CN111208479B - 一种降低深度网络检测中虚警概率的方法 - Google Patents

Abstract

本发明属于视频SAR运动目标检测跟踪技术，具体涉及一种降低深度网络检测中虚警概率的方法。本发明提出了一种基于结合传统检测中的帧间信息降低深度网络检测虚警的方法：首先，基于VideoSAR的成像图像制作数据集，通过计算速度范围且以速度范围作为标签对于运动目标形成的阴影进行标签，并应用于深度网络进行检测。再预训练好的模型对视频中的后续帧进行检测得出初步检测结果，然后使用检测出的速度范围得到前后帧的预测信息，并进行虚警目标的剔除。本发明相比传统的背景的构建不会损失高速目标的检测效果，同时几乎在保证检测概率的基础上有效的抑制了虚警概率。

Description

一种降低深度网络检测中虚警概率的方法

技术领域

本发明属于视频SAR运动目标检测跟踪技术，具体涉及一种降低深度网络检测中虚警概率的方法。

背景技术

运动目标检测和分析始终是合成孔径雷达(Synthetic Aperture Radar,SAR)研究领域的关键和热点。美国Sandia实验室在2003年提出了VideoSAR的成像模式，通过对场景高帧率、高分辨率成像，实现对地面的动态观测，实时掌握目标区域的相关信息。

目前，国内对VideoSAR动目标检测的研究尚处于起步阶段，从高帧率的视频图像中获取动目标并进行跟踪是关键技术。目标运动导致图像发生散焦，但多普勒频移使其在实际位置留下阴影，因此可根据阴影信息实现VideoSAR图像中动目标的检测。国内外研究人员针对SAR动目标检测提出了多种方法。

针对单幅高分辨率SAR图像进行动目标检测，通过简便的形态学方法提取道路信息并进行阴影检测，为了降低漏检，采用恒虚警技术(Constant False Alarm Rate,CFAR)在所检测距离门及附近搜索目标，最后完成目标参数估计。该方法需先通过形态学处理来提取道路这类静止且阴影面积较大的目标的边缘信息，而SAR大场景成像中的车辆因高速运动导致目标严重散焦，车辆阴影表现为较小的灰度值，该方法不能准确地提取出目标的大部分信息，造成轮廓的不完整和细节的缺失。

感兴趣区域采用计算量偏小的全局CFAR技术并结合KSW熵方法完成二值化的阈值分割，然后进行区域生长来计算相应的聚集度特征，判别区域是否包含目标。该方法针对单幅SAR图像感兴趣区域的目标进行检测，虚警和目标分离设定的阈值需根据训练样本做相应调整，鉴别特征较少，有应用的局限性。

基于CattePM模型的方式对于VideoSAR图像进行降噪处理，去除VideoSAR图像中的相干斑噪声，使用各向异性的CattePM降噪，使用中值法构建背景模型达到背景分离，通过三帧间差分法达到目标检测的目的，但是图像降噪构建背景模型时由于高速目标的阴影不明显很容易淹导致不能检测。

基于CNN网络对于VideoSAR图像的目标产生的阴影进行训练识别，由于目标产生的阴影特征较少，以及由于VideoSAR图像的存在大量噪声，以及由于检测区域存在大量反射系数低的静止非目标产生的虚假阴影，导致基于深度网络检测存在大量难以消除的虚警目标。

发明内容

本发明的目的，就是针对上述存在的问题及不足，为了克服传统视频SAR阴影检测对于高速目标检测的检测率低的问题和缺陷，以及基于深度网络VideoSAR的存在的虚警目标，提供了一种基于运动目标的速度在图像中的特征以及帧间强相关性对于深度网络的检测的虚警概率有效的降低的方法。

本发明的技术方案为：一种降低深度网络检测中虚警概率的方法，该方法基于视频SAR中提取的阴影特征，其特征在于，包括以下步骤：

S1、根据阴影长度L获取不同目标的速度并根据速度进行分类，目标的速度计算公式为：

其中，t为视频SAR每帧合成时间，B为雷达的带宽，f_c为载波中心频率，L_s为目标运动距离，L_s＝L-L_z；阴影长度L和SAR雷达成像参数σ，雷达与目标的中心距离R,成像分辨率P，成像长度l_s之间的关系为：

目标长度L_z和成像宽度l_q，成像分辨率P，雷达与目标的中心距离R，SAR雷达成像参数σ，长宽比参数k之间的关系为：

S2、根据步骤S1得到阴影长度和目标运动速度之间的计算关系得到视频图像中阴影的运动速度，并根据速度划分成若干类，并将其速度范围作为该类的标签，制作训练数据集；根据速度分类是指，设定多个速度范围，在相同速度范围内的目标为同一类；

S3、采用训练数据集对深度网络进行训练，并对目标进行阴影检测和识别阴影的速度范围初步得到检测和速度类别结果，本发明所采用的深度网络为CenterNet；

S4、对视频SAR成像帧进行帧间图像配准；

S5、通过S3检测到阴影目标速度检测标签，得到目标的速度范围v∈[v₁,v₂)，并通过步骤S1可以计算出目标在相邻若干帧的运动距离范围L_s∈[L₁,L₂)，L_s为目标运动距离，L₁L₂分别为目标运动距离的上下限值，在图像配准后，以当前检测帧为参考坐标系，以前后帧为变换坐标系，检测到当前目标的位置为

根据前后位置范围计算出前后帧存在目标的范围

通过在在前后若干帧在预测范围内检测是否存在目标来重新计算检测概率，令P为检测目标的检测概率，ω_n为第n帧的加权权值，σ_n为在第n帧的存在目标只有{0,1}两个值，其中λ为二次检测阈值，若P高于阈值则判定为检测目标，否则为虚警目标剔除，K为取相邻的帧数，P计算如下：

其中，ω_n中|n|越小则权值越高，并且满足关系：

本发明的有益效果为，通过视频SAR中帧间的强时间相关性可以剔除反射系数低的静止虚警目标，或者由于视频SAR的噪声导致的不稳定虚警目标。本发明相比传统的背景的构建不会损失高速目标的检测效果，同时几乎在保证检测概率的基础上有效的抑制了虚警概率

附图说明

图1为本发明的完成步骤框图；

图2为本实验基于速度的位置预测再判定详细框图；

图3为本实验的数据集的部分展示；

图4为实验基于本方法的检测初步效果展示。

具体实施方式

下面结合附图对本发明进行详细的描述

本发明包括以下步骤：

步骤1、预先根据车辆的速度将所有的检测目标分成若干类，视频SAR每帧合成时间t，运动速度v，运动长度L_s，SAR雷达的带宽B，载波中心频率f_c的计算关系为：

通过雷达参数和运动距离可以计算出目标运动运动速度，其中运动距离L_s，阴影长度L，目标自身长度L_z之间的计算关系：

L_s＝L-L_z

其中阴影长度L和和SAR雷达成像参数σ，雷达与目标的中心距离R,成像分辨率P，成像长度l_s之间的计算关系如下：

目标长度L_z和成像宽度l_q，成像分辨率P，雷达与目标中心距离R，SAR雷达成像参数σ，长宽比参数k之间的计算如下：

通过以上计算步骤可以通过在视频帧中的提取目标的阴影的形状可以计算出目标的速度，进而可以通过划分速度范围将目标划分若干类

步骤2、通过第一步骤中的速度划分人工提取目标并根据速度范围作为标签制作数量足够的数据集。为了测试深度网络学习的效果，这里采用了Sandia NationalLaboratories发布的视频SAR中前800有效帧作为训练集(平均一帧存在8个目标，合计6400个目标左右)，速度化为3类，分别为slow，fast,veryfast，后续200有效帧作为测试检测追踪数据集。

步骤3、基于制作的数据集进行训练，这里深度网络采用为CenterNet，

基于中心点的检测网络CenterNet,是一个端到端的独特的,简单而快速的目标检测器,而且比一些基于锚框的检测器更加准确。这里使用可以有效的检测传统方法难以检测的快速目标的阴影不明显的目标。

步骤4、由于圆周视频SAR成像帧间会存在旋转，平移，缩放等几何畸变，为了方便后续目标位置预测范围，对其进行帧间图像配准，尺度不变特征变换(Scale-invariantfeature transform以下简称SIFT)是一种计算机视觉算法，用于侦测与描叙影像中的局部性特征，在空间尺度中寻找极值点，并提取其位置，尺度，旋转不变量，SIFT特征基于物体上的局部外观兴趣点与影响的大小和旋转无关，从而对于SAR图像中存在的大量噪声具有良好的抑制效果，并且只需要3个以上即可计算出位置和方位，这里采用具体的步骤为：

(1)先通过SIFT方法得到两幅图像特征点；

(2)随后为了增强配准的鲁棒性，使用RANSAC算法对于特征点进行筛选来，对于错误的特征点进行剔除，最终得到4个特征点；

(3)最终采用单应性矩阵Homography Matrix对被配准图像进行旋转和变换使其完成对基准图像的配准。

步骤5、基于之前计算得到的运动速度范围,这里分类v_slow∈[v₀,v₁)，v_fast∈[v₁,v₂)，v_veryfast∈[v₂,v₃)，根据三类的目标速度范围，计算预测出目标在前后帧之间位置范围L_s∈[L₁,L₂)，计算过程在步骤1中有详细的推导。经过上一步的图像帧间配准后，不失一般性，以当前检测帧为参考坐标系，以前后帧为变换坐标系，检测到当前目标的位置为

那根据前后位置范围计算出前后帧存在目标的范围

计算如下：

通过在在前后若干帧在预测范围内检测是否存在目标来重新计算检测概率，令P为检测目标的检测概率，ω_n为第n帧的加权权值(正负为前后帧的标识)，σ_n为在第n帧的存在目标只有{0,1}两个值。P计算如下：

其中，ω_n中|n|越小则权值越高，并且满足关系：

这样通过视频SAR中帧间的强时间相关性可以剔除反射系数低的静止虚警目标，或者由于视频SAR的噪声导致的不稳定虚警目标。

下面通过仿真证明本发明的实用性：

定义实验环境：Intel i7-6700处理器，GTX 1080Ti显卡，Linux操作系统；

数据集：采用的为Sandia National Laboratories发布的视频拆帧得到，前800帧作为训练集，标签工具为ImgLabel。

网络架构：本发明是基于CenterNet实现，采用其他的主流CNN检测网络也是可以的。

网络参数设置：模型训练时，储视学习率0.01，并在第120个epoch和在第160个epoch衰减一次；总共学习200个epoch。

采用本发明的方法进行处理，利用测试集的深度学习检测效果，以及经过通过本发明的降低虚警的方法测试效果如附图4，可以看出本方法在保留了VideoSAR图像原生信息的同时，通过帧间信息和SAR成像原理的先验知识几乎保留检测概率的同时有效的降低虚警概率。

Claims (1)

1.一种降低深度网络检测中虚警概率的方法，该方法基于视频SAR中提取的阴影特征，其特征在于，包括以下步骤：

S1、根据阴影长度L获取不同目标的速度并根据速度进行分类，目标的速度计算公式为：

其中，t为视频SAR每帧合成时间，B为雷达的带宽，f_c为载波中心频率，L_s为目标运动距离，L_s＝L-L_z；阴影长度L和SAR雷达成像参数σ，雷达与目标的中心距离R，成像分辨率P，成像长度l_s之间的关系为：

目标长度L_z和成像宽度l_q，成像分辨率P，雷达与目标的中心距离R，SAR雷达成像参数σ，长宽比参数k之间的关系为：

S2、根据步骤S1得到阴影长度和目标运动速度之间的计算关系得到视频图像中阴影的运动速度，并根据速度划分成若干类，并将其速度范围作为该类的标签，制作训练数据集；根据速度分类是指，设定多个速度范围，在相同速度范围内的目标为同一类；

S3、采用训练数据集对深度网络进行训练，并通过训练好的深度网络对目标进行阴影检测，获得目标阴影的速度类别，采用的深度网络为CenterNet；

S4、对视频SAR成像帧进行帧间图像配准；

S5、通过S3检测到目标阴影的速度类别，得到目标的速度范围v∈[v₁,v₂)，并通过步骤S1计算出目标在相邻若干帧的运动距离范围L_s∈[L₁,L₂)，L_s为目标运动距离，L₁、L₂分别为目标运动距离的上下限值，在图像配准后，以当前检测帧为参考坐标系，以前后帧为变换坐标系，检测到当前目标的位置为

根据前后位置范围计算出前后帧存在目标的范围

通过在前后若干帧在预测范围内检测是否存在目标来重新计算检测概率，令P为检测目标的检测概率，ω_n为第n帧的加权权值，σ_n为在第n帧的存在目标，只有{0,1}两个值，λ为二次检测阈值，若P高于阈值则判定为检测目标，否则为虚警目标剔除，K为取相邻的帧数，P计算如下：

其中，ω_n中|n|越小则权值越高，并且满足关系：

Images