CN107942329B - 机动平台单通道sar对海面舰船目标检测方法 - Google Patents
机动平台单通道sar对海面舰船目标检测方法 Download PDFInfo
- Publication number
- CN107942329B CN107942329B CN201711144272.9A CN201711144272A CN107942329B CN 107942329 B CN107942329 B CN 107942329B CN 201711144272 A CN201711144272 A CN 201711144272A CN 107942329 B CN107942329 B CN 107942329B
- Authority
- CN
- China
- Prior art keywords
- target
- ship
- detection
- detected
- targets
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种机动平台单通道SAR对海面舰船目标检测方法,解决了传统目标检测方法不适用于机动平台对复杂海面背景的舰船目标检测问题;实现步骤包括:对输入SAR粗聚焦图像预处理,剔除陆地等无关信息;采用自适应背景窗提取剩余海面图像中待检测目标;依目标及背景像素的统计信息,构造基于K‑lognormal双参数混合模型改进CFAR算法,实现舰船目标粗检测;利用目标径向速度判定部分舰船目标,再用目标图像熵值判定其余待检测目标,实现两步精检测,完成海面舰船目标检测。本发明构建的基于K‑lognormal双参数混合模型更加精确地描述SAR数据的海杂波区和舰船目标区,结合粗检测与精检测有效降低目标检测中的虚警率。应用于复杂海面情况下的机动平台海面舰船目标检测。
Description
技术领域
本发明属于雷达信号处理技术领域,主要涉及对海面舰船目标检测,具体是一种机动平台单通道SAR对海面舰船目标检测方法,适用于机动平台单通道SAR对海面舰船目标的检测。
背景技术
机动平台SAR对特定海域有着全天时全天候远距离宽幅的监测管理优势,具体分析舰船的位置、大小、航向、航速以及类型等参数,对海面舰船目标进行检测,在民用和军用方面都有着广阔的应用前景。
近几年,因星载SAR的广域监测能力与规律性的重访,海面舰船目标检测系统多应用于星载SAR系统。与星载SAR相比,机动平台SAR具有更好的监测灵活性,越来越多的海洋SAR监测系统装备于机动平台。
机动平台SAR受制于空间与成本等因素,常采用单通道模式。与多通道SAR系统相比,单通道SAR系统可广泛应用于无人机SAR和弹载SAR等机动平台,具有更好的灵活性以及更广阔的应用前景。但现有的针对海面舰船目标检测算法多应用于多通道SAR系统,针对单通道模式下机动平台对海面舰船目标检测的方法还处于研究初期。此外,在实际应用中,复杂的海杂波分布以及存在陆地的复杂海面情况常使传统海面舰船目标检测算法失效。
发明内容
针对上述问题,本发明的目的在于提供一种能够在复杂海面情况下有效检测的机动平台单通道SAR对海面舰船目标检测方法。
本发明是一种适用于机动平台单通道SAR对海面舰船目标检测方法,其特征在于,包括有如下步骤:
步骤1,对SAR图像预处理,剔除无关信息:输入复杂海面背景下的SAR粗聚焦图像,对该图像预处理,剔除大块陆地等无关信息,保留包含待检测目标的海面图像;
步骤2,自适应背景窗提取待检测目标:采用自适应背景窗的方法,提取预处理后剩余海面图像中的待检测目标,实现待检测目标与海面背景分离,为后续舰船目标检测提供概率分布模型参数;
步骤3,采用改进CFAR算法初步筛选疑似舰船目标:利用基于K-lognormal双参数混合模型的CFAR检测方法对待检测目标实现舰船目标粗检测,得到初始舰船目标集;
步骤4,利用目标径向速度判定部分舰船目标:对初始舰船目标集中所有待检测目标进行径向速度检测,判定待检测目标是否为舰船目标,实现对舰船目标的第一步精检测,判定初始舰船目标集中部分待检测目标为舰船目标,并且保留集合中其余未准确判定的待检测目标;
步骤5,利用目标图像熵值判定其余待检测目标:对已判定为舰船的目标进行聚焦前后的图像熵值统计,得到熵值变化率,以上述熵值变化率最小值为门限,对其余待检测目标采用ISAR聚焦前后的熵值变化率判定,实现对舰船目标的第二步精检测,完成对所输入复杂海面背景下的SAR粗聚焦图像中的舰船目标检测。
本发明解决了SAR单通道模式下对舰船目标检测的问题,适用于机动平台单通道SAR对存在陆地的复杂海面背景下的舰船目标检测。
本发明的有益效果为:
(1)本发明所提出的方法适用于单通道模式下机动平台对海面舰船目标检测,构造基于K-lognormal双参数混合模型作为CFAR检测中的背景分布,相比单一的背景模型分布更加精确、更具有潜力,并提出粗检测与精检测分级处理的方案,能够有效解决传统检测算法不适用于复杂的海杂波分布、无法应用于复杂海面背景情况下的舰船检测的问题;
(2)本发明所提出的方法能结合待检测目标尺寸自适应背景窗大小,同时避免了因滑动步长带来的虚警和漏检情况,采用粗检测与精检测相结合的方式,相比单级处理模式可进一步降低虚警率,能够实现对复杂海面情况下舰船类目标的有效检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的机动平台单通道SAR对海面舰船目标检测方法的流程示意图;
图2为机载雷达对舰船目标成像仿真几何示意图;
图3为舰船模型图;
图4为SAR粗聚焦与舰船检测结果;
图5(a)为A舰船目标数据提取结果图;
图5(b)为B舰船目标数据提取结果图;
图5(c)为C舰船目标数据提取结果图;
图6(a)为对A舰船目标ISAR精聚焦成像结果图;
图6(b)为对B舰船目标ISAR精聚焦成像结果图;
图6(c)为对C舰船目标ISAR精聚焦成像结果图;
图7(a)为实测数据的待检测SAR聚焦图;
图7(b)为参考算法舰船目标检测结果;
图7(c)为所提算法舰船目标粗检测;
图7(d)为所提算法舰船目标粗检测结果提取;
图7(e)为参考算法舰船目标检测结果提取;
图7(f)为所提算法舰船目标精检测结果提取;
图8为实测数据熵值变化率统计图。
具体实施方式
下面结合附图对本发明详细说明
实施例1
随着我国海上交通和航运的迅速发展,无人机等机动平台SAR对特定海域、港口等水运交通的监管有着全天时全天候远距离宽幅的监测管理优势。目前已有的目标检测方法多应用于多通道模式下,但机动平台因空间和成本的限制多采用单通道模式,为解决当前舰船目标检测的发展需求,本发明提出一种机动平台单通道SAR对海面舰船目标检测方法,主要适用于机动平台对包含陆地的复杂海面情况所得粗聚焦SAR图像,能够实现对复杂海面情况下舰船类目标的有效检测,参见图1,包括有如下步骤:
步骤1,对SAR图像预处理,剔除无关信息:输入机动平台SAR系统得到的复杂海面背景下的SAR粗聚焦图像,对该图像预处理,采用Otsu算法二值化图像,阈值处理后剔除大块陆地等无关信息,保留包含待检测目标的海面图像。
步骤2,自适应背景窗提取待检测目标:采用自适应背景窗的方法,提取预处理后剩余海面图像中的待检测目标,实现待检测目标与海面背景分离,得到自适应背景窗内背景像素和目标像素的均值、方差和标准差,为后续舰船目标检测提供概率分布模型参数。
步骤3,采用改进CFAR算法初步筛选疑似舰船目标:利用基于K-lognormal双参数混合模型的CFAR检测方法对待检测目标实现舰船目标粗检测,确定不同目标区域下待检测目标与背景的混合分布模型,将其作为CFAR检测中的背景分布,并设置合理虚警概率得到阈值,门限检测后初步筛选出疑似舰船目标,得到初始舰船目标集。设置合理虚警概率就是针对当前处理数据特点以及实际数据海面情况所设定的虚警概率,这属于CFAR检测中的常规操作,由此得到的阈值具体在实施例2中展开说明。
到此完成本发明对海面舰船目标的粗检测。
步骤4,利用目标径向速度判定部分舰船目标:对初始舰船目标集中所有待检测目标进行径向速度检测,判定待检测目标是否为舰船目标,实现对舰船目标的第一步精检测,判定初始舰船目标集中部分待检测目标为舰船目标,并且保留集合中其余未判定的待检测目标。
步骤5,利用目标图像熵值判定其余待检测目标:对已判定为舰船的目标进行聚焦前后的图像熵值统计,得到熵值变化率,以上述熵值变化率最小值为门限,对其余待检测目标采用ISAR聚焦前后的熵值变化率判定,实现对舰船目标的第二步精检测,完成对所输入复杂海面背景下的SAR粗聚焦图像中的舰船目标检测。
本发明所提出的方法适用于单通道模式下机动平台对海面舰船目标检测。构造基于K-lognormal双参数混合模型同时描述SAR数据的海杂波区和舰船目标区,利用混合模型作为CFAR检测中的背景分布,相比单一的背景模型分布更加精确、更具有潜力,能够有效解决传统检测算法不适用于复杂的海杂波分布、无法应用于复杂海面背景情况下的舰船检测的问题,本发明还提出粗检测与精检测分级处理的方案,相比单级处理模式可进一步降低虚警率,实现对复杂海面情况下舰船类目标的有效检测。
实施例2
适用于机动平台单通道SAR对海面舰船目标检测方法同实施例1,其中步骤3中的实现舰船目标粗检测具体包括:
(3a)依据步骤2中得到的自适应背景窗内背景像素和目标像素的均值、方差和标准差,构造确定的K分布的概率密度函数和lognormal分布的概率密度函数;
K分布的概率密度函数:
其中,x为概率密度函数自变量,L为图像视数(可由成像处理获取),Γ(·)为Gamma函数,Kν-L(·)为ν-L阶第二类修正贝塞尔函数,κ1=(μ,ν),μ为背景像素均值,..为形状参数,实际操作中一般利用背景窗内像素点的统计值替代估计值,κ1=(μ,ν)的统计值可表示为
μ=<x>
其中,<·>为期望操作;
lognormal分布的概率密度函数:
其中,κ2=(μ,σ),μ为目标像素均值,σ为目标像素标准差,μ和σ均由步骤2计算得到;
(3b)构造CFAR检测方法中描述舰船目标及背景分布的基于K-lognormal双参数混合模型为
p(x|κ)=λ1p(x|κ1)+λ2p(x|κ2)
其中,κ=(κ1,κ2,λ1,λ2),λ1+λ2=1且λ1,λ2≥0;
λ1=0时,用于描述待检测目标的自身分布特性;λ2=0时,用于描述待检测目标的背景分布特性;通过极大似然方法确定不同目标区域的λ1(λ2)值,获得待检测目标与背景的确定混合分布模型;
(3c)根据实际处理情况,设置合理的虚警概率求解下式得到阈值T
其中,Pfa为虚警概率;
(3d)利用得到的阈值T对待检测目标和背景进行门限检测,像素能量大于等于T,则判定该像素点为目标;若像素能量小于T,则判定该像素点为背景,将背景与目标分离,完成舰船目标粗检测。
实施例3
适用于机动平台单通道SAR对海面舰船目标检测方法同实施例1-2
步骤4中所述的实现对舰船目标的第一步精检测,具体包括如下步骤:
(4a)提取待检测目标数据,对数据做ISAR成像中的相关法包络对齐,得到各个目标的包络最大偏移量。
相关法包络对齐具体方法如下:
相关法包络对齐即依次以每次回波的之前所有已对齐回波之和为基准进行对齐。
设对齐基准信号为[s1,…sn,…sN]T,待对齐回波为:[s(1,m),…,s(n,m),…,s(N,m)]T,具体操作为:
先取第一次回波为对齐基准信号,即,[s1,…sn,…sN]T=[s(1,1),…,s(n,1),…,s(N,1)]T。
以对齐基准信号为基准,对齐相邻回波,计算第2次回波与基准信号的互相关函数找出R12(k)峰值对应的k值,则对齐第2次回波[s(1,2),…,s(n,2),…,s(N,2)]T的时延值为k2=k,得到对齐后的第2次回波[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T。接下来再以已对齐回波之和[s1,…sn,…sN]T=[s1,…sn,…sN]T+[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T为基准,继续计算相邻回波的互相关函数R23(k),按上述方法逐条对齐所有回波。设共有M条回波,则共对齐M-1次,得到每次对齐时延为ki,i=2…M。
实施例4
适用于机动平台单通道SAR对海面舰船目标检测方法,同实施例1-3
步骤5所述的实现对舰船目标的第二步精检测,具体包括如下步骤:
设经过舰船目标粗检测后得到的初始舰船目标集中存在Tk1个待检测目标,根据步骤4第一步精检测判定这Tk1个待检测目标中存在Tk2个舰船目标。
对Tk2个舰船的目标进行精聚焦前后的图像熵值统计,得熵值变化率ΔΦ。对未能判定的其余Tk1-Tk2个待检测目标进行第二步精检测判定,若满足下式
则可判定该目标为舰船,并剔除其他伪目标。其中,TS为已判定为舰船的目标中的最小图像熵值。
图像熵值的计算公式如下:
到此完成本发明的两步舰船目标精检测。
本发明所提出的方法结合目标尺寸自适应背景窗大小,利用基于K-lognormal双参数混合模型作为CFAR检测中的背景分布,实现舰船目标粗检测,相比单一的背景模型分布更加精确、更具有潜力,利用目标径向速度和图像熵值实现两步精检测,相比单级处理模式可进一步降低虚警率,能够实现对复杂海面情况下舰船类目标的有效检测。
实施例5
适用于机动平台单通道SAR对海面舰船目标检测方法同实施例1-4
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
参照图1所示,本发明实施例提供一种机动平台单通道SAR对海面舰船目标检测方法具体包括如下步骤:
步骤1,输入复杂海面背景下的SAR粗聚焦图像,对该图像预处理,剔除大块陆地等无关信息,保留包含待检测目标的海面图像。
步骤1具体包括:
(1a)对输入的复杂海面背景下的SAR粗聚焦图像进行滤波处理,SAR图像在图像域写为S(i,j)(i,j=0:255),其中(i,j)为对应像素点坐标;
(1b)采用Otsu算法选取最优阈值T,对SAR图像二值化处理,得到二值化图像矩阵S1(i,j)
将图像分成亮目标与暗背景两部分,实现非海面目标和海面的分离;
(1c)结合雷达成像分辨率与舰船目标实际体积分布区间,估算出二值图像中舰船体积单元数的合理分布区间Vmin~Vmax
设S1(i,j)中目标个数为n,各个目标体积单元数为Vk,k=1,2…n,判断为陆地目标的准则为
其中,Sland(i,j)为判定得到的陆地目标。
步骤2,采用自适应背景窗的方法,提取预处理后剩余海面图像中的待检测目标,并实现目标与海面背景分离,为舰船目标检测提供概率分布模型参数。
步骤2具体包括:
其中,ikmin,ikmax为第k个待检测目标的距离方位维最小、最大横坐标,jkmin,jkmax为第k个待检测目标的距离方位维最小、最大纵坐标,Lk和Wk分别为待检测目标在图像域的长宽;
(2b)设置零矩阵Sb,令Sb(ikmin-Lk:ikmax+Lk,jkmin-Wk:jkmax+Wk)=1,S为SAR粗聚焦图像滤波操作后对应的图像矩阵,对S和Sb做点乘操作得SBT=S·Sb,得各待检测目标对应的自适应背景窗口SBT;
(2c)对S和S2做点乘操作得ST=S·S2,提取目标像素,ST为滤波后的SAR粗聚焦图像中待检测目标的对应矩阵;
(2d)做矩阵减法SB=SBT-ST,分离自适应窗口中的目标和背景,提取背景像素,SB为自适应窗口下背景的对应矩阵;
(2e)提取自适应窗口中的目标和背景像素,并统计自适应窗口中背景像素和目标像素的各自对应的均值和方差,得到对应的统计分布结果。
步骤3,利用基于K-lognormal双参数混合模型的CFAR检测方法对待检测目标实现舰船目标粗检测,得到初始舰船目标集。
步骤3具体包括:
(3a)依据步骤2中得到的自适应背景窗内背景像素和目标像素的均值、方差和标准差,构造确定的K分布的概率密度函数和lognormal分布的概率密度函数:
K分布的概率密度函数:
其中,x为概率密度函数自变量,L为图像视数(可由成像处理获取),Γ(·)为Gamma函数,Kν-L(·)为ν-L阶第二类修正贝塞尔函数,κ1=(μ,ν),μ为背景像素均值,ν为形状参数,实际操作中一般利用背景窗内像素点的统计值替代估计值,κ1=(μ,ν)的统计值可表示为
μ=<x>
其中,<·>为期望操作;
lognormal分布的概率密度函数:
其中,κ2=(μ,σ),μ为目标像素均值,σ为目标像素标准差,μ和σ均由步骤2计算得到;
(3b)CFAR检测中的背景分布为基于K-lognormal双参数混合模型为
p(x|κ)=λ1p(x|κ1)+λ2p(x|κ2)
其中,κ=(κ1,κ2,λ1,λ2),λ1+λ2=1且λ1,λ2≥0;
λ1=0时,用于描述待检测目标的自身分布特性;λ2=0时,用于描述待检测目标的背景分布特性;通过极大似然方法确定不同目标区域的λ1(λ2)值,获得待检测目标与背景的确定混合分布模型;
(3c)根据实际数据处理情况,设置合理的虚警概率求解下式得到阈值T
其中,Pfa为虚警概率;
(3d)利用得到的阈值T对待检测目标和背景进行门限检测,将背景与目标分离。
步骤4,对初始舰船目标集中所有待检测目标进行径向速度检测,判定待检测目标是否为舰船目标,实现对舰船目标的第一步精检测。
步骤4具体包括:
(4a)提取待检测目标数据,对数据做ISAR成像中的相关法包络对齐,得到各个目标的包络最大偏移量。
具体方法如下:
相关法包络对齐即依次以每次回波的之前所有已对齐回波之和为基准进行对齐。
设对齐基准信号为[s1,…sn,…sN]T,待对齐回波为:[s(1,m),…,s(n,m),…,s(N,m)]T,具体操作为:
先取第一次回波为对齐基准信号,即,[s1,…sn,…sN]T=[s(1,1),…,s(n,1),…,s(N,1)]T。
以对齐基准信号为基准,对齐相邻回波,计算第2次回波与基准信号的互相关函数找出R12(k)峰值对应的k值,则对齐第2次回波[s(1,2),…,s(n,2),…,s(N,2)]T的时延值为k2=k,得到对齐后的第2次回波[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T。接下来再以已对齐回波之和[s1,…sn,…sN]T=[s1,…sn,…sN]T+[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T为基准,继续计算相邻回波的互相关函数R23(k),按上述方法逐条对齐所有回波。设共有M条回波,则共对其M-1次,每次对齐时延为ki,i=2…M。
步骤5,对已判定为舰船的目标进行聚焦前后的图像熵值统计,得到熵值变化率,以上述熵值变化率最小值为门限,对其余待检测目标采用ISAR聚焦前后的熵值变化率判定,实现对舰船目标的第二步精检测。
步骤5具体包括:
设经过舰船目标粗检测后得到的初始舰船目标集中存在Tk1个待检测目标,根据步骤4第一步精检测判定这Tk1个待检测目标中存在Tk2个舰船目标。
对Tk2个舰船的目标进行精聚焦前后的图像熵值统计,得熵值变化率ΔΦ。对未能判定的其余Tk1-Tk2个待检测目标进行第二步精检测判定,若满足下式
则可判定该目标为舰船,并剔除其他伪目标。其中,TS为已判定为舰船的目标中的最小图像熵值。
图像熵值的计算公式如下:
本发明构造了一种基于K-lognormal双参数混合模型代替CFAR检测中传统单一背景模型,可更加精确地描述SAR数据的海杂波区和舰船目标区,比单一的背景模型分布更加精确、更具有潜力,并提出了粗检测与精检测结合的分级处理方案,相比单级处理模式可进一步降低虚警率。多应用于复杂海杂波、包含陆地的复杂海面情况下的机动平台海面目标检测。
实施例6
适用于机动平台单通道SAR对海面舰船目标检测方法同实施例1-5
仿真条件、内容及实验结果说明
仿真数据说明
仿真几何模型如图2所示,使用笛卡尔坐标系描述,场景中有3个舰船目标分别为A、B和C,在仿真场景中,波束中心位置放置一个舰船目标,沿雷达视线方向和垂直于雷达视线方向各放置一个舰船目标,间隔为1km。其中舰船B和C沿着航线以10m/s速度运动,而舰船A则在原地摇摆。舰船模型如图3所示,图3中给出了舰船模型正视图、侧视图、俯视图。
仿真参数中机动平台SAR系统参数如表1所示,舰船运动参数如表2所示。
表1SAR系统参数
载频 | 9.6GHz | PRF | 2KHz |
距离带宽 | 200MHz | 高度 | 15km |
距离采样率 | 240MHz | 斜距 | 35km |
方位积累时间 | 2s | 载机速度 | 150m/s |
方位角度 | 45° | 斜视角 | 40° |
表2舰船运动参数
仿真内容和结果分析
仿真数据实验用以说明本方法中图像预处理、舰船检测中径向速度判断法以及检测舰船目标的有效性。
图4为针对图2所示仿真几何模型得到的SAR粗聚焦图像,同时也显示了舰船检测结果。图中左上方目标为舰船C,左下方目标为舰船B,右侧目标为舰船A,舰船目标A和C在同一距离单元上无法从回波数据域分开,经过粗聚焦后可在图像域上分离。由于舰船目标A没有航速,因此其最终聚焦位置位于方位中心位置,而对于舰船B和C来说两者的径向速度使得其偏离方位中心位置。
经过舰船粗检测与精检测后,SAR粗聚焦图像中的三个舰船目标被精确分离出来,并没有误判为岛屿等其他目标,如图4中矩形窗所示。也验证了本发明舰船检测中径向速度判断法的有效性。将检测结果返回原SAR图像中,得到分离出的各个舰船目标如图5所示,图5(a)为A舰船目标数据提取结果图;图5(b)为B舰船目标数据提取结果图;图5(c)为C舰船目标数据提取结果图。为了观察识别出的目标结构信息,对分离出的单个目标分别进行ISAR成像,精聚焦结果如图6所示,其中,图6(a)为对A舰船目标ISAR精聚焦成像结果图;图6(b)为对B舰船目标ISAR精聚焦成像结果图;图6(c)为对C舰船目标ISAR精聚焦成像结果图。对比图5和图6,可以清晰观察到舰船目标A、B和C的轮廓,也进一步验证了本发明舰船目标检测方法的有效性。
实施例7
适用于机动平台单通道SAR对海面舰船目标检测方法同实施例1-6,
实测数据实验
为了验证整个发明的有效性。本例中采用的实测数据为某直升机载SAR对海面港口实测数据。
其中SAR待检测聚焦图像如图7(a)所示,可以看出陆地部分聚焦良好而舰船目标等由于自身运动存在散焦。采用现有技术中的参考算法对上述待检测图像进行舰船目标检测,结果如图7(b)所示,图中右上方及右侧疑似舰船目标没有被检测出来,可见参考算法存在着一定的漏警与虚警。采用本发明方法粗检测结果如图7(c)所示,从图7(c)可见,本发明方法粗检测步骤不存在漏警但是仍然存在一定的虚警,图中矩形框标注的目标为初始舰船目标集,需要进一步检测。
为更加清晰反映舰船目标参考算法与本发明方法粗检测结果对比,本例提取参考算法结果与本发明舰船粗检测结果如图7(d)和7(c)所示,对比可以看出,本发明舰船粗检测相比于参考算法存在较多的虚警目标(虚线框所示);本发明对粗检测后的38个待检测舰船目标继续进行精检测,依据径向运动预判可确定存在5个舰船目标,其中这5个舰船目标的熵值变化值最小为0.2193,如图8中虚线所示。以此为门限对其余舰船目标进行熵值变化率统计,剔除38个目标中的18个伪目标,获得最终的20个准确舰船目标,如图7(f)所示。对比图7(f)和图7(e),可见本发明方法可有效降低目标检测中漏警情况,并有效剔除目标虚警,得到的检测结果相比参考方法更加准确有效。
以上实施例分别采用了仿真数据与实测数据验证了本发明的有效性。
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。
简而言之,本发明公开的一种机动平台单通道SAR对海面舰船目标检测方法,解决了传统目标检测不适用于机动平台对复杂海面背景情况下的海面舰船目标检测问题;实现步骤包括:对输入SAR粗聚焦图像预处理,剔除陆地等无关信息;采用自适应背景窗提取剩余海面图像中的待检测目标;根据目标及背景像素的统计信息,构造基于K-lognormal双参数混合模型作为CFAR检测中的背景分布,初步筛选疑似舰船目标,实现舰船目标粗检测;利用目标径向速度判定部分舰船目标;进一步利用目标图像熵值判定其余待检测目标,实现舰船目标两步精检测,完成对所输入复杂海面背景下的SAR粗聚焦图像中的舰船目标检测。本发明构造了一种基于K-lognormal双参数混合模型代替CFAR检测中传统单一背景模型,可更加精确地描述SAR数据的海杂波区和舰船目标区,并提出了粗检测与精检测结合的分级处理方案,有效降低目标检测中的虚警率。多应用于复杂海杂波、包含陆地的复杂海面情况下的机动平台海面目标检测。
Claims (3)
1.一种适用于机动平台单通道SAR对海面舰船目标检测方法,其特征在于,包括有如下步骤:
步骤1,对SAR图像预处理,剔除无关信息:输入复杂海面背景下的SAR粗聚焦图像,对该图像预处理,剔除大块陆地等无关信息,保留包含待检测目标的海面图像;
步骤2,自适应背景窗提取待检测目标:采用自适应背景窗的方法,提取预处理后剩余海面图像中的待检测目标,实现待检测目标与海面背景分离,为后续舰船目标检测提供概率分布模型参数;
步骤3,采用改进CFAR算法初步筛选疑似舰船目标:利用基于K-lognormal双参数混合模型的CFAR检测方法对待检测目标实现舰船目标粗检测,得到初始舰船目标集;实现舰船目标粗检测具体包括:
(3a)依据步骤2中得到的自适应背景窗内背景像素和目标像素的均值、方差和标准差,构造确定的K分布的概率密度函数和lognormal分布的概率密度函数;
K分布的概率密度函数:
其中,x为概率密度函数自变量,L为图像视数(可由成像处理获取),Γ(·)为Gamma函数,Kν-L(·)为ν-L阶第二类修正贝塞尔函数,κ1=(μ,ν),μ为背景像素均值,ν为形状参数,一般利用背景窗内像素点的统计值替代估计值,κ1=(μ,ν)的统计值可表示为
μ=<x>
其中,<·>为期望操作;
lognormal分布的概率密度函数:
其中,κ2=(μ,σ),μ为目标像素均值,σ为目标像素标准差;
(3b)构造CFAR检测方法中描述舰船目标及背景分布的基于K-lognormal双参数混合模型为
p(x|κ)=λ1p(x|κ1)+λ2p(x|κ2)
其中,κ=(κ1,κ2,λ1,λ2),λ1+λ2=1且λ1,λ2≥0;
λ1=0时,用于描述待检测目标的自身分布特性;λ2=0时,用于描述待检测目标的背景分布特性;通过极大似然方法确定不同目标区域的λ1(λ2)值,获得待检测目标与背景的确定混合分布模型;
(3c)根据实际应用情况,设置合理的虚警概率求解下式得到阈值T
其中Pfa为虚警概率;
(3d)利用得到的阈值T对待检测目标和背景进行门限检测,将背景与目标分离;
步骤4,利用目标径向速度判定部分舰船目标:对初始舰船目标集中所有待检测目标进行径向速度检测,判定待检测目标是否为舰船目标,实现对舰船目标的第一步精检测,判定初始舰船目标集中部分待检测目标为舰船目标,并且保留集合中其余未判定的待检测目标;
步骤5,利用目标图像熵值判定其余待检测目标:对已判定为舰船的目标进行聚焦前后的图像熵值统计,得到熵值变化率,以上述熵值变化率最小值为门限,对其余待检测目标采用ISAR聚焦前后的熵值变化率判定,实现对舰船目标的第二步精检测,完成对所输入复杂海面背景下的SAR粗聚焦图像中的舰船目标检测。
2.根据权利要求1所述的一种适用于机动平台单通道SAR对海面舰船目标检测方法,其特征在于,步骤4所述的实现对舰船目标的第一步精检测,具体包括:
(4a)提取待检测目标数据,对数据做ISAR成像中的相关法包络对齐,得到各个目标的包络最大偏移量;
具体方法如下:
相关法包络对齐即依次以每次回波的之前所有已对齐回波之和为基准进行对齐;
设对齐基准信号为[s1,…sn,…sN]T,待对齐回波为:[s(1,m),…,s(n,m),…,s(N,m)]T,具体操作为:
先取第一次回波为对齐基准信号,即,[s1,…sn,…sN]T=[s(1,1),…,s(n,1),…,s(N,1)]T;
以对齐基准信号为基准,对齐相邻回波,计算第2次回波与基准信号的互相关函数找出R12(k)峰值对应的k值,则对齐第2次回波[s(1,2),…,s(n,2),…,s(N,2)]T的时延值为k2=k,得到对齐后的第2次回波[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T;接下来再以已对齐回波之和[s1,…sn,…sN]T=[s1,…sn,…sN]T+[s(1-k,2),…,s(n-k,2),…,s(N-k,2)]T为基准,继续计算相邻回波的互相关函数R23(k),按上述方法逐条对齐所有回波;设共有M条回波,则共对其M-1次,每次对齐时延为ki,i=2…M;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711144272.9A CN107942329B (zh) | 2017-11-17 | 2017-11-17 | 机动平台单通道sar对海面舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711144272.9A CN107942329B (zh) | 2017-11-17 | 2017-11-17 | 机动平台单通道sar对海面舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107942329A CN107942329A (zh) | 2018-04-20 |
CN107942329B true CN107942329B (zh) | 2021-04-06 |
Family
ID=61932774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711144272.9A Active CN107942329B (zh) | 2017-11-17 | 2017-11-17 | 机动平台单通道sar对海面舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107942329B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2621448A (en) * | 2022-07-08 | 2024-02-14 | Bae Systems Plc | Improvements in and relating to radars |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594230A (zh) * | 2018-07-17 | 2018-09-28 | 电子科技大学 | 一种海船场景的合成孔径雷达图像仿真方法 |
CN110865373B (zh) * | 2019-07-08 | 2021-10-22 | 中国空间技术研究院 | 一种基于熵的单通道合成孔径雷达动目标检测方法 |
CN110929790A (zh) * | 2019-11-26 | 2020-03-27 | 山东中创软件工程股份有限公司 | 一种船舶数据筛选方法及相关装置 |
CN113835077B (zh) * | 2021-11-23 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于变脉冲重复频率的搜索雷达目标检测方法及系统 |
CN114384520B (zh) * | 2022-03-24 | 2022-07-05 | 中国人民解放军火箭军工程大学 | 一种机动平台对海面船只精细化雷达成像方法 |
CN115184934B (zh) * | 2022-07-15 | 2024-04-05 | 哈尔滨工业大学 | Sar图像成像投影平面提取方法 |
CN114966693B (zh) * | 2022-07-20 | 2022-11-04 | 南京信息工程大学 | 基于深度学习的机载舰船目标isar精细化成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104166838A (zh) * | 2014-07-16 | 2014-11-26 | 西安电子科技大学 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
CN104730505A (zh) * | 2014-12-08 | 2015-06-24 | 广西大学 | 一种多通道sar地面目标检测定位方法和装置 |
CN105354824A (zh) * | 2015-09-30 | 2016-02-24 | 西安电子科技大学 | 基于区域提取的双参数恒虚警检测方法 |
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7280942B2 (en) * | 2005-08-15 | 2007-10-09 | Mitsubishi Electric Research Laboratories, Inc. | Method for representing a combination of signals with a distribution of a single lognormal random variable |
CN105759268B (zh) * | 2016-03-24 | 2018-04-13 | 山东科技大学 | 基于多线程的sar图像cfar自适应快速检测方法 |
-
2017
- 2017-11-17 CN CN201711144272.9A patent/CN107942329B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104166838A (zh) * | 2014-07-16 | 2014-11-26 | 西安电子科技大学 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
CN104730505A (zh) * | 2014-12-08 | 2015-06-24 | 广西大学 | 一种多通道sar地面目标检测定位方法和装置 |
CN105354824A (zh) * | 2015-09-30 | 2016-02-24 | 西安电子科技大学 | 基于区域提取的双参数恒虚警检测方法 |
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2621448A (en) * | 2022-07-08 | 2024-02-14 | Bae Systems Plc | Improvements in and relating to radars |
Also Published As
Publication number | Publication date |
---|---|
CN107942329A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN101930072B (zh) | 基于多特征融合的红外弱小运动目标航迹起始方法 | |
CN109375177B (zh) | 一种用于机场场面监视雷达系统的运动目标检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN111123212B (zh) | 一种基于复杂杂波背景下的场面监视雷达的信号处理方法 | |
CN111665517B (zh) | 一种基于密度统计的单光子激光测高数据去噪方法及装置 | |
CN102663385B (zh) | 一种星上点目标检测方法 | |
CN109597065B (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN101221239A (zh) | 一种基于水平集的合成孔径雷达图像分割方法 | |
CN109188430B (zh) | 一种基于地面监视雷达系统的目标提取方法 | |
CN102879786A (zh) | 一种针对水下障碍物的检测定位方法和系统 | |
CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
CN113447926B (zh) | 一种基于车载滑轨sar成像的机场跑道异物检测方法及系统 | |
CN104834915A (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN109541601A (zh) | 基于毫米波的障碍物识别系统及其检测方法 | |
CN105574529A (zh) | 一种侧扫声纳目标检测方法 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN109100697A (zh) | 一种基于地面监视雷达系统的目标凝聚方法 | |
Qu et al. | Human-vehicle collision detection algorithm based on image processing | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
CN104199009A (zh) | 一种基于时域特性的雷达图像杂波抑制方法 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
CN111105419B (zh) | 一种基于极化sar图像的车辆船舶检测方法及装置 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 |
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 |