论文部分内容阅读
像素级小目标由于尺寸很小,所以往往在检测时会与背景的噪声或者角点有类似的特征,在常规小目标检测时难以将它们完全区分开来,因而造成在目标点的轨迹关联时会有较多虚警,尤其是在复杂背景的情况下。降低疑似目标提取的虚警率对小目标的检测跟踪有着重要的意义。本文研究的方向就是小目标检测中的背景抑制和虚警抑制。本文在研究了费德勒向量对于图像局部特性的感知之后,提出一种基于费德勒向量的背景抑制方法;与此同时,针对原有方法指标维度不够的问题,提出了一种虚警点抑制的整套流程步骤:将所有疑似目标点所在的一定范围的图像块作为样本,求取其单帧的局部特性和帧间的匹配特性,将这两个特性合成二维特征向量,再用聚类的方式自动进行类型的分类,将目标块和背景块区分开来,从而达到虚警点抑制的目的。单帧的局部特性度量方式采取的是基于图结构的度量方式,利用图的拉普拉斯矩阵的费德勒向量的分类特性来区分目标块和背景块,并进行相关实验讨论不同图结构表示方式对单帧特性度量指标的影响;随后在前面内容的基础上进一步提出一种基于费德勒向量的背景抑制算法,实验证明该算法既能突出目标点,同时也能抑制背景点,可以最大限度的减小虚警点的生成;帧间的匹配特性度量是用的基于灰度匹配的互相关系数的方法,并在匹配之前加上可匹配性判断的步骤,可匹配性判断的指标是通过SUSAN角点检测算法改良而来,并进行相关实验讨论出最合适的参数和图像块尺寸;合成的二维特征向量并归一化之后,我们采用的是谱聚类的方式自动区分图像块的类型。从分类结果来看,基本可以抑制所有的虚警点,从而证明了整个流程步骤的可行性和优越性,实验还考虑了不同的分类结果所带来的风险,选取合适的权值系数,尽量保证目标点不会漏检。