1.基于恒边长梯度加权图切的优化雷达微弱目标检测方法,其特征在于该方法的具体步骤是:步骤1.模型参数初始化:设置背景模型的均值 及方差 ;预测模型的观测噪声及系统噪声 ;
步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息,并对获得的数据信息进行二值化处理,得到大小为 的像素点矩阵, 为矩阵宽度, 为矩阵高度;
步骤3. 根据可控核梯度求解方法,对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值,记为 ,其中 ;
步骤4.根据能量函数,建立二值化的能量图模型;
步骤5.计算流量参数 ;
,
,
其中, 为差补矫正因子, 为恒边长值, 是目标像素点的数目; 为输入待检测的像素点, 表示待检测的像素点 是目标像素点的概率, 表示待检测的像素点 是背景像素点的概率; 为输出的观测像素点, 为将检测到的像素点 判定为目标像素点的概率, 表示将检测到的像素点 判定为背景像素点的概率;
步骤6.算得流量参数后,即得边流量加权参数值 和 ,将 和 代入步骤4所建立的能量图模型,对其所建图模型的边流量进行加权,最后依据最大流最小切生长树搜索原理对能量图的流量进行优化分配,实现目标与背景的分割,继而得到所要检测的雷达弱目标;
步骤7.判断所得到的目标是否为最后一帧,若是,则跳到步骤9结束检测,反之进入步骤8;
步骤8.参数预测及背景更新;
首先,结合kalman预测,对第 帧视频,定义目标像素点数量为,目标-背景像素对数量为 , 和 分别为 和 的速度分量,则得系统的状态向量为 ,同时,定义 为第 帧视频的第一个观测量, 为第 帧视频的第二个观测量,则得系统的观测向量为 ,建立如下系统模型为: 状态方程: ;
观测方程: ,
其中, 为系统噪声,满足 , ;为观测噪声,满足 ,;设定系统噪声相关矩阵为 ,观测噪声相关矩阵为 ,则对应的方程参数分别为:,
, , ;
其中, 为系统读取每一帧图像信息所需要的时间, 为系统噪声, 为观测噪声;根据上述系统模型,结合下述公式:Kalman一步预测增益: ,
预测状态方程: ,
预测均方误差: ,
通过一步迭代,实现对 帧检测视频的目标像素点个数 及目标-背景像素对数的预测,并更新步骤5所提到的流量参数 ;
接着,按照下列公式,更新背景参数:权值 ,均值 及方差 ;
其中,为选用的混合高斯模型的个数, 表示时刻第 帧视频的第 个高斯模型的高斯分布概率, , 为更新因子,为第t时刻检测的像素点;
最后,在完成参数预测及背景更新后,读入第 帧视频图像,并返回步骤2;
步骤9.结束检测。