図面 (/)

技術 ハイパースペクトルデータを処理する際に使用するためのアルゴリズムを選択する方法

出願人 ジーイー・アビエイション・システムズ・エルエルシー
発明者 ベンジャミン・トーマス・オッチピンティエリック・ダニエル・ブエラーコンラッド・ロバート・クッジンスキーリチャード・ショーン・ケリー
出願日 2013年6月12日 (7年8ヶ月経過) 出願番号 2013-123295
公開日 2014年2月27日 (6年11ヶ月経過) 公開番号 2014-038597
状態 特許登録済
技術分野 画像処理 イメージ分析
主要キーワード リモートセンシングシステム 統計的測度 境界範囲 マッチング対 スペクトルシグネチャ 候補目標 スペクトル映像 ハイパースペクトル画像
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2014年2月27日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (6)

課題

ハイパースペクトルシグネチャマッチング多様性およびロバスト性を高め、既存のシグネチャマッチング技法を改善するための、対象を検出し追跡する方法を提供する。

解決手段

方法100は、ハイパースペクトルデータの決まった特性を処理するための特質を各々が有する、アルゴリズムの組を用意するステップと、ハイパースペクトルデータのフレーム特性にアクセスするステップと、ハイパースペクトルデータの少なくとも1つの特性を選択するステップと、少なくとも1つの特性の基準サンプルから少なくとも1つの特性の変動に対する許容差確定するステップと、ハイパースペクトルデータ内の少なくとも1つの特性を許容差と比較するステップと、および少なくとも1つの特性が許容差を超えるならば、ハイパースペクトルデータを処理するために少なくとも1つの特性と最良に関連する、前記組から1つのアルゴリズムを選択するステップと、を含む。

概要

背景

ハイパースペクトルイメージ(hyperspectral imagery:HSI)用のリモートセンシングシステムの環境については、Manolakis, D., Marden, D., and Shaw G.による「Hyperspectral Image Processing for Automatic Target Detection Applications」(Lincoln Laboratory Journal; Volume 14; 2003 pp. 79-82)において十分に説明されている。イメージングセンサは、ハイパースペクトルエネルギー測定値を記録する画素を有する。HSIデバイスは、配列の幾何配置により空間情報を取り込み、いくつかの連続的なハイパースペクトル帯域の各々の画素で測定値を作成することによりスペクトル情報を取り込む、画素の配列でエネルギーを記録することになる。空間およびスペクトルの情報のさらなる処理は、リモートセンシングシステムの特定の用途によって異なる。

リモートセンシングのHSIは、環境および土地利用モニタリング監視および偵察を含む広範囲の用途に対して価値が高いことが判明している。HSIは、空間およびスペクトルの両方の情報を包含する画像データを提供する。これらの型の情報を、リモートの検出および追跡の作業用に使用することができる。具体的には、無人航空機UAV)または地上局などのプラットフォームに搭載される視覚センサの組が与えられると、HSIの映像を取得することができ、アルゴリズムの組を、フレームごとに対象を検出し追跡するためにスペクトル映像に適用することができる。

スペクトルベース処理アルゴリズムが、類似する画素、すなわち類似するスペクトルの特性またはシグネチャを伴う画素を、分類またはグループ分けするために開発されてきた。この様式のみでの処理は、シーン内目標の数およびサイズが、目標の型を分類するのに必要な統計的性質推定サポートするには典型的には小さすぎる、目標の追跡および検出の用途では扱いやすくない。一方で大部分のHSIの空間処理は、HSIを収集する典型的なシステムの低い空間分解能により損なわれる。その結果、HSIを収集し処理するリモートセンシングシステムは典型的には、分解される目標および分解されない目標の両方の検出を最大にするために、スペクトル分解能と空間分解能との間の兼ね合いとして開発されるものであり、ただし分解される目標とは、2つ以上の画素により画像化される対象である。この方途では、スペクトル的技法で、分解されない目標をそれらのシグネチャにより検出することができ、空間的な技法で、分解される目標をそれらの形状により検出することができる。

いくつかの探索アルゴリズムが、目標検出の目的でHSIの処理において開発し使用されてきた。これらの探索アルゴリズムは、典型的にはイメージ内候補目標統計的特性活用するように設計され、典型的にはよく知られている統計的概念に基づいて構築される。例えばマハラノビス距離は、ハイパースペクトル画素シグネチャに適用されてきた類似性統計的測度である。マハラノビス距離は、シグネチャの既知クラスの平均および標準偏差に対してシグネチャを試験することにより、シグネチャの類似性を測定する。

他の既知の技法には、スペクトル角マッピング(Spectral Angle Mapping:SAM)、スペクトル情報発散(Spectral Information Divergence:SID)、ゼロ平均差分面積(Zero Mean Differential Area:ZMDA)、およびバタチャリヤ(Bhattacharyya)距離がある。SAMは、各々のスペクトルをベクトルとして扱い、ベクトル間の角度を算出することにより、候補目標のシグネチャを既知のシグネチャと比較するための方法である。SAMはベクトルの方向のみを使用し、ベクトルの長さを使用しないので、この方法は照度の変動に敏感ではない。SIDは、スペクトル間の確率的な不一致または発散を測定することにより、候補目標のシグネチャを既知のシグネチャと比較するための方法である。ZMDAは、候補目標のシグネチャおよび既知のシグネチャをそれらの分散により正規化し、それらの差を計算するものであり、この差が2つのベクトル間の面積に対応する。バタチャリヤ距離は、マハラノビス距離に類似するが、シグネチャの既知のクラスに対する1組の候補目標のシグネチャ間の距離を測定するために使用される。

概要

ハイパースペクトルシグネチャマッチング多様性およびロバスト性を高め、既存のシグネチャマッチング技法を改善するための、対象を検出し追跡する方法を提供する。方法100は、ハイパースペクトルデータの決まった特性を処理するための特質を各々が有する、アルゴリズムの組を用意するステップと、ハイパースペクトルデータのフレーム特性にアクセスするステップと、ハイパースペクトルデータの少なくとも1つの特性を選択するステップと、少なくとも1つの特性の基準サンプルから少なくとも1つの特性の変動に対する許容差確定するステップと、ハイパースペクトルデータ内の少なくとも1つの特性を許容差と比較するステップと、および少なくとも1つの特性が許容差を超えるならば、ハイパースペクトルデータを処理するために少なくとも1つの特性と最良に関連する、前記組から1つのアルゴリズムを選択するステップと、を含む。

目的

HSIは、空間およびスペクトルの両方の情報を包含する画像データを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

ハイパースペクトルデータを処理する際に使用するためのアルゴリズムを選択する方法であって、ハイパースペクトルデータの決まった特性を処理するための特質を各々が有する、アルゴリズムの組を用意するステップ、前記ハイパースペクトルデータのフレーム特性にアクセスするステップ、前記ハイパースペクトルデータの少なくとも1つの特性を選択するステップ、前記少なくとも1つの特性の基準サンプルから前記少なくとも1つの特性の変動に対する許容差確定するステップ、前記ハイパースペクトルデータ内の前記少なくとも1つの特性を前記許容差と比較するステップ、および前記少なくとも1つの特性が前記許容差を超えるならば、前記ハイパースペクトルデータを処理するために前記少なくとも1つの特性と最良に関連する、前記組から1つのアルゴリズムを選択するステップを含む方法。

請求項2

ハイパースペクトルデータの前記フレーム特性が、ハイパースペクトルデータの照度変動性、ハイパースペクトルデータの類似するシグネチャを伴う画素の変動性を含む、請求項1記載の方法。

請求項3

前記アルゴリズムの組が、スペクトル情報発散(SID)、スペクトルマッピング(SAM)、ゼロ平均差分面積ZMDA)、マハラノビス距離、およびバタチャリヤ距離を含む、請求項1記載の方法。

請求項4

少なくとも2つの特性を選択するステップ、および前記少なくとも1つの特性が前記許容差を超えないならば、前記ハイパースペクトルデータを処理するために第2の特性と最良に関連する、前記組から1つのアルゴリズムを選択するステップを含む、請求項1記載の方法。

技術分野

0001

本発明は、ハイパースペクトルデータを処理する際に使用するためのアルゴリズムを選択する方法に関する。

背景技術

0002

ハイパースペクトルイメージ(hyperspectral imagery:HSI)用のリモートセンシングシステムの環境については、Manolakis, D., Marden, D., and Shaw G.による「Hyperspectral Image Processing for Automatic Target Detection Applications」(Lincoln Laboratory Journal; Volume 14; 2003 pp. 79-82)において十分に説明されている。イメージングセンサは、ハイパースペクトルエネルギー測定値を記録する画素を有する。HSIデバイスは、配列の幾何配置により空間情報を取り込み、いくつかの連続的なハイパースペクトル帯域の各々の画素で測定値を作成することによりスペクトル情報を取り込む、画素の配列でエネルギーを記録することになる。空間およびスペクトルの情報のさらなる処理は、リモートセンシングシステムの特定の用途によって異なる。

0003

リモートセンシングのHSIは、環境および土地利用モニタリング監視および偵察を含む広範囲の用途に対して価値が高いことが判明している。HSIは、空間およびスペクトルの両方の情報を包含する画像データを提供する。これらの型の情報を、リモートの検出および追跡の作業用に使用することができる。具体的には、無人航空機UAV)または地上局などのプラットフォームに搭載される視覚センサの組が与えられると、HSIの映像を取得することができ、アルゴリズムの組を、フレームごとに対象を検出し追跡するためにスペクトル映像に適用することができる。

0004

スペクトルベース処理アルゴリズムが、類似する画素、すなわち類似するスペクトルの特性またはシグネチャを伴う画素を、分類またはグループ分けするために開発されてきた。この様式のみでの処理は、シーン内目標の数およびサイズが、目標の型を分類するのに必要な統計的性質推定サポートするには典型的には小さすぎる、目標の追跡および検出の用途では扱いやすくない。一方で大部分のHSIの空間処理は、HSIを収集する典型的なシステムの低い空間分解能により損なわれる。その結果、HSIを収集し処理するリモートセンシングシステムは典型的には、分解される目標および分解されない目標の両方の検出を最大にするために、スペクトル分解能と空間分解能との間の兼ね合いとして開発されるものであり、ただし分解される目標とは、2つ以上の画素により画像化される対象である。この方途では、スペクトル的技法で、分解されない目標をそれらのシグネチャにより検出することができ、空間的な技法で、分解される目標をそれらの形状により検出することができる。

0005

いくつかの探索アルゴリズムが、目標検出の目的でHSIの処理において開発し使用されてきた。これらの探索アルゴリズムは、典型的にはイメージ内候補目標統計的特性活用するように設計され、典型的にはよく知られている統計的概念に基づいて構築される。例えばマハラノビス距離は、ハイパースペクトル画素シグネチャに適用されてきた類似性統計的測度である。マハラノビス距離は、シグネチャの既知クラスの平均および標準偏差に対してシグネチャを試験することにより、シグネチャの類似性を測定する。

0006

他の既知の技法には、スペクトル角マッピング(Spectral Angle Mapping:SAM)、スペクトル情報発散(Spectral Information Divergence:SID)、ゼロ平均差分面積(Zero Mean Differential Area:ZMDA)、およびバタチャリヤ(Bhattacharyya)距離がある。SAMは、各々のスペクトルをベクトルとして扱い、ベクトル間の角度を算出することにより、候補目標のシグネチャを既知のシグネチャと比較するための方法である。SAMはベクトルの方向のみを使用し、ベクトルの長さを使用しないので、この方法は照度の変動に敏感ではない。SIDは、スペクトル間の確率的な不一致または発散を測定することにより、候補目標のシグネチャを既知のシグネチャと比較するための方法である。ZMDAは、候補目標のシグネチャおよび既知のシグネチャをそれらの分散により正規化し、それらの差を計算するものであり、この差が2つのベクトル間の面積に対応する。バタチャリヤ距離は、マハラノビス距離に類似するが、シグネチャの既知のクラスに対する1組の候補目標のシグネチャ間の距離を測定するために使用される。

先行技術

0007

米国特許出願公開第2009/0138417号明細書

0008

本発明は、ハイパースペクトルデータを処理する際に使用するためのアルゴリズムを選択する方法に関する。方法は、ハイパースペクトルデータの決まった特性を処理するための特質を各々が有する、アルゴリズムの組を用意するステップ、ハイパースペクトルデータのフレーム特性にアクセスするステップ、ハイパースペクトルデータの少なくとも1つの特性を選択するステップ、少なくとも1つの特性の基準サンプルから少なくとも1つの特性の変動に対する許容差確定するステップ、ハイパースペクトルデータ内の少なくとも1つの特性を許容差と比較するステップ、および少なくとも1つの特性が許容差を超えるならば、ハイパースペクトルデータを処理するために少なくとも1つの特性と最良に関連する、前述の組から1つのアルゴリズムを選択するステップを含む。

図面の簡単な説明

0009

本発明の第1の実施形態によるHSI内の観測される対象を追跡し、その対象に対する検出の確率を決定するための方法の線図である。
本発明の実施形態による探索アルゴリズムを選択するための方法の線図である。
本発明の実施形態による探索アルゴリズムに対する許容差を選択するための方法の線図である。
本発明の実施形態によるハイパースペクトルイメージングシステムが2つの対象を検出し追跡したシナリオを示す図である。
本発明の実施形態によるハイパースペクトルイメージングシステムが追跡される対象の変化を検出するシナリオを示す図である。

実施例

0010

背景技術および以下の説明において説明目的で、数多くの具体的な詳細を、本明細書で説明する技術の徹底した理解をもたらすために記載する。しかしながらこれらの具体的な詳細がなくとも、例示的な実施形態が実践可能であることは当業者には明白であろう。他の事例では、構造およびデバイスを、例示的な実施形態の説明を容易にするために線図の形式で示す。

0011

例示的な実施形態を、図面を参照して説明する。これらの図面は、本明細書で説明するモジュール、方法、またはコンピュータプログラム製品実装する具体的な実施形態の決まった詳細を例示する。しかしながら図面を、図面に存在し得る何らかの制限を加えるものであると解釈すべきではない。方法およびコンピュータプログラム製品を、それらの動作を達成するために任意の機械可読媒体上で実現することができる。実施形態を、既存のコンピュータプロセッサを使用して、またはこのもしくは別の目的で組み込まれる専用コンピュータプロセッサにより、またはハードワイヤードのシステムにより実装することができる。

0012

上記で指摘したように、本明細書で説明する実施形態は、機械実行可能命令もしくはデータ構造体を搬送するための、またはそれらが記憶された状態にするための機械可読媒体を備えるコンピュータプログラム製品を含み得る。そのような機械可読媒体は、プロセッサを伴う汎用または専用のコンピュータまたは他の機械によりアクセスされ得る任意の利用可能な媒体であり得る。例としてそのような機械可読媒体は、RAM、ROM、EPROM、EEPROM、CD−ROMもしくは他の光ディスク記憶装置磁気ディスク記憶装置もしくは他の磁気記憶デバイス、または、所望のプログラムコードを機械実行可能命令もしくはデータ構造体の形式で搬送もしくは記憶するために使用され得る、かつプロセッサを伴う汎用もしくは専用のコンピュータまたは他の機械によりアクセスされ得る、任意の他の媒体を備え得る。情報をネットワークまたは別の通信接続(ハードワイヤード、ワイヤレス、またはハードワイヤードもしくはワイヤレスの組合せのいずれか)を介して機械に伝送または提供するとき、機械は当然のことながらその接続を機械可読媒体とみなす。したがって任意のそのような接続を、当然のことながら機械可読媒体と呼ぶ。上記の組合せもまた、機械可読媒体の範囲内に含まれる。機械実行可能命令は例えば、汎用コンピュータ、専用コンピュータ、または専用処理機械に、決まった1つの機能または機能の群を遂行させる命令およびデータを含む。

0013

実施形態を、例えばネットワーク化された環境での機械により実行されるプログラムモジュールの形式でのプログラムコードなどの機械実行可能命令を含むプログラム製品により一実施形態において実装され得る、方法ステップの概括的な脈絡で説明する。概してプログラムモジュールは、個別のタスクを遂行する技術的効果を有する、または個別の抽象データ型を実装する、ルーチンプログラムオブジェクトコンポーネント、データ構造体等を含む。機械実行可能命令、関連するデータ構造体、およびプログラムモジュールは、本明細書で開示する方法のステップを実行するためのプログラムコードの例を表す。そのような実行可能命令の個別のシーケンスまたは関連するデータ構造体は、そのようなステップで説明する機能を実装するための対応する作用の例を表す。

0014

実施形態を、プロセッサを有する1つまたは複数のリモートコンピュータへの論理接続を使用して、ネットワーク化された環境で実践することができる。論理接続は、ここでは例としてであり限定としてではなく提示される、ローカルエリアネットワーク(LAN)および広域ネットワークWAN)を含み得る。そのようなネットワーク化環境は、職場内または企業内のコンピュータネットワークイントラネットおよびインターネットではありふれたものであり、多種多様の異なる通信プロトコルを使用することができる。そのようなネットワークコンピューティング環境が典型的には、パーソナルコンピュータハンドヘルドデバイスマルチプロセッサシステムマイクロプロセッサベースまたはプログラマブルの民生用電子機器、ネットワークPC、ミニコンピュータメインフレームコンピュータ等を含む多くの型のコンピュータシステム構成を包含することになることを当業者ならば理解するであろう。

0015

実施形態を、通信ネットワークを介して(ハードワイヤードリンクワイヤレスリンクによって、またはハードワイヤードもしくはワイヤレスのリンクの組合せによってのいずれかで)リンクされる、ローカルおよびリモートの処理デバイスによりタスクが遂行される分散コンピューティング環境でさらに実践することができる。分散コンピューティング環境でプログラムモジュールは、ローカルおよびリモートの両方のメモリ記憶デバイスに存在し得る。

0016

例示的な実施形態の全体または一部分を実装するための例示的なシステムは、処理装置システムメモリ、およびシステムメモリを含む様々なシステム構成要素を処理装置に結合するシステムバスを含む、コンピュータの形式での汎用コンピューティングデバイスを含み得る。システムメモリは、リードオンリーメモリ(ROM)およびランダムアクセスメモリ(RAM)を含み得る。コンピュータは、磁気ハードディスクに関する読出しおよび書込みを行うための磁気ハードディスクドライブリムーバブル磁気ディスクに関する読出しまたは書込みを行うための磁気ディスクドライブ、ならびに、CD−ROMまたは他の光学媒体などのリムーバブル光ディスクに関する読出しまたは書込みを行うための光ディスクドライブをさらに含み得る。ドライブおよびそれらの関連する機械可読媒体は、機械実行可能命令、データ構造体、プログラムモジュール、およびコンピュータ用の他のデータの不揮発性の記憶をもたらす。

0017

実施形態で開示する本方法の技術的効果には、特に対象を検出し追跡する方法が本方法とともに使用されるときに、ハイパースペクトルシグネチャマッチング多様性およびロバスト性を高めるということがある。さらに本方法は、リアルタイムで最良の既知のシグネチャマッチング技法を自動的に選択することにより、既存のシグネチャマッチング技法を改善する。この技法を、スペクトルの立方配列から複合イメージを生成する任意のシステム上で使用することができる。

0018

図1は、本発明の第1の実施形態によるHSI内の観測される対象を追跡し、その対象に対する検出の確率を決定するための方法10の線図である。単一の画像またはハイパースペクトル映像の供給物を含み得るリモートセンシングのHSIを、HSIを処理可能なプロセッサに12で入力することができる。プロセッサは、12でハイパースペクトルデータを受け取りノイズフィルタリングコーナー検出、画像レジストレーションホモグラフィ、およびフレーム対フレームのアライメントを含み得るがそれらに限定されない一連のよく知られている画像処理ステップを遂行することにより、14でデータセットハイパースペクトル画像フレームの組に処理する。次いでプロセッサは、ハイパースペクトル画像フレーム内の追跡される対象から、16で探索アルゴリズムを使用して候補目標を選択することができ、ここで候補目標および追跡される対象は、目的の現実世界の対象のハイパースペクトル画像を表し得る画素の組である。例えば、移動する目標を探索するように設計されるHSIを収集するシステムでは、候補目標は移動する対象であり得る。この例ではプロセッサは、HSI内の移動する対象を識別する最小判別特性に対する計算探索を遂行することができる。別の例では、HSIを収集するシステムのユーザは、表示上で画素を手動で選択し、さらなる分析のために対応するシグネチャを識別する。

0019

次いでプロセッサは、HSIのフレームごとに18で、選択した候補目標を追跡することができる。プロセッサは20で、選択した候補目標を、28でのテンプレートデータベースに記憶される既知の目標の基準目標テンプレートと比較することができ、ここで基準目標テンプレートとは、目的の現実世界の対象のハイパースペクトル画像を表すように前に確定されている場合がある画素の組である。

0020

22でプロセッサは、マッチング対の比較を行うことができる。選択した候補目標が28でのテンプレートデータベースからの基準目標テンプレートとマッチングするならば、プロセッサは24で、選択した候補目標と基準目標テンプレートとの間のマッチング程度、および選択した候補目標が検出された確率を決定することができる。選択した候補目標がテンプレートとマッチングしないならば、プロセッサは30で、選択した候補目標が新しい基準目標テンプレートであるとみなすことができ、さもなければ32でそれを放棄することができる。選択した候補目標が、30で新しいテンプレートとみなされるならば、プロセッサは、新しい目標に関係するデータを28での目標テンプレートデータベースに追加することができる。

0021

24でマッチング程度および検出の確率を決定した後、プロセッサは、26で確率をしきい値と比較することができる。確率がしきい値を超えるならば、プロセッサは34で処置を取ることができる。そうでないならばプロセッサは18で、選択した候補目標の追跡を継続することができる。

0022

特定の基準目標テンプレートが、28での基準目標テンプレートデータベースから識別され、候補目標と20で比較された後、プロセッサは、24でマッチング程度および検出の確率を算出することができる。最初に24で、選択した候補目標に出現する上位スペクトルシグネチャを、基準目標テンプレートを規定する上位スペクトルシグネチャと比較し、次いでそれらを空間的にマッチングすることにより、マッチング程度および検出の確率は、選択した候補目標が特定の基準目標テンプレートに対するマッチング相手となる確率を測定することができる。

0023

24でマッチング程度および検出の確率を決定する方法をコンピュータ処理するプロセッサは最初に、選択した候補目標および基準目標テンプレートの両方に出現する上位シグネチャの組を決定することができる。次いでプロセッサは、選択した候補目標および基準目標テンプレートの両方での画素の数に基づいて、それらの上位シグネチャの分布を算出することができる。このことを行うための第1のステップは、基準目標テンプレート内の画素の決まった割合に及ぶ基準目標テンプレート内のシグネチャの組を決定すること、および基準目標テンプレート内のシグネチャの各々のものの割合を決定することである。24で方法をコンピュータ処理するプロセッサは次いで、選択した候補目標に対してシグネチャの分布を決定することができる。各々のシグネチャ内の画素の分布が基準目標テンプレート内のシグネチャの分布に類似するならば、方法をコンピュータ処理するプロセッサは、類似するシグネチャ画素間の最大および最小の差を考慮して、シグネチャの各々のものに対してマッチング程度を算出することができる。ハイパースペクトル画素分布間の類似性を計算するプロセッサは、計算のために類似性の1つまたは複数の測度を利用することができる。類似性測度は、SAM、SID、ZMDA、またはバタチャリヤ距離を含み得る。プロセッサは、実装形態に応じて他の類似性測度を利用することができる。

0024

Si={s1,s2,…,sp}を目標内のシグネチャの組とし、xijをハイパースペクトルフレームの2次元空間表現でのij位置での画素とする。画素xijは部分画素の配列で編成され、その編成は画素xijが値の組xb1、xb2、…、xbqを有するようなものであり、ただしqはハイパースペクトルイメージ内のスペクトル帯域の数である。したがって各々の画素は、画素により示される空間位置に対する各々のスペクトル帯域に関連する部分画素値を包含する。

0025

簡潔にするためにここでは目標Tと符号を付けた基準テンプレート目標と空間的にマッチングする、簡潔にするためにここでは対象Oiと符号を付けた選択した候補目標は、目標T内のR%の上位シグネチャの組が対象Oiでλの類似比率で出現するならば、信頼度Cで目標Tとスペクトル的にさらにマッチングする可能性がある。目的は、対象および目標を空間的およびスペクトル的にマッチングさせること、すなわち対象および目標の形状およびシグネチャが類似することである。

0026

Niを対象Oi内の画素の数とし、r<pであるni1、ni2、…、nirが、類似するシグネチャs1、s2、…、srを提示する対象Oi内の画素の組の濃度すなわちサイズを規定するものとする。24で方法をコンピュータ処理するプロセッサは、対象Oi内のスペクトルシグネチャの上位R%が対象OjのR%の上位シグネチャとマッチングするならば、2つの対象OiおよびOjをスペクトル的なマッチング対とみなす。{ni1,ni2,…,nir}および{nj1,nj2,…,njr}と示される対象OiおよびOjのすべての選択した数の上位シグネチャに対してそれぞれ、

0027

0028

0029

であるならば、2つの対象OiおよびOjは精密にλマッチングする(λ−match)。各々のシグネチャlに対するマッチング程度を次式のように定義することができる。

0030

本方法では、各々のシグネチャlに対するマッチング程度に対して他の定義を利用することができる。24でマッチング程度を決定するためのいかなる定義も、ファジィ測度のよく知られている数学的定義に準拠しなければならない。

0031

最後に、24で方法をコンピュータ処理するプロセッサは、テンプレート内のシグネチャの組と対象内のシグネチャの組との間の類似性に基づいて、検出の確率を算出することができる。Niを対象Oi内の画素の数とみなし、Njを対象Oj内の画素の数とみなすと、プロセッサは、マッチング程度および各々のシグネチャをマッチングさせる画素の数に基づいて、24で検出の確率を算出することができる。プロセッサは、選択した候補目標対象の画像がハイパースペクトル画像基準目標テンプレートとどれだけ近くマッチングするかの信頼度レベルを決定するために、対象の画素の数に対してマッチング程度を正規化することにより、検出の確率を算出することができる。TMと符号を付けた検出の確率を、次式のように計算する。

0032

ここではOi内のNi|sの数の画素が、シグネチャsをλマッチングさせる。

0033

26では、目標テンプレートに対するマッチング相手としての選択した候補目標対象に対する検出の確率すなわちTMを、しきい値と比較することができる。26で示すようにプロセッサは、TM−1を算出し、しきい値εと比較することができる。量TM−1がしきい値εを超えるならば、プロセッサは34で処置を取ることができる。そうでないならばプロセッサは18で、選択した候補目標の追跡を継続することができる。しきい値εの値を、22でのマッチングアルゴリズム、16での探索アルゴリズム、ならびに、HSIのシーン内の算出した対象の速度などの、特定の候補目標および28でのデータベース内の基準目標テンプレートと関係がある情報の特定の実装形態に基づいて選択することができる。

0034

信頼度の異なるレベルは、TMの値に基づいて定義される。例えばある事例では、TMが0.35未満であるならば信頼度レベルは非常に低いことになり、TMが0.35から0.60の間であるならば信頼度のレベルは低いことになり、TMが0.60から0.75の間であるならば信頼度のレベルは中程度となり、TMが0.75から0.85の間であるならば信頼度のレベルは中−高程度となり、TMが0.85より高いならば信頼度のレベルは高いことになる。マッチング対の確率がより高まるにつれて、結果の表示は、高いレベルの信頼度で検出された目標を低いレベルの信頼度で検出された目標と区別するために、TMのこれらのレベルに対応付けられた一連の色によって繰り返し行うことができる。高いレベルの信頼度で検出された目標の画像の画素を、例えば表示上ですべて赤色に色付けすることができる。他のしきい値、信頼度のレベルおよび表示の機構を、実装形態に応じて使用することができる。

0035

プロセッサが、12でデータを受け取り、14でそれをハイパースペクトルフレームの組に処理するとき、次いでプロセッサは、ハイパースペクトルフレームから16で候補目標を選択することができる。プロセッサは、16で候補目標を選択するためにハイパースペクトルデータに対する探索アルゴリズムを選択し使用することができる。ハイパースペクトルデータの次元は、主成分分析特徴抽出、およびエントロピー測定を含むがそれらに限定されない、よく知られている次元削減技法の手段により削減されている場合がある。図2は、本発明の実施形態によるハイパースペクトルデータに対する探索アルゴリズムを選択するための方法100の線図である。ハイパースペクトルデータに対する探索アルゴリズムを選択するために、100で方法をコンピュータ処理するプロセッサは、初期には110でハイパースペクトルフレームの特性をデータベースに保存することができる。次にプロセッサは、112でハイパースペクトルフレームの特性を評定することができる。プロセッサが、ハイパースペクトルフレームに対して有意であると112で特性を評定するならば、プロセッサは、フレームの候補目標を区別するために116でデータに対して探索アルゴリズムを適用することができる。プロセッサが、ハイパースペクトルフレームに対して有意でないと112で特性を評定するならば、プロセッサは、114で第2の特性を評定することができる。プロセッサが、ハイパースペクトルフレームに対して有意であると114で第2の特性を評定するならば、プロセッサは、フレームの候補目標を区別するためにデータに対して120で第2のスペクトル探索アルゴリズムを適用することができる。プロセッサが、フレームに対して有意でないと114で第2の特性を評定するならば、プロセッサは、118で第3の特性を評定することができる。プロセッサが、ハイパースペクトルフレームに対して有意であると118で第3の特性を評定するならば、プロセッサは、ハイパースペクトルフレームの候補目標を区別するためにデータに対して122で第3の探索アルゴリズムを適用することができる。プロセッサが、ハイパースペクトルフレームに対して有意でないと118で第3の特性を評定するならば、プロセッサは、データに対してデフォルト探索アルゴリズム124を適用することができる。

0036

初期にはプロセッサは、110でハイパースペクトルフレームの特性を決定することができる。プロセッサは、ハイパースペクトルフレーム特性が、探索アルゴリズムを選択するときにさらなる処理のために利用可能であるように、110でハイパースペクトルフレーム特性を保存することができる。例としての特性は、画像化したシーンの照度の変動性、類似するシグネチャを伴う画素の変動性、および基準目標テンプレート内の相違するシグネチャの数の推定値を含み得る。ハイパースペクトルフレームの他の特性を考慮することができ、これらの例を限定的であるとみなすべきではない。

0037

ハイパースペクトルフレームの112での第1の特性の評定に基づいて、プロセッサは、116でその第1の特性により特徴付けられるハイパースペクトルデータを良好に作業対象とすることが判明している探索アルゴリズムを適用することができる。ハイパースペクトルフレームの112での第1の特性の評定が、第1の探索アルゴリズムがハイパースペクトルフレームを良好に作業対象とすることになることを指示しないならば、プロセッサは、114で第2のフレーム特性の評定のために、110からの保存したフレーム特性にアクセスすることができる。一例では第1の特性は、ハイパースペクトルフレームの画像化したシーンの照度の変動性であり得る。プロセッサは、画像化したシーンの照度の変動性を決定するためにハイパースペクトルフレーム特性にアクセスすることができる。プロセッサは、変動性が高いか低いかを決定するための判断を行うことができる。プロセッサは、実装形態に応じて第1のフレーム特性として他のフレーム特性を使用することができる。

0038

第1のハイパースペクトルフレーム特性が有意であると評定されるならば、プロセッサは、ハイパースペクトルフレームおよびその候補目標を処理するために116で第1の探索アルゴリズムを使用することができる。本例ではプロセッサが、画像化したシーンの照度の高い変動性を算出するならば、SAMに基づく探索アルゴリズムが、最適な結果のために画像化したシーンを処理することができる。本方法では、実装形態に応じて、SID、マハラノビス距離、ZMDA、およびバタチャリヤ距離を含むがそれらに限定されない分類方法に基づく他の探索アルゴリズムを使用することができる。

0039

ハイパースペクトルフレームの114での第2の特性の評定に基づいて、プロセッサは、120でその第2の特性により特徴付けられるハイパースペクトルデータを良好に作業対象とすることが知られている探索アルゴリズムを適用することができる。ハイパースペクトルフレームの114での第2の特性の評定が、第2の探索アルゴリズムがハイパースペクトルフレームを良好に作業対象とすることになることを指示しないならば、プロセッサは、118で第3のフレーム特性の評定のために、110からの保存したフレーム特性にアクセスすることができる。一例では第2の特性は、類似するシグネチャを伴う画素の変動性であり得る。プロセッサは、類似するシグネチャを伴う画素の変動性を決定するためにハイパースペクトルフレーム特性にアクセスすることができる。プロセッサは、変動性が高いか低いかを決定するための判断を行うことができる。プロセッサは、実装形態に応じて第2のフレーム特性として他のフレーム特性を使用することができる。

0040

第2のハイパースペクトルフレーム特性が有意であると評定されるならば、プロセッサは、ハイパースペクトルフレームおよびその候補目標を処理するために120で第2の探索アルゴリズムを使用することができる。本例ではプロセッサが、類似するシグネチャを伴う画素の高い変動性を算出するならば、SIDに基づく探索アルゴリズムが、最適な結果のために画像化したシーンを処理することができる。本方法では、実装形態に応じて、SAM、マハラノビス距離、ZMDA、およびバタチャリヤ距離を含むがそれらに限定されない、類似性または距離の測度に基づく他の探索アルゴリズムを使用することができる。

0041

ハイパースペクトルフレームの118での第3の特性の評定に基づいて、プロセッサは、122でその第3の特性により特徴付けられるハイパースペクトルデータを良好に作業対象とすることが知られている探索アルゴリズムを適用することができる。ハイパースペクトルフレームの118での第3の特性の評定が、第3の探索アルゴリズムがハイパースペクトルフレームを良好に作業対象とすることになることを指示しないならば、プロセッサは、ハイパースペクトルフレームを処理するために124でデフォルト探索アルゴリズムを適用することができる。一例では第3の特性は、基準目標テンプレート内の相違するシグネチャの数であり得る。プロセッサは、基準目標テンプレート内の相違するシグネチャの数を決定するために、前に追跡された目標および対応する基準目標テンプレートを含むハイパースペクトルフレーム特性にアクセスすることができる。プロセッサは、基準目標テンプレート内の相違するシグネチャの数が大きいか小さいかを決定するための判断を行うことができる。プロセッサは、実装形態に応じて第3のフレーム特性として他のフレーム特性を使用することができる。

0042

第3のハイパースペクトルフレーム特性が有意であると評定されるならば、プロセッサは、ハイパースペクトルフレームおよびその候補目標を処理するために122で第3の探索アルゴリズムを使用することができる。本例ではプロセッサが、基準目標テンプレート内の相違するシグネチャの大きな数を算出するならば、マハラノビス距離に基づく探索アルゴリズムが、最適な結果のために画像化したシーンを処理することができる。本方法では、実装形態に応じて、SAM、SID、ZMDA、およびバタチャリヤ距離を含むがそれらに限定されない、類似性または距離の測度に基づく他の探索アルゴリズムを使用することができる。

0043

フレーム特性を調査し尽くすと、プロセッサは、ハイパースペクトルフレームおよびその候補目標を処理するために124でデフォルト探索アルゴリズムを使用することができる。デフォルト探索アルゴリズムは、SAM、SID、マハラノビス距離、ZMDA、およびバタチャリヤ距離のいずれかに基づくものであり得る。本方法では、実装形態に応じてデフォルト探索アルゴリズムとして他の探索アルゴリズムを使用することができる。

0044

100での方法は、他のフレーム特性およびそれらの評定を使用する追加的なステップを実装可能である。フレーム特性を、112、114、および118での前に開示した判断ステップに続く判断ステップにデイジーチェーン方式で接続することができる。さらにプロセッサは、個別の探索アルゴリズムが、ハイパースペクトルフレームを処理するために最適に導入されているかどうかを決定するために、複数のフレーム特性を評定することができる。

0045

100での方法では、追加的な探索アルゴリズムを実装可能である。例えばプロセッサは、同時にハイパースペクトルフレーム上で複数の探索アルゴリズムを実行することができる。次いでプロセッサは、複数の探索アルゴリズムの同時処理から方法論を作成する複数基準の判断を使用する結果を単一の結果に集約することができる。

0046

図3は、探索アルゴリズムに対する許容差を選択するための200での方法の線図である。図2の116、120、122、および124で、選択した探索アルゴリズムを用いてハイパースペクトルフレームを処理するとき、所与のアルゴリズムのパラメータまたは許容差を、初期には210で1つのデフォルト値または複数の値に設定することができる。次いで探索アルゴリズムは、212でデフォルト許容差とともにハイパースペクトルフレームからのデータを処理することができる。選択した探索アルゴリズムは、216でハイパースペクトルフレームからの候補目標を基準目標テンプレートにマッチングさせることが決定される、ハイパースペクトルフレームからのハイパースペクトル画素の数を計算することができる。ハイパースペクトルフレームからの候補目標を基準目標テンプレートにマッチングさせるハイパースペクトル画素が少なすぎるならば、プロセッサは218で、選択した探索アルゴリズムに対する許容差を緩和することができ、次いで探索アルゴリズムは後で、修正した許容差を用いて再度212でハイパースペクトルフレームを処理することができる。ハイパースペクトルフレームからの候補目標を基準目標テンプレートにマッチングさせるハイパースペクトル画素が多すぎるならば、プロセッサは214で、選択した探索アルゴリズムに対する許容差を縮小することができ、次いで探索アルゴリズムは後で、修正した許容差を用いて再度212でハイパースペクトルフレームを処理することができる。容認可能な数のハイパースペクトル画素がマッチングするならば、プロセッサは220で、マッチングするハイパースペクトル画素の位置およびシグネチャを保存することができる。

0047

プロセッサは、214および218での探索アルゴリズムの許容差を修正するステップ、それに続く212での選択した探索アルゴリズムを用いてハイパースペクトルフレームを処理するステップを、216での画素のマッチングする数が容認可能な境界範囲内になるまで反復することができる。

0048

本発明の第1の実施形態によるHSI内の観測される対象を追跡し、その対象に対する検出の確率を決定するための図1の10での方法では、28での基準目標テンプレートデータベース内の既知のテンプレートに対する候補目標のスペクトルおよび空間のパラメータの分析に基づく、図1の26でのしきい値を超える候補目標に対する検出の確率に基づいて、図1の34で処置を命令することができる。この時点で各々の候補目標は、それに関連する一意的な識別子を有することが可能である。図1の10での方法をコンピュータ処理するプロセッサが、候補目標における偏移を、そのスペクトルおよび空間の特性の変化に基づいて検出するならば、プロセッサは、その目標のライフサイクルにおける有意事象として偏移を自律的にマーキングすることができる。次いでプロセッサは、新しい対象として偏移した目標を識別するための識別子を割り当てることができる。プロセッサは、すべての目標事象再検討可能なタイムラインに集約することができ、その場合人間のオペレータは、追跡される対象に新規または既存の識別子を関連付けるプロセッサの選定を評価し、場合によっては是正する能力を有する。

0049

図1の10での方法をコンピュータ処理するプロセッサは、図1の16での目標選択の時点での候補目標のハイパースペクトルおよび空間の両方の情報および特性の記述を伴う、図1の28での目標テンプレートデータベースでのエントリを生出することができる。ハイパースペクトルおよび空間の情報に加えて、図1の28での目標テンプレートデータベースは、プロセッサがHSI内の候補目標を追跡する際に時間に関する情報をさらに記憶することができる。プロセッサが、候補目標を追跡するために使用される図1の20でのスペクトルまたは空間のパラメータの偏移を検出するならば、プロセッサは、将来の再検討のために使用され得る事象として変化を分類する、図1の28でのデータベースに情報を記憶することができる。加えてプロセッサは、同一または新規のいずれかの一意的な識別子を、その定義したパラメータが元の目標と明らかに異なる新しい対象に関連付けることができる。プロセッサは、事象を割り当てる判断を、確定したパラメータからの有意の偏移を決定するための算出した信頼度測定値に基づいて行うことができる。信頼度測定値は、ハイパースペクトルおよび空間の情報でのセンシング誤差に対してロバストであるように、空間、スペクトル、または両方の領域で定義されるパラメータを使用することができる。

0050

候補目標のパラメータが、その前に確定したパラメータから有意に偏移し、事象を誘発する可能性がある多くのシナリオが存在する。そのようなシナリオには、追跡される対象が別の対象により遮蔽された状態になること、追跡される対象が複数の別々の対象に分裂すること、追跡される対象が、影に覆われた区域へと横切ることにより色、コントラスト、または明度などのその対象のスペクトル特性を有意に変化させることがあり得る。他のシナリオも存在するので、これらを限定的とみなすべきではない。プロセッサがそのような事象の前後で候補目標を関連付けることができないならば、プロセッサは、事象の前に候補目標に対して使用された同じ識別子を、事象の後で1つまたは複数の新しい候補目標に関連付け、目標の喪失または誤った標識付けの可能性をなくすことができる。

0051

図4aおよび図4bは、1つのそのような例としてのシナリオを明示する。図4aは、本発明の実施形態によるHSI内の観測される対象を追跡し、その対象に対する検出の確率を決定するための方法が、路上を走行する2つの車両310、312を検出し追跡した、300での例としてのシナリオを示す。図1の10での方法を実装するプロセッサは、図1の12での受け取ったハイパースペクトルデータを、図1の16で候補目標を選択するために、図1の14でハイパースペクトルフレームのシーケンスに処理する。図1の20で、候補目標を図1の28での基準目標テンプレートデータベース内のテンプレートと比較すると、図1の24でのマッチングの程度および検出の確率の結果として得られる算出値は、有意であり、図1の34での処置を誘発する。プロセッサは、各々の車310、312に、図1の28での基準目標テンプレートデータベースに記憶され得る目標識別子を割り当てる。

0052

図4bは、本発明の実施形態によるHSI内の観測される対象を追跡し、その対象に対する検出の確率を決定するための方法が、追跡される対象の変化を検出したシナリオを示す。図4bが明示する事象は、前に識別された候補目標のうちの1つである図4Aでの車310が、木324の影318の下を走行し、そのことによって、図4Aでの追跡される車310のスペクトル特性を有意に変化させるというものである。加えてこの場合、第2の類似する車が、図4Aでの前に追跡された車310の隣で走行している。図1での10としての方法をコンピュータ処理するプロセッサはこの場合、車314または316のどちらが図4Aでの前に追跡されかつ識別された車310であるかを低い信頼度で区別する可能性がある。プロセッサは、前に追跡された車の識別子に関連し得る識別子を用いて車314および316の両方を識別するように、かつ両方の対象に対して図1の28でのデータベースに事象の時間をロギングするように、図1の34で処置を取ることができる。

0053

前に識別された候補目標の第2のものである図4Aでの車312は駐車場に停止し、搭乗者322はこの場合、停止された車両320を出る。プロセッサは、図4Aでの車312の元の対象が2つの別々に追跡可能な対象に分裂した事象を検出し識別することができる。プロセッサは、事象の前に図4Aでの車312に関連し得る識別子を用いて車320および人322の両方を識別するように、かつ図1の28でのデータベースに事象の時間をロギングするように、図1での34としての処置を取ることができる。

0054

事象に関する情報を記憶すること、および事象に関連し得る識別子を生出することに対する有益性は、システムのオペレータが、任意の目標識別子に関連する任意の目標の事象履歴呼び出すことができるということである。次いでオペレータは、すべての対象を、再検討のために対象の履歴とともに追跡されているその識別子または関連する識別子を用いて分析することができる。事象履歴は、システムが追跡される対象に対する識別子を変えた事象のすべてに関係するすべてのデータを含み得る。加えてオペレータは、ある事象で1つの目標または複数の目標に関連した識別子が正しくないならば、システムを手動で是正することができる。

0055

本明細書では、最良の形態を含めて本発明を開示するために、さらには、任意のデバイスまたはシステムを作製し使用すること、および任意の組み込んだ方法を遂行することを含めて、本発明を実践することを当業者ならば誰でも可能にするために例を使用する。本発明の特許的な範囲は、特許請求の範囲により定義され、当業者が想到する他の例を含み得る。そのような他の例は、それらの例が、特許請求の範囲の文字通りの文言と異ならない構造要素を有するならば、またはそれらの例が、特許請求の範囲の文字通りの文言と実質的な違いのない等価の構造要素を含むならば、特許請求の範囲の範囲内にあることが意図される。

0056

10ハイパースペクトルイメージ内の観測される対象を追跡し、その対象に対する検出の確率を決定するための方法
12 データを受け取るステップ
14ハイパースペクトルフレームの組を処理するステップ
16目標候補を選択するステップ
18 選択した目標対象を追跡するステップ
20データベース内のテンプレートと比較するステップ
22マッチング対を決定するステップ
24マッチング程度および検出の確率を決定するステップ
26 検出の確率がしきい値を超えるかどうかを決定するステップ
28テンプレートデータベース
30 新しいテンプレートが生出されるかどうかを決定するステップ
32候補テンプレートを放棄するステップ
34 検出に基づいて処置を取るステップ
100 ハイパースペクトル探索アルゴリズムを選択するための方法
110 フレーム特性を保存するステップ
112 第1のフレーム特性にアクセスするステップ
114 第2のフレーム特性にアクセスするステップ
116 第1の探索アルゴリズムを使用するステップ
118 第3のフレーム特性にアクセスするステップ
120 第2の探索アルゴリズムを使用するステップ
122 第3の探索アルゴリズムを使用するステップ
124デフォルト探索アルゴリズムを使用するステップ
200 ハイパースペクトル探索アルゴリズムに対する許容差を選択するための方法
210初期の許容差をデフォルト値に設定するステップ
212 選択したアルゴリズムを実行するステップ
214 許容差を縮小するステップ
216 マッチングする画素の数を決定するステップ
218 許容差を緩和するステップ
220 画素の位置およびシグネチャを保存するステップ
300 ハイパースペクトルイメージングシステムが2つの対象を検出し追跡したシナリオ
310、312、314、316 追跡される車両
318 影
320 追跡される車両
322 人
324 木

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い技術

関連性が強い 技術一覧

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ