[发明专利]基于快速自动密度聚类的可变尺度红外小目标的检测方法

摘要

基于快速自动密度聚类的可变尺度红外小目标的检测方法，涉及图像分析与图像理解。利用SURF算子解决尺度可变小目标的特征提取。解决特征对于环境的敏感问题；快速自动化密度聚类算法，针对问题域，直接从空域完成轨迹的分割、提取，克服了原有序列检测问题中数据融合带来的指数级复杂度问题。解决了聚类过程中产生的过分割以及欠分割问题，保证了轨迹提取的完整性和独立性以及聚类中心的自动选择。在后期的轨迹提取中，利用回溯算法寻找最优解，将轨迹具有的平滑不变约束融入剪枝函数的设计，快速剪掉无关的杂波分支，加快了搜索解的速度。结合鲁棒的特征检测算子和回溯策略，解决可变尺度红外小目标的检测问题，提高算法的实时性和鲁棒性。

主权项

1.基于快速自动密度聚类的可变尺度红外小目标的检测方法，其特征在于包括如下步骤：1)采集真实云天或者海天背景，构建仿真小目标，利用matlab中的imnoise函数叠加高斯噪声，合成仿真图像序列F(t)作为图像数据,其中，t＝1,...N，N表示图像序列的长度；2)利用SURF加速鲁棒特征检测算子提取图像序列F(t)中每一帧图像的特征点；3)筛选所有特征点中最强的K个点；4)保存标记得到的所有候选目标点迹的图像坐标，作为后续聚类的数据集；5)计算数据集合中每个点i与其它各点的距离，生成距离矩阵dist，距离函数选取欧式距离；6)确定自适应参数S，S代表每个数据点平均邻居的个数；给出S的选取原则为：假定S等于截断距离dc，当S为序列长度N×帧间运动位移frame_off×1/2时，可以得到完整的轨迹片段；7)由步骤6)中给出的S，确定截断距离dc；8)通过高斯核计算每个数据点i的局部密度ρ_i以及δ_i，并计算得到数组γ_i＝ρ_i×δ_i；9)针对每个γ_i，若γ_i＞TH，则确定为聚类中心，其中，TH选取190～200之间，可以满足轨迹的独立性；10)将所有的数据点聚集到与自己最近的聚类中心中；11)剔除离散点；12)保存得到的聚类，标记其数量；13)设置轨迹长度门限；14)对于得到的所有聚类，逐个依据下述步骤进行处理；15)取出第i个聚类中的一个点A，判断该点是否是聚类中倒数第1个点，若是，则处理下一个聚类，若不是，则继续下列步骤；16)取出聚类中的下一个点B；17)生成直线C：A‑>B，将两点存入直线集合E；18)取出聚类中下一个点K，若线段AB和BK的夹角θ满足平滑性约束,即：0≤θ≤π/2，则将其归入直线集合E，否则转步骤19)；19)判断K是否是该聚类中的最后一个点，若是，则判断直线集合E中点的个数是否大于轨迹最小长度，若小于，则转步骤16)；若大于，则转步骤20)；若不是该聚类的最后一个点，则返回到步骤18)；20)输出直线集合E，转步骤15)；21)处理完所有聚类后，将得到的所有轨迹片段进行标记保存。