[發明專利]融合統計顯著性的高分辨率SAR影像車輛目標檢測方法

有效

• 申請號: 202010474473.0
• 申請日: 2020-05-29
• 公開（公告）號: CN111666854B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 徐新;楊瑞;李曦嶸;眭海剛;徐川
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/46;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種融合統計顯著性的高分辨率SAR影像車輛目標檢測方法，包括讀入高分辨率單極化SAR影像，根據車輛目標中車體區域和陰影區域的成像特性，利用有向均值差濾波器提取影像中具有顯著統計特征的區域；原始SAR數據與統計特征顯著性圖融合，以用于采用深度神經網絡框架對車輛目標進行檢測，通過融合特征有利于目標檢測模型將注意力放在具有顯著統計特征的區域；訓練目標檢測模型，包括選擇訓練樣本，以融合特征為輸入，訓練獲得車輛目標檢測的模型；所述目標檢測模型是改進的YOLOv3模型，改進方式為在網絡輸入端提取原始SAR影像與有向均值差濾波結果，并進行特征融合；利用訓練好的目標檢測模型，在待檢測的高分辨率單極化SAR影像中進行車輛目標檢測。

技術領域

本發明屬于合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像目標識別技術領域，更進一步涉及融合統計顯著性的高分辨率SAR影像車輛目標檢測方法。

背景技術

SAR是一種微波成像雷達，通過主動發射、接收電磁波，能夠實現全天時、全天候對地觀測，為地物目標的解譯提供了豐富的散射信息。SAR已發展有星載、機載、無人機載等多種系統平臺，其成像性能也從中低分辨率向高分辨率發展，使得SAR具備了對艦船、坦克、車輛等眾多目標(地面或海面的，固定或機動的目標)進行探測和識別的能力。SAR影像車輛目標(如汽車、卡車、坦克等)檢測在軍事領域具有重要的研究和應用價值，對陸上戰術戰略目標的探測與識別發揮重要作用。

傳統SAR影像目標檢測一般分為目標檢測、鑒別和分類三個步驟。其中目標檢測用于選出可能為目標的候選區域，目標鑒別進一步去除自然雜波虛警等非目標區域，目標分類最終確定目標類型。根據目標與雜波的散射特性不同所表現出的特征差異，傳統SAR影像目標檢測主要分為以下幾類：(1)基于對比度的一類目標檢測方法(2)基于圖像其他特征的一類目標檢測方法(3)基于復圖像特征的一類目標檢測方法。在中低分辨率的SAR影像中，車輛目標具有高亮的灰度值，與背景具有明顯差異，因此基于對比度的一類目標檢測方法，特別是恒虛警率檢測(Constant False Alarm Rate，CFAR)算法是最為常用的一類方法。CFAR算法根據經典的統計檢測理論，在給定的虛警概率條件下，首先根據目標所處周圍背景雜波的統計特性自適應求取檢測閾值，然后將待檢測像素和自適應閾值進行比較，判斷其是否為目標點；通過參考窗口的滑動，實現對所有像素的自適應檢測。在高分辨率SAR圖像中，由于感興趣目標呈現分布式，因而為了去除目標像素對雜波模型參數估計的影響，絕大多數CFAR算法是在參考滑窗中根據目標大小設立保護區域(或稱警戒區域)。基于不同的背景雜波建模假設和門限設計策略，CFAR系列算法在SAR影像目標檢測具有良好的表現，是傳統SAR影像目標檢測方法中廣泛使用、最為經典的方法之一。隨著深度學習的發展，深度學習方法在目標檢測領域取得了巨大突破，許多SAR影像車輛目標檢測的研究借鑒了自然圖像、光學影像中目標檢測的思路，取得了突出的識別效果，現有的深度學習方法，如FastR-CNN(Fast Region-Convolutional Neural Network)，YOLO(You Only Look Once)，SSD(Single Shot MultiBox)，DRBox(Rotaition Invariant Detector with RotatableBounding Box)等，在經典的SAR影像車輛數據集MSTAR中識別準確率可高達99％以上。