CN107274410A - 自适应的人造目标恒虚警率检测方法 - Google Patents

自适应的人造目标恒虚警率检测方法 Download PDF

Info

Publication number
CN107274410A
CN107274410A CN201710529607.2A CN201710529607A CN107274410A CN 107274410 A CN107274410 A CN 107274410A CN 201710529607 A CN201710529607 A CN 201710529607A CN 107274410 A CN107274410 A CN 107274410A
Authority
CN
China
Prior art keywords
mrow
image
pixel
detection
man
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710529607.2A
Other languages
English (en)
Other versions
CN107274410B (zh
Inventor
罗湾
张红波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN201710529607.2A priority Critical patent/CN107274410B/zh
Publication of CN107274410A publication Critical patent/CN107274410A/zh
Application granted granted Critical
Publication of CN107274410B publication Critical patent/CN107274410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及雷达目标检测技术领域，具体提供了一种自适应的人造目标恒虚警率检测方法，首先获取SAR图像，根据阈值筛选并提取符合条件的候选区域，然后对候选区域的图像进行形态学处理，再根据图像确定各像素点的滑窗尺寸，并通过双参数恒虚警率算法对图像进行人造目标检测，最终根据设定的恒虚警检测规则得到人造目标检测结果；该方法可以自适应对目标区域进行筛选，并可以自适应的选取目标所在背景区域的尺寸，提高了目标的正确检测率和检测算法的适应性。

Description

自适应的人造目标恒虚警率检测方法
技术领域
本发明涉及雷达目标检测技术领域，特别涉及自适应的人造目标恒虚警率检测方法。
背景技术
人造目标检测是目标跟踪和识别的基础，在智能交通、城市道路检测、视频监控、遥感图像处理、军事目标的探测等方面有着广泛的应用。在SAR(合成孔径雷达)图像中，把人造目标(坦克、车辆、飞机、建筑物、舰船等)从复杂背景中分离出来，对复杂自然背景中人造目标进行实时检测，可以提高SAR对军事目标的监视、识别、定位和描述能力等侦察能力；若结合图像识别技术与红外技术，可实现精确命中目标，提升国防战略预警系统和导弹打击能力的作战效能。
当前人造目标检测的方法主要为基于统计模型的恒虚警率(CFAR)检测方法，其最早应用于人造目标检测，是最常用最有效的人造目标检测方法。其中基于背景为高斯分布的双参数CFAR算法，以参数计算简单、适应性强、局部统计特征强等优势，成为目前应用最多的方法之一，但是该方法存在一些不足：
1、由于检测门限单一，检测结果一般不理想，漏检和误检率很高；
2、目标所在候选区域的尺寸，不能自动选取，需要根据经验不断的进行仿真试验，检测效率低；
3、对于多目标的情形，干扰目标对主目标的检测有影响，检测器难以保持稳定的检测性能。
发明内容
为克服上述现有技术存在的至少一种缺陷，本发明提供了一种自适应的人造目标恒虚警率检测方法，包括如下步骤：
步骤一，获取SAR图像，SAR为合成孔径雷达，设所述SAR图像为I，求出所述SAR图像的均值，将所述SAR图像与所述SAR图像均值之差的绝对值作为成像区域的显著特征，定义该绝对值对应的图像为I′，设定像素点灰度阈值T，根据阈值T筛选并提取符合条件的候选区域，并将该候选区域转化为二值图像Ibw；
步骤二，通过公式(1)对二值图像Ibw进行形态学处理得到优化后的二值图像I″，
其中b1和b2均为目标的结构元素，b1的尺寸大于b2，对I″进行形态学重构得到重构后的二值图像Ibw′；
步骤三，根据Ibw′确定图像I中的各像素点的滑窗的尺寸；
步骤四，通过双参数恒虚警率算法对图像I进行人造目标检测，得到目标检测结果，具体人造目标检测方式为：
通过公式(2)求出检测统计量D，
其中It为待测像素的灰度值，μc、σc分别为估计的杂波均值和标准偏差，剔除图像I中各像素点对应背景中的干扰目标，干扰目标为在Ibw′图像中对应的像素值为1的像素点；
设定恒虚警检测规则为：当检测统计量D大于等于检测阈值SCFAR时，判定检测单元存在信号，当检测统计量D小于检测阈值SCFAR时，判定检测单元不存在信号，检测阈值SCFAR与虚警概率Pfa的关系式为：
其中g和b均为常量；
通过上述恒虚警检测规则得到图像I的目标检测结果二值图。
优选的，步骤三中，图像I中的各像素点滑窗尺寸的确定方式为：
若待检测像素点在Ibw′图像中对应的像素值为0，则设定该像素点的滑窗尺寸为L*L，若待检测像素点在Ibw′图像中对应的像素值为1，则以单像素点尺寸为单位逐步增大滑窗的尺寸，计算并记录该待检测像素点对应的不同尺寸滑窗的平均值，根据该平均值变化情况确定该待检测像素点对应的背景窗的尺寸。
优选的，根据平均值变化情况确定该待检测像素点对应背景窗尺寸的方式为：
当平均值变化至小于待检测像素灰度值的M倍之前的滑窗尺寸作为检测窗尺寸，或当平均值变化至大于待检测像素灰度值的N倍之前的滑窗尺寸作为检测窗尺寸，其中M的范围为0.7～1，N的范围为2～2.5。
优选的，M＝0.85。
优选的，N＝2.2。
优选的，L＝3。
优选的，步骤四中，杂波均值μc通过公式得出，标准偏差σc通过公式
得出，其中为背景窗口的第i个像素，Nc为背景窗中去除背景杂波后的像素总数。
本发明提供的自适应的人造目标恒虚警率检测方法，具有如下有益效果：
1、可以自适应对目标区域进行筛选，并可以自适应的选取目标所在背景区域的尺寸，提高了目标的正确检测率和检测算法的适应性；
2、实现过程简单、效率高，有利于进行工程化的应用。
附图说明
图1是自适应的人造目标恒虚警率检测方法的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是：下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的自适应的人造目标恒虚警率检测方法，通过自动选取背景窗口的尺寸，并去除背景中的干扰目标，进一步提高目标检测的准确率和检测效率，促进SAR图像中人造目标检测技术的工程化应用，如图1所示，该方法具体实施方式如下：
步骤一，目标候选区提取：
获取SAR图像，SAR为合成孔径雷达，设所述SAR图像为I，求出所述SAR图像的均值，将所述SAR图像与所述SAR图像均值之差的绝对值作为成像区域的显著特征，即根据像素相对于整幅图像的灰度特征差异，将图像与图像均值之差的绝对值作为显著特征，定义该绝对值对应的图像为I′，设定像素点灰度阈值T，根据阈值T筛选并提取符合条件的候选区域，并将该候选区域转化为二值图像Ibw。
步骤二，形态学处理：
为避免二值图像Ibw中缺少目标细节，通过公式(1)对二值图像Ibw进行形态学处理得到优化后的二值图像I″，
其中b1和b2均为目标的结构元素，b1的尺寸大于b2，这样处理可以在有效包含目标细节的同时保持目标形状，对I″进行形态学重构得到重构后的二值图像Ibw′，用于防止目标内部存在孔洞。
步骤三，根据Ibw′确定图像I中的各像素点的滑窗的尺寸，其具体确定方式为：
若待检测像素点在Ibw′图像中对应的像素值为0，则设定该像素点的滑窗尺寸为L*L，本实施例中优选的是，L＝3，若待检测像素点在Ibw′图像中对应的像素值为1，则以单像素点尺寸为单位逐步增大滑窗的尺寸，计算并记录该待检测像素点对应的不同尺寸滑窗的平均值，根据该平均值变化情况确定该待检测像素点对应的背景窗的尺寸，
其中该待检测像素点对应的背景窗的尺寸的具体确定方式为：当平均值变化至小于待检测像素灰度值的M倍之前的滑窗尺寸作为检测窗尺寸，或当平均值变化至大于待检测像素灰度值的N倍之前的滑窗尺寸作为检测窗尺寸，其中M的范围为0.7～1，N的范围为2～2.5，本实施例中优选的是，M＝0.85，N＝2.2。
步骤四，通过双参数恒虚警率算法对图像I进行人造目标检测，得到目标检测结果，具体人造目标检测方式为：
通过公式(2)求出检测统计量D，
其中It为待测像素的灰度值，μc、σc分别为估计的杂波均值和标准偏差，本实施例中优选的是，杂波均值μc通过公式得出，标准偏差σc通过公式得出，其中为背景窗口的第i个像素，Nc为背景窗中去除背景杂波后的像素总数；
剔除图像I中各像素点对应背景中的干扰目标，干扰目标为在Ibw′图像中对应的像素值为1的像素点；
设定恒虚警检测规则为：当检测统计量D大于等于检测阈值SCFAR时，判定检测单元存在信号，当检测统计量D小于检测阈值SCFAR时，判定检测单元不存在信号，检测阈值SCFAR与虚警概率Pfa的关系式为：
其中g和b均为常量；
通过上述恒虚警检测规则得到图像I的目标检测结果二值图。
本发明创造可应用于SAR雷达，提高SAR雷达对目标的监视、识别、定位和描述能力等能力，若结合图像识别技术与红外技术，可实现精确命中目标的效能。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种自适应的人造目标恒虚警率检测方法，其特征在于，包括如下步骤：
步骤一，获取SAR图像，SAR为合成孔径雷达，设所述SAR图像为I，求出所述SAR图像的均值，将所述SAR图像与所述SAR图像均值之差的绝对值作为成像区域的显著特征，定义该绝对值对应的图像为I′，设定像素点灰度阈值T，根据阈值T筛选并提取符合条件的候选区域，并将该候选区域转化为二值图像Ibw；
步骤二，通过公式(1)对二值图像Ibw进行形态学处理得到优化后的二值图像I″，
<mrow> <msup> <mi>I</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>=</mo> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mrow> <mi>b</mi> <mi>w</mi> </mrow> </msub> <mo>&amp;CirclePlus;</mo> <msub> <mi>b</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <msub> <mi>&amp;Theta;b</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中b1和b2均为目标的结构元素，b1的尺寸大于b2，对I″进行形态学重构得到重构后的二值图像Ibw′；
步骤三，根据Ibw′确定图像I中的各像素点的滑窗尺寸；
步骤四，通过双参数恒虚警率算法对图像I进行人造目标检测，得到目标检测结果，具体人造目标检测方式为：
通过公式(2)求出检测统计量D，
<mrow> <mi>D</mi> <mo>=</mo> <mfrac> <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>c</mi> </msub> </mrow> <msub> <mi>&amp;sigma;</mi> <mi>c</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中It为待测像素的灰度值，μc、σc分别为估计的杂波均值和标准偏差，剔除图像I中各像素点对应背景中的干扰目标，干扰目标为在Ibw′图像中对应的像素值为1的像素点；
设定恒虚警检测规则为：当检测统计量D大于等于检测阈值SCFAR时，判定检测单元存在信号，当检测统计量D小于检测阈值SCFAR时，判定检测单元不存在信号，检测阈值SCFAR与虚警概率Pfa的关系式为：
<mrow> <msub> <mi>S</mi> <mrow> <mi>C</mi> <mi>F</mi> <mi>A</mi> <mi>R</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>l</mi> <mi>n</mi> <mo>&amp;lsqb;</mo> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>f</mi> <mi>a</mi> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>l</mi> <mi>n</mi> <mn>2</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>g</mi> </mrow> <mi>b</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中g和b均为常量；
通过上述恒虚警检测规则得到图像I的目标检测结果二值图。
2.根据权利要求1所述的人造目标恒虚警率检测方法，其特征在于，步骤三中，图像I中的各像素点滑窗尺寸的确定方式为：
若待检测像素点在Ibw′图像中对应的像素值为0，则设定该像素点的滑窗尺寸为L*L，若待检测像素点在Ibw′图像中对应的像素值为1，则以单像素点尺寸为单位逐步增大滑窗的尺寸，计算并记录该待检测像素点对应的不同尺寸滑窗的平均值，根据该平均值变化情况确定该待检测像素点对应的背景窗的尺寸。
3.根据权利要求2所述的人造目标恒虚警率检测方法，其特征在于，根据平均值变化情况确定该待检测像素点对应背景窗尺寸的方式为：
当平均值变化至小于待检测像素灰度值的M倍之前的滑窗尺寸作为检测窗尺寸，或当平均值变化至大于待检测像素灰度值的N倍之前的滑窗尺寸作为检测窗尺寸，其中M的范围为0.7～1，N的范围为2～2.5。
4.根据权利要求3所述的人造目标恒虚警率检测方法，其特征在于，M＝0.85。
5.根据权利要求3所述的人造目标恒虚警率检测方法，其特征在于，N＝2.2。
6.根据权利要求2所述的人造目标恒虚警率检测方法，其特征在于，L＝3。
7.根据权利要求1所述的人造目标恒虚警率检测方法，其特征在于，步骤四中，杂波均值μc通过公式得出，标准偏差σc通过公式
得出，其中为背景窗口的第i个像素，Nc为背景窗中去除背景杂波后的像素总数。
CN201710529607.2A 2017-07-02 2017-07-02 自适应的人造目标恒虚警率检测方法 Active CN107274410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710529607.2A CN107274410B (zh) 2017-07-02 2017-07-02 自适应的人造目标恒虚警率检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710529607.2A CN107274410B (zh) 2017-07-02 2017-07-02 自适应的人造目标恒虚警率检测方法

Publications (2)

Publication Number Publication Date
CN107274410A true CN107274410A (zh) 2017-10-20
CN107274410B CN107274410B (zh) 2020-09-11

Family

ID=60071269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710529607.2A Active CN107274410B (zh) 2017-07-02 2017-07-02 自适应的人造目标恒虚警率检测方法

Country Status (1)

Country Link
CN (1) CN107274410B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564054A (zh) * 2018-04-24 2018-09-21 电子科技大学 一种基于cfar的精确溢油检测方法
CN110441766A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种机场道面fod探测雷达变门限检测方法
CN110596669A (zh) * 2019-10-12 2019-12-20 南京慧尔视智能科技有限公司 一种基于时间统计的双参数恒虚警检测方法
CN111161341A (zh) * 2019-12-31 2020-05-15 中山大学 基于isar图像的目标尺寸提取方法
CN114463619A (zh) * 2022-04-12 2022-05-10 西北工业大学 基于集成融合特征的红外弱小目标检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005983A (zh) * 2015-04-13 2015-10-28 西南科技大学 一种sar图像背景杂波建模及目标检测方法
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005983A (zh) * 2015-04-13 2015-10-28 西南科技大学 一种sar图像背景杂波建模及目标检测方法
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564054A (zh) * 2018-04-24 2018-09-21 电子科技大学 一种基于cfar的精确溢油检测方法
CN108564054B (zh) * 2018-04-24 2020-11-10 电子科技大学 一种基于cfar的精确溢油检测方法
CN110441766A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种机场道面fod探测雷达变门限检测方法
CN110441766B (zh) * 2019-07-02 2023-02-17 中国航空工业集团公司雷华电子技术研究所 一种机场道面fod探测雷达变门限检测方法
CN110596669A (zh) * 2019-10-12 2019-12-20 南京慧尔视智能科技有限公司 一种基于时间统计的双参数恒虚警检测方法
CN110596669B (zh) * 2019-10-12 2023-06-16 南京慧尔视智能科技有限公司 一种基于时间统计的双参数恒虚警检测方法
CN111161341A (zh) * 2019-12-31 2020-05-15 中山大学 基于isar图像的目标尺寸提取方法
CN111161341B (zh) * 2019-12-31 2023-03-31 中山大学 基于isar图像的目标尺寸提取方法
CN114463619A (zh) * 2022-04-12 2022-05-10 西北工业大学 基于集成融合特征的红外弱小目标检测方法
CN114463619B (zh) * 2022-04-12 2022-07-08 西北工业大学 基于集成融合特征的红外弱小目标检测方法

Also Published As

Publication number Publication date
CN107274410B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN107274410A (zh) 自适应的人造目标恒虚警率检测方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN104036239B (zh) 基于特征融合和聚类的高分辨sar图像快速舰船检测方法
US9881212B2 (en) Infrared image based early detection of oil spills in water
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN103745216B (zh) 一种基于空域特性的雷达图像杂波抑制方法
CN106170819A (zh) 一种合成孔径雷达图像舰船目标快速检测方法
CN104331886B (zh) 基于高分辨sar图像的港口区域舰船检测方法
CN101727662A (zh) Sar图像非局部均值去斑方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN107092890A (zh) 基于红外视频的舰船检测及跟踪方法
CN105319537A (zh) 基于空间相关性的航海雷达同频干扰抑制方法
CN102968799A (zh) 一种基于积分图像的快速acca-cfar sar图像目标检测方法
CN110889843B (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
CN107067039A (zh) 基于超像素的sar图像舰船目标快速检测方法
CN111611907A (zh) 一种图像增强的红外目标检测方法
CN104407346A (zh) 一种基于信息融合的移动式跑道异物监测方法
CN103020592A (zh) 一种基于局部上下文的遥感图像舰船检测虚警剔除方法
CN111047624A (zh) 图像弱小目标检测方法、装置、设备及存储介质
CN101482969A (zh) 基于同质点计算的sar图像去斑方法
CN111950498A (zh) 一种基于端到端实例分割的车道线检测方法及装置
CN105139034A (zh) 一种结合光谱滤除的船舶检测方法
CN100476866C (zh) 点源目标检测的小虚警率的试验估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant