CN112130146A - 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 - Google Patents
基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 Download PDFInfo
- Publication number
- CN112130146A CN112130146A CN202010869102.2A CN202010869102A CN112130146A CN 112130146 A CN112130146 A CN 112130146A CN 202010869102 A CN202010869102 A CN 202010869102A CN 112130146 A CN112130146 A CN 112130146A
- Authority
- CN
- China
- Prior art keywords
- image
- radon
- moving target
- synthetic aperture
- aperture radar
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供了一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,包括图像预处理、Radon变换及标准化、判断保留窗口几何信息、合并重叠窗口、遍历所有图像、截取原图像并训练GoogLeNet网络模型、采用训练好的GoogLeNet网络模型抑制虚警。本发明利用Radon变换进行初步检测,然后通过GoogLeNet网络模型抑制虚警,具有检测精度高,简单易实现的特点。
Description
技术领域
本发明涉及雷达监测技术领域,主要涉及一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是现代军用与民用领域常用的遥感技术,具有对目标区域全天候、全天时成像的能力。VideoSAR作为一种新的成像模式,能够以一定帧率连续对目标场景成像,扩展时间维度的信息,以动态的方式对目标区域持续监测,并直观地反映目标的位置和运动趋势等参数信息。VideoSAR的成像模式最早在2003年由美国桑迪亚实验室提出,能够以每秒5帧以上的帧率对目标区域连续成像获得类似电影的效果。此概念的提出在国际上引起了广泛的关注,之后各国研究人员和科研机构都对VideoSAR展开了广泛的研究。
通过VideoSAR获取的图像序列中,运动目标的散焦会在图像的其他区域留下动目标亮线,同时在其真实位置留下阴影。目前国内已经有多家研究机构提出了关于运动目标阴影的检测方法,但关于动目标亮线检测的研究还并不多。
发明内容
发明目的:本发明提供了一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,解决了上述背景技术中提到的动目标亮线检测问题。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,包括以下步骤:
步骤S1、采用中值滤波法对视频合成孔径雷达图像进行预处理;
步骤S2、滑动窗口,取出子图像,并进行Radon变换,并在Radon空间进行标准化;
步骤S3、对Radon空间进行筛选;当Radon空间的最大值大于预设阈值时,保留窗口的几何信息;
步骤S4、判断保留下的窗口几何信息,将经过步骤S3处理后出现重叠的窗口合并为新的窗口;
步骤S5、重复执行上述步骤,直至滑动窗口遍历完视频合成孔径雷达图像;
步骤S6、利用步骤S5中得到的窗口信息对原图像进行截取,获得的子图像作为样本,将所述样本输入至GoogLeNet网络模型并进行训练;
步骤S7、采用步骤S6所述训练完成的GoogLeNet网络模型进行虚警抑制。
进一步地,所述步骤S2中子图像Radon变换如下:
其中,D为子图像平面,f(x,y)为图像中像素点的灰度值,δ为狄拉克函数,ρ为原点到直线的垂直距离,θ为直线的垂线与x轴的夹角,Rf(ρ,θ)为子图像对应的Radon空间;
在Radon空间进行标准化过程如下:
g(ρ,θ)=(Rf(ρ,θ)-μ)/σ
其中μ为子图像Radon空间的均值,σ为子图像Radon空间的标准差。
进一步地,所述步骤S3中预设阈值范围为5-7。
进一步地,所述步骤S4中合并窗口的具体方法如下:
当多个矩形窗出现重叠时,将重叠窗中横坐标的极大值和极小值、纵坐标的极大值和极小值四个点组成新的矩形窗的四角,并用新的矩形窗替代重叠的多个窗。
进一步地,所述步骤S6中获得的子图像包括待检测的动目标亮线和由人工建筑引起的虚警,将这些子图像作为样本,训练GoogLeNet网络模型,得到用于判别是否为动目标亮线的GoogLeNet网络。
进一步地,所述步骤S7中通过Radon变换得到的初步检测结果输入到GoogLeNet网络中,保留被识别为动目标亮线的图像。
有益效果:
本发明利用局部Radon变换初步提取VideoSAR图像中的动目标亮线,并通过合并重叠窗实现多尺度的亮线检测。然后将卷积神经网络(Convolutional Neural Network,CNN)在图像分类上的巨大优势应用到虚警抑制上,极大地提高了检测性能,同时也简化了流程。本发明首次将Radon变换与卷积神经网络应用在VideoSAR动目标亮线检测,具有检测精度高,简单易实现的特点。
附图说明
图1是本发明提供的基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法流程图;
图2a-图2f是本发明实施例基于Radon变换的初步检测结果;
图3a-图3f是本发明实施例合并重叠框后的结果图;
图4是本发明中GoogLeNet网络Inception模块结构示意图;
图5a-图5f是本发明基于GoogLeNet的虚警抑制结果。
具体实施方式
下面根据说明书附图进一步说明本发明提供的技术方案。
如图1所示的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,包括以下步骤:
步骤S1、采用中值滤波法对视频合成孔径雷达图像进行预处理,去除鼓励噪点。
步骤S2、滑动窗口,取出子图像,并进行Radon变换,并在Radon空间进行标准化。其中Radon变换具体方法如下:
其中,D为子图像平面,f(x,y)为图像中像素点的灰度值,δ为狄拉克函数,ρ为原点到直线的垂直距离,θ为直线的垂线与x轴的夹角,Rf(ρ,θ)为子图像对应的Radon空间;
在Radon空间进行标准化过程如下:
g(ρ,θ)=(Rf(ρ,θ)-μ)/σ
其中μ为子图像Radon空间的均值,σ为子图像Radon空间的标准差。
经上述处理,存在动目标亮线的子图像在Radon空间表现为数据具有较高的偏差。
步骤S3、对Radon空间进行筛选;当Radon空间的最大值大于预设阈值时,保留窗口的几何信息。阈值的预设范围为5-7,若子图像对应的Radon空间最大值大于阈值,表明子图像中存在动目标亮线,保留此滑动窗口的几何信息。
步骤S4、判断保留下的窗口几何信息,将经过步骤S3处理后出现重叠的窗口合并为新的窗口。
如图2a-图2f所示,由运动目标散焦形成的动目标亮线尺度不一,且多数大于窗口大小,因此在检测过程中会出现多个矩形窗重叠的现象。将重叠窗中横坐标的极大值和极小值、纵坐标的极大值和极小值四个点组成新的矩形窗的四角,并用新的矩形窗替代重叠的多个窗口。合并重叠窗的结果如图3a-图3f所示,图中标为1的表示正确检测的动目标亮线,标为0的表示虚警。
步骤S5、重复执行上述步骤,直至滑动窗口遍历完视频合成孔径雷达图像。
步骤S6、利用步骤S5中得到的窗口信息对原图像进行截取,获得的子图像作为样本,将所述样本输入至GoogLeNet网络模型并进行训练。
如图3a-图3f所示,经上述处理后,图像中建筑物等目标会造成检测中的虚警,但这些目标的视觉特征与动目标亮线相比具有明显的差异性,因此抑制虚警可以通过卷积神经网络强大的分类功能实现。GoogLeNet是一种经典的卷积神经网络,开创性地提出Inception模块单元,在性能上有极大的提升。如图4所示,Inception模块由1×1卷积层、3×3卷积层、5×5卷积层和3×3最大池化层组成。在3×3卷积层和5×5卷积层前以及3×3最大池化层后加入1×1卷积层进行降维,从而减少了参数数量。Inception模块允许数据从前一层输入,然后通过四个分支计算后级联输出。由于不同大小的卷积层具有不同的感受野,Inception模块能够实现多尺度特征的融合。最终的GoogLeNet由9个Inception模块组成,网络中所有的卷积层采用修正线性单元(ReLU)增加非线性。网络最后采用7×7的平均池化层来获取数据的不变性特征。本发明利用在ImageNet上预训练好的GoogLeNet网络模型进行迁移学习,重置了网络的最后三层,将全连接层结构更改为1×1×2用于识别动目标亮线和虚警。网络训练时,共提取了891个正样本(动目标亮线)和1049个负样本(虚警),按照7:3划分为训练集和测试集。设置初始学习率为0.0001,采用小批量梯度下降法(Mini-BatchGradient Descent)训练网络,BatchSize设置为32,训练集最大遍历次数为10次,大约迭代400次后趋于稳定。
步骤S7、采用上述训练完成的GoogLeNet网络模型进行虚警抑制。
使用步骤6中训练好的网络模型对步骤5输出的子图像分类,从而达到抑制虚警的目的。为了更好地说明本发明的性能,对VideoSAR的共252帧图像进行了测试,统计结果如下表1所示:
表1 252帧VideoSAR检测结果
在252帧图像中共有动目标亮线264个,本发明提出的方法正确检测到217个,另有5个虚警和47个漏警。可以看出本发明提出的方法能够在VideoSAR动目标亮线检测上取得了良好的效果。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,其特征在于,包括以下步骤:
步骤S1、采用中值滤波法对视频合成孔径雷达图像进行预处理,去除孤立噪点;
步骤S2、滑动窗口,取出子图像,并进行Radon变换,并在Radon空间进行标准化;
步骤S3、对Radon空间进行筛选;当Radon空间的最大值大于预设阈值时,保留窗口的几何信息;
步骤S4、判断保留下的窗口几何信息,将经过步骤S3处理后出现重叠的窗口合并为新的窗口;
步骤S5、重复执行上述步骤,直至滑动窗口遍历完视频合成孔径雷达图像;
步骤S6、利用步骤S5中得到的窗口信息对原图像进行截取,获得的子图像作为样本,将所述样本输入至GoogLeNet网络模型并进行训练;
步骤S7、采用步骤S6所述训练完成的GoogLeNet网络模型进行虚警抑制。
3.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,其特征在于,所述步骤S3中预设阈值范围为5-7。
4.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,其特征在于,所述步骤S4中合并窗口的具体方法如下:
当多个矩形窗出现重叠时,将重叠窗中横坐标的极大值和极小值、纵坐标的极大值和极小值四个点组成新的矩形窗的四角,并用新的矩形窗替代重叠的多个窗口。
5.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,其特征在于,所述步骤S6中获得的子图像包括待检测的动目标亮线和由人工建筑引起的虚警,将这些子图像作为样本,训练GoogLeNet网络模型,得到用于判别是否为动目标亮线的GoogLeNet网络。
6.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法,其特征在于,所述步骤S7中将通过Radon变换得到的初步检测结果输入到GoogLeNet网络中,保留被识别为动目标亮线的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869102.2A CN112130146B (zh) | 2020-08-26 | 2020-08-26 | 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869102.2A CN112130146B (zh) | 2020-08-26 | 2020-08-26 | 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130146A true CN112130146A (zh) | 2020-12-25 |
CN112130146B CN112130146B (zh) | 2022-05-03 |
Family
ID=73848304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010869102.2A Active CN112130146B (zh) | 2020-08-26 | 2020-08-26 | 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130146B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5309520A (en) * | 1991-12-16 | 1994-05-03 | General Electric Co. | Signal processing system using recursive radon video transform processor |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
CN101807258A (zh) * | 2010-01-08 | 2010-08-18 | 西安电子科技大学 | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN108960190A (zh) * | 2018-07-23 | 2018-12-07 | 西安电子科技大学 | 基于fcn图像序列模型的sar视频目标检测方法 |
US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
US20190325621A1 (en) * | 2016-06-24 | 2019-10-24 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
WO2020161843A1 (ja) * | 2019-02-06 | 2020-08-13 | 日本電気株式会社 | 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体 |
-
2020
- 2020-08-26 CN CN202010869102.2A patent/CN112130146B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5309520A (en) * | 1991-12-16 | 1994-05-03 | General Electric Co. | Signal processing system using recursive radon video transform processor |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
CN101807258A (zh) * | 2010-01-08 | 2010-08-18 | 西安电子科技大学 | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
US20190325621A1 (en) * | 2016-06-24 | 2019-10-24 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN108960190A (zh) * | 2018-07-23 | 2018-12-07 | 西安电子科技大学 | 基于fcn图像序列模型的sar视频目标检测方法 |
WO2020161843A1 (ja) * | 2019-02-06 | 2020-08-13 | 日本電気株式会社 | 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体 |
US10451712B1 (en) * | 2019-03-11 | 2019-10-22 | Plato Systems, Inc. | Radar data collection and labeling for machine learning |
Non-Patent Citations (2)
Title |
---|
史建涛 等: "基于机器学习支持向量机的海面目标航迹起始算法研宄及应用", 《现代雷达》 * |
牟效乾 等: "基于时频图深度学习的雷达动目标检测与分类", 《太赫兹科学与电子信息学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112130146B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shang et al. | Detection of rail surface defects based on CNN image recognition and classification | |
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 | |
CN108427912B (zh) | 基于稠密目标特征学习的光学遥感图像目标检测方法 | |
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
US9001199B2 (en) | System and method for human detection and counting using background modeling, HOG and Haar features | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN112288008A (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN114973112B (zh) | 一种基于对抗学习网络的尺度自适应密集人群计数方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN110751667A (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN112347967B (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN112130146B (zh) | 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 |
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 |