CN111781599A - 基于CV-EstNet的SAR运动舰船目标速度估算方法 - Google Patents

基于CV-EstNet的SAR运动舰船目标速度估算方法 Download PDF

Info

Publication number
CN111781599A
CN111781599A CN202010684656.5A CN202010684656A CN111781599A CN 111781599 A CN111781599 A CN 111781599A CN 202010684656 A CN202010684656 A CN 202010684656A CN 111781599 A CN111781599 A CN 111781599A
Authority
CN
China
Prior art keywords
estnet
sar
layer
pixels
convolution
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
CN202010684656.5A
Other languages
English (en)
Other versions
CN111781599B (zh
Inventor
张云
化青龙
姜义成
徐丹
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010684656.5A priority Critical patent/CN111781599B/zh
Publication of CN111781599A publication Critical patent/CN111781599A/zh
Application granted granted Critical
Publication of CN111781599B publication Critical patent/CN111781599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/585—Velocity or trajectory determination systems; Sense-of-movement determination systems processing the video signal in order to evaluate or display the velocity value
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种基于CV‑EstNet的SAR运动舰船目标速度估算方法，属于SAR图像处理领域。本发明针对现有对散焦和偏移的SAR舰船目标图像进行运动补偿的方式法复杂且稳定性差的问题。包括：基于三维舰船模型与射线追踪法仿真获得SAR运动舰船样本，并将SAR运动舰船样本分组为训练样本库与测试样本库；基于复数域角度构建复数域速度估计网络CV‑EstNet架构，所述CV‑EstNet架构包括一个输入层、五个卷积层、三个池化层、两个全连接层及一个输出层；采用训练样本库中的训练样本对CV‑EstNet架构进行训练，训练超参数，得到具有速度估计功能的CV‑EstNet网络模型；再采用测试样本库中的测试样本对CV‑EstNet网络模型进行测试，获得SAR舰船目标的距离向速度和方位向速度。本发明实现了SAR运动舰船目标速度估计。

Description

基于CV-EstNet的SAR运动舰船目标速度估算方法
技术领域
本发明涉及基于CV-EstNet的SAR运动舰船目标速度估算方法，属于SAR图像处理领域。
背景技术
经过多年的研究，SAR(合成孔径雷达)静止目标的检测识别技术已经趋于成熟，但SAR运动目标的检测识别问题仍需深入探讨。
同一舰船目标在静止状态下，SAR成像结果较为清晰；而在运动状态下，成像结果存在散焦和偏移现象。当舰船目标存在距离向运动时，图像有明显的位置偏移，且运动速度越大，偏移程度越大。当存在方位向运动时，图片存在一定程度的模糊，随着方位向运动速度的增大，散焦程度明显的增加。散焦和偏移的SAR舰船目标图像为后续的信息提取与识别过程，带来了极大困难。
现有对散焦和偏移的解决办法一般是通过信号处理的方式估计舰船目标的多普勒中心和多普勒调频率，进而进行运动补偿，得到清晰目标像。但该方法较为复杂，且参数效果不稳定。
发明内容
针对现有对散焦和偏移的SAR舰船目标图像进行运动补偿的方式法复杂且稳定性差的问题，本发明提供一种基于CV-EstNet的SAR运动舰船目标速度估算方法。
本发明的一种基于CV-EstNet的SAR运动舰船目标速度估算方法，包括，
基于三维舰船模型与射线追踪法仿真获得SAR运动舰船样本，并将SAR运动舰船样本分组为训练样本库与测试样本库；
基于复数域角度构建复数域速度估计网络CV-EstNet架构，所述CV-EstNet架构包括一个输入层、五个卷积层、三个池化层、两个全连接层及一个输出层；CV-EstNet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对CV-EstNet架构进行训练，训练超参数，得到具有速度估计功能的CV-EstNet网络模型；再采用测试样本库中的测试样本对CV-EstNet网络模型进行测试，获得SAR舰船目标的距离向速度和方位向速度。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，
所述SAR运动舰船样本像素大小包括128×128，舰船速度范围包括0～15m/s。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，所述超参数包括：每批次训练样本数为32，共训练7200批次，学习率为0.00005，优化方法为Adam。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，
第一个卷积层中卷积核大小为9×9像素，步长为2像素，共96个卷积核；第二个卷积层中卷积核大小为5×5像素，步长为1像素，共256个卷积核；第三个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第四个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第五个卷积层中卷积核大小为3×3像素，步长为1像素，共256个卷积核；每一个卷积层的激活函数均为cReLU激活函数。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，所述三个池化层均采用最大值池化，大小为3×3像素，步长为2像素。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，
所述训练样本与测试样本均为标准化后的SAR复图像；SAR复图像大小为128×128×1像素；
输入层对SAR复图像进行处理后，传递至第一个卷积层；
第一个卷积层将输入的图像进行处理后输出96个60×60像素大小的特征图；
第一个池化层对第一个卷积层输出的特征图进行处理，输出29×29×96像素的三维特征矩阵；
第二个卷积层对第一个池化层输出的三维特征矩阵进行处理，输出256个29×29像素大小的特征图；
第二个池化层对第二个卷积层输出的特征图进行处理，输出14×14×256像素的三维特征矩阵；
第三个卷积层对第二个池化层输出的三维特征矩阵进行处理，输出384个14×14像素大小的特征图；
第四个卷积层对第三个卷积层输出的特征图进行处理，输出384个14×14像素大小的特征图；
第五个卷积层对第四个卷积层输出的特征图进行处理，输出256个14×14像素大小的特征图；
第三个池化层对第五个卷积层输出的特征图进行处理，输出6×6×256像素的三维特征矩阵。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，
第一个全连接层包含1024个神经元，与第三个池化层输出的三维特征矩阵所映射的一维向量全连接；
第二个全连接层包含50个神经元，与第一个全连接层的1024个神经元全连接；
两个全连接层的激活函数均为cReLU激活函数。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，
对五个卷积层和两个全连接层的cReLU激活函数定义如下：
f＝cReLU(a)＝max(aR,0)+jmax(aI,0)，
即对于输入复图像a，分别对a的实部aR和虚部aI取ReLU函数输出；f为cReLU激活函数的输出。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，所述输出层有两个输出神经元，输出结果为复数；
第一个输出神经元输出结果为vr+jvr，第二个输出神经元输出结果为va+jva，其中vr代表距离向速度，va代表方位向速度。
根据本发明的基于CV-EstNet的SAR运动舰船目标速度估算方法，所述SAR运动舰船样本的80％作为训练样本，20％作为测试样本。
本发明的有益效果：本发明方法从复数域角度设计了CV-EstNet深度学习网络架构，它能充分利用SAR图像的幅度和相位信息，实现SAR运动舰船目标速度估计，估计出SAR舰船目标的距离向速度和方位向速度。
本发明整体上包括三个部分，SAR运动舰船样本、CV-EstNet网络架构及速度估计；SAR运动舰船样本部分负责仿真生成大量舰船目标运动状态下的SAR图像，构成训练样本库和测试样本库，CV-EstNet网络架构给出网络设计结构，速度估计部分基于CV-EstNet，对SAR运动舰船目标样本库进行训练测试，实现速度估计功能。
采用本发明训练样本库训练后的CV-EstNet网络模型，可在SAR观测场景下，对由于存在运动分量而产生偏移散焦的舰船目标SAR图像实现速度估计，估计出SAR舰船目标的距离向速度和方位向速度，为后续SAR图像处理提供保障，符合实际需求，实施方便。
本发明通过舰船三维模型与射线追踪法获取SAR成像所需的散射点信息，SAR成像结果与实测SAR图像近乎一致，获取到的大量SAR运动舰船目标仿真图像，保障了深度学习方法对于样本的大量需求，保障了深度学习算法的顺利应用。
本发明创新性的提出了CV-EstNet进行SAR运动舰船目标速度估计，CV-EstNet的输入为散焦偏移的SAR运动舰船目标图像，输出为速度估计结果，包括距离向速度和方位向速度，为运动补偿等进一步SAR图像处理提供了保障，具有一定的方法优越性。
本发明利用SAR成像技术、深度学习技术，更好的满足不同成像场景下的复杂SAR速度估计需求，CV-EstNet对输入图像的视角变化、仿射变换、噪声保持一定程度的稳定性。
附图说明
图1是本发明所述基于CV-EstNet的SAR运动舰船目标速度估算方法的整体流程图；
图2是采用SAR运动舰船样本对CV-EstNet架构进行训练的流程示意图；
图3是CV-EstNet架构图；
图4是获得训练样本库与测试样本库的流程图。
具体实施方式
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作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一、结合图1至图4所示，本发明提供了一种基于CV-EstNet的SAR运动舰船目标速度估算方法，包括，
基于三维舰船模型与射线追踪法仿真获得SAR运动舰船样本，并将SAR运动舰船样本分组为训练样本库与测试样本库；
基于复数域角度构建复数域速度估计网络CV-EstNet架构，所述CV-EstNet架构包括一个输入层、五个卷积层、三个池化层、两个全连接层及一个输出层；CV-EstNet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对CV-EstNet架构进行训练，训练超参数，得到具有速度估计功能的CV-EstNet网络模型；再采用测试样本库中的测试样本对CV-EstNet网络模型进行测试，获得SAR舰船目标的距离向速度和方位向速度。
本实施方式中，SAR运动舰船样本可以是仿真生成的大量舰船目标运动状态下的SAR图像；所述SAR运动舰船样本为散焦偏移的SAR运动舰船目标图像，输入至CV-EstNet架构后，在输出层获得距离向速度与方位向速度。
结合图4所示，SAR运动舰船样本的获得过程包括：舰船三维建模、射线追踪与SAR成像三部分。舰船三维建模负责生成所仿真舰船的三维模型；射线追踪部分基于舰船三维模型，利用射线追踪法获取到舰船目标在SAR成像场景中的散射点空间坐标及散射强度；SAR成像部分利用射线追踪部分得到的散射点信息，根据设置的雷达参数和运动参数，进行SAR成像仿真，得到SAR运动舰船目标图像；再进行仿真得到大量SAR图像构成仿真样本库，作为示例，可以抽取其中的80％作为训练样本库，剩余的20％作为测试样本库。
进一步，所述SAR运动舰船样本像素大小包括128×128，舰船速度范围包括0～15m/s。
再进一步，所述超参数包括：每批次训练样本数为32，共训练7200批次，学习率为0.00005，优化方法为Adam。
结合图1所示，所述CV-EstNet架构的速度估计包括训练和测试两部分。训练部分选取SAR运动舰船样本的全部仿真样本中的80％作为训练样本，输入CV-EstNett进行训练，训练超参数：每批次训练样本数目为32，共训练7200批次，学习率为0.00005，优化方法为Adam。训练得到CV-EstNet网络模型；测试部分选取SAR运动舰船样本的全部仿真样本中的20％作为测练样本，输入CV-EstNett网络模型进行测试，得到CV-EstNet速度估计结果，方法运行结束。
再进一步，结合图3所示，第一个卷积层中卷积核大小为9×9像素，步长为2像素，共96个卷积核；第二个卷积层中卷积核大小为5×5像素，步长为1像素，共256个卷积核；第三个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第四个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第五个卷积层中卷积核大小为3×3像素，步长为1像素，共256个卷积核；每一个卷积层的激活函数均为cReLU激活函数。
再进一步，结合图3所示，所述三个池化层均采用最大值池化，即对池化层输入复特征图的实部和虚部分别取最大值池化，大小为3×3像素，步长为2像素。
再进一步，结合图3所示，所述训练样本与测试样本均为标准化后的SAR复图像；SAR复图像大小为128×128×1像素；
输入层对SAR复图像进行处理后，传递至第一个卷积层；因为复数域卷积神经网络能处理复数数据，所以这里将SAR复图像作为单一通道输入到网络的输入层；
第一个卷积层将输入的图像进行处理后输出96个60×60像素大小的特征图；
第一个池化层对第一个卷积层输出的特征图进行处理，输出29×29×96像素的三维特征矩阵；
第二个卷积层对第一个池化层输出的三维特征矩阵进行处理，输出256个29×29像素大小的特征图；
第二个池化层对第二个卷积层输出的特征图进行处理，输出14×14×256像素的三维特征矩阵；
第三个卷积层对第二个池化层输出的三维特征矩阵进行处理，输出384个14×14像素大小的特征图；
第四个卷积层对第三个卷积层输出的特征图进行处理，输出384个14×14像素大小的特征图；
第五个卷积层对第四个卷积层输出的特征图进行处理，输出256个14×14像素大小的特征图；
第三个池化层对第五个卷积层输出的特征图进行处理，输出6×6×256像素的三维特征矩阵。
对于卷积层，输入复图像或上一层的输出
Figure BDA0002587098340000061
通过一组复卷积核
Figure BDA0002587098340000062
并加上偏差量
Figure BDA0002587098340000063
再经过复非线性激活函数，生成一组复特征图
Figure BDA0002587098340000064
卷积过程可用如下公式表示：
Figure BDA0002587098340000065
Figure BDA0002587098340000066
其中
Figure BDA0002587098340000067
是虚数单位，*是卷积符号，κ和
Figure BDA0002587098340000068
分别表示复数的实部和虚部，
Figure BDA0002587098340000069
表示第l层中第k个输入特征图，Vi (l+1)表示输出到第l+1层中第i个特征图加权和。
对于池化层，池化可以看作是对特征图的下采样。CV-EstNet使用最大值池化，将最大值池化从实数域扩展到复数域可得:
Figure BDA00025870983400000610
其中g是池化尺寸，s是步长，是
Figure BDA00025870983400000611
第i个输入特征图在(x,y)处的值。
对于全连接层，全连接层中的每个神经元都连接到前一层中的所有神经元，这可以看作是卷积层的一个特例。全连接层的输出如下：
Figure BDA0002587098340000071
其中K表示第l个全连接层中的神经元的数量。
再进一步，结合图3所示，第一个全连接层包含1024个神经元，与第三个池化层输出的三维特征矩阵所映射的一维向量全连接；
第二个全连接层包含50个神经元，与第一个全连接层的1024个神经元全连接；
两个全连接层的激活函数均为cReLU激活函数。
再进一步，对五个卷积层和两个全连接层的cReLU激活函数定义如下：
f＝cReLU(a)＝max(aR,0)+jmax(aI,0)，
即对于输入复图像a，分别对a的实部aR和虚部aI取ReLU函数输出；f为cReLU激活函数的输出。
再进一步，结合图3所示，所述输出层有两个输出神经元，输出结果为复数；
第一个输出神经元输出结果为vr+jvr，第二个输出神经元输出结果为va+jva，其中vr代表距离向速度，va代表方位向速度。
所述输出层无激活函数。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。

Claims (10)

1.一种基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于包括，
基于三维舰船模型与射线追踪法仿真获得SAR运动舰船样本，并将SAR运动舰船样本分组为训练样本库与测试样本库；
基于复数域角度构建复数域速度估计网络CV-EstNet架构，所述CV-EstNet架构包括一个输入层、五个卷积层、三个池化层、两个全连接层及一个输出层；CV-EstNet架构的输入、输出、激活函数及权值均属于复数域；
采用训练样本库中的训练样本对CV-EstNet架构进行训练，训练超参数，得到具有速度估计功能的CV-EstNet网络模型；再采用测试样本库中的测试样本对CV-EstNet网络模型进行测试，获得SAR舰船目标的距离向速度和方位向速度。
2.根据权利要求1所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
所述SAR运动舰船样本像素大小包括128×128，舰船速度范围包括0～15m/s。
3.根据权利要求1或2所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，所述超参数包括：每批次训练样本数为32，共训练7200批次，学习率为0.00005，优化方法为Adam。
4.根据权利要求3所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
第一个卷积层中卷积核大小为9×9像素，步长为2像素，共96个卷积核；第二个卷积层中卷积核大小为5×5像素，步长为1像素，共256个卷积核；第三个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第四个卷积层中卷积核大小为3×3像素，步长为1像素，共384个卷积核；第五个卷积层中卷积核大小为3×3像素，步长为1像素，共256个卷积核；每一个卷积层的激活函数均为cReLU激活函数。
5.根据权利要求4所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，所述三个池化层均采用最大值池化，大小为3×3像素，步长为2像素。
6.根据权利要求5所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
所述训练样本与测试样本均为标准化后的SAR复图像；SAR复图像大小为128×128×1像素；
输入层对SAR复图像进行处理后，传递至第一个卷积层；
第一个卷积层将输入的图像进行处理后输出96个60×60像素大小的特征图；
第一个池化层对第一个卷积层输出的特征图进行处理，输出29×29×96像素的三维特征矩阵；
第二个卷积层对第一个池化层输出的三维特征矩阵进行处理，输出256个29×29像素大小的特征图；
第二个池化层对第二个卷积层输出的特征图进行处理，输出14×14×256像素的三维特征矩阵；
第三个卷积层对第二个池化层输出的三维特征矩阵进行处理，输出384个14×14像素大小的特征图；
第四个卷积层对第三个卷积层输出的特征图进行处理，输出384个14×14像素大小的特征图；
第五个卷积层对第四个卷积层输出的特征图进行处理，输出256个14×14像素大小的特征图；
第三个池化层对第五个卷积层输出的特征图进行处理，输出6×6×256像素的三维特征矩阵。
7.根据权利要求6所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
第一个全连接层包含1024个神经元，与第三个池化层输出的三维特征矩阵所映射的一维向量全连接；
第二个全连接层包含50个神经元，与第一个全连接层的1024个神经元全连接；
两个全连接层的激活函数均为cReLU激活函数。
8.根据权利要求7所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
对五个卷积层和两个全连接层的cReLU激活函数定义如下：
f＝cReLU(a)＝max(aR,0)+j max(aI,0)，
即对于输入复图像a，分别对a的实部aR和虚部aI取ReLU函数输出；f为cReLU激活函数的输出。
9.根据权利要求8所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
所述输出层有两个输出神经元，输出结果为复数；
第一个输出神经元输出结果为vr+jvr，第二个输出神经元输出结果为va+jva，其中vr代表距离向速度，va代表方位向速度。
10.根据权利要求1至9中任一项所述的基于CV-EstNet的SAR运动舰船目标速度估算方法，其特征在于，
所述SAR运动舰船样本的80％作为训练样本，20％作为测试样本。
CN202010684656.5A 2020-07-16 2020-07-16 基于CV-EstNet的SAR运动舰船目标速度估算方法 Active CN111781599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010684656.5A CN111781599B (zh) 2020-07-16 2020-07-16 基于CV-EstNet的SAR运动舰船目标速度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010684656.5A CN111781599B (zh) 2020-07-16 2020-07-16 基于CV-EstNet的SAR运动舰船目标速度估算方法

Publications (2)

Publication Number Publication Date
CN111781599A true CN111781599A (zh) 2020-10-16
CN111781599B CN111781599B (zh) 2021-08-13

Family

ID=72767898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010684656.5A Active CN111781599B (zh) 2020-07-16 2020-07-16 基于CV-EstNet的SAR运动舰船目标速度估算方法

Country Status (1)

Country Link
CN (1) CN111781599B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113176573A (zh) * 2021-04-23 2021-07-27 哈尔滨工业大学 复数域结构化sar舰船目标动态仿真与速度估计方法
CN113189589A (zh) * 2021-05-08 2021-07-30 南京航空航天大学 基于卷积神经网络的多通道合成孔径雷达动目标检测方法
CN114114190A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法
CN114114263A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于CV-ConvLSTM的SAR三维转动目标转速估计方法
CN114114262A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于CV-ConvGRU的SAR三维转动目标重聚焦方法
WO2023050746A1 (zh) * 2021-09-30 2023-04-06 西南电子技术研究所（中国电子科技集团公司第十研究所） 增强舰船目标检测sar图像数据的方法
CN114114262B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于CV-ConvGRU的SAR三维转动目标重聚焦方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963653A (en) * 1997-06-19 1999-10-05 Raytheon Company Hierarchical information fusion object recognition system and method
US7015855B1 (en) * 2004-08-12 2006-03-21 Lockheed Martin Corporation Creating and identifying synthetic aperture radar images having tilt angle diversity
CN107862705A (zh) * 2017-11-21 2018-03-30 重庆邮电大学 一种基于运动特征和深度学习特征的无人机小目标检测方法
CN109409278A (zh) * 2018-10-19 2019-03-01 桂林电子科技大学 基于估计网络的图像目标定位方法
CN109946694A (zh) * 2019-03-22 2019-06-28 哈尔滨工业大学 基于随机有限集的圆周sar多目标跟踪方法
CN110109102A (zh) * 2019-04-04 2019-08-09 电子科技大学 一种sar运动目标检测与速度估计的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963653A (en) * 1997-06-19 1999-10-05 Raytheon Company Hierarchical information fusion object recognition system and method
US7015855B1 (en) * 2004-08-12 2006-03-21 Lockheed Martin Corporation Creating and identifying synthetic aperture radar images having tilt angle diversity
CN107862705A (zh) * 2017-11-21 2018-03-30 重庆邮电大学 一种基于运动特征和深度学习特征的无人机小目标检测方法
CN109409278A (zh) * 2018-10-19 2019-03-01 桂林电子科技大学 基于估计网络的图像目标定位方法
CN109946694A (zh) * 2019-03-22 2019-06-28 哈尔滨工业大学 基于随机有限集的圆周sar多目标跟踪方法
CN110109102A (zh) * 2019-04-04 2019-08-09 电子科技大学 一种sar运动目标检测与速度估计的方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113176573A (zh) * 2021-04-23 2021-07-27 哈尔滨工业大学 复数域结构化sar舰船目标动态仿真与速度估计方法
CN113189589A (zh) * 2021-05-08 2021-07-30 南京航空航天大学 基于卷积神经网络的多通道合成孔径雷达动目标检测方法
CN113189589B (zh) * 2021-05-08 2024-05-17 南京航空航天大学 基于卷积神经网络的多通道合成孔径雷达动目标检测方法
WO2023050746A1 (zh) * 2021-09-30 2023-04-06 西南电子技术研究所（中国电子科技集团公司第十研究所） 增强舰船目标检测sar图像数据的方法
CN114114190A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法
CN114114263A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于CV-ConvLSTM的SAR三维转动目标转速估计方法
CN114114262A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于CV-ConvGRU的SAR三维转动目标重聚焦方法
CN114114262B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于CV-ConvGRU的SAR三维转动目标重聚焦方法
CN114114190B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法
CN114114263B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于CV-ConvLSTM的SAR三维转动目标转速估计方法

Also Published As

Publication number Publication date
CN111781599B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN111781599B (zh) 基于CV-EstNet的SAR运动舰船目标速度估算方法
CN108986140B (zh) 基于相关滤波和颜色检测的目标尺度自适应跟踪方法
US11494938B2 (en) Multi-person pose estimation using skeleton prediction
CN111428575B (zh) 一种基于孪生网络的针对模糊目标的跟踪方法
CN111310609B (zh) 基于时序信息和局部特征相似性的视频目标检测方法
CN111723875B (zh) 基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法
Kim et al. Infrared variation optimized deep convolutional neural network for robust automatic ground target recognition
CN109448023A (zh) 一种结合空间置信图和轨迹估计的卫星视频小目标实时跟踪方法
CN109712149A (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN116486102A (zh) 一种基于混合空间调制特征卷积神经网络的红外弱小目标检测方法
Zhao et al. Multitask learning for SAR ship detection with Gaussian-mask joint segmentation
Feng et al. An adaptive padding correlation filter with group feature fusion for robust visual tracking
CN113763417B (zh) 一种基于孪生网络和残差结构的目标跟踪方法
CN110147768A (zh) 一种目标跟踪方法及装置
Zhang et al. Peakconv: Learning peak receptive field for radar semantic segmentation
Wu et al. Joint feature embedding learning and correlation filters for aircraft tracking with infrared imagery
CN113269808B (zh) 视频小目标跟踪方法和装置
CN114820723A (zh) 一种基于联合检测和关联的在线多目标跟踪方法
Nie et al. LFC-SSD: Multiscale aircraft detection based on local feature correlation
CN117351356B (zh) 一种无人机视角下田间作物及其近缘种病害检测方法
CN113158780B (zh) 区域人群密度估计方法、电子设备及存储介质
CN116091889A (zh) 基于复数域多尺度视觉transformer的空间目标识别方法
CN115797976B (zh) 一种低分辨率的实时手势识别方法
Szczuko ANN for human pose estimation in low resolution depth images
Gao et al. Drboxlight: A light object detection model for remote sensing applications

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