下对比度很低，使得待测目标与环境分离较困难，导致待测目标难以检测。因此，如何在阈值分割时降低零散像素的误检并合理综合极化信息，是当前亟待解决的技术问题。

发明内容

本发明为了解决毫米波太赫兹成像探测误检率高，待测目标与环境分离较困难，导致待测目标难以检测，降低成像探测能力的问题，进而提出了一种基于毫米波太赫兹Fisher向量特征的目标检测方法。

本发明采取的技术方案是：

它包括以下步骤：

S1、获取待测目标的毫米波太赫兹成像的多个角度的线极化图像，对获取的多个角度的线极化图像进行组合，得到组合后的图像；

S2、对得到的组合后的图像进行分割，得到分割后的图像；

S3、根据得到的分割后的图像计算Fisher向量特征量，得到Fisher向量特征量；

S4、根据S2中得到的分割后的图像和S3中得到的Fisher向量特征量生成待测目标的特征图像，对特征图像进行阈值分割，得到待测目标的检测图像。

优选的，所述S1中获取待测目标的毫米波太赫兹成像的多个角度的线极化图像，对获取的多个角度的线极化图像进行组合，得到组合后的图像，具体过程为：

S11、获取待测目标的毫米波太赫兹成像的0°，+45°，+90°和+135°四个角度的线极化图像；

S12、根据获取的每个线极化图像得到对应的二维矩阵，得到四个二维矩阵；

S13、将得到的四个二维矩阵相加取均值得到均值图像。

优选的，所述S2中对得到的组合后的图像进行分割，得到分割后的图像，具体过程为：

S21、对S13中得到的均值图像进行中值滤波；

S22、利用双三次插值方法将中值滤波后的均值图像的长和宽变为原来的G倍，G＞1，得到双三次插值方法后的均值图像；

S23、对双三次插值方法后的均值图像进行分割，得到分割后的均值图像。

优选的，所述S23中对双三次插值方法后的均值图像进行分割，得到分割后的均值图像，具体过程为：

S231、设置双阈值对双三次插值方法后的均值图像进行粗分割，剔除不是待测目标像素的区域，得到粗分割后的均值图像；

S232、对得到的粗分割后的均值图像进行超像素分割，得到超像素图像。

优选的，所述S3中根据得到的分割后的图像计算Fisher向量特征量，得到Fisher向量特征量，具体过程为：

S31、将S22中得到的双三次插值方法后的均值图像输入混合高斯模型内进行聚类，得到聚类后的混合高斯模型：

其中，f

Q表示混合高斯模型中高斯分量的数量，q＝1，2，...，Q；

ω

σ

μ

exp[·]表示e指数算符；

S32、根据S31中得到的聚类后的混合高斯模型和S232中得到的超像素图像计算Fisher向量，得到Fisher向量；

S33、根据得到的Fisher向量计算Fisher向量特征量，得到Fisher向量特征量。

优选的，所述S32中根据S31中得到的聚类后的混合高斯模型和S232中得到的超像素图像计算Fisher向量，得到Fisher向量，具体过程为：

S321、Fisher向量：

α

其中，α

α

α

α

S322、利用α

优选的，所述S33中根据得到的Fisher向量计算Fisher向量特征量，得到Fisher向量特征量，具体过程为：

根据S322中得到的更新后的Fisher向量计算Fisher向量特征量：

其中，FV

mean{}表示均值；

N(l)表示第l个超像素相邻区域的超像素的集合。

优选的，所述S4中根据S2中得到的分割后的图像和S3中得到的Fisher向量特征量生成待测目标的特征图像，对特征图像进行阈值分割，得到待测目标的检测图像，具体过程为：

S41、根据S232中得到的超像素图像和S33中得到的Fisher向量特征量生成待测目标的特征图像；

S42、对生成待测目标的特征图像进行阈值分割，得到待测目标的检测图像。

优选的，所述S41根据S232中得到的超像素图像和S33中得到的Fisher向量特征量生成待测目标的特征图像，具体过程为：

将S33中得到的Fisher向量特征量分别与S232中得到的超像素图像中每个像素的像素值进行叠加，生成待测目标的特征图像。

优选的，所述S42中对生成待测目标的特征图像进行阈值分割，得到待测目标的检测图像，具体过程为：

对生成待测目标的特征图像采用大津法进行阈值分割，得到待测目标的检测图像。

有益效果：

本发明首先获取了毫米波太赫兹成像探测图像中待测目标毫米波太赫兹成像的四个角度(0°，+45°，+90°和+135°)的线极化图像，对所获得的四个角度的线极化图像进行组合处理，得到处理后的图像，其次，对处理后的图像依次进行了两次阈值分割，最终，利用聚类后的混合高斯模型和第二次阈值分割后的图像计算Fisher向量特征量，将计算得到的Fisher向量特征量分别与第二次阈值分割后的图像中每个像素的像素值进行叠加，生成毫米波太赫兹成像探测图像中待测目标的特征图像，并对所述待测目标的特征图像采用大津法进行第三次阈值分割，从而生成毫米波太赫兹成像探测图像中待测目标的检测图像。本发明通过对待测目标不同角度的线极化图像进行组合处理，再对组合处理后的图像进行三次阈值分割，使得毫米波太赫兹成像探测图像中待测目标与环境的特征差异更加明显，即待测目标的特征和轮廓更加清晰，从而将待测目标与环境分离，同时还提高了待测目标的检测效果。

附图说明

图1是本发明的均值图像；

图2是本发明的粗分割图像；

图3是本发明的特征图像；

图4是本发明的待测目标的检测图像；

具体实施方式

具体实施方式一：结合图1-图4说明本实施方式，本实施方式所述一种基于毫米波太赫兹Fisher向量特征的目标检测方法，它包括以下步骤：

S1、获取待测目标的毫米波太赫兹成像的多个角度的线极化图像，对获取的多个角度的线极化图像进行组合，得到组合后的图像，具体过程为：

S11、获取毫米波太赫兹成像探测图像中待测目标的毫米波太赫兹成像的0°，+45°，+90°和+135°四个角度的线极化图像，这四个角度的线极化图像可以表达出线极化的全部物理信息，从而用于目标检测；毫米波太赫兹成像可采用毫米波太赫兹成像设备获取。

S12、根据获取的每个线极化图像得到对应的二维矩阵，得到四个线极化图像对应的二维矩阵，每个线极化图像中的每一个像素值均代表每个线极化图像对应的二维矩阵中的一个数值，即数值的大小代表线极化图像中像素的像素值。

S13、将得到的四个二维矩阵相加取均值就能够得到四个线极化图像的均值图像。

对获取的多个角度的线极化图像可以进行任意数学组合，包含很多种组合方案，上述将多个角度的线极化图像进行相加取均值处理仅为本发明的一个实施例。

S2、对得到的组合后的图像进行分割，得到分割后的图像，具体过程为：

S21、对S13中得到的均值图像进行中值滤波，中值滤波的目的是降低组合后的图像的噪声水平。

S22、利用双三次插值方法将中值滤波后的均值图像的长和宽变为原来的G倍，G＞1，得到双三次插值方法后的均值图像，在本发明中G＝4。

S23、对双三次插值方法后的均值图像进行分割，得到分割后的均值图像，具体过程为：

S231、设置双阈值对双三次插值方法后的均值图像进行粗分割，粗分割表示初步简单粗糙的分割，作为对均值图像的第一次分割，目的是初步剔除明显不是待测目标像素的区域，为后面超像素分割和最终准确的精细分割检测做准备。得到粗分割后的均值图像；

S232、对得到的粗分割后的均值图像进行超像素分割，采用超像素分割对粗分割后的均值图像再次进行分割，目的是聚合位置相邻且亮度、纹理等特征相似的局部区域，在不破坏图像边界信息的前提下减少像素量，降低处理复杂度。作为对均值图像的第二次分割，得到超像素图像。

S3、根据得到的分割后的图像计算Fisher向量特征量，得到Fisher向量特征量，具体过程为：

S31、将S22中得到的双三次插值方法后的均值图像输入混合高斯模型内进行聚类，得到聚类后的混合高斯模型，即：

其中，f

Q表示混合高斯模型中高斯分量的数量，q＝1，2，...，Q；

ω

σ

μ

exp[·]表示e指数算符。

所述混合高斯模型(GMM)为多个单高斯模型拟合组成，利用混合高斯模型对得到的双三次插值方法后均值图像进行聚类，即得到聚类后的混合高斯模型。

S32、根据S31中得到的聚类后的混合高斯模型和S232中得到的超像素图像计算Fisher向量，得到Fisher向量，具体过程为：

S321、Fisher向量：

α

其中，α

α

α

α

S322、利用公式α

S33、根据得到的Fisher向量计算Fisher向量特征量，得到Fisher向量特征量，具体过程为：

根据S322中得到的更新后的Fisher向量计算Fisher向量特征量：

其中，FV

mean{}表示均值；

N(l)表示第l个超像素相邻区域的超像素的集合。

S4、根据S2中得到的分割后的图像和S3中得到的Fisher向量特征量生成待测目标的特征图像，对特征图像进行阈值分割，得到待测目标的检测图像，具体过程为：

S41、根据S232中得到的超像素图像和S33中得到的Fisher向量特征量生成毫米波太赫兹成像探测图像中待测目标的特征图像，即将S33中得到的某一个Fisher向量特征量分别与S232中得到的超像素图像中每个像素的像素值进行叠加，生成待测目标的特征图像。

S42、对生成待测目标的特征图像采用大津法进行阈值分割，得到待测目标的检测图像。