CN112184749B - 基于视频sar跨域联合的动目标跟踪方法 - Google Patents
基于视频sar跨域联合的动目标跟踪方法 Download PDFInfo
- Publication number
- CN112184749B CN112184749B CN202011068415.4A CN202011068415A CN112184749B CN 112184749 B CN112184749 B CN 112184749B CN 202011068415 A CN202011068415 A CN 202011068415A CN 112184749 B CN112184749 B CN 112184749B
- Authority
- CN
- China
- Prior art keywords
- domain
- frame
- image
- doppler
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000017105 transposition Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于视频SAR跨域联合的动目标跟踪方法，其实现方案为：1)在图像域利用背景差分对运动目标阴影进行粗检测；2)在距离多普勒域利用Keystone变换进行距离走动校正并利用改进OS‑CFAR对动目标回波能量进行粗检测；3)对两域内形成的粗检结果进行帧内的数据关联；4)对两域中形成的弱关联航迹集合进行域间的匹配；5)对输出航迹进行逐帧管理。本发明根据帧间数据关联的紧密程度对图像域和距离多普勒域内航迹进行置信度判断，并将弱联合的航迹进行帧间的匹配处理，有效减少图像域或距离多普勒域中面临的高虚警和高漏警情况，实现视频SAR动目标实时检测及跟踪。
Description
技术领域
本发明属于雷达技术领域，更进一步涉及雷达信号跟踪技术领域中的一种基于视频-合成孔径雷达(video-SAR)跨域联合的动目标跟踪方法。本发明可用于对视频SAR中的动目标进行实时检测、跟踪及航迹形成。
背景技术
视频SAR成像雷达能够全天时、全天候、高精度地对地面目标区域进行实时成像，具有成像帧率高、分辨率高的特点，能有效克服红外或可见光传感器易受天气条件和战场环境影响的弱点，同时也能克服常规SAR系统帧率低、动目标检测跟踪困难等缺陷。视频SAR的目标检测主要可基于两类方法：一是基于动目标回波强度的检测，但受限于系统复杂度的要求，单通道视频SAR对静止杂波没有抑制能力，难以从静止杂波中将动目标分离出来，而且由于目标的运动，其SAR图像将发生散焦现象，因此基于动目标回波能量难以进行稳健的检测；二是基于动目标动态阴影的检测，视频SAR成像时，动目标图像会发生散焦和移位，会在其真实位置留下阴影，基于动态阴影的数据处理技术从原理上可以实现对动目标的检测和跟踪，但目标阴影的形成条件受系统参数及目标运动状态的影响，因此仅基于阴影仍难以对动目标进行稳健的检测。
电子科技大学在其申请的专利文献“一种基于视频SAR的运动目标检测方法”(申请号：2020100404119，申请公布号：CN111311644 A)中公开了一种基于视频SAR的动目标检测方法，该方法利用首先Wellner自适应阈值算法和灰度直方图获得阈值分割结果，利用背景建模获得背景图像，然后阈值分割结果和背景图像相减得到前景结果，最后在图像域利用相邻图像相与、相减过滤来获得最终的动目标阴影，该方法虽然在一定程度上缓解了阴影本身较不明显时的漏检和虚警，但是该方法仍然存在的不足之处是，图像域中阴影并不是任何时候都能形成，该方法仅在图像域上进行阴影检测，容易产生高虚警和高漏警。此外，该方法没有对帧间数据进行数据关联及航迹形成，而视频SAR中随雷达观测视角的变化的静态阴影及闪烁虚假动目标导致单帧检测产生虚警问题。
W.Wang,D.An等人在其发表的论文“The Fundamental TrajectoryReconstruction Results of Ground Moving Target From Single-Channel CSARGeometry”(IEEE Transactions on Geoence and Remote Sensing,2018,56(10):5647-5657.)中以单通道圆迹SAR为应用背景，利用动态规划的方法对动目标航迹进行重建。该方法针对动目标回波能量展开，但由于系统对静止杂波没有抑制能力，对动目标的检测不稳健，且仅适用于大信噪比条件下的航迹重建，该方法虽在一定条件下可实现对动目标的检测，但是，该方法仍然存在的不足之处是，由于该方法对静止杂波没有抑制能力，对动目标检测不稳健，导致存在大量的虚警和漏警问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于视频SAR跨域联合的动目标跟踪方法，用于解决单域检测因系统参数、动目标运动状态影响而导致的虚警和漏检，以及不能形成有效航迹的问题。
实现本发明目的的思路是，在图像域和距离多普勒域进行动目标检测，充分利用图像域和距离多普勒两域的信息，从而缓解单域检测目标丢失和虚警率高的问题，在两域分别进行帧间数据关联和域间航迹匹配，利用两域数据的帧间信息，去除动态阴影和闪烁虚假目标，进一步降低了虚警率和漏警率，提高了系统的稳定性，从而实现稳健的动目标检测及有效的航迹形成。
实现本发明目的的技术方案包括如下步骤：
(1)在图像域对动目标阴影进行粗检测：
(1a)采用SAR-SIFT算法，对一秒内的视频SAR图像序列进行配准，对配准后的视频SAR图像序列进行PM滤波去噪处理；
(1b)使用多帧中值法，处理视频SAR去噪后的图像序列，得到背景图像，将背景图像与视频SAR图像序列进行逐帧差分，得到差分后的图像序列；
(1c)对差分后的图像序列中的每帧图像进行形态学的膨胀处理，统计膨胀后每帧图像的八连通区域，从所有八连通区域中筛选像素数量为40～350的连通域作为图像域动目标阴影的粗检测结果；
(2)在距离多普勒域对动目标能量进行粗检测:
(2a)从视频SAR图像序列中每帧图像对应的脉冲回波序列中，选取该帧图像积累脉冲序列中心处的1/5脉冲序列组成该帧图像的脉冲序列，对该帧图像的脉冲序列沿慢时间维进行傅里叶变换，得到该帧图像的距离多普勒谱；
(2b)利用多普勒模糊计算公式，根据动目标的运动速度范围来估算动目标的多普勒模糊数，遍历模糊数并使用Keystone变换，对每帧图像的距离多普勒谱进行距离走动校正，得到每帧图像距离走动校正后的距离多普勒谱；
(2c)使用OS-CFAR检测器，对每帧图像距离走动校正后的距离多普勒谱的能量进行检测，得到该帧距离多普勒域的动目标能量的粗检测结果；
(3)对两域内形成的粗检测结果进行帧内的数据关联：
(3a)利用图像域帧间数据关联方法，对图像域中每帧图像中所有的动目标阴影粗检测结果进行弱数据关联，得到图像域帧间弱关联航迹集合；
(3b)利用图像域帧间数据关联方法，对图像域中每帧图像中所有的动目标阴影粗检测结果进行强数据关联，得到图像域帧间强关联航迹集合；
(3c)利用距离多普勒域帧间数据关联方法，对每帧图像对应的距离多普勒谱中所有动目标能量粗检测结果进行弱数据关联，得到距离多普勒域帧间弱关联航迹集合；
(3d)利用距离多普勒域帧间数据关联方法，对每帧图像对应的距离多普勒谱中所有动目标能量粗检测结果进行强数据关联，得到距离多普勒域帧间强关联航迹集合；
(4)对两域中形成的弱关联航迹集合进行域间匹配：
(4a)利用域间航迹匹配方法，对图像域帧间弱关联航迹集合中的每个航迹和距离多普勒域帧间弱关联航迹集合中的每个航迹分别进行匹配，将所有域间匹配后的航迹组合成域间匹配后的航迹集合；
(4b)对图像域未匹配的帧间强关联航迹集合、距离多普勒域未匹配的帧间强关联航迹集合和域间匹配后的航迹集合求并集，得到有效航迹集合；
(5)对有效航迹集合进行航迹管理：
利用航迹管理方法，对有效航迹集合进行管理，并使用迭代式的处理方式对航迹进行更新，得到整理后的视频SAR动目标航迹集合。
本发明与现有技术相比具有以下优点：
第一，本发明通过遍历模糊数并使用Keystone变换，对每帧图像的距离多普勒谱进行距离走动校正，克服了现有技术存在的因动目标在距离多普勒域存在距离走动和方位散焦造成的漏检问题，使得本发明对动目标具有更低的漏检率。
第二，本发明通过图像域帧间数据关联方法和距离多普勒域帧间数据关联方法，克服了现有技术存在的视频SAR中静态阴影及闪烁虚假动目标导致单帧检测产生高虚警问题，使得本发明对真实动目标具有更高的检测准确度。
第三，本发明通过对两域中形成的弱关联航迹集合进行域间匹配，克服了现有技术存在的仅在图像域上进行阴影检测，容易产生高虚警和高漏警问题，使得本发明在动目标跟踪中具有更低虚警率和更高的检测率。
第四，本发明通过迭代式的处理方式对航迹进行更新，克服了现有技术存在的动目标检测不稳健的问题，使得本发明不仅适用于持续动目标的跟踪，且对“走停”目标、机动目标仍具有高效的跟踪能力。
附图说明
图1是本发明的流程图；
图2是本发明中改进的OS-CFAR检测器的示意图；
图3是本发明中航迹分类的示意图；
图4是利用本发明进行视频SAR动目标检测的仿真结果图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步描述。
参照图1，对本发明的实施步骤做进一步描述。
步骤1，在图像域对动目标阴影进行粗检测。
第1步，视频SAR图像序列的配准及去噪处理：采用SAR-SIFT算法，对一秒内的视频SAR图像序列进行配准，对配准后的视频SAR图像序列进行PM滤波去噪处理：
选取的帧数量由视频SAR帧率及检测要求决定，过少的帧数无法有效提取背景并且影响动目标阴影的提取，过多的帧数则增加运算量和检测延迟。我们首先通过SIFT算法对图像进行初次配对，再用RANSAC算法进一步提高匹配准确度以达到帧间匹配的目的。去噪处理采用PM滤波，在尽量保持SAR图像的边缘信息的条件下减弱相干斑噪声的影响。本实例中，视频SAR帧频为10帧/秒，选取N＝20帧进行配准处理以保证有效的背景提取，之后进行PM滤波进行去噪处理。
第2步，背景提取及差分处理：使用多帧中值法，处理视频SAR去噪后的图像序列，得到背景图像，将背景图像与视频SAR图像序列进行逐帧差分，得到差分后的图像序列：
多帧中值法指的是，对去噪后图像序列所有帧相同位置像素点的强度值取中值，将该中值作为背景图像中该像素点所对应位置像素点的强度值，用所有的像素点组成背景图像。
第3步，形态学处理：对差分后的图像序列中的每帧图像进行形态学的膨胀处理，统计膨胀后每帧图像的八连通区域，从所有八连通区域中筛选像素数量为40～350的连通域作为图像域动目标阴影的粗检测结果。在图像域的粗检测结果表示为:
其中，
表示图像域第k帧的第i个量测，k＝1,2,…K，
表示图像域第k帧第i个量测的坐标值，Ik表示图像域中第k帧高虚警检测结果数量，T表示矩阵转置操作。图像域目标的粗检测结果如附图4(a)所示，图4(a)中横轴为图像域方位向，纵轴为图像域距离像。可以看出通过背景差分及形态学处理后，仍存在不少虚警目标，因此需要进一步的虚警抑制。
步骤2，在距离多普勒域对动目标能量进行粗检测。
第1步，从视频SAR图像序列中每帧图像对应的脉冲回波序列中，选取该帧图像积累脉冲序列中心处的1/5脉冲序列组成该帧图像的脉冲序列，对该帧图像的脉冲序列沿慢时间维进行傅里叶变换，得到该帧图像的距离多普勒谱。
第2步，距离多普勒域距离走动校正：利用多普勒模糊计算公式，根据动目标的运动速度范围来估算动目标的多普勒模糊数，遍历模糊数并使用Keystone变换，对每帧图像的距离多普勒谱进行距离走动校正，得到每帧图像距离走动校正后的距离多普勒谱。多普勒模糊数计算公式如下：
其中，L表示动目标的多普勒模糊数，div(·)表示相除取整操作，λ表示雷达发射信号的波长，rT表示动目标位置矢量，rp表示雷达位置矢量，vP表示雷达速度矢量，vT表示动目标速度矢量，||·||2表示取2-范数操作，prf表示雷达的脉冲重复频率。
通过遍历以上计算的模糊数，对距离多普勒谱进行Keystone变换。Keystone变换前的距离多普勒谱如附图4(b)所示，图4(b)中的横轴表示距离多普勒域中的多普勒频率轴，纵轴表示距离多普勒域中的距离轴。Keystone变换后的距离多普勒谱如附图4(c)所示，图4(c)中的横轴表示距离多普勒域中的多普勒频率轴，纵轴表示距离多普勒域中的距离轴。可以看出，动目标的距离走动被有效校正，距离向的能量也因此得到积累。同时检测结果也存在部分虚警。
第3步，OS-CFAR恒虚警检测：使用OS-CFAR检测器对每帧图像距离走动校正后的距离多普勒谱的能量进行检测，得到该帧距离多普勒域的动目标能量的粗检结果。
设计CFAR检测器对距离多普勒谱中的动目标能量进行恒虚警检测，由于动目标因方位向的速度以及距离向的加速度导致其能量散焦，目标沿方位向不宜参与恒虚警检测器参考电平的计算，因此CFAR检测器的设计图，如附图2所示，图2中斜线阴影方格表示检测单元，白色方格表示保护单元，灰色阴影方格表示参考单元，OS-CFAR检测器的检测阈值为：
其中，
表示OS-CFAR检测器的检测阈值，αOS表示取值为0.5～0.8的系数因子，
表示参考单元电平强度序列第n0个有序统计量。通过调整k和αOS可有效减少天线主瓣边缘处的虚警情况。在本实例中，k＝0.9*Num,αOS＝0.5。通过滑窗处理，将OS-CFAR检测器应用于整幅距离多普勒谱，得到距离多普勒域的粗检结果。粗检结果表示为：
其中，
表示距离多普勒域第k帧的第j个量测，k＝1,2,…K，
表示距离多普勒域第k帧第j个量测的坐标值，T表示矩阵转置操作，Jk表示距离多普勒域中第k帧高虚警检测结果数量。
步骤3，对两域内形成的粗检测结果进行帧内的数据关联。
第1步，利用图像域帧间数据关联方法，对图像域中每帧图像中所有的动目标阴影粗检结果进行数据关联，得到图像域帧间关联航迹集合。
使用图像域中动目标阴影检测结果，作为输入量测，采用环形波门作为航迹起始波门进行航迹起始，得到航迹头；
使用下式，对图像域中已形成的航迹进行外推:
其中，
表示图像域第k+1帧第i个量测值，
表示图像域k+1帧第i个量测的扇形搜索区域，(x,y)表示
区域内的一个量测，T表示矩阵转置操作，||·||2表示2-范数操作，
表示图像域中由第k+1帧的预测值可表示如下：
假设在图像域中
与已完成关联，则图像域k+1帧第i个预测值可以表示为：
其中，
表示图像域第k帧的第i个量测瞬时速度的估计值，k＝3,4,…,K，ΔT表示帧间时间间隔，
表示图像域第k帧的第i个量测瞬时速度的估计值，速度和和加速度估计可表示如下：
用来搜索的扇形区域
可表示为：
其中，vIm,k+1表示(x,y)T相对于
的速度，aIm,k+1表示(x,y)T相对于
的加速度，αv表示关联可容忍的速度变化系数，αa表示加速度变化系数，通常小于0.5。ΔθIm表示关联可容忍角度变化范围。当已关联航迹小于三个时，则暂不考虑加速度的限制。
使用逻辑法对连续N帧的量测值进行判定，当在连续的N次扫描中，若存在M次及以上的航点数据来源于量测数据时，即逻辑值Γ满足Γ≥M/N时，认为该N次扫描得到的航迹为有效航迹。通过选取强关联门限M/N＝6/10，和弱关联门限M/N＝3/10分别进行航迹确认，得到图像域帧间强关联及弱关联航迹集合。
第2步，利用距离多普勒域帧间数据关联方法，对每帧图像对应的距离多普勒谱中所有动目标能量粗检测结果进行数据关联，得到距离多普勒域帧间关联航迹集合。
使用距离多普勒域中动目标能量检测结果，作为输入量测，采用环形波门作为航迹起始波门进行航迹起始，得到航迹头；
使用下式对距离多普勒域中已形成的航迹进行外推:
其中，
表示距离多普勒第k帧的第j个量测，
表示距离多普勒域k帧第j个量测的扇形搜索区域，(r,fa)表示
区域内的一个量测，T表示矩阵转置操作，||·||1表示1-范数操作，距离多普勒域第k帧第j个量测预测值。
可表示为：
其中第k帧的第j个航点一阶差分估计
可表示为：
距离多普勒域第k+1帧的第j个航点的搜索区域表示为
其中dRd,k+1表示(r,fa)T与
的差分，αd表示关联可容忍的差分变化系数，arccos(·)表示反余弦操作，ΔθRd表示关联可容忍角度变化范围；
使用逻辑法对连续N帧的量测值进行判定，当在连续的N次扫描中，若存在M次及以上的航点数据来源于量测数据时，即逻辑值Γ满足Γ≥M/N时，认为该N次扫描得到的航迹为有效航迹。，通过选取强关联门限M/N＝8/10，和弱关联门限M/N＝3/10分别进行航迹确认，得到距离多普勒域帧间强关联及弱关联航迹集合。
步骤4，对两域中形成的弱关联航迹集合进行域间匹配。
第1步，利用域间航迹匹配方法。给定强关联门限(本实例中取M/N＝8/10)，利用粗检测数据在两域内独自形成了较为可靠的航迹ΤIm-s和ΤRd-s，但由于关联的条件较为苛刻，存在较大的漏警。同理，给定弱关联门限(本实例中取M/N＝3/10)建立航迹ΤIm-w和ΤRd-w，此时航迹面临虚警严重的问题。为此，我们在弱连接的基础上进行域间匹配处理形成航迹对ΤJoint，以增加检测的可靠性。最终，我们认为两域内独自形成强联合航迹ΤIm和ΤRd以及两域间形成匹配的弱联合航迹ΤJoint为有效的航迹。各集合间存在关系
ΤJoint＝ΤIm-w∩ΤRd-w，如附图3所示，图3中白色椭圆表示帧间弱关联航迹集合，浅灰色椭圆表示帧间强关联航迹集合，两个白色重叠部分表示域间关联航迹集合。对图像域帧间弱关联航迹集合中的每个航迹和距离多普勒域帧间弱关联航迹集合中的每个航迹分别进行匹配，将所有域间匹配后的航迹组合成域间匹配后的航迹集合；
将图像域中弱关联航迹集合中的航迹，通过下述映射公式映射到距离多普勒域中，得到映射后的弱关联航迹如下：
其中，
表示图像域中第m个航迹在第k帧的动目标映射到距离多普勒域中的距离，||·||2表示2-范数操作，(x,y)表示图像域中动目标的坐标值，T表示转置操作，
表示第k帧时刻场景中心到雷达的位置向量，
表示第k帧图像域中第m个航迹前Nw帧内的航点坐标集合，Nw表示弱关联逻辑判断的总帧数，
表示考虑动目标多普勒模糊时图像域中第m个航迹在第k帧时刻的动目标映射到距离多普勒域中多普勒频率，
表示不考虑动目标多普勒模糊情况下，第m个航迹在第k帧图像域中动目标映射到距离多普勒域中多普勒频率，vk表示第k帧雷达的速度矢量，
表示第m个航迹在第k帧时刻，图像域中第im个量测数据所对应的速度矢量，mod(·)表示取余操作。
对映射后的弱关联航迹集合和距离多普勒域中的弱关联航迹集合进行匹配，对于图像域第p个航迹和距离多普勒域第q个航迹，如果满足如下条件，则认为二者匹配：
其中，
表示图像域中第p个航迹在第l帧的航点映射到距离多普勒域后的多普勒频率,
表示距离多普勒域中第q个航迹在第l帧的多普勒频率，
表示图像域中第p个航迹在第l帧的航点映射到距离多普勒域后的距离，rq(l)表示距离多普勒域中第q个航迹在第l帧的距离，ξf表示多普勒误差和的阈值，ξr表示距离误差和的阈值；
域间匹配后的航迹可表示为：
其中，
表示第p个图像域航迹的点迹集合和第q个距离多普勒域航迹的点迹集合，ip表示各点迹在图像域的量测集合中的序号，jp表示各点迹在距离多普勒域的量测集合中的序号，Pk表示匹配航迹的数量。
第2步，对图像域帧间强关联航迹集合、距离多普勒域帧间强关联航迹集合和域间匹配后的航迹集合求并集，得到有效航迹集合：
ΤOutput＝ΤJoint∪ΤIm-s∪ΤRd-s
其中，ΤOutput表示有效航迹集合，ΤJoint表示域间匹配后的航迹集合，ΤIm-s表示图像域帧间强关联航迹集合，ΤRd-s表示距离多普勒域帧间强关联航迹集合。
步骤5，对有效航迹集合进行航迹管理。
利用航迹管理方法，对有效航迹集合进行管理，并使用迭代式的处理方式对航迹进行更新，得到整理后的视频SAR动目标航迹集合。
我们期望两域之间的数据能够配对，但这在现实中并不完全满足。因此需对两域间的数据加以整合，得到更为可信的检测结果。即当某个目标在两域间得到正确匹配后，因为各种原因导致在其中一个域中无法完成有效的检测，此时可利用配对信息进行补偿。
逐帧对有效航迹集合进行编号重整，对图像域的剩余强关联航迹集合、距离多普勒域的剩余强关联航迹集合及域间匹配后的航迹集合进行管理，得到整理后的视频SAR动目标航迹集合；当阴影保持可见而目标能量失去跟踪时，对后续图像域该航迹进行弱关联作为有效航迹；当阴影不可见而目标能量保持跟踪时，对于走停目标进行航迹保留，以供目标重新启动时进行持续跟踪；对于机动目标，则在图像域搜索与能量匹配的位置作为预测；当阴影与能量均失去跟踪时，对于结束时间与开始时间间隔2秒以内的航迹进行航迹拼接。
在本实例中两个动目标速度分别设置为vx＝10m/s,vy＝2m/s和vx＝-6m/s,vy＝20m/s。在两域内的单独检测均存在着虚警情况，通过本发明的方法处理后，虚警得到有效抑制，最终的视频SAR动目标的检测跟踪结果图如附图4(d)所示，图4(d)左边部分为图像域检测跟踪结果，横轴表示方位轴，纵轴表示距离轴，图4(d)右边部分为距离多普勒域检测跟踪结果，横轴表示多普勒频率轴，纵轴表示距离轴。
以上描述仅是本发明的一个具体事例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于视频SAR跨域联合的动目标跟踪方法，其特征在于，对两域内形成的粗检测结果进行帧内的数据关联，对两域中形成的弱关联航迹集合进行域间匹配并在两域进行目标跟踪和航迹匹配，该方法的具体步骤如下：
(1)在图像域对动目标阴影进行粗检测：
(1a)采用SAR-SIFT算法，对一秒内的视频SAR图像序列进行配准，对配准后的视频SAR图像序列进行PM滤波去噪处理；
(1b)使用多帧中值法，处理视频SAR去噪后的图像序列，得到背景图像，将背景图像与视频SAR图像序列进行逐帧差分，得到差分后的图像序列；
(1c)对差分后的图像序列中的每帧图像进行形态学的膨胀处理，统计膨胀后每帧图像的八连通区域，从所有八连通区域中筛选像素数量为40～350的连通域作为图像域动目标阴影的粗检测结果；
(2)在距离多普勒域对动目标能量进行粗检测:
(2a)从视频SAR图像序列中每帧图像对应的脉冲回波序列中，选取该帧图像积累脉冲序列中心处的1/5脉冲序列组成该帧图像的脉冲序列，对该帧图像的脉冲序列沿慢时间维进行傅里叶变换，得到该帧图像的距离多普勒谱；
(2b)利用多普勒模糊计算公式，根据动目标的运动速度范围来估算动目标的多普勒模糊数，遍历模糊数并使用Keystone变换，对每帧图像的距离多普勒谱进行距离走动校正，得到每帧图像距离走动校正后的距离多普勒谱；
(2c)使用OS-CFAR检测器，对每帧图像距离走动校正后的距离多普勒谱的能量进行检测，得到该帧距离多普勒域的动目标能量的粗检测结果；
(3)对两域内形成的粗检测结果进行帧内的数据关联：
(3a)利用图像域帧间数据关联方法，对图像域中每帧图像中所有的动目标阴影粗检测结果进行弱数据关联，得到图像域帧间弱关联航迹集合；
(3b)利用图像域帧间数据关联方法，对图像域中每帧图像中所有的动目标阴影粗检测结果进行强数据关联，得到图像域帧间强关联航迹集合；
(3c)利用距离多普勒域帧间数据关联方法，对每帧图像对应的距离多普勒谱中所有动目标能量粗检测结果进行弱数据关联，得到距离多普勒域帧间弱关联航迹集合；
(3d)利用距离多普勒域帧间数据关联方法，对每帧图像对应的距离多普勒谱中所有动目标能量粗检测结果进行强数据关联，得到距离多普勒域帧间强关联航迹集合；
(4)对两域中形成的弱关联航迹集合进行域间匹配：
(4a)利用域间航迹匹配方法，对图像域帧间弱关联航迹集合中的每个航迹和距离多普勒域帧间弱关联航迹集合中的每个航迹分别进行匹配，将所有域间匹配后的航迹组合成域间匹配后的航迹集合；
(4b)对图像域帧间强关联航迹集合、距离多普勒域帧间强关联航迹集合和域间匹配后的航迹集合求并集，得到有效航迹集合；
(5)对有效航迹集合进行航迹管理：
利用航迹管理方法，对有效航迹集合进行管理，并使用迭代式的处理方式对航迹进行更新，得到整理后的视频SAR动目标航迹集合。
2.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(1b)中所述多帧中值法指的是，对去噪后的图像序列所有帧相同位置像素点的强度值取中值，将该中值作为背景图像中该像素点所对应位置像素点的强度值，用所有的像素点组成背景图像。
3.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(2b)中所述多普勒模糊计算公式如下：
其中，L表示动目标的多普勒模糊数，div(·)表示相除取整操作，λ表示雷达发射信号的波长，rT表示动目标位置矢量，rp表示雷达位置矢量，vP表示雷达速度矢量，vT表示动目标速度矢量，||·||2表示取2-范数操作，prf表示雷达脉冲发射频率。
4.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(2c)中所述的OS-CFAR检测器的参考单元沿距离向选取Num个，OS-CFAR检测器的检测阈值为：
其中，
表示OS-CFAR检测器的检测阈值，αOS表示取值为0.5～0.8的系数因子，
表示参考单元电平强度序列的第n0个有序统计量。
5.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(3a)和步骤(3b)中所述的图像域帧间数据关联方法的具体步骤如下：
第一步，使用图像域中动目标阴影检测结果，作为输入量测，采用环形波门作为航迹起始波门进行航迹起始，得到航迹头；
第二步，使用下式，计算图像域第k+1帧的量测值:
其中，
表示图像域第k+1帧的第i个量测值，(x,y)表示扇形搜索区域的一个量测，
表示图像域k+1帧第i个量测的扇形搜索区域，T表示矩阵转置操作，
表示图像域k+1帧第i个量测预测值；
第三步，使用逻辑法对连续N帧的量测值进行判定，当在连续的N次扫描中，若存在M次及以上的航点数据来源于量测数据时，则逻辑值Γ满足Γ≥M/N，认为该N次扫描得到的航迹为有效航迹，强关联门限对应的M为8，N为10，弱关联门限对应的M为3，N为10。
6.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(3c)和步骤(3d)中所述距离多普勒域帧间数据关联方法的具体步骤如下：
第一步，使用距离多普勒域中动目标能量检测结果，作为输入量测，采用环形波门作为航迹起始波门进行航迹起始，得到航迹头；
第二步，使用下式，计算距离多普勒域第k帧的量测值:
其中，
表示距离多普勒第k帧的第j个量测，
表示距离多普勒域k帧第j个量测的扇形搜索区域，(r,fa)表示
区域内的一个量测，T表示矩阵转置操作，
表示距离多普勒域第k帧第j个量测预测值，||·||1表示取1-范数操作；
第三步，使用逻辑法对连续N帧的量测值进行判定，当在连续的N次扫描中，若存在M次及以上的航点数据来源于量测数据时，则逻辑值Γ满足Γ≥M/N，认为该N次扫描得到的航迹为有效航迹；强关联门限对应的M为8，N为10，弱关联门限对应的M为3，N为10。
7.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(4a)中所述域间航迹匹配方法的步骤如下：
第一步，将图像域中弱关联航迹集合中的航迹，通过下述映射公式映射到距离多普勒域中，得到映射后的弱关联航迹：
其中，
表示图像域中第m个航迹在第k帧的航点映射到距离多普勒域中的距离，(x,y)表示图像域中动目标的坐标值，
表示第k帧场景中心到雷达的位置向量，
表示第k帧图像域中第m个航迹弱关联逻辑判断的总帧数内的航点坐标集合，
表示考虑动目标多普勒模糊时图像域中第m个航迹在第k帧的航点映射到距离多普勒域中多普勒频率，
表示不考虑动目标多普勒模糊情况下，图像域中第m个航迹在第k帧的映射到距离多普勒域中多普勒频率，vk表示第k帧雷达的速度矢量，
表示图像域中第im个量测数据所对应的速度矢量，mod(·)表示取余操作；λ表示雷达发射信号的波长，prf表示雷达脉冲发射频率，N表示总的扫描次数；
第二步，对映射后的弱关联航迹集合和距离多普勒域中的弱关联航迹集合进行匹配，对于图像域第p个航迹和距离多普勒域第q个航迹，如果满足如下条件，则认为二者匹配：
其中，
表示图像域中第p个航迹在第l帧的航点映射到距离多普勒域后的多普勒频率,
表示距离多普勒域中第q个航迹在第l帧的多普勒频率，
表示图像域中第p个航迹在第l帧的航点映射到距离多普勒域后的距离，rq(l)表示距离多普勒域中第q个航迹在第l帧的距离，ξf表示多普勒误差和的阈值，ξr表示距离误差和的阈值；
域间匹配后的航迹可表示为：
其中，
表示第p个图像域航迹的点迹集合和第q个距离多普勒域航迹的点迹集合，ip表示各点迹在图像域的量测集合中的序号，jp表示各点迹在距离多普勒域的量测集合中的序号，Pk表示匹配航迹的数量。
8.根据权利要求1所述的基于视频SAR跨域联合的动目标跟踪方法，其特征在于，步骤(5)中所述的航迹管理方法指的是，逐帧对有效航迹集合进行编号重整，对图像域的剩余强关联航迹集合、距离多普勒域的剩余强关联航迹集合及域间匹配后的航迹集合进行管理，得到整理后的视频SAR动目标航迹集合；当阴影保持可见而目标能量失去跟踪时，对后续图像域该航迹进行弱关联作为有效航迹；当阴影不可见而目标能量保持跟踪时，对于走停目标进行航迹保留，以供目标重新启动时进行持续跟踪；对于机动目标，则在图像域搜索与能量匹配的位置作为预测；当阴影与能量均失去跟踪时，对于结束时间与开始时间间隔2秒以内的航迹进行航迹拼接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068415.4A CN112184749B (zh) | 2020-10-09 | 2020-10-09 | 基于视频sar跨域联合的动目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068415.4A CN112184749B (zh) | 2020-10-09 | 2020-10-09 | 基于视频sar跨域联合的动目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112184749A CN112184749A (zh) | 2021-01-05 |
| CN112184749B true CN112184749B (zh) | 2022-12-06 |
Family
ID=73948291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011068415.4A Active CN112184749B (zh) | 2020-10-09 | 2020-10-09 | 基于视频sar跨域联合的动目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184749B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109798A (zh) * | 2021-03-01 | 2021-07-13 | 福瑞泰克智能系统有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
| CN114415180B (zh) * | 2022-03-30 | 2022-07-01 | 中国人民解放军火箭军工程大学 | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 |
| CN114779180A (zh) * | 2022-06-20 | 2022-07-22 | 成都瑞达物联科技有限公司 | 一种面向车路协同雷达的多径干扰镜像目标滤除方法 |
| CN115098731B (zh) * | 2022-07-14 | 2022-11-22 | 浙江大华技术股份有限公司 | 目标关联方法、设备及存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825707B (zh) * | 2010-03-31 | 2012-07-18 | 北京航空航天大学 | 基于Keystone变换和相参积累的单脉冲测角方法 |
| US10078791B2 (en) * | 2014-01-09 | 2018-09-18 | Irvine Sensors Corporation | Methods and devices for cognitive-based image data analytics in real time |
| CN104318589A (zh) * | 2014-11-04 | 2015-01-28 | 中国电子科技集团公司第十四研究所 | 基于ViSAR的异常变化检测与跟踪方法 |
| CN104931966B (zh) * | 2015-06-12 | 2018-01-02 | 北京航空航天大学 | 一种基于dcs算法的星载视频sar成像处理方法 |
| CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
| CN108196240B (zh) * | 2018-02-07 | 2019-09-20 | 中国人民解放军国防科技大学 | 一种适用于csar成像的地面动目标轨迹重构方法 |
| CN108957453B (zh) * | 2018-07-23 | 2022-03-04 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
| CN109917378B (zh) * | 2018-12-26 | 2023-04-11 | 西安电子科技大学 | 利用时空关联的VideoSAR运动目标检测方法 |
| CN109597076B (zh) * | 2018-12-29 | 2022-07-12 | 内蒙古工业大学 | 用于地基合成孔径雷达的数据处理方法及装置 |
| CN110146882B (zh) * | 2019-04-03 | 2021-04-23 | 北京空间飞行器总体设计部 | 一种基于星载视频sar的运动目标检测与参数估计方法 |
| CN111062972B (zh) * | 2019-12-25 | 2023-11-21 | 泉州装备制造研究所 | 基于图像频率域转换的图像跟踪方法 |
| CN111208479B (zh) * | 2020-01-15 | 2022-08-02 | 电子科技大学 | 一种降低深度网络检测中虚警概率的方法 |
| CN111398913B (zh) * | 2020-04-07 | 2022-08-05 | 电子科技大学 | 一种基于双prf的视频sar动目标回波过滤方法 |
-
2020
- 2020-10-09 CN CN202011068415.4A patent/CN112184749B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112184749A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112184749B (zh) | 基于视频sar跨域联合的动目标跟踪方法 | |
| Ding et al. | Video SAR moving target indication using deep neural network | |
| Wen et al. | Video SAR moving target detection using dual faster R-CNN | |
| CN108549081B (zh) | 一种高轨合成孔径雷达动目标速度检测方法 | |
| CN109298418B (zh) | 基于建筑物内部结构特征的雷达检测虚警抑制方法及装置 | |
| Zhong et al. | Joint tracking of moving target in single-channel video SAR | |
| Zhou et al. | SAR Ground Moving Target Refocusing by Combining mRe³ Network and TVβ-LSTM | |
| CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
| CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
| CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
| CN107680061A (zh) | 基于相似性检验的双极化sar图像相干斑滤波方法 | |
| CN109298417B (zh) | 一种基于雷达信号处理的建筑物内部结构探测方法及装置 | |
| CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
| Chen et al. | A graph-based track-before-detect algorithm for automotive radar target detection | |
| CN103245949B (zh) | 一种基于改进理想滤波器的sar方位模糊抑制方法 | |
| CN114265065A (zh) | 一种融合多极化图像的多通道sar动目标检测方法 | |
| CN112162249A (zh) | 一种基于动态cfar的车载毫米波雷达遮挡检测方法及系统 | |
| CN117075112A (zh) | 一种方位角航迹匹配的无人艇雷达光电融合方法 | |
| CN114488145A (zh) | 一种基于极化分类的图像域dpca虚警抑制方法 | |
| Zhou et al. | High-squint SAR imaging for noncooperative moving ship target based on high velocity motion platform | |
| Li et al. | Ship target detection method based on local saliency enhancement | |
| Shang et al. | Moving target shadow detection and tracking based on THz video-SAR | |
| Zhang et al. | Moving target shadow detection and tracking in ViSAR based on DNN and multi-object tracking algorithm | |
| Deng et al. | Robust target detection, position deducing and tracking based on radar camera fusion in transportation scenarios | |
| CN109934840A (zh) | 基于gmphd滤波器的圆周sar运动目标跟踪方法 |
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 |