SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

高分辨率SAR图像目标属性散射中心特征提取方法

目标属性散射中心模型是基于物理光学和几何绕射理论解的散射中心模型,该模型中提供了可供目标识别的属性散射中心特征。为了能从高分辨率SAR图像中获得这些特征,讨论了目标属性散射中心模型,研究了从高分辨率SAR图像中提取目标属性散射中心特征参数的方法。该方法是一种基于图像域的参数估计方法,它通过图像分割、模型类别选择、参数初值选择和参数优化4个步骤,得到单个散射中心的7个参数。循环进行上面的步骤,就可以从SAR图像中提取出目标所有的散射中心特征。仿真结果验证了该算法的有效性。     

基于L型结构中心线的SAR图像建筑物提取方法

针对在高分辨率SAR图像上具有明显L型结构高亮特征的建筑物目标,提出了一种提取高分辨率SAR图像建筑物L型结构中心线,并进而提取建筑物几何信息的方法.运用基于Gabor纹理特征和模糊C均值的方法对SAR图像进行分割,再结合骨架提取、骨架跟踪、最小外接矩形提取、最小二乘准则等技术实现了L型结构中心线的提取,最后利用中心线获取了建筑物的长度、宽度和方位角信息.基于机载SAR图像的实验表明,利用提出的方法从SAR图像提取的建筑物几何结构和方位信息具有较高的精度.     

基于级联CNN的SAR图像舰船目标检测算法

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.     

一种新的高分辨率SAR图像道路提取算法

针对高分辨率SAR图像中道路目标难以有效提取的问题,提出一种新的高分辨率SAR图像道路提取算法,它结合了参数化内核图割和数学形态学算法。利用参数化内核图割对高分辨率SAR图像中的道路目标进行初级分割,用数学形态学填充空洞,平滑道路边缘;基于道路的几何特征,使用矩阵度、改进的长宽比、复杂度等因子去除虚警;针对处理过程中出现的道路断裂情况,利用数学形态学提取道路目标的中心线,同时根据线段邻近性、方向一致性准则对其断裂部分进行连接,用数学形态学还原道路宽度,得到道路提取结果。实验结果表明该算法不用进行SAR图像预处理,也可以有效抑制相干斑噪声,并且能准确、较为完整地提取道路目标。     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

SAR图像中海上舰船目标自动检测新方法

针对中分辨率近岸海域SAR图像,结合已有的舰船检测算法,提出了一种新的海上舰船目标自动检测方法。该方法先根据相应的抽取算法和图像数据映射准则,分离图像中的海洋和陆地区域,并结合最大熵分割法提取海洋背景中包含候选目标的感兴趣区域,最后利用特征匹配方法检测出真正的舰船目标。对50多幅SAR图像进行了试验,其结果表明该方法能自动、快速、准确地检测出图像中舰船目标。     

融入混合注意力的可变形空洞卷积 近岸SAR小舰船检测

目的 在近岸合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中,由于陆地建筑及岛屿等复杂背景的影响,小型舰船与周边相似建筑及岛屿容易混淆。现有方法通常使用固定大小的方形卷积核提取图像特征。但是小型舰船在图像中占比较小,且呈长条形倾斜分布。固定大小的方形卷积核引入了过多背景信息,对分类造成干扰。为此,本文针对SAR图像舰船目标提出一种基于可变形空洞卷积的骨干网络。方法 首先用可变形空洞卷积核代替传统卷积核,使提取特征位置更贴合目标形状,强化对舰船目标本身区域和边缘特征的提取能力,减少背景信息提取。然后提出3通道混合注意力机制来加强局部细节信息提取,突出小型舰船与暗礁、岛屿等的差异性,提高模型细分类效果。结果 在SAR图像舰船数据集HRSID(high-resolution SAR images dataset)上的实验结果表明,本文方法应用在Cascade-RCNN(cascade region convolutional neural network)、YOLOv4(you only look once v4)和BorderDet(border detection)3种检测模型上,与原模型相比,对小型舰船的检测精度分别提高了3.5%、2.6%和2.9%,总体精度达到89.9%。在SSDD(SAR ship detection dataset)数据集上的总体精度达到95.9%,优于现有方法。结论 本文通过改进骨干网络,使模型能够改变卷积核形状和大小,集中获取目标信息,抑制背景信息干扰,有效降低了SAR图像近岸复杂背景下小型舰船的误检漏检情况。     

自适应权重金字塔和分支强相关的SAR图像舰船检测

目的 合成孔径雷达（synthetic aperture radar,SAR）图像舰船目标检测在军事、民生领域发挥重要作用。由于SAR图像背景复杂且多为小尺度舰船目标,同时图像中的相干斑噪声导致舰船目标边缘模糊,现阶段目标检测模型无法快速高效地实现目标检测任务。为了提高模型检测精度,使模型具有更好的鲁棒性,提出了自适应权重金字塔和分支强相关的SAR图像检测模型。方法 对特征提取网络提取的特征图经过采样、融合处理获得特征自适应权重,然后利用权重指导每层特征图充分融合空间位置信息和语义信息,更好地检测小尺度目标;分支强相关模块融合分类分支和回归分支的特征,对融合后的待检测特征分别采用1×1、3×3对称卷积核和1×3、3×1非对称卷积核捕获不同的舰船特征;构建IoU （intersection over union）分支,利用IoU分支作用于分类分支,避免高IoU低分类置信度的候选框被抑制,通过设置平衡因子平衡IoU分支和分类分支,使其能更好地指导回归分支优化候选框。结果 在公开的遥感数据集SSDD （SAR ship detection dataset）上实验结果表明,本文模型的检测精度达到90.53%,F₁值提升至94.35%,检测速度达到20.14帧/s。与其他SAR图像舰船目标检测算法相比有较好的检测效果。结论 实验结果表明该模型相比原始模型具有更好的检测效果,满足实时性检测需求,在SAR图像实时检测中具有实际意义。     

一种有效的SAR图像自动目标识别方法

提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。     

Time–frequency analysis for moving ship targets in GEO spaceborne/airborne bistatic SAR imaging based on a GEO satellite transmitter

The track of a synthetic aperture radar (SAR) system mounted on a geosynchronous orbit (GEO) satellite can be curvilinear. GEO spaceborne/airborne bistatic (SA-Bi) SAR, which employs a GEO satellite as a transmitter and an aeroplane that works on the ‘receive-only’ mode as a receiver, is distinct from general bistatic SAR systems. During coherent integration time, the rotation of ship targets results in a time-varying Doppler frequency shift that produces a smeared Doppler spectrum and a blurred image after Fourier transform. This article mainly studies the time–frequency characteristics of ship targets in a GEO SA-Bi SAR system. First, the geometric model of a GEO SA-Bi SAR in ship target imaging is built, and the Doppler frequency shift function induced by target rotation is derived in detail. Then, the instantaneous frequency characteristics of moving targets are analytically calculated based on the time–frequency analysis method. Moreover, a rotation target imaging strategy of GEO SA-Bi SAR based on the time–frequency analysis method is proposed and tested with simulation data, which demonstrates the correctness and effectiveness of the proposed method.     

结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取

目的 目标轮廓表征了目标形状,可用于目标方位角估计、自动目标识别等,因此提取合成孔径雷达（SAR）图像中的目标轮廓受到了人们的广泛关注。受SAR图像乘性噪声的影响,传统的目标轮廓提取方法应用在SAR图像时失效。针对这一问题,提出一种将基于边缘的活动轮廓模型和基于区域的活动轮廓模型相结合的活动轮廓模型。方法 以真实SAR图像为基础,分析了向量场卷积（VFC）活动轮廓模型以及区域竞争（RC）活动轮廓模型各自的特点和优势,发现这两个模型存在一定的互补性,因此将这两个模型进行了结合,得到了一种新的SAR图像目标轮廓提取方法。结果 基于真实SAR图像的实验结果表明,本文方法能较好地应对SAR图像信噪比较低、目标边缘模糊等特点,能准确地获得SAR图像目标轮廓。结论 本文方法可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

Three-dimensional Visual Mapping of Underwater Ship Hull Surface Using Piecewise-planar SLAM

In-water visual ship hull inspection using unmanned underwater vehicles needs to be performed at very close range to the target surface because of the visibility limitations in underwater environments mainly due to light attenuation, scattering, and water turbidity. These environmental challenges result in ineffective photometric and geometric information in hull surface images and, therefore, the performance of conventional three-dimensional (3D) reconstruction techniques is often unsatisfactory. This paper addresses a visual mapping method for 3D reconstruction of underwater ship hull surface using a monocular camera as a primary mapping sensor. The main idea of the proposed approach is to model the moderately curved hull surface as a combination of piecewise-planar panels, and to generate a global map by aligning the local images in a two-dimensional reference frame and correcting them appropriately to reflect the information of perspective projections of the 3D panels. The estimated 3D panels associated with the local images are used to extract the loop-closure relative measurements in the framework of simultaneous localization and mapping (SLAM) for precise camera trajectory estimation and 3D reconstruction results. The validity and practical feasibility of the proposed method are demonstrated using a dataset obtained in a field experiment with a full-scale ship in a real sea environment.

     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

Personalized face-pose estimation network using incrementally updated face shape parameters

In this paper, a deep learning method is proposed for human image processing that incorporates a mechanism to update target-specific parameters. The aim is to improve system performance in situations where the target can be continuously observed. Network-based algorithms typically rely on offline training processes that use large datasets, while trained networks typically operate in a one-shot fashion. That is, each input image is processed one by one in the static network. On the other hand, many practical applications can be expected to use continuous observation rather than observation of a single image. The proposed method employs dynamic use of multiple observations to improve system performance. In this paper, the effectiveness of the proposed method adopting an iterative update process is clarified through its implementation in the task of face-pose estimation. The method consists of two separate processes: 1) sequential estimation and updating of face-shape parameters (target-specific parameters) and 2) face-pose estimation for every single image using the updated parameters. Experimental results indicate the effectiveness of the proposed method.

     

Proposal-Copula-Based Fusion of Spaceborne and Airborne SAR Images for Ship Target Detection⁎⁎

In this paper, we consider the problem of fusion of synthetic aperture radar (SAR) images from spaceborne and airborne sensors and investigate its applications to inshore ship target detection. Existing SAR image fusion methods mainly focus on image denoising or texture enhancement, but show limited improvement of target-to-clutter ratios (TCRs) in composite images and lead to deteriorated target detection performance. To address this issue, we propose a new method for the fusion of spaceborne and airborne SAR images based on the target proposal and the copula theory (TPCT). In TPCT, target and clutter correspondence between different images are exploited to improve the TCRs of composite images. TPCT consists of three steps. First, target proposals are extracted from spaceborne and airborne SAR images and then fused to enhance the common ship target areas therein. Second, a new method to construct the joint probability density function (PDF) of clutter in spaceborne and airborne SAR images is presented to model the statistical dependence of clutter therein based on the copula theory. This copula-based joint PDF is used to suppress the clutter areas remained in the intersection of target proposals. Third, clues from the intersection of target proposals and the copula-based joint PDF of clutter are fused by the Hadamard product to generate the composite image with enhanced ship targets and the suppressed clutter. Experimental results based on measured spaceborne and airborne SAR data show that the proposed TPCT fusion method leads to higher TCRs of composite images and better performance in the ship detection task than other commonly used image fusion methods.     

基于自适应和最优特征的合成孔径雷达舰船检测方法

针对合成孔径雷达（SAR）目标舰船检测中对小目标检测效果不佳的问题,提出一种自适应锚框单阶段舰船检测方法。首先,在单阶段无锚框特征选择（FSAF）算法的基础上利用神经架构搜索（NAS）得到最优特征融合方式,以充分利用图像特征信息;然后提出新的损失函数,在解决正负样本不均衡的同时使网络能够更加精确地对位置进行回归;最后结合更适用于舰船检测的Soft-NMS过滤检测框得到最后的检测结果。在公开的SAR舰船检测数据集上进行了多组对比实验,结果表明,相比基础目标检测算法,所提出的方法对小目标的漏检和误报明显减少,且对靠岸舰船检测性能有一定提升。