第五章+目標(biāo)自動識別-4

1、1圖像探測、跟蹤與識別技術(shù) 主講人：趙丹培主講人：趙丹培宇航學(xué)院圖像處理中心 電話：82339972 2010年11月22日2第五章 成像自動目標(biāo)識別技術(shù)n學(xué)習(xí)目的 自然場景和復(fù)雜條件下的自動目標(biāo)識別是光電子、智能控制、地球與空間科學(xué)、人工智能、模式識別、計算機(jī)視覺、腦科學(xué)等多學(xué)科十分關(guān)注的交叉學(xué)科前沿，通過對識別算法的學(xué)習(xí)，了解一個ATR系統(tǒng)的基本工作原理和識別過程，從而能夠設(shè)計并實現(xiàn)一個簡單的成像目標(biāo)自動識別系統(tǒng)。n學(xué)習(xí)的重點自動目標(biāo)識別的基本過程；特征提取與分類器的設(shè)計；幾種典型的目標(biāo)識別算法 。 3本章的主要內(nèi)容5.1 自動目標(biāo)識別技術(shù)概述5.2 成像目標(biāo)識別的基本過程5.3 目標(biāo)的建

2、模與表達(dá)5.4 目標(biāo)分類與識別的基本原理5.5 幾種典型的目標(biāo)識別算法45.1 自動目標(biāo)識別技術(shù)概述v目標(biāo)識別算法源于統(tǒng)計模式識別，統(tǒng)計決策和估計理論是這類算法的基礎(chǔ)。v目標(biāo)特征和參考目標(biāo)模式特征的獲取過程會引入噪聲和不確定因素，因此需要將統(tǒng)計方法和決策理論應(yīng)用到目標(biāo)識別算法中即統(tǒng)計分類器。v識別問題的內(nèi)涵 成像自動目標(biāo)識別本質(zhì)是一個逆問題求解，即從客觀場景的表象-圖像或圖像序列逆向推導(dǎo)客觀場景的某些本質(zhì)信息的反演問題。它可以分為四個層次：檢測-僅僅給出潛在的待識別目標(biāo)，但還沒有確認(rèn)，還存在虛警的可能；識別-確認(rèn)了目標(biāo)所屬類型；定量信息的提取-目標(biāo)的位置、運動特性、目標(biāo)的結(jié)構(gòu)等；理解-目標(biāo)行為

3、及場景語義的解釋等。51、ATR： Automatic Target Recognition 什么是目標(biāo)自動識別技術(shù)？ 自然場景和復(fù)雜背景條件下的自動目標(biāo)識別（ATR）是研究利用各種傳感器（聲、光、電、磁等），特別是成像傳感器，如可見光、紅外線、合成孔徑雷達(dá)、逆合成孔徑雷達(dá)、激光雷達(dá)、多譜或超普傳感器等，從客觀世界中獲取目標(biāo)/背景信號，并使用光/電子及計算機(jī)信息處理手段自動地分析場景，自動地檢測、識別感興趣的目標(biāo)及獲取目標(biāo)各種定性、定量性質(zhì)的科學(xué)技術(shù)領(lǐng)域。62、自動目標(biāo)識別系統(tǒng)的功能與應(yīng)用n自動目標(biāo)識別系統(tǒng)（ATR）是一種非常復(fù)雜的新型系統(tǒng)，融合了多種技術(shù)和子系統(tǒng)，具有部分或全部實現(xiàn)戰(zhàn)場上對目

4、標(biāo)進(jìn)行搜索、檢測、識別、確認(rèn)、精確定位和使敵軍武器部件失效等過程的自動化潛能。n在此類系統(tǒng)的發(fā)展中，有許多名稱廣泛地用于描述其預(yù)期功能和單元，例如：自動目標(biāo)選擇、自動目標(biāo)確認(rèn)、自動目標(biāo)相關(guān)器、自動目標(biāo)尋的器等。n國防部ATR技術(shù)工作組定義ATR的功能： 為了實時或近實時地啟動行動，或為外部系統(tǒng)操作員提供行動的選擇方案等目的，由一個或多個傳感器收集目標(biāo)的圖像數(shù)據(jù)，然后應(yīng)用信號處理算法和軟件、圖像或信號處理硬件對目標(biāo)圖像進(jìn)行分類、識別、確認(rèn)、解釋和顯示。73、自動目標(biāo)識別的性能度量 目標(biāo)識別水平的層次系統(tǒng)：目標(biāo)檢測、目標(biāo)分類、目標(biāo)識別、目標(biāo)確認(rèn)和目標(biāo)描述。n目標(biāo)檢測是從傳感器數(shù)據(jù)中發(fā)現(xiàn)潛在目標(biāo)的過

5、程。n目標(biāo)分類是區(qū)分目標(biāo)類別的過程。例如：區(qū)分戰(zhàn)艦和商船，履式車和輪式車、飛機(jī)和坦克等；n目標(biāo)識別是在更高水平上區(qū)分同屬某一類的不同物體。 例如：對同屬車輛目標(biāo)的卡車、坦克和裝甲車的區(qū)分能力，對同屬艦船目標(biāo)的航空母艦和驅(qū)逐艦的區(qū)分能力，對同是飛機(jī)目標(biāo)的戰(zhàn)斗機(jī)和轟炸機(jī)的區(qū)分能力；n確認(rèn)和描述屬于ATR目標(biāo)辨別性能的較高層次。n確認(rèn)就是在整個目標(biāo)類中將特定目標(biāo)模型從其它相似類型中區(qū)分出來的過程。例如：區(qū)分幾種戰(zhàn)斗機(jī)F17、F22、殲8、殲10等。n目標(biāo)特性描述就是對某特定目標(biāo)已描述的物理特性進(jìn)行明確區(qū)分的過程。8目標(biāo)識別中學(xué)習(xí)方法的分類：有監(jiān)督學(xué)習(xí)方法：假設(shè)有一個可用的訓(xùn)練數(shù)據(jù)集，并通過挖掘先驗已

6、知信息來設(shè)計分類器，成為有監(jiān)督學(xué)習(xí)方法。無監(jiān)督學(xué)習(xí)方法：沒有已知類別標(biāo)簽的訓(xùn)練數(shù)據(jù)可用，給定一組特征向量來揭示潛在的相似性，并將相似的特征向量進(jìn)行聚類，稱為無監(jiān)督學(xué)習(xí)方法。半監(jiān)督學(xué)習(xí)方法：利用少量帶有已知類別標(biāo)簽的數(shù)據(jù)和大量無標(biāo)簽的數(shù)據(jù)，找到規(guī)律，完成聚類任務(wù)。將標(biāo)記過的數(shù)據(jù)作為約束條件，為聚類算法提供所需的先驗知識。聚類任務(wù)就是在同一聚集里強(qiáng)制分配某些點或排除被分配在同一聚集里的某些點。9 5.3 目標(biāo)的建模與表達(dá)典型目標(biāo)類型 取決于成像條件約束和目標(biāo)內(nèi)在性質(zhì)，依據(jù)目標(biāo)圖像形態(tài)把目標(biāo)分為以下四種類型：n點源和斑狀目標(biāo) 超遠(yuǎn)距離成像條件下，目標(biāo)圖像為亞像素或少像素，無形狀信息，稱之為點源或斑狀

7、目標(biāo)，例如恒星、衛(wèi)星、流星等；n線狀和條帶狀目標(biāo) 遠(yuǎn)距離成像條件下目標(biāo)圖像為延展性的互相連接的直線段、曲線或條帶，其寬度為單個像素或少像素，與其長度不成比例?？梢韵胂鬄辄c源或斑狀目標(biāo)按某種運動規(guī)律在二維或三維空間勾畫出的軌跡。例如：橋梁、道路、運動的點源或斑點目標(biāo)的投影軌跡等。10n面狀目標(biāo) 二維平面目標(biāo)，或其第三維與其它二維相比不成比例的三維目標(biāo)，在一定條件下，可將其近似為二維目標(biāo)，例如機(jī)場跑道、機(jī)場、高空俯瞰地面的目標(biāo)。n三維立體目標(biāo) 在較近距離成像且可能從多個不同視點觀測，立體目標(biāo)的三維信息均能平衡充分地反映在其二維圖像或圖像序列中。這些目標(biāo)從不同的視點觀察一般呈現(xiàn)不同的視圖，由于這些視

8、圖是三維物體在不同視點平面上的投影，表現(xiàn)差異極大，從而能綜合反應(yīng)物體的三維特性。例如，天空中的飛機(jī)、海面的艦船、建筑物。11目標(biāo)表示方案 ATR算法中最常用的目標(biāo)表示方案包括統(tǒng)計表示、句法表示、關(guān)系表示、投影幾何表示、基于傳感器物理模型的表示。n統(tǒng)計模型使用了許多特征來表示目標(biāo)，這些特征包括抽象圖像特征（如強(qiáng)度矩或邊緣成分）和幾何結(jié)構(gòu)特征（如長寬比、形態(tài)矩）。n句法模型則通過句法來表示目標(biāo)，目標(biāo)的各個部分被表示成屬性樹，屬性樹就描述了目標(biāo)的特征。例如坦克有炮塔、履帶、炮管和引擎。12n關(guān)系模型考慮目標(biāo)中各個部分及其相互關(guān)系確定的規(guī)則，如各部分之間的方位、大致距離等。n投影幾何模型包括三維線框模

9、型或小面化模型表示中目標(biāo)各部分之間的明確關(guān)系。n傳感器物理模型利用了有關(guān)目標(biāo)環(huán)境和傳感域中現(xiàn)象的信息，以獲得目標(biāo)各部分期望觀察的概率表示。135.4 目標(biāo)分類與識別的基本原理n目標(biāo)分類與識別的內(nèi)涵n目標(biāo)分類與識別面臨的困難和挑戰(zhàn)視點變化光照改變遮擋存在尺度改變姿態(tài)變形背景混疊類內(nèi)變化明顯n目標(biāo)分類與識別設(shè)計的關(guān)鍵問題 14 5.4.3 分類與識別涉及的關(guān)鍵問題n根據(jù)研究對象的特征或?qū)傩?，運用一定的分析算法認(rèn)定它的類別，使分類盡可能符合事實。n目標(biāo)的分類涉及到以下問題：n特征提取n特征選擇n分類器設(shè)計15一個分類系統(tǒng)的設(shè)計過程：16n什么是特征？ 在目標(biāo)識別中，特征提取是使用有效的數(shù)學(xué)工具減少目

10、標(biāo)模式表達(dá)的維數(shù)，這種低維表達(dá)，必須具有區(qū)別不同目標(biāo)模式類別的特質(zhì)，稱之為特征。 模式的維數(shù)并非越大越好，存在一個最優(yōu)維數(shù)使錯誤識別率最小，通過提取特征減少模式維數(shù)可達(dá)到提高正確識別率的目的。n特征提取的目的： 識別分類器的復(fù)雜性和硬件實現(xiàn)的復(fù)雜性隨著模式空間的維數(shù)快速增長，因此特征提取能夠降低信息傳輸通道的容量。1、特征提取17n可體現(xiàn)類別特點的特征n特征對物體形變的穩(wěn)定性n特征對光照變化的穩(wěn)定性n特征抗噪聲的能力n特征的復(fù)雜程度n特征是否易于描述特征提取需要考慮的問題：18n特征提取：對研究對象固有的、本質(zhì)的重要特重要特征征或者屬性屬性進(jìn)行檢測提取。n特征描述：將提取的特征進(jìn)行量化，形成可

11、度量的特征矢量、符號串、關(guān)系圖，得到訓(xùn)練/待識別的樣本。19有效的特征與特征描述舉例：n統(tǒng)計特征（統(tǒng)計直方圖、方差、均值、熵 ）n幾何特征（包括面積、周長、位置、方向、距離 ）n邊界特征（鏈碼、傅立葉描述子）n形狀描述（區(qū)域描述、圖像矩 ） n灰度與顏色描述（梯度特征 、灰度直方圖特征、梯度方向直方圖、特征直方圖、顏色直方圖和顏色直方圖距離、顏色不變量特征 ）n角點特征（Harris、Susan、Fast、Brisk）n變換特征（傅里葉、小波）n紋理特征（灰度共生矩陣 、LBP特征，結(jié)構(gòu)相似性特征，Gabor特征）n局部不變特征描述子（ SIFT、SURF、 GLOH、WLD、 D-nets）

12、 20、邊界特征邊界特征適用于識別外形輪廓有明顯差別的兩類物體。21n邊界特征提取方法：邊界提取方法：Sobel, Canny,LoG.分割方法：Graph-Cuts.n邊界特征描述曲線擬合、Hough變換、Freeman鏈碼22邊界特征的特點優(yōu)點：優(yōu)點：n抗光照變化、顏色變化n運算速度快n適用于邊界特征明顯的物體識別缺點缺點: :n易受背景影響n很難適應(yīng)物體形變n特征描述較復(fù)雜23(3)、區(qū)域特征24基于目標(biāo)灰度分布的區(qū)域矩n利用目標(biāo)區(qū)域的灰度分布構(gòu)造各階矩來描述目標(biāo)的灰度分布特性n各階矩構(gòu)造的一些函數(shù)式具有平移、旋轉(zhuǎn)、尺度和縮放不變性，由此可以得到反映目標(biāo)內(nèi)在屬性的一些仿射不變特征。由于充

13、分利用了目標(biāo)區(qū)域內(nèi)部的大量信息，所以更全面反映目標(biāo)本源特征。25基于目標(biāo)灰度分布的區(qū)域矩n對于定義在o-xy平面上的二維函數(shù)f(x,y)，它的p+q階混合原點矩定義為n而其p+q階混合中心矩定義為是圖像的灰度質(zhì)心( , )pqpqmx x f x y dxdy () ()( , )pqpqxxyyf x y dxdy ( , )x y26區(qū)域幾何特性(1)區(qū)域面積(2)區(qū)域周長(3)形狀簡單度(4)扁度(5)凹度27(4)、變換特征n通過輸入樣本的線性變換來實現(xiàn)特征生成。變換的最基本概念是把給定的測量集變換為新的特征集。n如果變換方法選擇合適，那么變換的特征與原始輸入樣本相比具有很高的信息壓縮

14、性能。n如Fourier變換，由于像素間的相關(guān)性，大部分能量位于低頻部分，把低頻能量的Fourier系數(shù)作為特征是合理的選擇。28變換特征n離散Fourier變換特征n離散余弦變換特征nGabor特征n小波變換特征29(5)、紋理特征分析n一個實際場景的圖像中，各類型區(qū)域通常有自己的灰度分布特征，許多圖像在較大的區(qū)域內(nèi)灰度分布在宏觀上呈現(xiàn)周期性或結(jié)構(gòu)性，如磚墻、布匹、編織物、草地、森林、海洋以及一堆硬幣等。n這種灰度分布宏觀上非嚴(yán)格意義下的規(guī)律成為圖像紋理。30n灰度共現(xiàn)矩陣法 對于方向性紋理的區(qū)域，取不同方向，灰度共現(xiàn)矩陣不同；對于紋理粗細(xì)不同，取不同的距離，灰度共現(xiàn)矩陣就不同。n等灰度行程

15、長度法 等灰度行程長度定義為在某個方向上、相鄰的具有相同灰度或某個灰度范圍的像素個數(shù)。顯然粗細(xì)紋理區(qū)域中長行程情況出現(xiàn)較多，細(xì)紋理區(qū)域中短行程出現(xiàn)較多，由此可以用一個矩陣表示在某個給定方向上各種行程出現(xiàn)的情況。n統(tǒng)計模型法提取紋理特征 統(tǒng)計模型基本思想是用一個統(tǒng)計數(shù)學(xué)模型描述一致性紋理區(qū)域。用于描述的模型主要有三種：單層馬爾科夫隨機(jī)場，雙層高斯馬爾可夫隨機(jī)場，金字塔隨機(jī)場序列。典型的紋理分析方法：312、 特征選擇與提取n特征選擇的基本任務(wù)是研究如何從眾多特征中求出那些對識別最有效的特征，從而實現(xiàn)特征空間維數(shù)的壓縮。n從模式樣本的量測值中提取與選擇最能反映類別屬性的特征,主要方法包括：最小誤判

16、概率準(zhǔn)則、Fisher準(zhǔn)則、判決邊界、離散K-L變換等。根據(jù)應(yīng)用需求選擇合適的特征，不同應(yīng)用對特征的需求不同。32n為了設(shè)計出效果好的分類器，通常需要對原始的測量值集合進(jìn)行分析，經(jīng)過選擇或變換處理，組成有效的識別特征；n在保證一定分類精度的前提下，減少特征維數(shù)，即進(jìn)行“降維”處理，使分類器實現(xiàn)快速、準(zhǔn)確和高效的分類。n為達(dá)到上述目的，關(guān)鍵是所提供的識別特征應(yīng)具有很好的“可分性”，使分類器容易判別。為此，需對特征進(jìn)行選擇。33n我們要選擇那些在特征向量空間中類間距離大而類內(nèi)方差小的特征。也就是說不同類別間的特征值距離較遠(yuǎn)，而同一類內(nèi)的特征值緊密聚集。n最后將采用不同的處理方法n應(yīng)去掉模棱兩可、不

17、易判別的特征；n所提供的特征不要重復(fù)，即去掉那些相關(guān)性強(qiáng)且沒有增加更多分類信息的特征。n將特征綜合考慮，對特征向量作線性或非線性變換，使其具有更好的辨別能力34n選擇最優(yōu)特征需要具備三個條件：n樣本數(shù)量能覆蓋樣本集的分類特征n有一種比較好的分類判據(jù)n一個切實可行的算法35特征抽取：線性特征抽?。?主成分分析PCA、ICA、LPP、Fisher線性鑒別分析FLDA等非線性特征抽?。汉朔椒ā⒘餍螌W(xué)習(xí) 流形學(xué)習(xí)：ISOMAP、LLE、Laplacian Eigenmap、 圖嵌入方法。 核方法：是指一系列先進(jìn)非線性數(shù)據(jù)處理技術(shù)的總稱，它采用非線性映射將原始數(shù)據(jù)有數(shù)據(jù)空間映射到特征空間，在特征空間進(jìn)行

18、對應(yīng)的線性操作。例如：KPCA、KLPP36為什么要數(shù)據(jù)降維？ 高維數(shù)據(jù)的統(tǒng)計分析需求日益凸顯，高維數(shù)據(jù)的直接處理難度很大：n計算量增大；n數(shù)據(jù)的可視性差；n維數(shù)災(zāi)難，當(dāng)維數(shù)較高時，即時數(shù)據(jù)的樣本點很多，散步在高維空間中的樣本點仍顯得很稀疏，低維時的方法失效或不穩(wěn)定。37降維重要的一步，也是觀察數(shù)據(jù)特性的手段n降維n特征選擇:依據(jù)某一標(biāo)準(zhǔn)選擇性質(zhì)最突出的特征n特征變換:經(jīng)已有特征的某種變換獲取約簡特征n數(shù)據(jù)可視化和數(shù)據(jù)挖掘分析也需要降維n通常降到2維或3維n流形降維來觀測數(shù)據(jù)的內(nèi)在形狀38 局部線性嵌入局部線性嵌入(LLE).S. T. Roweis and L. K. Saul. Nonli

19、near dimensionality reduction by locally linear embedding. Science, vol. 290, pp. 2323-2326, 2000. 等距映射等距映射(Isomap).J.B. Tenenbaum, V. de Silva, and J. C. Langford. A global geometric framework for nonlinear dimensionality reduction. Science, vol. 290, pp. 2319-2323, 2000. 拉普拉斯特征映射(Laplacian Eigenma

20、p).M. Belkin, P. Niyogi, Laplacian Eigenmaps for Dimensionality Reduction and Data Representation. Neural Computation, Vol. 15, Issue 6, pp. 1373 1396, 2003 . 幾種流形學(xué)習(xí)方法幾種流形學(xué)習(xí)方法39 3、分類器設(shè)計n模式識別分類問題是指根據(jù)待識別對象所呈現(xiàn)的觀察值，將其分到某個類別中去：n建立特征空間中的訓(xùn)練集，已知訓(xùn)練集里每個點的所屬類別；n從這些條件出發(fā)，尋求某種判別函數(shù)或判別準(zhǔn)則，設(shè)計判決函數(shù)模型；n根據(jù)訓(xùn)練集中的樣本確定模型中的參數(shù)

21、；n將這一模型用于判別，利用判別函數(shù)或判別準(zhǔn)則去判別每個位置點的類別應(yīng)該屬于哪一類。40分類器設(shè)計:n模式識別的基本方法就是制定準(zhǔn)則函數(shù)，實現(xiàn)準(zhǔn)則函數(shù)的極值化。常用的準(zhǔn)則有以下幾種：n最小錯分準(zhǔn)則n最小風(fēng)險準(zhǔn)則n緊鄰準(zhǔn)則nFisher準(zhǔn)則n感知準(zhǔn)則n最小均方誤差準(zhǔn)則首先介紹與機(jī)器學(xué)習(xí)有關(guān)的知識：41“Artificial Intelligence” Within a generation . the problem of creating artificial intelligence will largely be solvedMarvin Minsky (1967)n專家系統(tǒng) (1980s

22、)基于知識的人工智能（knowledge-based AI）由人類規(guī)則引申出的理論機(jī)器學(xué)習(xí): 第一代理論42什么是人工智能？ 人工智能：(ArtificialIntelligence) ，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計算機(jī)科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式作出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。 43機(jī)器學(xué)習(xí): 第二代理論n貝葉斯框架n概率圖模型 n基于局部消息傳遞機(jī)制的快速推理起源: 貝葉斯網(wǎng), 決策理論, 隱馬爾

23、科夫模型 （HMMs）, Kalman濾波器,馬爾科夫模型, 平均場理論（mean field theory）, .44分類器選擇:n根據(jù)樣本類別之間的關(guān)系選擇適用的分類器： 線性分類器和非線性分類器等；常用的分類器：線性分類器最近鄰分類器Bayes分類器支持向量機(jī)Boosting、Adaboost增強(qiáng)分類器稀疏表示分類器人工神經(jīng)元網(wǎng)絡(luò) 45常用的分類器：n學(xué)習(xí)與訓(xùn)練：從訓(xùn)練樣本提供的數(shù)據(jù)中找出某種數(shù)學(xué)模型的最優(yōu)解，即得到分類器的一組參數(shù)。n訓(xùn)練與學(xué)習(xí)過程中的概念:n訓(xùn)練集：在監(jiān)督學(xué)習(xí)方法中，用來訓(xùn)練分類器參數(shù)n測試集：在設(shè)計分類器時，沒有采用的實際樣本。n系統(tǒng)評價原則：用來判斷該模式識別系統(tǒng)

24、能否正確分類。46識別自行車視網(wǎng)膜特征+SVM分類器47識別汽車視網(wǎng)膜特征+SVM分類器48場景識別495.5幾種典型的自動目標(biāo)識別方法n經(jīng)典的統(tǒng)計模式識別方法n基于知識的自動目標(biāo)識別方法n基于模型的自動目標(biāo)識別方法n基于統(tǒng)計學(xué)習(xí)的自動目標(biāo)識別方法n運動目標(biāo)識別(檢測)方法n基于多傳感器信息融合的自動目標(biāo)識別方法50（1）經(jīng)典的統(tǒng)計模式識別方法n很多學(xué)者認(rèn)為當(dāng)前的自動目標(biāo)識別算法起源于統(tǒng)計模式識別。該方法主要是利用目標(biāo)特性的統(tǒng)計分布，依靠目標(biāo)識別系統(tǒng)的大量訓(xùn)練和基于模式空間距離度量的特征匹配分類技術(shù)，可在較窄的場景定義域內(nèi)獲得較有效的識別。n假設(shè)一個視覺系統(tǒng)要從一個背景中識別一輛坦克，必須首先

25、利用圖像預(yù)處理對包含視覺信息的數(shù)據(jù)進(jìn)行平滑去噪、目標(biāo)檢測等處理，然后再利用邊緣抽取、目標(biāo)分割等算法將目標(biāo)從周圍的背景中分割出來，最后經(jīng)特征抽取、統(tǒng)計決策等相當(dāng)復(fù)雜的分析判決來判斷分割出的區(qū)域是不是目標(biāo)，在算法設(shè)計、編程以及識別系統(tǒng)建立等方面必須進(jìn)行嚴(yán)格的訓(xùn)練、學(xué)習(xí)。這種方法在目標(biāo)旋轉(zhuǎn)、遮擋、重疊、姿態(tài)發(fā)生變化，周圍背景復(fù)雜多變時，系統(tǒng)就無法正確識別變化大的和未經(jīng)訓(xùn)練的目標(biāo)，必須對系統(tǒng)重新進(jìn)行訓(xùn)練學(xué)習(xí)以適應(yīng)新的要求。51n興趣區(qū)檢測：目標(biāo)識別過程的不同階段是受目標(biāo)和背景場景圖像的不同特性的影響。在檢測過程中干擾常引起虛警，這是因為它們的特性與目標(biāo)相似，但通過其它特征并仔細(xì)調(diào)整決策門限，就可以將它

26、們與目標(biāo)區(qū)分開來。n分割方法：分割可以通過尋找每個候選目標(biāo)的輪廓來獲得目標(biāo)圖像中的穩(wěn)定信息，例如，考慮軍車的熱圖像，其圖像外觀變化很大，影響因素也很多，如軍車的工作狀態(tài)、當(dāng)天時間、天氣和其他可影響車輛外表的因素。分割算法利用了車輛及車輛的背景在強(qiáng)度或其它特性上的差異，以及車輛圖像內(nèi)的不均勻程度。當(dāng)目標(biāo)的反差很大、目標(biāo)的邊界很尖銳、目標(biāo)附近沒有與目標(biāo)相類似的背景物時，分割算法可以產(chǎn)生精確的輪廓。52n統(tǒng)計分類器：目標(biāo)分類的基礎(chǔ)就是可被ATR傳感器所測量的特征。統(tǒng)計分類器將圖像的特征度量與各種具體目標(biāo)類型所對應(yīng)的特征度量進(jìn)行比較，選擇特征最佳匹配的目標(biāo)類型。n決定分類精度的因素：目標(biāo)中被度量的特征

27、數(shù)目和特征的統(tǒng)計分布，以及特征分布知識中的不確定性。n運動目標(biāo)指示：通過比較圖像系列中連續(xù)幀，可以在檢測過程中應(yīng)用目標(biāo)運動信息。53（2）基于知識的自動目標(biāo)識別方法n70年代末，人工智能和專家系統(tǒng)技術(shù)普遍應(yīng)用于ATR研究，掀起了智能ATR的研究熱潮，形成了基于知識的ATR技術(shù)，即所謂的KB (Knowledge-Based)系統(tǒng)?；谥R的ATR算法在一定程度上克服了統(tǒng)計方法的上述局限性，極大地推進(jìn)了ATR系統(tǒng)的實用化進(jìn)程。但目前，應(yīng)用于ATR領(lǐng)域的各種KB系統(tǒng)的知識利用程度都是極有限的。n這類方法還存在一些很困難的問題，包括:a可供利用的知識源的辨別;b知識的驗證;c適應(yīng)新場景時知識的有效組織;d規(guī)則的明確表達(dá)和理解。未來復(fù)雜多變場景下的ATR系統(tǒng)效能在很大程度上將依賴于領(lǐng)域知識的組織和處理能力。54（3）基于模型的自動目標(biāo)識別方法 克服統(tǒng)計識別局限性的另一替代方法是基于模型的MB (Model-Based) ATR。MB方法強(qiáng)調(diào)利用明