低目标信噪比背景分割中的像素时空耦合特性研究

Background segmentation technology has many important applications in military and civilian fields. In particular, the background segmentation under the condition of low "target signal-to-noise ratio" has been the focus of academia and engineering..Accurately estimating the joint spatio-temporal distribution of high-dimensional background pixels is a bottleneck to detect targets under the condition of low target signal-to-noise ratio. The project intends to conduct a systematic and in-depth study on the statistical characteristics and inherent laws of the dynamic background, establish a more realistic background model, advance people's deep understanding of the dynamic background statistical laws, and create a system that takes into account not only the characteristics of the time series but also the spatial relationships for decision-making, in order to establish the basis for the detection of moving targets with low "target signal-to-noise ratio"..The main research contents of this project include: (1) Proposing high-dimensional strong-uniform-fuzzy-partition-based histogram model and the associated efficient storage method; (2) Establishing an efficient computation method of joint distribution between pixels under copular framework to fully exploit spatio-temporal correlation between the pixels contained in the scene data; (3) A method of quantitatively describing the target signal-to-noise ratio is established under the framework of probability.

背景分割技术在军事和民用众多领域有重要应用。特别是低“目标信噪比”条件下的背景分割，一直是学术界和工程界关注的焦点。.准确估计背景像素高维时空联合分布是解决低“目标信噪比”运动目标探测的瓶颈。申请人拟系统深入地研究动态背景的统计特性及内在规律，建立更加符合实际情况的背景模型，推进人们对动态背景统计规律的深入理解，并创立一种既考虑时间序列特征，又顾及空间关联的判决技术，为解决低“目标信噪比”运动目标探测难题奠定基础。.本项目主要研究内容包括：(1) 提出高维度强均匀模糊分割直方图模型以及高效存储方式；(2) 在copular框架下建立像素间联合分布的高效计算方法，充分挖掘场景数据中所包含的像素时空关联性；(3) 在概率框架下建立定量描述目标信噪比的方法。

背景分割技术是一种依赖于背景先验知识的半监督目标探测技术。与依赖于目标先验知识的探测技术不同，该技术对于检测各种未知、非合作、少样本的目标检测具有重要作用。背景分割理论认为，虽然自然场景的动态性会导致背景的视觉特征具有随机性，但其分布规律相对稳定。因此当某处有目标出现时，由于其视觉特征有别于背景分布，故后验概率较小，能够被检测出来。若要获得较高的准确性，就必须准确估计背景特征分布，特别是低“目标信噪比”条件下，只有准确估计并充分利用背景像素高维时空联合分布规律才能够突破现有背景分割技术的瓶颈。..项目主要研究内容包括：(1) 建立高维度强均匀模糊分割直方图模型；(2) 建立Copula框架下像素特征联合分布的通用计算方法；(3) 建立基于时间一致性和空间一致性的背景分割融合策略； (4) 在概率框架下建立定量描述目标信噪比的方法。..本项目的主要研究成果包括：(1)提出了一种快速构建高维强均匀模糊分割的解析公式。从而为高维度模糊直方图的构建与表示奠定了理论基础；(2) 提出一种神经网络框架（Neural Copula）解决通用的Copula的表示与估计方法。该方法使用特殊的全连接神经网络估计Copula函数的概率密度分布，并进一步通过构造物理信息神经网络获得Copula函数的解析逼近。该方法得到的Copula函数形式具有解析表达形式并且具有光滑可微的良好性质；(3) 基于全概率定律探索了时间一致性和空间一致性（语义信息）之间的关系，提出了高度简洁的白盒融合框架。从理论和实验两方面证明了融合结果的优越性。框架中的可解释参数能够准确反映人们对背景的理解，可广泛应用于各类环境；(4) 发现背景高维深度特征的极低维度子空间聚类模式，并提出了一种逐像素自适应PCA的高维码本模型，在克服了维度诅咒的同时大幅度提高目标与背景之间的对比度。同时针对拥有弱目标先验知识的环境，设计了一种线性投影算法，不但能够清晰计算目标背景信噪比，还能够先验地分析出目标潜在最优隐蔽区域等重要信息。..本项目系统深入地研究了动态背景的统计特性及内在规律，建立了更加符合实际情况的背景模型，推进了人们对动态背景统计规律的深入理解，并创立多类既考虑时间序列特征，又顾及空间关联的判决技术，为未来进一步克服低“目标信噪比”运动目标探测难题奠定了理论基础，研究成果也已经在实际工程中得到了初步验证和应用。