【技術實現步驟摘要】
本申請涉及傳感器識別領域，特別是涉及一種低慢小目標監測方法、介質、設備及系統。
技術介紹
1、傳統的低慢小目標監測手段主要有雷達監測、無線電監測等。雷達監測低慢小目標時，由于目標的雷達散射截面積小、飛行速度慢且高度低，容易受地面雜波、多徑效應等干擾，導致探測精度低、虛警率高，并且對于一些采用特殊材料降低雷達反射性的低慢小目標探測效果不佳。無線電監測則主要針對無人機等使用特定頻段的低慢小目標，其監測范圍有限，且當目標采用跳頻等抗干擾技術時，監測難度大幅增加。
2、因此，現有技術中無論是雷達還是單一或簡單組合的光譜監測方法，都難以實現對低慢小目標的高精度定位與識別，無法精確確定目標的邊界、形狀、型號等詳細信息，導致在應對低慢小目標威脅時不能采取精準有效的措施。另一方面，可見光成像受光照和天氣影響大，雷達受地面環境干擾多，使得現有技術在不同環境條件下的監測性能不穩定，難以滿足復雜多變環境下對低慢小目標持續、可靠監測的需求。由于特征提取不充分、數據處理方法局限等原因，現有技術在區分不同類型低慢小目標如不同型號無人機或無人機與鳥類等時，容易出現誤判，導致預警的準確性和可靠性大打折扣。
技術實現思路
1、本申請主要提供一種低慢小目標監測方法、介質、設備及系統，以解決低慢小目標無法被準確監測的問題。
2、為解決上述技術問題，本申請采用的一個技術方案是：提供一種多光譜的低慢小目標監測方法，包括：獲取包括有多個光譜波段的多光譜圖像；將所述多光譜圖像輸入經預訓練的目標檢測模型中
3、在一些實施例中，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的光譜特征向量，包括：基于所述多光譜圖像計算所述低慢小目標在各個光譜波段的反射率曲線變化規律，以提取所述低慢小目標的光譜特征參數；所述光譜特征參數包括光譜峰值位置、光譜帶寬、光譜斜率、不同光譜波段之間的反射率比值特征以及光譜吸收谷深度特征；對所述光譜特征參數進行降維處理，以得到所述光譜特征向量。
4、在一些實施例中，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的紋理特征向量，包括：分別計算不同光譜波段圖像在多個尺度和多個方向上的灰度共生矩陣，以提取所述低慢小目標的紋理特征參數；所述紋理特征參數包括對比度、相關性、熵和逆差距；通過小波變換對所述紋理特征參數進行多分辨率分解，獲取不同頻率子帶的紋理信息，以得到多尺度的所述紋理特征向量。
5、在一些實施例中，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標形狀特征向量，包括：通過邊緣檢測算子檢測所述多光譜圖像中所述低慢小目標的邊緣；通過形態學操作對所述邊緣進行細化和連接處理，以形成完整、連續的邊緣輪廓；基于所述邊緣輪廓計算所述低慢小目標的形狀特征參數；所述形狀特征參數包括周長、面積、圓形度、矩形度、凸包面積比；基于所述形狀特征參數構建所述形狀特征向量。
6、在一些實施例中，所述將所述多光譜圖像輸入經預訓練的目標檢測模型之前，還包括：通過標注目標位置、類別以及多光譜特征信息的多光譜圖像集對改進后的所述目標檢測模型進行訓練，以提高所述目標檢測模型對所述低慢小目標的特征提取與定位能力。
7、在一些實施例中，所述獲取包括有多個光譜波段的多光譜圖像，包括：通過多個光譜波段傳感器陣列同步采集全方位的所述多光譜圖像；所述光譜波段包括可見光、近紅外、中波紅外和長波紅外。對所述多光譜圖像進行噪聲去除、輻射校正和幾何校正。
8、在一些實施例中，所述對所述多光譜圖像進行噪聲去除，包括：對所述多光譜圖像中可見光的椒鹽噪聲進行中值濾波，對所述多光譜圖像中近紅外、中波紅外和長波紅外的高斯噪聲進行高斯濾波，并根據所述多光譜圖像的局部特征動態優化所述中值濾波和所述高斯濾波的濾波參數。
9、在一些實施例中，所述對所述多光譜圖像進行輻射校正，包括：通過黑體輻射源周期性校準多個所述光譜波段傳感器，獲取多個所述光譜波段傳感器在不同環境條件下的輻射響應特性；基于所述輻射響應特性構建輻射校正模型；將實時獲取的環境參數輸入所述輻射校正模型，以對所述多光譜圖像進行輻射校正。
10、在一些實施例中，所述對所述多光譜圖像進行幾何校正，包括：獲取空間中預設的特征點及所述特征點對應的空間坐標；在所述多光譜圖像中識別所述特征點，并計算所述特征點在所述多光譜圖像中的圖像坐標；基于所述特征點的所述圖像坐標和所述空間坐標，通過最小二乘法構建圖像坐標系與空間坐標系之間的映射關系，以對所述多光譜圖像進行幾何校正。
11、為解決上述技術問題，本申請采用的另一個技術方案是：提供一種存儲介質，其上存儲有程序數據，所述程序數據被處理器執行時實現如上述的低慢小目標監測方法的步驟。
12、本申請還提供一種計算機設備，包括相互連接的處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現如上述的低慢小目標監測方法的步驟。
13、本申請還提供一種多光譜的低慢小目標監測系統，包括多個光譜波段傳感器陣列和如上述的計算機設備；所述多個光譜波段傳感器陣列用于全方位地采集可見光、近紅外、中波紅外和長波紅外的多光譜圖像，并發送至所述計算機設備；所述計算機設備同步接收所述多個光譜波段傳感器陣列發送的多光譜圖像，以執行如上述的低慢小目標監測方法。
14、本申請的有益效果是：區別于現有技術的情況，本申請公開了一種低慢小目標監測方法、介質、設備及系統。獲取包括有多個光譜波段的多光譜圖像，確保在不同空間位置和角度上對監測區域形成全方位覆蓋，減少監測盲區。其中，目標為雷達散射截面積小、飛行速度慢且高度低的目標。將多光譜圖像輸入經預訓練的目標檢測模型中，以提取多光譜圖像中低慢小目標的位置、光譜特征向量、紋理特征向量和形狀特征向量；其中，目標檢測模型是基于yolo模型構建的，使yolo算法網絡能夠更好地學習和提取多光譜圖像中的目標特征，并提高yolo算法網絡對低慢小目標的檢測能力。以融合特征向量作為經預訓練后的目標分類器的輸入，獲取目標分類器輸出的低慢小目標的分類結果；融合特征向量融合了光譜特征向量、紋理特征向量和形狀特征向量，形成對目標全面且獨特的描述，提高目標識別的準確率和可靠性。同時，響應于低慢小目標的位置或分類結果滿足預警條件，發出預警信號。通過基于深度學習和yolo算法網絡的目標檢測模型進行目標檢測與定位，結合目標分類器在小樣本分類上的優勢進行目標分類識別，實現高效精準的低慢小目標本文檔來自技高網...
【技術保護點】
1.一種多光譜的低慢小目標監測方法，其特征在于，包括：
2.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的光譜特征向量，包括：
3.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的紋理特征向量，包括：
4.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的形狀特征向量，包括：
5.根據權利要求2所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型之前，還包括：
6.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述獲取包括有多個光譜波段的多光譜圖像，包括：
7.根據權利要求6所述的低慢小目標監測方法，其特征在于，所述對所述多光譜圖像進行噪聲去除，包括：
8.根據權利要求6所述的低慢小目標監測方法，其特
9.根據權利要求6所述的低慢小目標監測方法，其特征在于，所述對所述多光譜圖像進行幾何校正，包括：
10.一種存儲介質，其上存儲有程序數據，其特征在于，所述程序數據被處理器執行時實現如權利要求1-9任一項所述的低慢小目標監測方法的步驟。
11.一種計算機設備，其特征在于，包括相互連接的處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現如權利要求1-9任一項所述的低慢小目標監測方法的步驟。
12.一種多光譜的低慢小目標監測系統，其特征在于，包括多個光譜波段傳感器陣列和如權利要求11所述的計算機設備；
...【技術特征摘要】
1.一種多光譜的低慢小目標監測方法，其特征在于，包括：
2.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的光譜特征向量，包括：
3.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的紋理特征向量，包括：
4.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型中，以提取所述多光譜圖像中低慢小目標的形狀特征向量，包括：
5.根據權利要求2所述的低慢小目標監測方法，其特征在于，所述將所述多光譜圖像輸入經預訓練的目標檢測模型之前，還包括：
6.根據權利要求1所述的低慢小目標監測方法，其特征在于，所述獲取包括有多個光譜波段的多光譜圖...
【專利技術屬性】
技術研發人員：張歡，黃軍文，蘇漢飛，
申請(專利權)人：深圳華付技術股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。