本發(fā)明涉及紅外目標(biāo)識別，具體地，涉及一種基于多特征融合的紅外目標(biāo)聚類識別方法和系統(tǒng)。

背景技術(shù)：

1、紅外目標(biāo)識別是指利用紅外圖像在無人工干預(yù)情況下對單個目標(biāo)或者目標(biāo)群進(jìn)行探測，對獲取的信息進(jìn)行分析。特別地，基于多特征融合的紅外目標(biāo)聚類識別能夠在較短時間內(nèi)確定目標(biāo)類型。

2、專利文獻(xiàn)cn117095244a公開了一種紅外目標(biāo)識別方法、裝置、設(shè)備及介質(zhì)，通過獲取紅外攝像機(jī)采集到的紅外圖片數(shù)據(jù)集，調(diào)用訓(xùn)練好的yolov5目標(biāo)識別模型對數(shù)據(jù)集進(jìn)行識別處理。該專利是一種基于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)識別方法。

3、專利文獻(xiàn)cn117115599a公開了一種紅外圖像小樣本目標(biāo)識別方法，通過基于紅外目標(biāo)識別數(shù)據(jù)構(gòu)建小樣本紅外數(shù)據(jù)集，結(jié)合相關(guān)類別可見光目標(biāo)樣本構(gòu)成可見光數(shù)據(jù)集，構(gòu)建貝葉斯卷積神經(jīng)網(wǎng)絡(luò)作為目標(biāo)識別網(wǎng)絡(luò)，使用可見光數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)直至損失收斂，使用紅外數(shù)據(jù)集自適應(yīng)調(diào)整貝葉斯網(wǎng)絡(luò)參數(shù)，最后利用貝葉斯網(wǎng)絡(luò)對樣本目標(biāo)進(jìn)行識別。該專利是一種基于小樣本遷移學(xué)習(xí)的目標(biāo)識別方法。

4、專利文獻(xiàn)cn117197547a公開了一種基于概念學(xué)習(xí)器的少樣本紅外圖像目標(biāo)識別方法，該識別模型包括概念學(xué)習(xí)器模塊和相似度量模塊，概念學(xué)習(xí)器模塊學(xué)習(xí)每個概念維度的獨(dú)特概念嵌入，相似度模塊將概念原型和概念嵌入進(jìn)行比較，為每個概念維度分配重要性得分，以此作為分類依據(jù)。該專利是一種基于不同概念學(xué)習(xí)器和概念原型信息的少樣本學(xué)習(xí)方法。

5、專利文獻(xiàn)cn116087974a公開了天基紅外目標(biāo)識別系統(tǒng)及其目標(biāo)識別方法，通過基于天基紅外遙感相機(jī)采集目標(biāo)的圖像，基于激光測距儀向飛行目標(biāo)發(fā)送激光束并接收回波信號，結(jié)合軌道信息確定目標(biāo)類型。該專利是一種基于遙感相機(jī)成像和激光測距的目標(biāo)分類方法。

6、專利文獻(xiàn)cn115422968a基于多通道卷積神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識別方法，通過構(gòu)建多通道卷積神經(jīng)網(wǎng)絡(luò)，依據(jù)損失函數(shù)對預(yù)處理后的目標(biāo)紅外輻射序列進(jìn)行識別。該專利是依據(jù)卷積神經(jīng)網(wǎng)絡(luò)的多通道目標(biāo)識別方法。

7、空間目標(biāo)識別是一個由粗到精、逐步細(xì)化的動態(tài)過程，以上專利文獻(xiàn)公開的單維度的目標(biāo)識別特征無法有效保證識別正確率，因此如何選擇最優(yōu)的分類器對特征進(jìn)行識別仍是紅外目標(biāo)識別的難題。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于多特征融合的紅外目標(biāo)聚類識別方法和系統(tǒng)。

2、根據(jù)本發(fā)明提供的基于多特征融合的紅外目標(biāo)聚類識別方法，包括：

3、步驟1：基于目標(biāo)觀測輻射序列完成目標(biāo)運(yùn)動特征、光譜特征多特征提??；

4、步驟2：按照多特征融合函數(shù)進(jìn)行目標(biāo)粗分類，縮小目標(biāo)識別范圍；

5、步驟3：基于多波段特征的kann-dbscan聚類識別算法，完成目標(biāo)類型識別。

6、優(yōu)選地，目標(biāo)運(yùn)動特征包括目標(biāo)發(fā)射位置、空間三維軌跡、速度變化特征以及關(guān)機(jī)點(diǎn)特征量；目標(biāo)起飛到預(yù)設(shè)高度后被天基探測系統(tǒng)捕獲，經(jīng)像面上目標(biāo)初始像元坐標(biāo)反演獲得發(fā)射點(diǎn)位置，任意時刻下目標(biāo)運(yùn)動方程為：

7、

8、其中，μe為地球引力常數(shù)，j2為地球引力場二階帶諧系數(shù)，r為地球半徑，[x?y?z?vx?vy?vz]為目標(biāo)的位置和速度狀態(tài)矢量。

9、優(yōu)選地，目標(biāo)光譜特征具有指紋特性，通過分析物體的光譜信息，作為獲取目標(biāo)固有屬性判別的重要依據(jù)；由于發(fā)動機(jī)表面材料因素，不同類型目標(biāo)的輻射譜分布不同；在紅外多波段探測體制下，采用雙波段比色測溫法估計點(diǎn)目標(biāo)溫度，視大氣層外點(diǎn)目標(biāo)為灰體，目標(biāo)估計溫度值t(λi,λj)為：

10、

11、其中：c2為普朗克常數(shù)，i(λi,t)是目標(biāo)溫度t在譜段λi產(chǎn)生的輻射強(qiáng)度，i(λj,t)是目標(biāo)溫度t在譜段λj產(chǎn)生的輻射強(qiáng)度；

12、根據(jù)估計的目標(biāo)溫度，目標(biāo)的有效輻射面積ε(λi,t)為：

13、

14、其中：ap為目標(biāo)在觀測方向上的投影面積，τa(λi)為譜段λi對應(yīng)的發(fā)射率；目標(biāo)表面光輻射最大能量處波長由物體表面材料的發(fā)射率和溫度決定，因此通過光譜輻射的譜分布特征鑒別不同類型目標(biāo)。

15、優(yōu)選地，多特征融合函數(shù)為：

16、

17、其中，mi為運(yùn)動和光譜兩類特征，ωi為權(quán)重系數(shù)，運(yùn)動特征、光譜特征對應(yīng)的權(quán)重分別為ω1、ω2。

18、優(yōu)選地，kann-dbscan聚類識別算法的聚類過程為：從給定數(shù)據(jù)集中選取一個數(shù)據(jù)對象點(diǎn)p；若對于參數(shù)鄰域半徑eps和鄰域中數(shù)據(jù)對象數(shù)目閾值minpts，所選取的數(shù)據(jù)對象點(diǎn)p為核心點(diǎn)，則找出所有從p密度可達(dá)的數(shù)據(jù)對象點(diǎn)，創(chuàng)建以p為核心的聚類簇；若選擇的數(shù)據(jù)對象點(diǎn)p為邊緣點(diǎn)，則選取另一個數(shù)據(jù)對象點(diǎn)，直到所有點(diǎn)都被處理；

19、基于kann-dbscan聚類識別算法，利用數(shù)據(jù)集自身的空間分布特性，基于k-平均最近鄰算法和數(shù)學(xué)期望進(jìn)而生成兩個參數(shù)的參數(shù)列表；k-平均最近鄰算法是基于數(shù)據(jù)集內(nèi)每個點(diǎn)與第k個最近數(shù)據(jù)點(diǎn)的最近距離，并對所有點(diǎn)的最近距離求均值得到數(shù)據(jù)集的k-平均最近鄰距離；

20、首先，計算每個點(diǎn)到其他點(diǎn)的歐氏距離即為距離矩陣distn×n；

21、distn×n＝{dist(i,j),1≤i≤n,1≤j≤n}

22、其中，dist(i,j)為點(diǎn)i和點(diǎn)j的距離，n為數(shù)據(jù)點(diǎn)數(shù)；

23、其次，將distn×n的每一行元素進(jìn)行排序，對排序后的distn×n第k列進(jìn)行均值計算得到1≤k≤n，形成eps的參數(shù)列表eps_list：

24、

25、在eps_list的基礎(chǔ)上計算minpts_list：

26、

27、其中，pi為第i個對象的eps鄰域內(nèi)鄰域?qū)ο髷?shù)目；

28、以聚類結(jié)果的簇數(shù)趨于收斂來不斷迭代eps_list和minpts_list，獲取最優(yōu)的鄰域半徑epsopt以及鄰域中數(shù)據(jù)對象數(shù)目閾值minptsopt，當(dāng)連續(xù)3次聚類簇數(shù)的結(jié)果都是一致的情況下，判定該次k的鄰域半徑和鄰域中數(shù)據(jù)對象數(shù)目閾值為epsopt和minptsopt。

29、根據(jù)本發(fā)明提供的基于多特征融合的紅外目標(biāo)聚類識別系統(tǒng)，包括：

30、模塊m1：基于目標(biāo)觀測輻射序列完成目標(biāo)運(yùn)動特征、光譜特征多特征提取；

31、模塊m2：按照多特征融合函數(shù)進(jìn)行目標(biāo)粗分類，縮小目標(biāo)識別范圍；

32、模塊m3：基于多波段特征的kann-dbscan聚類識別算法，完成目標(biāo)類型識別。

33、優(yōu)選地，目標(biāo)運(yùn)動特征包括目標(biāo)發(fā)射位置、空間三維軌跡、速度變化特征以及關(guān)機(jī)點(diǎn)特征量；目標(biāo)起飛到預(yù)設(shè)高度后被天基探測系統(tǒng)捕獲，經(jīng)像面上目標(biāo)初始像元坐標(biāo)反演獲得發(fā)射點(diǎn)位置，任意時刻下目標(biāo)運(yùn)動方程為：

34、

35、其中，μe為地球引力常數(shù)，j2為地球引力場二階帶諧系數(shù)，r為地球半徑，[x?y?z?vx?vy?vz]為目標(biāo)的位置和速度狀態(tài)矢量。

36、優(yōu)選地，目標(biāo)光譜特征具有指紋特性，通過分析物體的光譜信息，作為獲取目標(biāo)固有屬性判別的重要依據(jù)；由于發(fā)動機(jī)表面材料因素，不同類型目標(biāo)的輻射譜分布不同；在紅外多波段探測體制下，采用雙波段比色測溫法估計點(diǎn)目標(biāo)溫度，視大氣層外點(diǎn)目標(biāo)為灰體，目標(biāo)估計溫度值t(λi,λj)為：

37、

38、其中：c2為普朗克常數(shù)，i(λi,t)是目標(biāo)溫度t在譜段λi產(chǎn)生的輻射強(qiáng)度，i(λj,t)是目標(biāo)溫度t在譜段λj產(chǎn)生的輻射強(qiáng)度；

39、根據(jù)估計的目標(biāo)溫度，目標(biāo)的有效輻射面積ε(λi,t)為：

40、

41、其中：ap為目標(biāo)在觀測方向上的投影面積，τa(λi)為譜段λi對應(yīng)的發(fā)射率；目標(biāo)表面光輻射最大能量處波長由物體表面材料的發(fā)射率和溫度決定，因此通過光譜輻射的譜分布特征鑒別不同類型目標(biāo)。

42、優(yōu)選地，多特征融合函數(shù)為：

43、

44、其中，mi為運(yùn)動和光譜兩類特征，ωi為權(quán)重系數(shù)，運(yùn)動特征、光譜特征對應(yīng)的權(quán)重分別為ω1、ω2。

45、優(yōu)選地，kann-dbscan聚類識別算法的聚類過程為：從給定數(shù)據(jù)集中選取一個數(shù)據(jù)對象點(diǎn)p；若對于參數(shù)鄰域半徑eps和鄰域中數(shù)據(jù)對象數(shù)目閾值minpts，所選取的數(shù)據(jù)對象點(diǎn)p為核心點(diǎn)，則找出所有從p密度可達(dá)的數(shù)據(jù)對象點(diǎn)，創(chuàng)建以p為核心的聚類簇；若選擇的數(shù)據(jù)對象點(diǎn)p為邊緣點(diǎn)，則選取另一個數(shù)據(jù)對象點(diǎn)，直到所有點(diǎn)都被處理；

46、基于kann-dbscan聚類識別算法，利用數(shù)據(jù)集自身的空間分布特性，基于k-平均最近鄰算法和數(shù)學(xué)期望進(jìn)而生成兩個參數(shù)的參數(shù)列表；k-平均最近鄰算法是基于數(shù)據(jù)集內(nèi)每個點(diǎn)與第k個最近數(shù)據(jù)點(diǎn)的最近距離，并對所有點(diǎn)的最近距離求均值得到數(shù)據(jù)集的k-平均最近鄰距離；

47、首先，計算每個點(diǎn)到其他點(diǎn)的歐氏距離即為距離矩陣distn×n；

48、distn×n＝{dist(i,j),1≤i≤n,1≤j≤n}

49、其中，dist(i,j)為點(diǎn)i和點(diǎn)j的距離，n為數(shù)據(jù)點(diǎn)數(shù)；

50、其次，將distn×n的每一行元素進(jìn)行排序，對排序后的distn×n第k列進(jìn)行均值計算得到1≤k≤n，形成eps的參數(shù)列表eps_list：

51、

52、在eps_list的基礎(chǔ)上計算minpts_list：

53、

54、其中，pi為第i個對象的eps鄰域內(nèi)鄰域?qū)ο髷?shù)目；

55、以聚類結(jié)果的簇數(shù)趨于收斂來不斷迭代eps_list和minpts_list，獲取最優(yōu)的鄰域半徑epsopt以及鄰域中數(shù)據(jù)對象數(shù)目閾值minptsopt，當(dāng)連續(xù)3次聚類簇數(shù)的結(jié)果都是一致的情況下，判定該次k的鄰域半徑和鄰域中數(shù)據(jù)對象數(shù)目閾值為epsopt和minptsopt。

56、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

57、本發(fā)明提供的一種基于多特征融合的紅外目標(biāo)聚類識別方法，在傳統(tǒng)目標(biāo)識別的基礎(chǔ)上，引入多維特征的識別信息，增加目標(biāo)識別算法的魯棒性；充分利用聚類識別模型的容錯能力，改善了單一識別信息導(dǎo)致識別率不高的缺陷。