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 PDF

Info

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
Application number
CN202010869102.2A
Other languages
English (en)
Other versions
CN112130146B (zh
Inventor
张笑博
朱岱寅
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010869102.2A priority Critical patent/CN112130146B/zh
Publication of CN112130146A publication Critical patent/CN112130146A/zh
Application granted granted Critical
Publication of CN112130146B publication Critical patent/CN112130146B/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
    • 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

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
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：
Figure BDA0002650584990000021
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：
Figure BDA0002650584990000031
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
Figure BDA0002650584990000041
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。
2.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S2中子图像Radon变换如下：
Figure FDA0002650584980000011
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。
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。
CN202010869102.2A 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 Active CN112130146B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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