目标自动识别4
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5
3、自动目标识别的性能度量
目标识别水平的层次系统：目标检测、目标分类、目标识别、 目标确认和目标描述。 目标检测是从传感器数据中发现潜在目标的过程。 目标分类是区分目标类别的过程。例如：区分战舰和商船，履 式车和轮式车、飞机和坦克等； 目标识别是在更高水平上区分同属某一类的不同物体。 例如：对同属车辆目标的卡车、坦克和装甲车的区分能力，对同 属舰船目标的航空母舰和驱逐舰的区分能力，对同是飞机目标 的战斗机和轰炸机的区分能力； 确认和描述属于ATR目标辨别性能的较高层次。 确认就是在整个目标类中将特定目标模型从其它相似类型中区 分出来的过程。例如：区分几种战斗机F17、F22、歼8、歼10 等。 目标特性描述就是对某特定目标已描述的物理特性进行明确区 分的过程。
6
目标识别中学习方法的分类：
有监督学习方法：假设有一个可用的训练数据集，并通 过挖掘先验已知信息来设计分类器，成为有监督学习 方法。 无监督学习方法：没有已知类别标签的训练数据可用， 给定一组特征向量来揭示潜在的相似性，并将相似的 特征向量进行聚类，称为无监督学习方法。 半监督学习方法：利用少量带有已知类别标签的数据和 大量无标签的数据，找到规律，完成聚类任务。将标 记过的数据作为约束条件，为聚类算法提供所需的先 验知识。聚类任务就是在同一聚集里强制分配某些点 或排除被分配在同一聚集里的某些点。
3
1、ATR： Automatic Target Recognition
什么是目标自动识别技术？
自然场景和复杂背景条件下的自动目标识别（ATR） 是研究利用各种传感器（声、光、电、磁等），特别 是成像传感器，如可见光、红外线、合成孔径雷达、 逆合成孔径雷达、激光雷达、多谱或超普传感器等， 从客观世界中获取目标/背景信号，并使用光/电子及 计算机信息处理手段自动地分析场景，自动地检测、 识别感兴趣的目标及获取目标各种定性、定量性质的 科学技术领域。
面状目标
二维平面目标，或其第三维与其它二维相比不成比例的三维 目标，在一定条件下，可将其近似为二维目标，例如机场跑 道、机场、高空俯瞰地面的目标。
三维立体目标
在较近距离成像且可能从多个不同视点观测，立体目标的三 维信息均能平衡充分地反映在其二维图像或图像序列中。这 些目标从不同的视点观察一般呈现不同的视图，由于这些视 图是三维物体在不同视点平面上的投影，表现差异极大，从 而能综合反应物体的三维特性。例如，天空中的飞机、海面 的舰船、建筑物。
4
2、自动目标识别系统的功能与应用
自动目标识别系统（ATR）是一种非常复杂的新型系统，融合 了多种技术和子系统，具有部分或全部实现战场上对目标进行 搜索、检测、识别、确认、精确定位和使敌军武器部件失效等 过程的自动化潜能。 在此类系统的发展中，有许多名称广泛地用于描述其预期功能 和单元，例如：自动目标选择、自动目标确认、自动目标相关 器、自动目标寻的器等。 国防部ATR技术工作组定义ATR的功能： 为了实时或近实时地启动行动，或为外部系统操作员提供 行动的选择方案等目的，由一个或多个传感器收集目标的图像 数据，然后应用信号处理算法和软件、图像或信号处理硬件对 目标图像进行分类、识别、确认、解释和显示。
9
目标表示方案
ATR算法中最常用的目标表示方案包括统计表示、 句法表示、关系表示、投影几何表示、基于传感器物 理模型的表示。
统计模型使用了许多特征来表示目标，这些特征包括 抽象图像特征（如强度矩或边缘成分）和几何结构特 征（如长宽比、形态矩）。
句法模型则通过句法来表示目标，目标的各个部分被 表示成属性树，属性树就描述了目标的特征。例如坦 克有炮塔、履带、炮管和引擎。
第五章
成像自动目标识别技术
学习目的
自然场景和复杂条件下的自动目标识别是光电子、 智能控制、地球与空间科学、人工智能、模式识别、 计算机视觉、脑科学等多学科十分关注的交叉学科前 沿，通过对识别算法的学习，了解一个ATR系统的基 本工作原理和识别过程，从而能够设计并实现一个简 单的成像目标自动识别系统。
学习的重点
自动目标识别的基本过程； 特征提取与分类器的设计； 几种典型的目标识别算法 。
1
本章的主要内容
5.1 自动目标识别技术概述 5.2 成像目标识别的基本过程 5.3 目标的建模与表达 5.4 目标分类与识别的基本原理 5.5 几种典型的目标识别算法
2wk.baidu.com
5.1 自动目标识别技术概述
10
关系模型考虑目标中各个部分及其相互关系确定的规 则，如各部分之间的方位、大致距离等。 投影几何模型包括三维线框模型或小面化模型表示中 目标各部分之间的明确关系。 传感器物理模型利用了有关目标环境和传感域中现象 的信息，以获得目标各部分期望观察的概率表示。
11
7
5.3 目标的建模与表达
典型目标类型
取决于成像条件约束和目标内在性质，依据目标图像形态把 目标分为以下四种类型：
点源和斑状目标
超远距离成像条件下，目标图像为亚像素或少像素，无 形状信息，称之为点源或斑状目标，例如恒星、卫星、流星 等；
线状和条带状目标
远距离成像条件下目标图像为延展性的互相连接的直线 段、曲线或条带，其宽度为单个像素或少像素，与其长度不 成比例。可以想象为点源或斑状目标按某种运动规律在二维 或三维空间勾画出的轨迹。例如：桥梁、道路、运动的点源 或斑点目标的投影轨迹等。 8
目标识别算法源于统计模式识别，统计决策和估计理论是这类 算法的基础。 目标特征和参考目标模式特征的获取过程会引入噪声和不确定 因素，因此需要将统计方法和决策理论应用到目标识别算法中 即统计分类器。 识别问题的内涵 成像自动目标识别本质是一个逆问题求解，即从客观场景 的表象-图像或图像序列逆向推导客观场景的某些本质信息的反 演问题。它可以分为四个层次：①检测-仅仅给出潜在的待识别 目标，但还没有确认，还存在虚警的可能；②识别-确认了目标 所属类型；③定量信息的提取-目标的位置、运动特性、目标的 结构等；④理解-目标行为及场景语义的解释等。
3、自动目标识别的性能度量
目标识别水平的层次系统：目标检测、目标分类、目标识别、 目标确认和目标描述。 目标检测是从传感器数据中发现潜在目标的过程。 目标分类是区分目标类别的过程。例如：区分战舰和商船，履 式车和轮式车、飞机和坦克等； 目标识别是在更高水平上区分同属某一类的不同物体。 例如：对同属车辆目标的卡车、坦克和装甲车的区分能力，对同 属舰船目标的航空母舰和驱逐舰的区分能力，对同是飞机目标 的战斗机和轰炸机的区分能力； 确认和描述属于ATR目标辨别性能的较高层次。 确认就是在整个目标类中将特定目标模型从其它相似类型中区 分出来的过程。例如：区分几种战斗机F17、F22、歼8、歼10 等。 目标特性描述就是对某特定目标已描述的物理特性进行明确区 分的过程。
6
目标识别中学习方法的分类：
有监督学习方法：假设有一个可用的训练数据集，并通 过挖掘先验已知信息来设计分类器，成为有监督学习 方法。 无监督学习方法：没有已知类别标签的训练数据可用， 给定一组特征向量来揭示潜在的相似性，并将相似的 特征向量进行聚类，称为无监督学习方法。 半监督学习方法：利用少量带有已知类别标签的数据和 大量无标签的数据，找到规律，完成聚类任务。将标 记过的数据作为约束条件，为聚类算法提供所需的先 验知识。聚类任务就是在同一聚集里强制分配某些点 或排除被分配在同一聚集里的某些点。
3
1、ATR： Automatic Target Recognition
什么是目标自动识别技术？
自然场景和复杂背景条件下的自动目标识别（ATR） 是研究利用各种传感器（声、光、电、磁等），特别 是成像传感器，如可见光、红外线、合成孔径雷达、 逆合成孔径雷达、激光雷达、多谱或超普传感器等， 从客观世界中获取目标/背景信号，并使用光/电子及 计算机信息处理手段自动地分析场景，自动地检测、 识别感兴趣的目标及获取目标各种定性、定量性质的 科学技术领域。
面状目标
二维平面目标，或其第三维与其它二维相比不成比例的三维 目标，在一定条件下，可将其近似为二维目标，例如机场跑 道、机场、高空俯瞰地面的目标。
三维立体目标
在较近距离成像且可能从多个不同视点观测，立体目标的三 维信息均能平衡充分地反映在其二维图像或图像序列中。这 些目标从不同的视点观察一般呈现不同的视图，由于这些视 图是三维物体在不同视点平面上的投影，表现差异极大，从 而能综合反应物体的三维特性。例如，天空中的飞机、海面 的舰船、建筑物。
4
2、自动目标识别系统的功能与应用
自动目标识别系统（ATR）是一种非常复杂的新型系统，融合 了多种技术和子系统，具有部分或全部实现战场上对目标进行 搜索、检测、识别、确认、精确定位和使敌军武器部件失效等 过程的自动化潜能。 在此类系统的发展中，有许多名称广泛地用于描述其预期功能 和单元，例如：自动目标选择、自动目标确认、自动目标相关 器、自动目标寻的器等。 国防部ATR技术工作组定义ATR的功能： 为了实时或近实时地启动行动，或为外部系统操作员提供 行动的选择方案等目的，由一个或多个传感器收集目标的图像 数据，然后应用信号处理算法和软件、图像或信号处理硬件对 目标图像进行分类、识别、确认、解释和显示。
9
目标表示方案
ATR算法中最常用的目标表示方案包括统计表示、 句法表示、关系表示、投影几何表示、基于传感器物 理模型的表示。
统计模型使用了许多特征来表示目标，这些特征包括 抽象图像特征（如强度矩或边缘成分）和几何结构特 征（如长宽比、形态矩）。
句法模型则通过句法来表示目标，目标的各个部分被 表示成属性树，属性树就描述了目标的特征。例如坦 克有炮塔、履带、炮管和引擎。
第五章
成像自动目标识别技术
学习目的
自然场景和复杂条件下的自动目标识别是光电子、 智能控制、地球与空间科学、人工智能、模式识别、 计算机视觉、脑科学等多学科十分关注的交叉学科前 沿，通过对识别算法的学习，了解一个ATR系统的基 本工作原理和识别过程，从而能够设计并实现一个简 单的成像目标自动识别系统。
学习的重点
自动目标识别的基本过程； 特征提取与分类器的设计； 几种典型的目标识别算法 。
1
本章的主要内容
5.1 自动目标识别技术概述 5.2 成像目标识别的基本过程 5.3 目标的建模与表达 5.4 目标分类与识别的基本原理 5.5 几种典型的目标识别算法
2wk.baidu.com
5.1 自动目标识别技术概述
10
关系模型考虑目标中各个部分及其相互关系确定的规 则，如各部分之间的方位、大致距离等。 投影几何模型包括三维线框模型或小面化模型表示中 目标各部分之间的明确关系。 传感器物理模型利用了有关目标环境和传感域中现象 的信息，以获得目标各部分期望观察的概率表示。
11
7
5.3 目标的建模与表达
典型目标类型
取决于成像条件约束和目标内在性质，依据目标图像形态把 目标分为以下四种类型：
点源和斑状目标
超远距离成像条件下，目标图像为亚像素或少像素，无 形状信息，称之为点源或斑状目标，例如恒星、卫星、流星 等；
线状和条带状目标
远距离成像条件下目标图像为延展性的互相连接的直线 段、曲线或条带，其宽度为单个像素或少像素，与其长度不 成比例。可以想象为点源或斑状目标按某种运动规律在二维 或三维空间勾画出的轨迹。例如：桥梁、道路、运动的点源 或斑点目标的投影轨迹等。 8
目标识别算法源于统计模式识别，统计决策和估计理论是这类 算法的基础。 目标特征和参考目标模式特征的获取过程会引入噪声和不确定 因素，因此需要将统计方法和决策理论应用到目标识别算法中 即统计分类器。 识别问题的内涵 成像自动目标识别本质是一个逆问题求解，即从客观场景 的表象-图像或图像序列逆向推导客观场景的某些本质信息的反 演问题。它可以分为四个层次：①检测-仅仅给出潜在的待识别 目标，但还没有确认，还存在虚警的可能；②识别-确认了目标 所属类型；③定量信息的提取-目标的位置、运动特性、目标的 结构等；④理解-目标行为及场景语义的解释等。