[發明專利]基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法

有效

• 申請號: 202010869102.2
• 申請日: 2020-08-26
• 公開（公告）號: CN112130146B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 張笑博;朱岱寅
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01S13/90
• 分類號: G01S13/90;G06T7/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 徐激波

1.一種基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法，其特征在于，包括以下步驟：

步驟S1、采用中值濾波法對視頻合成孔徑雷達圖像進行預處理，去除孤立噪點；

步驟S2、滑動窗口，取出子圖像，并進行Radon變換，并在Radon空間進行標準化；

步驟S3、對Radon空間進行篩選；當Radon空間的最大值大于預設閾值時，保留窗口的幾何信息；

步驟S4、判斷保留下的窗口幾何信息，將經過步驟S3處理后出現重疊的窗口合并為新的窗口；

步驟S5、重復執行上述步驟，直至滑動窗口遍歷完視頻合成孔徑雷達圖像；

步驟S6、利用步驟S5中得到的窗口信息對原圖像進行截取，獲得的子圖像作為樣本，將所述樣本輸入至GoogLeNet網絡模型并進行訓練；所述子圖像包括待檢測的動目標亮線和由人工建筑引起的虛警；通過GoogLeNet網絡的分類功能抑制虛警；將子圖像作為樣本，訓練GoogLeNet網絡模型，得到用于判別是否為動目標亮線的GoogLeNet網絡；

所述GoogLeNet網絡重置了網絡的最后三層，將全連接層結構更改為1×1×2用于識別動目標亮線和虛警；網絡訓練時，分別提取代表動目標亮線的正樣本和代表虛警的負樣本，按照7:3劃分為訓練集和測試集；設置初始學習率、訓練集的最大遍歷次數及BatchSize，采用小批量梯度下降法訓練網絡；

步驟S7、采用步驟S6所述訓練完成的GoogLeNet網絡模型進行虛警抑制。

2.根據權利要求1所述的一種基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法，其特征在于，所述步驟S2中子圖像Radon變換如下：

其中，D為子圖像平面，f(x,y)為圖像中像素點的灰度值，δ為狄拉克函數，ρ為原點到直線的垂直距離，θ為直線的垂線與x軸的夾角，R_f(ρ，θ)為子圖像對應的Radon空間；

在Radon空間進行標準化過程如下：

g(ρ,θ)＝(R_f(ρ,θ)-μ)/σ

其中μ為子圖像Radon空間的均值，σ為子圖像Radon空間的標準差。

3.根據權利要求1所述的一種基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法，其特征在于，所述步驟S3中預設閾值范圍為5-7。

4.根據權利要求1所述的一種基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法，其特征在于，所述步驟S4中合并窗口的具體方法如下：

當多個矩形窗出現重疊時，將重疊窗中橫坐標的極大值和極小值、縱坐標的極大值和極小值四個點組成新的矩形窗的四角，并用新的矩形窗替代重疊的多個窗口。

5.根據權利要求1所述的一種基于Radon變換與機器學習的視頻合成孔徑雷達動目標亮線檢測方法，其特征在于，所述步驟S7中將通過Radon變換得到的初步檢測結果輸入到GoogLeNet網絡中，保留被識別為動目標亮線的圖像。