一种时敏目标的在轨检测方法
一种时敏目标的在轨检测方法
【专利摘要】本发明是一种时敏目标的在轨检测方法，该方法包括：步骤S1：在历史图像上选取各种时敏目标训练区域，每幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标的结构字典；步骤S2：在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，利用结构字典求解敏目标类型指示向量，根据时敏目标类型指示向量结构稀疏特性识别可疑目标的位置和可疑目标的类型，提取可疑目标区域；步骤S3：对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据运动轨迹的奇异性在轨识别出时敏目标；步骤S4：将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步骤S1。
【专利说明】一种时敏目标的在轨检测方法
【技术领域】
[0001] 本发明涉及在轨图像处理、目标检测、目标识别、目标监控等【技术领域】，特别是一 种时敏目标的在轨检测方法。
【背景技术】
[0002] 与普通的目标相比，时敏目标具有很强的时效性，时敏目标必须在有限的时间窗 口内识别，稍纵即逝。同时，时敏目标往往都是非常重要的目标，一旦失去识别的机会，将造 成重大损失。因此，时敏目标的检测和识别具有重要的研究意义，但同时更具挑战性。
[0003] 随着高空间分辨率、高时间分辨率遥感卫星的发展，利用卫星图像在轨检测和识 别时敏目标成为可能。与其他的数据获取手段相比，卫星图像范围大，有利于对时敏目标进 行准确、长时间的跟踪。
[0004] 时敏目标检测的难点主要在于时敏目标的复杂性，时敏目标只有在某个时间点发 生状态改变或轨迹突变时才呈现时敏目标的特征，而这个关键的时间点很难被捕捉到。对 于时敏目标的在轨检测，可以利用的先验知识和数据很少，如何利用最新数据自动调整离 线状态训练的目标模型是时敏目标检测的关键。但上述关键技术目前很不成熟，限制了时 敏目标在线检测的实际应用。
【发明内容】
[0005] 本发明的目的是针对在轨处理的特点和实际应用的需求，提供一种有效的时敏目 标的在轨检测方法。
[0006] 为了实现上述目的，本发明的时敏目标的在轨检测方法，该方法包括步骤如下：
[0007] 步骤Sl :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每 幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏 目标的结构字典；
[0008] 步骤S2 :在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆 环簇方向梯度特征，利用结构字典求解多尺度同心圆环簇方向梯度特征的投影系数即时敏 目标类型指示向量，根据时敏目标类型指示向量的结构稀疏特性识别可疑目标的位置和可 疑目标的类型，根据时敏目标类型指示向量的相似性提取可疑目标区域；
[0009] 步骤S3 :对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据 运动轨迹的奇异性在轨识别出时敏目标；
[0010] 步骤S4:将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步 骤S1。
[0011] 本发明所述方法对于提高时敏目标在轨检测的普适性、自动化程度具有重要的意 义，其主要优点如下：
[0012] 本发明将历史训练数据和当前最新数据相结合，将时敏目标的先验约束通过历史 训练数据体现出来，保障了在无人干预的在轨处理环境中能够将需求和数据特点很好的结 合起来；将历史数据包含的时敏目标的特征以及当前图像的新特点结合起来，通过字典在 轨增量更新提高了字典的表征能力并大大节约了计算量。
[0013] 本发明在目标检测阶段利用时敏目标类型指示向量表示像素所属的目标类型，克 服了标量表示方法的不确定性；根据像素间时敏目标类型指示向量的相似性提取目标区 域，提高了对噪声及遮挡的鲁棒性。
[0014] 本发明在运动状态异常检测阶段利用目标区域的基于协方差矩阵的广义特征值 的距离度量对视角变化具有很好的鲁棒性，减少了时敏目标识别的虚警率；在时空轨迹异 常检测阶段将时空轨迹变化曲线转换到极坐标空间，有效地刻画了时敏目标的运动奇异 性，提高了时敏目标识别的准确率。
[0015] 得益于上述优点，本发明使时敏目标的在轨检测成为可能，极大地提高了时敏目 标检测、识别的时效性、鲁棒性和自动化程度，可广泛应用于时敏目标发现与监测、目标监 控等系统中。
【专利附图】
【附图说明】
[0016] 图1是本发明一种时敏目标的在轨检测方法流程图。
[0017] 图2是时空轨迹异常检测图。
【具体实施方式】
[0018] 下面结合【专利附图】
【附图说明】本发明技术方案中所涉及的技术问题。应指出的是，所描述的 实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。
[0019] 如图1示出本发明提出一种时敏目标的在轨检测方法实现步骤如下：
[0020] 步骤Sl :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每 幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏 目标的结构字典。
[0021] 所述多尺度同心圆环簇方向梯度特征以采样点为中心、以采样尺度为半径的图像 块上取样并构造3个不同半径的同心圆环形结构，相应的取样点位于上述不同半径的同心 圆环上，每个同心圆环上按45°等角度间隔提取8个取样点，同一半径上的取样点具有相 同的高斯尺度值，不同半径上的取样点高斯尺度值不同。所述多尺度同心圆环簇方向梯度 特征提取的具体过程如下：
[0022] 步骤SOl :计算以采样点为中心、以采样尺度E为半径的图像块的每个像素（u，v) 的8个方向梯度，然后，用高斯核卷积得到（u，v)处的方向梯度特征向量hj；(u，v)如下表 示：
[0023] K (//, V) [UV(?, V), vI'' ? ^^v'))]7 ( 1 )
[0024] u和V分别为像素的行号和列号，T表示向量的转置，化;1')表示第m个方向梯度 用高斯核卷积得到的梯度向量，m为方向编号，m= 1，2，…，8。
[0025] 步骤S02 :多尺度同心圆环簇方向梯度特征D(u，v)是描述取样点（u，v)局部支撑 区域中每个位置的一系列相关向量的并集，D (u，V)的表示形式如下：
[0026] = I/Vv (Illl2(//,r,Rn2)) I /? = 1,2,3;/;/2 = 1,2,? ? ?,8;/72 = 1,2,3.； (2)
[0027] 其中，Im2(u，v，Rn2)表示像素点（u，v)的第n2个同心圆环上第m2个取样点的坐 标，W",:(〃，v'，/〈,:)）表示像素点（u，v)的第 n2个同心圆环上第m2个取样点的局部方向梯 度直方图，n为米样尺度序号，n2为同心圆环序号，m2为取样点序号。
[0028] 所述结构字典学习是从高维的多尺度同心圆环簇方向梯度特征向量集合及对应 的目标类型编号中学习低维的、可分性好的字典。设图像为目标类型j的第i幅训练图 像，/,(/)的像素个数为Ni,则从图像可以提取到Ni个多尺度同心圆环簇方向梯度特征向 量，这Ni个特征向量的并集作为目标类型j的特征。为方便叙述，将第j类目标的训练特征 集合记为Xj = {xk = {j，fk} 11彡k彡A」}，xk = {j，fk}表示其中的第k个训练样本，j为 目标类型编号，fk为第k个训练样本对应的多尺度同心圆环簇方向梯度特征向量，表示 第j类目标训练特征集合中元素个数。本发明的结构字典学习模型如下：
【权利要求】
1. 一种时敏目标的在轨检测方法，该方法包括步骤如下： 步骤S1 :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每幅训 练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标 的结构字典； 步骤S2 :在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆环簇 方向梯度特征，利用结构字典求解多尺度同心圆环簇方向梯度特征的投影系数即时敏目标 类型指示向量，根据时敏目标类型指示向量的结构稀疏特性识别可疑目标的位置和可疑目 标的类型，根据时敏目标类型指示向量的相似性提取可疑目标区域； 步骤S3 :对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据运动 轨迹的奇异性在轨识别出时敏目标； 步骤S4:将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步骤 S1。
2. 根据权利要求1所述的方法，其特征在于，所述结构字典是从高维的多尺度同心圆 环簇方向梯度特征向量集合以及对应的时敏目标类型编号中学习得到的低维的多尺度同 心圆环簇方向梯度特征。
3. 根据权利要求2所述的方法，其特征在于，根据时敏目标类型指示向量的稀疏性和 不同像素处时敏目标类型指示向量之间的相似性构建结构字典的学习模型。
4. 根据权利要求2所述的方法，其特征在于，对各类型时敏目标的多尺度同心圆环簇 方向梯度特征集合进行主成分分析，得到并将与显著特征值对应的特征向量的并集作为初 始字典，再交替迭代更新初始字典和投影系数，获得结构字典。
5. 根据权利要求1所述的方法，其特征在于，所述提取可疑目标区域的步骤包括如下： 步骤S21 :根据结构字典构建新的投影矩阵，将当前在轨每一时相的图像的每个像素 的多尺度同心圆环簇方向梯度特征向量进行投影，得到每个像素的时敏目标类型指示向 量； 步骤S22:根据体现像素所属的目标的类型信息的时敏目标类型指示向量的结构稀疏 性确定可疑目标； 步骤S23 :根据位于同一区域的像素具有相似的目标类型指示向量对在轨每一时相的 图像进行分割，提取可疑目标区域。
6. 根据权利要求1所述的方法，其特征在于，所述在轨识别出时敏目标步骤包括如下： 步骤S31 :利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵的距离差异 为每一可疑目标寻找在临近时刻的最近邻，如果最近邻区域之间的多尺度同心圆环簇方向 梯度特征向量集合之间的协方差矩阵仍为最近邻，则表示该目标的运动状态未发生异常即 为非时敏目标；如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协 方差矩阵不为最近邻，则该目标的运动状态发生异常即为时敏目标； 步骤S32 :将不同时相非时敏目标的时空轨迹变化曲线投影到极坐标下，根据极坐标 中相邻时空轨迹的方向变化识别时敏目标。
7. 根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异， 利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵之间的差异来度量距离差 异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距离差异。
8. 根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异， 利用可疑目标区域的多尺度同心圆环簇方向梯度特征向量集合的协方差矩阵之间的差异 来度量距离差异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距 离差异。
9. 根据权利要求6所述的方法，其特征在于，所述在轨识别时敏目标是将时空轨迹变 化曲线投影到极坐标下，将不同时相非时敏目标的速度变化与方向变化相分离，得到时空 轨迹方向变化的曲线，用于更好的描述时空轨迹的异常性。
10. 根据权利要求1所述的方法，其特征在于，所述结构字典在轨增量更新训练图像的 步骤包括如下： 步骤S41 :当训练样本较多时，为满足在轨处理的时效性要求，将已检测到的在轨时敏 目标及可疑目标的多尺度同心圆环簇方向梯度特征作为新的训练样本； 步骤S42:根据当前图像、当前时敏目标获得的结构字典在轨增量更新的训练图像，利 用新的训练样本，对前一时刻的结构字典在轨增量更新。
【文档编号】G06K9/00GK104408401SQ201410589172
【公开日】2015年3月11日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】霍春雷, 潘春洪, 周志鑫 申请人:中国科学院自动化研究所
【专利摘要】本发明是一种时敏目标的在轨检测方法，该方法包括：步骤S1：在历史图像上选取各种时敏目标训练区域，每幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标的结构字典；步骤S2：在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，利用结构字典求解敏目标类型指示向量，根据时敏目标类型指示向量结构稀疏特性识别可疑目标的位置和可疑目标的类型，提取可疑目标区域；步骤S3：对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据运动轨迹的奇异性在轨识别出时敏目标；步骤S4：将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步骤S1。
【专利说明】一种时敏目标的在轨检测方法
【技术领域】
[0001] 本发明涉及在轨图像处理、目标检测、目标识别、目标监控等【技术领域】，特别是一 种时敏目标的在轨检测方法。
【背景技术】
[0002] 与普通的目标相比，时敏目标具有很强的时效性，时敏目标必须在有限的时间窗 口内识别，稍纵即逝。同时，时敏目标往往都是非常重要的目标，一旦失去识别的机会，将造 成重大损失。因此，时敏目标的检测和识别具有重要的研究意义，但同时更具挑战性。
[0003] 随着高空间分辨率、高时间分辨率遥感卫星的发展，利用卫星图像在轨检测和识 别时敏目标成为可能。与其他的数据获取手段相比，卫星图像范围大，有利于对时敏目标进 行准确、长时间的跟踪。
[0004] 时敏目标检测的难点主要在于时敏目标的复杂性，时敏目标只有在某个时间点发 生状态改变或轨迹突变时才呈现时敏目标的特征，而这个关键的时间点很难被捕捉到。对 于时敏目标的在轨检测，可以利用的先验知识和数据很少，如何利用最新数据自动调整离 线状态训练的目标模型是时敏目标检测的关键。但上述关键技术目前很不成熟，限制了时 敏目标在线检测的实际应用。
【发明内容】
[0005] 本发明的目的是针对在轨处理的特点和实际应用的需求，提供一种有效的时敏目 标的在轨检测方法。
[0006] 为了实现上述目的，本发明的时敏目标的在轨检测方法，该方法包括步骤如下：
[0007] 步骤Sl :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每 幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏 目标的结构字典；
[0008] 步骤S2 :在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆 环簇方向梯度特征，利用结构字典求解多尺度同心圆环簇方向梯度特征的投影系数即时敏 目标类型指示向量，根据时敏目标类型指示向量的结构稀疏特性识别可疑目标的位置和可 疑目标的类型，根据时敏目标类型指示向量的相似性提取可疑目标区域；
[0009] 步骤S3 :对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据 运动轨迹的奇异性在轨识别出时敏目标；
[0010] 步骤S4:将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步 骤S1。
[0011] 本发明所述方法对于提高时敏目标在轨检测的普适性、自动化程度具有重要的意 义，其主要优点如下：
[0012] 本发明将历史训练数据和当前最新数据相结合，将时敏目标的先验约束通过历史 训练数据体现出来，保障了在无人干预的在轨处理环境中能够将需求和数据特点很好的结 合起来；将历史数据包含的时敏目标的特征以及当前图像的新特点结合起来，通过字典在 轨增量更新提高了字典的表征能力并大大节约了计算量。
[0013] 本发明在目标检测阶段利用时敏目标类型指示向量表示像素所属的目标类型，克 服了标量表示方法的不确定性；根据像素间时敏目标类型指示向量的相似性提取目标区 域，提高了对噪声及遮挡的鲁棒性。
[0014] 本发明在运动状态异常检测阶段利用目标区域的基于协方差矩阵的广义特征值 的距离度量对视角变化具有很好的鲁棒性，减少了时敏目标识别的虚警率；在时空轨迹异 常检测阶段将时空轨迹变化曲线转换到极坐标空间，有效地刻画了时敏目标的运动奇异 性，提高了时敏目标识别的准确率。
[0015] 得益于上述优点，本发明使时敏目标的在轨检测成为可能，极大地提高了时敏目 标检测、识别的时效性、鲁棒性和自动化程度，可广泛应用于时敏目标发现与监测、目标监 控等系统中。
【专利附图】
【附图说明】
[0016] 图1是本发明一种时敏目标的在轨检测方法流程图。
[0017] 图2是时空轨迹异常检测图。
【具体实施方式】
[0018] 下面结合【专利附图】
【附图说明】本发明技术方案中所涉及的技术问题。应指出的是，所描述的 实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。
[0019] 如图1示出本发明提出一种时敏目标的在轨检测方法实现步骤如下：
[0020] 步骤Sl :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每 幅训练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏 目标的结构字典。
[0021] 所述多尺度同心圆环簇方向梯度特征以采样点为中心、以采样尺度为半径的图像 块上取样并构造3个不同半径的同心圆环形结构，相应的取样点位于上述不同半径的同心 圆环上，每个同心圆环上按45°等角度间隔提取8个取样点，同一半径上的取样点具有相 同的高斯尺度值，不同半径上的取样点高斯尺度值不同。所述多尺度同心圆环簇方向梯度 特征提取的具体过程如下：
[0022] 步骤SOl :计算以采样点为中心、以采样尺度E为半径的图像块的每个像素（u，v) 的8个方向梯度，然后，用高斯核卷积得到（u，v)处的方向梯度特征向量hj；(u，v)如下表 示：
[0023] K (//, V) [UV(?, V), vI'' ? ^^v'))]7 ( 1 )
[0024] u和V分别为像素的行号和列号，T表示向量的转置，化;1')表示第m个方向梯度 用高斯核卷积得到的梯度向量，m为方向编号，m= 1，2，…，8。
[0025] 步骤S02 :多尺度同心圆环簇方向梯度特征D(u，v)是描述取样点（u，v)局部支撑 区域中每个位置的一系列相关向量的并集，D (u，V)的表示形式如下：
[0026] = I/Vv (Illl2(//,r,Rn2)) I /? = 1,2,3;/;/2 = 1,2,? ? ?,8;/72 = 1,2,3.； (2)
[0027] 其中，Im2(u，v，Rn2)表示像素点（u，v)的第n2个同心圆环上第m2个取样点的坐 标，W",:(〃，v'，/〈,:)）表示像素点（u，v)的第 n2个同心圆环上第m2个取样点的局部方向梯 度直方图，n为米样尺度序号，n2为同心圆环序号，m2为取样点序号。
[0028] 所述结构字典学习是从高维的多尺度同心圆环簇方向梯度特征向量集合及对应 的目标类型编号中学习低维的、可分性好的字典。设图像为目标类型j的第i幅训练图 像，/,(/)的像素个数为Ni,则从图像可以提取到Ni个多尺度同心圆环簇方向梯度特征向 量，这Ni个特征向量的并集作为目标类型j的特征。为方便叙述，将第j类目标的训练特征 集合记为Xj = {xk = {j，fk} 11彡k彡A」}，xk = {j，fk}表示其中的第k个训练样本，j为 目标类型编号，fk为第k个训练样本对应的多尺度同心圆环簇方向梯度特征向量，表示 第j类目标训练特征集合中元素个数。本发明的结构字典学习模型如下：
【权利要求】
1. 一种时敏目标的在轨检测方法，该方法包括步骤如下： 步骤S1 :在历史图像上选取各种时敏目标训练区域，在每种类型的时敏目标的每幅训 练图像的每个像素处提取高维的多尺度同心圆环簇方向梯度特征，离线学习各类时敏目标 的结构字典； 步骤S2 :在当前在轨每一时相的图像上的每个像素处提取高维的多尺度同心圆环簇 方向梯度特征，利用结构字典求解多尺度同心圆环簇方向梯度特征的投影系数即时敏目标 类型指示向量，根据时敏目标类型指示向量的结构稀疏特性识别可疑目标的位置和可疑目 标的类型，根据时敏目标类型指示向量的相似性提取可疑目标区域； 步骤S3 :对在不同时相的在轨图像上检测的可疑目标区域的轨迹进行分析，根据运动 轨迹的奇异性在轨识别出时敏目标； 步骤S4:将在轨时敏目标的图像作为结构字典在轨增量更新的训练图像，返回步骤 S1。
2. 根据权利要求1所述的方法，其特征在于，所述结构字典是从高维的多尺度同心圆 环簇方向梯度特征向量集合以及对应的时敏目标类型编号中学习得到的低维的多尺度同 心圆环簇方向梯度特征。
3. 根据权利要求2所述的方法，其特征在于，根据时敏目标类型指示向量的稀疏性和 不同像素处时敏目标类型指示向量之间的相似性构建结构字典的学习模型。
4. 根据权利要求2所述的方法，其特征在于，对各类型时敏目标的多尺度同心圆环簇 方向梯度特征集合进行主成分分析，得到并将与显著特征值对应的特征向量的并集作为初 始字典，再交替迭代更新初始字典和投影系数，获得结构字典。
5. 根据权利要求1所述的方法，其特征在于，所述提取可疑目标区域的步骤包括如下： 步骤S21 :根据结构字典构建新的投影矩阵，将当前在轨每一时相的图像的每个像素 的多尺度同心圆环簇方向梯度特征向量进行投影，得到每个像素的时敏目标类型指示向 量； 步骤S22:根据体现像素所属的目标的类型信息的时敏目标类型指示向量的结构稀疏 性确定可疑目标； 步骤S23 :根据位于同一区域的像素具有相似的目标类型指示向量对在轨每一时相的 图像进行分割，提取可疑目标区域。
6. 根据权利要求1所述的方法，其特征在于，所述在轨识别出时敏目标步骤包括如下： 步骤S31 :利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵的距离差异 为每一可疑目标寻找在临近时刻的最近邻，如果最近邻区域之间的多尺度同心圆环簇方向 梯度特征向量集合之间的协方差矩阵仍为最近邻，则表示该目标的运动状态未发生异常即 为非时敏目标；如果最近邻区域之间的多尺度同心圆环簇方向梯度特征向量集合之间的协 方差矩阵不为最近邻，则该目标的运动状态发生异常即为时敏目标； 步骤S32 :将不同时相非时敏目标的时空轨迹变化曲线投影到极坐标下，根据极坐标 中相邻时空轨迹的方向变化识别时敏目标。
7. 根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异， 利用可疑目标区域的时敏目标类型指示向量集合的协方差矩阵之间的差异来度量距离差 异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距离差异。
8. 根据权利要求6所述的方法，其特征在于，所述可疑目标区域之间具有的距离差异， 利用可疑目标区域的多尺度同心圆环簇方向梯度特征向量集合的协方差矩阵之间的差异 来度量距离差异；利用协方差矩阵的广义特征值的平方和来度量所述协方差矩阵之间的距 离差异。
9. 根据权利要求6所述的方法，其特征在于，所述在轨识别时敏目标是将时空轨迹变 化曲线投影到极坐标下，将不同时相非时敏目标的速度变化与方向变化相分离，得到时空 轨迹方向变化的曲线，用于更好的描述时空轨迹的异常性。
10. 根据权利要求1所述的方法，其特征在于，所述结构字典在轨增量更新训练图像的 步骤包括如下： 步骤S41 :当训练样本较多时，为满足在轨处理的时效性要求，将已检测到的在轨时敏 目标及可疑目标的多尺度同心圆环簇方向梯度特征作为新的训练样本； 步骤S42:根据当前图像、当前时敏目标获得的结构字典在轨增量更新的训练图像，利 用新的训练样本，对前一时刻的结构字典在轨增量更新。
【文档编号】G06K9/00GK104408401SQ201410589172
【公开日】2015年3月11日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】霍春雷, 潘春洪, 周志鑫 申请人:中国科学院自动化研究所
相关技术
网友询问留言
已有0条留言
- 还没有人留言评论。精彩留言会获得点赞！
1