圖像探測(cè)、跟蹤與識(shí)別技術(shù) 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,第五章 成像自動(dòng)目標(biāo)識(shí)別技術(shù),學(xué)習(xí)目的 自然場(chǎng)景和復(fù)雜條件下的自動(dòng)目標(biāo)識(shí)別是光電子、智能控制、地球與空間科學(xué)、人工智能、模式識(shí)別、計(jì)算機(jī)視覺(jué)、腦科學(xué)等多學(xué)科十分關(guān)注的交叉學(xué)科前沿，通過(guò)對(duì)識(shí)別算法的學(xué)習(xí)，了解一個(gè)ATR系統(tǒng)的基本工作原理和識(shí)別過(guò)程，從而能夠設(shè)計(jì)并實(shí)現(xiàn)一個(gè)簡(jiǎn)單的成像目標(biāo)自動(dòng)識(shí)別系統(tǒng)。 學(xué)習(xí)的重點(diǎn) 自動(dòng)目標(biāo)識(shí)別的基本過(guò)程； 特征提取與分類器的設(shè)計(jì)； 幾種典型的目標(biāo)識(shí)別算法 。,本章的主要內(nèi)容,5.1 自動(dòng)目標(biāo)識(shí)別技術(shù)概述 5.2 成像目標(biāo)識(shí)別的基本過(guò)程 5.3 目標(biāo)的建模與表達(dá) 5.4 目標(biāo)分類與識(shí)別的基本原理 5.5 幾種典型的目標(biāo)識(shí)別算法,5.1 自動(dòng)目標(biāo)識(shí)別技術(shù)概述,目標(biāo)識(shí)別算法源于統(tǒng)計(jì)模式識(shí)別，統(tǒng)計(jì)決策和估計(jì)理論是這類算法的基礎(chǔ)。 目標(biāo)特征和參考目標(biāo)模式特征的獲取過(guò)程會(huì)引入噪聲和不確定因素，因此需要將統(tǒng)計(jì)方法和決策理論應(yīng)用到目標(biāo)識(shí)別算法中即統(tǒng)計(jì)分類器。 識(shí)別問(wèn)題的內(nèi)涵 成像自動(dòng)目標(biāo)識(shí)別本質(zhì)是一個(gè)逆問(wèn)題求解，即從客觀場(chǎng)景的表象-圖像或圖像序列逆向推導(dǎo)客觀場(chǎng)景的某些本質(zhì)信息的反演問(wèn)題。它可以分為四個(gè)層次：檢測(cè)-僅僅給出潛在的待識(shí)別目標(biāo)，但還沒(méi)有確認(rèn)，還存在虛警的可能；識(shí)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(yùn)動(dòng)特性、目標(biāo)的結(jié)構(gòu)等；理解-目標(biāo)行為及場(chǎng)景語(yǔ)義的解釋等。,1、ATR： Automatic Target Recognition,什么是目標(biāo)自動(dòng)識(shí)別技術(shù)？ 自然場(chǎng)景和復(fù)雜背景條件下的自動(dòng)目標(biāo)識(shí)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(jiàn)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(hào)，并使用光/電子及計(jì)算機(jī)信息處理手段自動(dòng)地分析場(chǎng)景，自動(dòng)地檢測(cè)、識(shí)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。,目標(biāo)識(shí)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(gè)可用的訓(xùn)練數(shù)據(jù)集，并通過(guò)挖掘先驗(yàn)已知信息來(lái)設(shè)計(jì)分類器，成為有監(jiān)督學(xué)習(xí)方法。 無(wú)監(jiān)督學(xué)習(xí)方法：沒(méi)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(lái)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(wú)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(wú)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(guò)的數(shù)據(jù)作為約束條件，為聚類算法提供所需的先驗(yàn)知識(shí)。聚類任務(wù)就是在同一聚集里強(qiáng)制分配某些點(diǎn)或排除被分配在同一聚集里的某些點(diǎn)。,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： 點(diǎn)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(wú)形狀信息，稱之為點(diǎn)源或斑狀目標(biāo)，例如恒星、衛(wèi)星、流星等； 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(gè)像素或少像素，與其長(zhǎng)度不成比例。可以想象為點(diǎn)源或斑狀目標(biāo)按某種運(yùn)動(dòng)規(guī)律在二維或三維空間勾畫(huà)出的軌跡。例如：橋梁、道路、運(yùn)動(dòng)的點(diǎn)源或斑點(diǎn)目標(biāo)的投影軌跡等。,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(chǎng)跑道、機(jī)場(chǎng)、高空俯瞰地面的目標(biāo)。 三維立體目標(biāo) 在較近距離成像且可能從多個(gè)不同視點(diǎn)觀測(cè)，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(diǎn)觀察一般呈現(xiàn)不同的視圖，由于這些視圖是三維物體在不同視點(diǎn)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。,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(jì)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。 統(tǒng)計(jì)模型使用了許多特征來(lái)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(zhǎng)寬比、形態(tài)矩）。 句法模型則通過(guò)句法來(lái)表示目標(biāo)，目標(biāo)的各個(gè)部分被表示成屬性樹(shù)，屬性樹(shù)就描述了目標(biāo)的特征。例如坦克有炮塔、履帶、炮管和引擎。,關(guān)系模型考慮目標(biāo)中各個(gè)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。 投影幾何模型包括三維線框模型或小面化模型表示中目標(biāo)各部分之間的明確關(guān)系。 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。,5.4 目標(biāo)分類與識(shí)別的基本原理,目標(biāo)分類與識(shí)別的內(nèi)涵 目標(biāo)分類與識(shí)別面臨的困難和挑戰(zhàn) 視點(diǎn)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 目標(biāo)分類與識(shí)別設(shè)計(jì)的關(guān)鍵問(wèn)題,5.4.3 分類與識(shí)別涉及的關(guān)鍵問(wèn)題,根據(jù)研究對(duì)象的特征或?qū)傩?，運(yùn)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(shí)。 目標(biāo)的分類涉及到以下問(wèn)題： 特征提取 特征選擇 分類器設(shè)計(jì),一個(gè)分類系統(tǒng)的設(shè)計(jì)過(guò)程：,什么是特征？ 在目標(biāo)識(shí)別中，特征提取是使用有效的數(shù)學(xué)工具減少目標(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(gè)最優(yōu)維數(shù)使錯(cuò)誤識(shí)別率最小，通過(guò)提取特征減少模式維數(shù)可達(dá)到提高正確識(shí)別率的目的。 特征提取的目的： 識(shí)別分類器的復(fù)雜性和硬件實(shí)現(xiàn)的復(fù)雜性隨著模式空間的維數(shù)快速增長(zhǎng)，因此特征提取能夠降低信息傳輸通道的容量。,1、特征提取,可體現(xiàn)類別特點(diǎn)的特征 特征對(duì)物體形變的穩(wěn)定性 特征對(duì)光照變化的穩(wěn)定性 特征抗噪聲的能力 特征的復(fù)雜程度 特征是否易于描述,特征提取需要考慮的問(wèn)題：,特征提取：對(duì)研究對(duì)象固有的、本質(zhì)的重要特征或者屬性進(jìn)行檢測(cè)提取。 特征描述：將提取的特征進(jìn)行量化，形成可度量的特征矢量、符號(hào)串、關(guān)系圖，得到訓(xùn)練/待識(shí)別的樣本。,有效的特征與特征描述舉例：,統(tǒng)計(jì)特征（統(tǒng)計(jì)直方圖、方差、均值、熵 ） 幾何特征（包括面積、周長(zhǎng)、位置、方向、距離 ） 邊界特征（鏈碼、傅立葉描述子） 形狀描述（區(qū)域描述、圖像矩 ） 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 ） 角點(diǎn)特征（Harris、Susan、Fast、Brisk） 變換特征（傅里葉、小波） 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） 局部不變特征描述子（ SIFT、SURF、 GLOH、WLD、 D-nets） ,、邊界特征,邊界特征適用于識(shí)別外形輪廓有明顯差別的兩類 物體。,邊界特征提取方法： 邊界提取方法：Sobel, Canny,LoG 分割方法：Graph-Cuts. 邊界特征描述 曲線擬合、Hough變換、Freeman鏈碼,邊界特征的特點(diǎn),優(yōu)點(diǎn)： 抗光照變化、顏色變化 運(yùn)算速度快 適用于邊界特征明顯的物體識(shí)別 缺點(diǎn): 易受背景影響 很難適應(yīng)物體形變 特征描述較復(fù)雜,(3)、區(qū)域特征,區(qū)域分割,區(qū)域描述,顏色直方圖 梯度直方圖 歐拉數(shù) 面積等,基于目標(biāo)灰度分布的區(qū)域矩,利用目標(biāo)區(qū)域的灰度分布構(gòu)造各階矩來(lái)描述目標(biāo)的灰度分布特性 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。,基于目標(biāo)灰度分布的區(qū)域矩,對(duì)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(diǎn)矩定義為 而其p+q階混合中心矩定義為 是圖像的灰度質(zhì)心,區(qū)域幾何特性,(1)區(qū)域面積 (2)區(qū)域周長(zhǎng) (3)形狀簡(jiǎn)單度 (4)扁度 (5)凹度,(4)、變換特征,通過(guò)輸入樣本的線性變換來(lái)實(shí)現(xiàn)特征生成。變換的最基本概念是把給定的測(cè)量集變換為新的特征集。 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性能。 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。,變換特征,離散Fourier變換特征 離散余弦變換特征 Gabor特征 小波變換特征,(5)、紋理特征分析,一個(gè)實(shí)際場(chǎng)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。 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。,灰度共現(xiàn)矩陣法 對(duì)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(duì)于紋理粗細(xì)不同，取不同的距離，灰度共現(xiàn)矩陣就不同。 等灰度行程長(zhǎng)度法 等灰度行程長(zhǎng)度定義為在某個(gè)方向上、相鄰的具有相同灰度或某個(gè)灰度范圍的像素個(gè)數(shù)。顯然粗細(xì)紋理區(qū)域中長(zhǎng)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(gè)矩陣表示在某個(gè)給定方向上各種行程出現(xiàn)的情況。 統(tǒng)計(jì)模型法提取紋理特征 統(tǒng)計(jì)模型基本思想是用一個(gè)統(tǒng)計(jì)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：?jiǎn)螌玉R爾科夫隨機(jī)場(chǎng)，雙層高斯馬爾可夫隨機(jī)場(chǎng)，金字塔隨機(jī)場(chǎng)序列。,典型的紋理分析方法：,2、 特征選擇與提取,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(duì)識(shí)別最有效的特征，從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。 從模式樣本的量測(cè)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(duì)特征的需求不同。,為了設(shè)計(jì)出效果好的分類器，通常需要對(duì)原始的測(cè)量值集合進(jìn)行分析，經(jīng)過(guò)選擇或變換處理，組成有效的識(shí)別特征； 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(shí)現(xiàn)快速、準(zhǔn)確和高效的分類。 為達(dá)到上述目的，關(guān)鍵是所提供的識(shí)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(duì)特征進(jìn)行選擇。,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(shuō)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。 最后將采用不同的處理方法 應(yīng)去掉模棱兩可、不易判別的特征； 所提供的特征不要重復(fù)，即去掉那些相關(guān)性強(qiáng)且沒(méi)有增加更多分類信息的特征。 將特征綜合考慮，對(duì)特征向量作線性或非線性變換，使其具有更好的辨別能力,選擇最優(yōu)特征需要具備三個(gè)條件： 樣本數(shù)量能覆蓋樣本集的分類特征 有一種比較好的分類判據(jù) 一個(gè)切實(shí)可行的算法,特征抽?。?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)行對(duì)應(yīng)的線性操作。例如：KPCA、KLPP,為什么要數(shù)據(jù)降維？,高維數(shù)據(jù)的統(tǒng)計(jì)分析需求日益凸顯，高維數(shù)據(jù)的直接處理難度很大： 計(jì)算量增大； 數(shù)據(jù)的可視性差； 維數(shù)災(zāi)難，當(dāng)維數(shù)較高時(shí)，即時(shí)數(shù)據(jù)的樣本點(diǎn)很多，散步在高維空間中的樣本點(diǎn)仍顯得很稀疏，低維時(shí)的方法失效或不穩(wěn)定。,降維重要的一步，也是觀察數(shù)據(jù)特性的手段,降維 特征選擇:依據(jù)某一標(biāo)準(zhǔn)選擇性質(zhì)最突出的特征 特征變換:經(jīng)已有特征的某種變換獲取約簡(jiǎn)特征 數(shù)據(jù)可視化和數(shù)據(jù)挖掘分析也需要降維 通常降到2維或3維 流形降維來(lái)觀測(cè)數(shù)據(jù)的內(nèi)在形狀,局部線性嵌入(LLE). S. T. Roweis and L. K. Saul. Nonlinear dimensionality reduction by locally linear embedding. Science, vol. 290, pp. 2323-2326, 2000. 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 Eigenmap). 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,3、分類器設(shè)計(jì),模式識(shí)別分類問(wèn)題是指根據(jù)待識(shí)別對(duì)象所呈現(xiàn)的觀察值，將其分到某個(gè)類別中去： 建立特征空間中的訓(xùn)練集，已知訓(xùn)練集里每個(gè)點(diǎn)的所屬類別； 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(jì)判決函數(shù)模型； 根據(jù)訓(xùn)練集中的樣本確定模型中的參數(shù)； 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(gè)位置點(diǎn)的類別應(yīng)該屬于哪一類。,分類器設(shè)計(jì):,模式識(shí)別的基本方法就是制定準(zhǔn)則函數(shù)，實(shí)現(xiàn)準(zhǔn)則函數(shù)的極值化。常用的準(zhǔn)則有以下幾種： 最小錯(cuò)分準(zhǔn)則 最小風(fēng)險(xiǎn)準(zhǔn)則 緊鄰準(zhǔn)則 Fisher準(zhǔn)則 感知準(zhǔn)則 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(shí)：,“Artificial Intelligence” Within a generation . the problem of creating artificial intelligence will largely be solved Marvin Minsky (1967) 專家系統(tǒng) (1980s) 基于知識(shí)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,什么是人工智能？,人工智能：(ArtificialIntelligence) ，英文縮寫(xiě)為AI。它是研究、開(kāi)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(mén)新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)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(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。,機(jī)器學(xué)習(xí): 第二代理論,貝葉斯框架 概率圖模型 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, 隱馬爾科夫模型 （HMMs）, Kalman濾波器,馬爾科夫模型, 平均場(chǎng)理論（mean field theory）, .,分類器選擇:,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),常用的分類器：,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)。 訓(xùn)練與學(xué)習(xí)過(guò)程中的概念: 訓(xùn)練集：在監(jiān)督學(xué)習(xí)方法中，用來(lái)訓(xùn)練分類器參數(shù) 測(cè)試集：在設(shè)計(jì)分類器時(shí)，沒(méi)有采用的實(shí)際樣本。 系統(tǒng)評(píng)價(jià)原則：用來(lái)判斷該模式識(shí)別系統(tǒng)能否正確分類。,識(shí)別自行車,視網(wǎng)膜特征+SVM分類器,識(shí)別汽車,視網(wǎng)膜特征+SVM分類器,場(chǎng)景識(shí)別,5.5幾種典型的自動(dòng)目標(biāo)識(shí)別方法,經(jīng)典的統(tǒng)計(jì)模式識(shí)別方法 基于知識(shí)的自動(dòng)目標(biāo)識(shí)別方法 基于模型的自動(dòng)目標(biāo)識(shí)別方法 基于統(tǒng)計(jì)學(xué)習(xí)的自動(dòng)目標(biāo)識(shí)別方法 運(yùn)動(dòng)目標(biāo)識(shí)別(檢測(cè))方法 基于多傳感器信息融合的自動(dòng)目標(biāo)識(shí)別方法,（1）經(jīng)典的統(tǒng)計(jì)模式識(shí)別方法,很多學(xué)者認(rèn)為當(dāng)前的自動(dòng)目標(biāo)識(shí)別算法起源于統(tǒng)計(jì)模式識(shí)別。該方法主要是利用目標(biāo)特性的統(tǒng)計(jì)分布，依靠目標(biāo)識(shí)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(chǎng)景定義域內(nèi)獲得較有效的識(shí)別。 假設(shè)一個(gè)視覺(jué)系統(tǒng)要從一個(gè)背景中識(shí)別一輛坦克，必須首先利用圖像預(yù)處理對(duì)包含視覺(jué)信息的數(shù)據(jù)進(jìn)行平滑去噪、目標(biāo)檢測(cè)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(lái)，最后經(jīng)特征抽取、統(tǒng)計(jì)決策等相當(dāng)復(fù)雜的分析判決來(lái)判斷分割出的區(qū)域是不是目標(biāo)，在算法設(shè)計(jì)、編程以及識(shí)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(shí)，系統(tǒng)就無(wú)法正確識(shí)別變化大的和未經(jīng)訓(xùn)練的目標(biāo)，必須對(duì)系統(tǒng)重新進(jìn)行訓(xùn)練學(xué)習(xí)以適應(yīng)新的要求。,興趣區(qū)檢測(cè)：目標(biāo)識(shí)別過(guò)程的不同階段是受目標(biāo)和背景場(chǎng)景圖像的不同特性的影響。在檢測(cè)過(guò)程中干擾常引起虛警，這是因?yàn)樗鼈兊奶匦耘c目標(biāo)相似，但通過(guò)其它特征并仔細(xì)調(diào)整決策門(mén)限，就可以將它們與目標(biāo)區(qū)分開(kāi)來(lái)。 分割方法：分割可以通過(guò)尋找每個(gè)候選目標(biāo)的輪廓來(lái)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(shí)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(méi)有與目標(biāo)相類似的背景物時(shí)，分割算法可以產(chǎn)生精確的輪廓。,統(tǒng)計(jì)分類器：目標(biāo)分類的基礎(chǔ)就是可被ATR傳感器所測(cè)量的特征。統(tǒng)計(jì)分類器將圖像的特征度量與各種具體目標(biāo)類型所對(duì)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。 決定分類精度的因素：目標(biāo)中被度量的特征數(shù)目和特征的統(tǒng)計(jì)分布，以及特征分布知識(shí)中的不確定性。 運(yùn)動(dòng)目標(biāo)指示：通過(guò)比較圖像系列中連續(xù)幀，可以在檢測(cè)過(guò)程中應(yīng)用目標(biāo)運(yùn)動(dòng)信息。,（2）基于知識(shí)的自動(dòng)目標(biāo)識(shí)別方法,70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(shí)的ATR技術(shù)，即所謂的KB (Knowledge-Based)系統(tǒng)。基于知識(shí)的ATR算法在一定程度上克服了統(tǒng)計(jì)方法的上述局限性，極大地推進(jìn)了ATR系統(tǒng)的實(shí)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(shí)利用程度都是極有限的。 這類方法還存在一些很困難的問(wèn)題，包括:a可供利用的知識(shí)源的辨別;b知識(shí)的驗(yàn)證;c適應(yīng)新場(chǎng)景時(shí)知識(shí)的有效組織;d規(guī)則的明確表達(dá)和理解。未來(lái)復(fù)雜多變場(chǎng)景下的ATR系統(tǒng)效能在很大程度上將依賴于領(lǐng)域知識(shí)的組織和處理能力。,（3）基于模型的自動(dòng)目標(biāo)識(shí)別方法,克服統(tǒng)計(jì)識(shí)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)利用明確的目標(biāo)模型、背景模型、環(huán)境模型和傳感器模型。一個(gè)MB系統(tǒng)的最終目的是匹配實(shí)際的特征和預(yù)測(cè)后的特征。若標(biāo)記正確，則匹配過(guò)程會(huì)更加成功