CN108957453B - 一种基于多目标跟踪的高精度动目标成像及识别方法 - Google Patents

Abstract

本发明公开了一种基于目标跟踪的高精度动目标成像及识别方法，包括以下部分：工作在聚束模式下的SAR平台获取SARSAR视频；利用Probability Hypothesis Density多目标跟踪方法进行跟踪，估计动目标的运动参数；利用所获取的动目标运动参数对多普勒成像系数进行校正，获取去散焦和位移后精确成像的SAR图像；在所获取的精确SAR图像中进行动目标的检测识别。本发明的技术效果在于，利用视频中多目标跟踪方法获取SAR视频中动目标的运动参数，依据所获取的动目标运动参数，通过对多普勒成像系数进行校正，对图像中散焦和偏移问题进行校正，获取高精度图像，为高精度识别提供支撑。

Description

一种基于多目标跟踪的高精度动目标成像及识别方法

技术领域

本发明属于合成孔径雷达目标识别领域，尤其涉及一种基于多目标跟踪的高精度动目标成像及识别方法。

背景技术

现阶段SAR(Synthetic Aperture Radar；合成孔径雷达)目标识别技术主要依赖两方面的技术：SAR图像的成像质量和SAR图像中的目标识别算法。随着机器学习包括深度学习算法的快速发展，SAR目标识别算法日趋成熟，如基于传统机器学习的目标识别方法，通过对SAR目标特征的提取，训练诸如SVM等分类器，从而通过目标不同特征对目标进行识别；近年来随着计算能力的逐步提升，使利用深度学习的方法对目标进行检测和识别成为可能，常见的基于深度学习的SAR目标检测识别方法主要有Faster RCNN、SSD、YOLO等。然而由于SAR成像机理与光学图像不同，不同质量的成像结果对目标的识别精度的影响较大，尤其是对于动目标而言，在成像过程中由于多普勒频移容易产生动目标的散焦和位置的偏移，从而给目标特征的提取带来困难。由于SAR目标特征的不显著和易受环境影响等因素，在散焦的影响下，给动目标的识别带来极大挑战。对散焦问题处理的方法关键在于对成像系数的调整，通过对目标运动参数的估计，对成像过程的多普勒系数进行调整。目前常用的动目标运动参数估计的方法主要利用多通道SAR平台对指定区域连续照射，通过对多次成像结果目标的位置进行比对，从而获取动目标的运动参数。

传统的目标识别识别主要在所获取的SAR图像直接进行检测和识别，主要分为如下四个步骤：

步骤1：对SAR回波信号进行成像处理，并对成像后的图像进行几何校正和辐射校正与处理；

步骤2：利用目标检测如恒虚警率等算法对SAR图像中的目标进行检测，确定目标的位置并将目标切片；

步骤3：对目标的特征进行提取，如目标的几何尺寸、散射点位置、梯度等信息；

步骤4：通过对分类器的训练，利用分类器对目标进行分类。

由于SAR成像体制与光学图像不同，在对动目标成像过程中易受多普勒频移的干扰，在成像结果中存在散焦和偏移的问题。通过对动目标运动参数的估计，可对成像系数中的多普勒参数进行校正，从而获取清晰的图像。传统获取动目标运动参数的方法包括利用多通道SAR平台对同一目标区域分别进行成像，通过对多次成像的结果对目标运动参数进行估计，但由于多通道SAR平台易受工作条件限制，通常不能满足系统获取动目标运动参数的需求。不能满足进行精确识别的需求。

发明内容

发明所要解决的课题

本发明针对现有技术的不足，利用工作在聚束模式下的SAR平台可获取SAR视频的特点，公开了一种利用工作在聚束模式下的SAR平台所获得的SAR视频中多目标跟踪的方法，使得SAR成像过程中散焦减小，为目标的识别提供保证。

解决课题的手段

为解决上述技术问题，本发明采用以下技术方案。

一种基于多目标跟踪的高精度动目标成像及识别方法，包括如下步骤：

步骤1：工作在聚束模式下的SAR平台对指定区域进行连续照射并结合地理信息、SAR平台飞行参数进行成像，获取SAR图像序列，进而得到SAR视频；

步骤2：利用基于粒子滤波的PHD(Probabi lity Hypothesis Density；概率假设密度)滤波算法对SAR视频中的目标进行跟踪，获取运动目标的运动参数；

步骤3：利用所估计的目标运动参数对SAR成像过程中的多普勒参数进行校正，获取去散焦的SAR图像；

步骤4：利用恒虚警的方法对SAR图像中进行目标检测，提取疑似目标的切片，利用SVM(Support Vector Machine；支持向量机)分类器和前期训练的样本数据库进行分类，提取舰船目标；利用卷积神经网络对目标特征进行提取，进行精细识别，获取舰船具体分类信息。

作为本发明的基于多目标跟踪的高精度动目标成像及识别方法的进一步优选方案，所述步骤2具体包含如下步骤：

步骤2.1，利用CFAR(Constant False-Alarm Rate；恒虚警)方法对视频中第一帧图像中舰船目标进行检索：以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标，对检测出来的疑似目标区域进行切片，提取疑似区域；

步骤2.2，利用人工提取的方法对疑似区域的几何、轮廓、梯度进行提取；

步骤2.3，从k＝2时刻起，利用基于粒子滤波的PHD滤波器中概率预测模型对目标当前时刻的状态概率模型进行预测，其公式为：

其中，D为当前时刻(k)整体目标概率密度状态，X为目标状态量的集合，Z为目标观测量的结合，

为k时刻预测的第i个粒子的状态量，

代表状态传递方程，

代表前时刻的存在的目标传递方程，

代表前时刻被遮挡的目标传递方程，γ_k(X_k)代表当前时刻新出现的目标分布状态；

步骤2.4，利用PHD滤波器中概率观测模型对目标当前时刻所估计的状态概率模型进行校正，其公式为：

其中，

代表漏检率，k_k代表该时刻的噪声参数，其中，粒子的相似度概率

为利用单类支持向量机结合前期训练所得的舰船目标样本特征库计算所得；

步骤2.5，对粒子的权重进行重采样。

作为本发明的基于多目标跟踪的高精度动目标成像及识别方法的进一步优选方案，步骤3利用步骤2中所获得的目标的运动参数结合步骤1中所获得的SAR回波信息，对成像系数进行校正，从而在二次成像过程中获得去散焦的图像；其中，距离徙动量可表示为：

其中，V_x为运动目标的径向速度，径向加速度为a_x，R₀为方位0时刻最近斜距，V_a为SAR平台的方位向速度，f_a为多普勒中心频率，λ为载波波长。在距离多普勒域中依据上式进行距离插值运算，可对图像完成距离徙动校正；

对距离徙动校正后的回波信号进行方位向匹配滤波即可实现方位向聚焦，匹配滤波器为：

由于目标运动的存在，式中多普勒频率f_a的中心为

多普勒调频率K_a为

作为本发明的基于多目标跟踪的高精度动目标成像及识别方法的进一步优选方案，步骤4具体步骤如下：

步骤4.1，利用恒虚警方法对图像中舰船目标进行检索：依据舰船尺寸等先验知识，选择一定尺寸的滑窗寻找舰船目标，即当以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标。对检测出来的疑似目标区域进行切片，提取疑似区域，完成指定海域的舰船检测；

步骤4.2，对获取的精细成像后的SAR图像中海面舰船目标进行分层识别：提取疑似目标的几何、轮廓和梯度特征，利用SVM分类器对目标进行识别，为降低运算量，剔除虚警信息，其中虚警信息包含海岛、养鱼场、海岸、钻井平台和噪声；

步骤4.3，对舰船目标进行精细识别：利用基于深度学习的卷积神经网络对疑似目标的特征进行自动提取，获取舰船目标的特征，利用SVM和先验样本库中利用卷积神经网络提取的特征对舰船目标切片进行精细识别，区分不同类型舰船的舰船型号。

发明效果为：

本发明涉及利用视频中多目标跟踪的方法进行SAR重聚焦成像的方法，该方法利用工作在聚束模式下的SAR平台对指定区域进行连续照射，从而获取SAR视频，通过对视频中动目标的跟踪对目标的运动参数进行估计，利用所估计出的目标参数对成像过程中的多普勒参数进行校正，可有效解决成像过程中由多普勒频移造成的动目标的散焦和偏移问题，为船舶目标的精确识别提供了可行的技术路线；

利用视频中多目标跟踪方法获取SAR视频中动目标的运动参数，依据所获取的动目标运动参数，通过对多普勒成像系数进行校正，对图像中散焦和偏移问题进行校正，获取高精度图像，为高精度识别提供支撑。

附图说明

图1是说明本发明的动目标成像及识别方法的简要流程框图。

图2是工作在聚束模式下的SAR平台对指定海域进行连续照射示意图。

图3是多普勒频移示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰和完整，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，仅仅用于解释本发明，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成果前提下所获得的其他实施例，都属于本发明保护的范围。

参照图1，具体说明本发明的基于多目标跟踪的视频SAR海面目标识别方法，其具体包括以下步骤：

步骤1，如图2利用工作在聚束模式下的SAR平台对指定的区域进行连续照射，获得图像序列，其具体子步骤为：

(1.1)将SAR平台调整为聚束模式，对指定海域进行连续照射；

(1.2)利用地理信息等先验信息对所获取的图像序列进行标定，对图像进行几何校正，从而获取对目标区域的连续视频；

步骤2，利用多目标跟踪的方法视频中的目标进行跟踪，从而获取视频中动目标的运动参数，具体子步骤为：

(2.1)将所获取的SAR视频分割成图像，并通过对不同帧率的采样，选取最合适的采样帧率，并将所得图像序列按时间t排序t＝{1,2,…,k}；

(2.2)利用恒虚警(CFAR)方法对第一帧图像中的SAR目标进行检测，获得SAR目标的位置，其中包括目标在图像中横、纵轴的象素点位置及长、宽等几何信息{x_xk，x_yk，x_hk，x_wk}；

(2.3)从k＝2时刻起，通过基于粒子滤波的PHD滤波器中状态预测模型，对目标位置和几何信息进行预测：

其中

代表状态传递方程，

代表前时刻的存在的目标传递方程，

代表前时刻被遮挡的目标传递方程，γ_k(X_k)代表当前时刻新出现的目标分布状态。假设总粒子数设为N，则在k时刻所获得的粒子集为：

其中，粒子的权重为，其中，J_k为新生粒子个数：

(2.4)利用前期所提取的目标特征对构建观测矩阵

其中，M为训练集样本数，z为样本的特征矩阵，包含样本的几何信息、HOG、SIFT等梯度信息；

(2.5)通过PHD滤波的观测方程，计算出每个粒子更新后的权重：

其中，

代表漏检率，k_k代表该时刻的噪声参数；

(2.6)通过给预测的粒子位置信息加权计算出当前时刻下目标的位置；

(2.7)为防止目标周围的粒子权重过高而引起的新目标的漏检，将所有粒子进行重采样，其权重设为1/N；

(2.8)通过相邻两时刻获取的目标的位置信息{x_xk-1，x_yk-1，}，{x_xk，x_yk，}获取动目标的速度{v_xk，v_yk}。

步骤3利用所获取的动目标的速度对成像过程中的多普勒参数进行校正。运动目标的运动参数可以分解为径向速度、径向加速度、方位向速度及方位向加速度4个分量。在机载正侧视SAR合成孔径时间内，运动目标的回波表达式与静止目标相同，单点目标基带回波表达式可以表示为：

其中，A₀为回波反射系数；ω_r和ω_a分别为回波在距离向及方位向的包络，不影响回波成像处理，因此可以用A₁和C代替；t_a为方位向时间，t_r为距离向时间；R(t_a)为雷达与目标间的瞬时斜距。

与静止目标相比，运动目标由于自身存在相对于雷达平台的额外运动，其瞬时斜距公式与静止目标有所不同。假设SAR运动目标的径向速度为V_x，径向加速度为a_x，方位向速度为V_y，方位向加速度为a_y。方位0时刻最近斜距为R₀，经过t_a时间后目标从P点运动到P₁。则瞬时斜距R(t_a)的表达式为：

将上式进行泰勒展开，由于加速度的存在，保留展开项至t_a的三次项，可得：

得到回波信号为：

需要校正的RCM由上式中sinc函数给出，其中t_a的一次项为距离走动，二次项为距离弯曲，如果忽略目标方位速度和径向加速度对于目标距离弯曲产生的影响，只考虑补偿载机运动的影响，并将距离压缩像变换至距离多普勒域，距离徙动量可表示为：

在距离多普勒域中依据上式进行距离插值运算，可对图像完成距离徙动校正。

对距离徙动校正后的回波信号进行方位向匹配滤波即可实现方位向聚焦，匹配滤波器为：

由于目标运动的存在，式中多普勒频率f_a的中心为

多普勒调频率K_a为

针对通过校正后的压缩回波信号，可进行二次精确成像，从而为下一步骤中SAR图像中目标的检测识别做准备。

步骤4：通过步骤3，已获取精细成像的SAR图像，可利用机器学习的方法对SAR图像中的目标进行检测识别，其具体实施方法如下：

(4.1)利用恒虚警方法对图像中舰船目标进行检索：依据舰船尺寸的先验知识，选择一定尺寸的滑窗寻找舰船目标，即当以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标，对检测出来的疑似目标区域进行切片，提取疑似区域。

(4.2)利用人工提取的方法，提取疑似目标切片的几何尺寸、HOG、SIFT等特征，利用SVM与先验训练好的样本库进行分类识别，将目标切片进行粗略分类，排除海岛、养鱼场、海岸、钻井平台和噪声等虚警信息，剩余的即为舰船目标。

(4.3)利用卷积神经网络对目标的特征进行提取，获取舰船目标的特征，利用SVM和先验样本库中利用卷积神经网络提取的特征对舰船目标切片进行精细识别，区分军舰和民船等舰船型号。

通过以上步骤，可实现海面舰船的精细识别。如图3所示，该方法通过视频中多目标跟踪的方法获取了运动目标的运动参数，在二次成像过程中对成像系数进行校正，解决了SAR成像过程中由于动目标多普勒频移引起的散焦和位移的问题，获取了精度较高的SAR成像结果。在目标识别过程中，采用了分层识别的方法，先利用传统机器学习的方法剔除虚警和噪声，再通过基于深度学习的卷积神经网络对目标进行精细识别，获取目标的详细识别结果，在保证识别精度的同时，减小了计算量，对SAR海面舰船目标的检测识别处理具有重要意义。

Claims (3)

1.一种基于多目标跟踪的高精度动目标成像及识别方法，其特征在于，包括如下步骤：

步骤1：工作在聚束模式下的SAR平台对指定区域进行连续照射并结合地理信息、SAR平台飞行参数进行成像，获取SAR图像序列，进而得到SAR视频；

步骤2：利用基于粒子滤波的PHD滤波算法对SAR视频中的目标进行跟踪，获取运动目标的运动参数；

步骤3：利用所估计的目标运动参数对SAR成像过程中的多普勒参数进行校正，获取去散焦的SAR图像；

步骤4：利用恒虚警的方法对SAR图像中进行目标检测，提取疑似目标的切片，利用SVM分类器和前期训练的样本数据库进行分类，提取舰船目标；利用卷积神经网络对目标特征进行提取，进行精细识别，获取舰船具体分类信息；

其中，所述步骤2具体包含如下步骤：

步骤2.1，利用CFAR方法对视频中第一帧图像中舰船目标进行检索：以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标，对检测出来的疑似目标区域进行切片，提取疑似区域；

步骤2.2，利用人工提取的方法对疑似区域的几何、轮廓、梯度进行提取；

步骤2.3，从k＝2时刻起，利用基于粒子滤波的PHD滤波器中概率预测模型对目标当前时刻的状态概率模型进行预测，其公式为：

其中，D为当前时刻(k)整体目标概率密度状态，X为目标状态量的集合，Z为目标观测量的结合，

为k时刻预测的第i个粒子的状态量，

代表状态传递方程，

代表前时刻的存在的目标传递方程，

代表前时刻被遮挡的目标传递方程，γ_k(X_k)代表当前时刻新出现的目标分布状态；

步骤2.4，利用PHD滤波器中概率观测模型对目标当前时刻所估计的状态概率模型进行校正，其公式为：

其中，

代表漏检率，k_k代表该时刻的噪声参数，其中，粒子的相似度概率

为利用单类支持向量机结合前期训练所得的舰船目标样本特征库计算所得；

步骤2.5，对粒子的权重进行重采样。

2.根据权利要求1所述的基于多目标跟踪的高精度动目标成像及识别方法，其特征在于：步骤3利用步骤2中所获得的目标的运动参数结合步骤1中所获得的SAR回波信息，对成像系数进行校正，从而在二次成像过程中获得去散焦的图像；其中距离徙动量可表示为：

其中，V_x为运动目标的径向速度，径向加速度为a_x，R₀为方位0时刻最近斜距，V_a为SAR平台的方位向速度，f_a为多普勒中心频率，λ为载波波长；

在距离多普勒域中依据上式进行距离插值运算，可对图像完成距离徙动校正；

对距离徙动校正后的回波信号进行方位向匹配滤波即可实现方位向聚焦，匹配滤波器为：

由于目标运动的存在，式中多普勒频率f_a的中心为

多普勒调频率K_a为

V_a为SAR平台的方位向速度，V_y为运动目标的方位向速度。

3.根据权利要求1所述的基于多目标跟踪的高精度动目标成像及识别方法，其特征在于：步骤4具体步骤如下：

步骤4.1，利用恒虚警方法对图像中舰船目标进行检索：依据舰船尺寸等先验知识，选择一定尺寸的滑窗寻找舰船目标，即当以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标；

对检测出来的疑似目标区域进行切片，提取疑似区域，完成指定海域的舰船检测；

步骤4.2，对获取的精细成像后的SAR图像中海面舰船目标进行分层识别：提取疑似目标的几何、轮廓和梯度特征，利用SVM分类器对目标进行识别，为降低运算量，剔除虚警信息，其中虚警信息包含海岛、养鱼场、海岸、钻井平台和噪声；

步骤4.3，对舰船目标进行精细识别：利用基于深度学习的卷积神经网络对疑似目标的特征进行自动提取，获取舰船目标的特征，利用SVM和先验样本库中利用卷积神经网络提取的特征对舰船目标切片进行精细识别，区分不同类型舰船的舰船型号。

Images