视频SAR成像与动目标阴影检测技术

视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。      

一种稳健的视频SAR动目标阴影检测与跟踪处理方法

视频合成孔径雷达(VideoSAR)可获取观测场景高帧率图像序列,利用车辆等地面运动目标在图像序列中形成的阴影能够实现动目标状态感知,该方法具有定位精度高、检测概率高、无最小可检测速度限制等优点。针对视频SAR动目标阴影变化剧烈、信杂噪比低、多普勒模糊干扰等特有的图像特征,该文充分利用帧图像空间域和时间域信息,研究了视频SAR数据预处理、动目标阴影检测和视频SAR多目标跟踪方法。实测数据全流程处理结果验证了该文方法的有效性。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法.该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的"亮线"特征进行检测.与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势.最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性.     

机载视频合成孔径雷达成像技术研究

机载视频合成孔径雷达(ViSAR)工作在太赫兹波段,具有5 Hz以上的无孔径交叠成像帧率。其采用一发四收系统架构,具备合成孔径雷达(SAR)成像、地面动目标检测(GMTI)和干涉合成孔径雷达(InSAR)测高等功能,兼具光学传感器成像速度快以及微波雷达环境与气候适应性好等优势。论文介绍了机载视频合成孔径雷达研究进展,实验表明,其成像分辨率优于0.2 m,合成孔径时间可缩短至0.2 s。利用阴影信息可以对运动目标(如卡车等)进行检测,结合传统的GMTI与InSAR技术,实现对复杂运动目标的成像、跟踪和定位。     

基于卷积神经网络的动目标检测

合成孔径雷达(SAR)动目标检测技术是雷达信号处理领域中的重要技术。文中利用深度学习高维特征提取能力，提出了一种基于卷积神经网络(CNN)的多通道SAR地面动目标检测算法，并针对雷达实测数据较少、动目标样本难以获得的问题，提出了基于仿真-实测混合样本集的网络训练方法完成网络的高精度训练。实测数据检测结果表明，此类方法能够有效地完成地面动目标检测，与传统动目标检测方法相比，具有显著的优势。     

一种机载前视SAR动目标检测方法

当机载雷达接收天线阵面处于前视时,由于接收天线之间没有沿航迹基线,致使已有的基于沿航向基线的合成孔径雷达(SAR)动目标检测方法如DPCA,ATI方法无法应用。此外,由于在前视条件下地杂波的多普勒频率与空间角频率呈现非线性关系,从而给地面运动目标的检测带来困难。针对该问题提出了一种机载前视阵雷达SAR地面运动目标检测定位方法,该方法在短脉冲条件下利用降维空时自适应处理(STAP)技术对杂波进行抑制,然后采用最优波束形成方法对动目标进行径向速度搜索。该方法能够实现在前视SAR条件下的地面动目标检测。仿真实验结果验证了该方法的有效性。     

基于DPCA和干涉技术的SAR动目标检测

通过分析相位中心偏置天线(DPCA)技术和干涉处理的优点和缺点,该文提出了一种用三孔径合成孔径雷达(SAR)对地面运动目标进行检测的新方法。该方法不仅能够检测出动目标,还能够精确估计动目标参数,即确定出动目标的真实位置和运动速度,然后对动目标聚焦成像。该文方法简单,运算量小,通过计算机仿真数据验证了该文算法的正确性和有效性。     

基于阴影检测的单幅高分辨SAR图像动目标检测方法

本文根据合成孔径雷达(SAR)运动目标的成像特点,提出了一种基于单幅高分辨率SAR图像的动目标检测方法。运动目标所成SAR图像是散焦的,同时偏离其真实位置,并在其真实位置处留下与目标大小近似的"阴影"区域。通过该阴影区域来实现运动目标的检测,没有盲速的限制,这种独立于回波的检测方法,使检测过程简单化。再结合道路辅助信息,可以完成运动目标的检测,精确定位以及参数的估计。     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

一种基于纹理的车辆阴影消除新算法

基于对智能交通系统(ITS,Intelligent Transport Systems)中视频检测的研究和分析,特别针对其中关键步骤之一的阴影消除展开深入探讨,分析了阴影产生的原理和特点,阐述了现有的阴影去除算法,在现有算法的基础上提出了一种基于区域聚类的阴影消除算法.实践证明,该方法能够较好的去除运动车辆的阴影,保留...     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

基于统计的灰度视频自适应背景建模算法

针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。     

基于弹跳射线法的海上目标快速成像与识别算法

合成孔径雷达(Synthetic Aperture Radar,SAR)以全天候、全天时的观测能力,在军事和民用领域有着广泛的应用背景。考虑到SAR研究的成本和效率以及SAR图像在目标检测领域的应用,SAR图像的仿真技术发挥了重要优势。针对传统成像方法耗时较长的问题,本文利用基于弹跳射线法（SBR）的快速成像技术以达到快速获取大批量SAR图像的目的。为了更加精准地识别SAR图像中的目标,在Faster RCNN目标检测网络的基础上,根据真实舰船目标改变候选框的初始尺寸以及利用特征融合的方式对原算法框架加以改进。最后,在Faster RCNN框架中加入特征金字塔结构（Feature pyramid networks,FPN）,进一步提高目标识别算法对SAR图像中的舰船目标检测和识别的能力。      

基于颜色空间转换的运动目标检测与阴影去除

针对室内视频监控中运动目标检测常出现的阴影误检,提出了一种基于颜色空间转换的自适应背景建模和阴影消除算法.在RGB空间采用自适应背景差对视频图像进行前景背景分离,并将检测出的前景目标锁定在活动轮廓矩形框内进行目标跟踪,对于误检的虚假目标(即阴影),利用其亮度等信息,在HSV空间去除.经实验验证,该算法对阴影的去除有良好的效果,能准确检测出真实目标.     

多特征辅助的SAR-GMTI雷达扩展动目标检测方法

在远程监视模式下,高分辨率SAR-GMTI雷达系统面临目标扩散、信噪比低等挑战,传统基于点目标检测方法性能恶化明显.本文提出一种目标形状与阴影辅助的高分辨率SAR-GMTI雷达扩展动目标检测方法.该方法首先对杂波抑制后的残差图聚类并生成目标形状信息;然后依据目标阴影形成的几何模型计算与目标形状相匹配的阴影模板,并利用目标径向速度估计值生成阴影位置匹配条件;最后综合利用阴影形状、位置及幅度信息,剔除不符合匹配条件的虚假目标,降低虚警.仿真验证了所提方法对低信噪比扩展目标检测性能的改善.     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。