CN114415180B - 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 - Google Patents
一种融合sar高分辨图像与一维距离像的稳定跟踪方法 Download PDFInfo
- Publication number
- CN114415180B CN114415180B CN202210321319.9A CN202210321319A CN114415180B CN 114415180 B CN114415180 B CN 114415180B CN 202210321319 A CN202210321319 A CN 202210321319A CN 114415180 B CN114415180 B CN 114415180B
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- information
- image
- targets
- 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 53
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 45
- 238000005259 measurement Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种融合SAR高分辨图像与一维距离像的稳定跟踪方法:步骤1,获取双极化SAR图像数据并进行预处理,得到三个目标在SAR图像中的位置信息;步骤2,对三个目标中每个目标,取距离目标区域中心点位置最近的最终融合的目标信息作为跟踪预设目标位置;步骤3,计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度,形成关联矩阵;得到对应的多个待检测目标的航迹;步骤4,对于每个待检测目标的航迹,得到待检测目标的航迹作为待跟踪的航迹;步骤5,获取待跟踪的航迹的距离、角度以及速度的跟踪量。相较于现有技术,本发明的方法具有高精度,且能够实现目标航迹的稳定跟踪。
Description
技术领域
本发明涉及雷达探测与信号处理技术领域,尤其涉及一种融合SAR高分辨图像与一维距离像的稳定跟踪的方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar, SAR)可穿透天然植被、人工伪装甚至地表土壤层成像,从而探测被遮掩的目标,SAR图像不仅能够获取目标的结构、形状等图像特征,还能得到散射点的强度、幅度等电磁散射特征,可利用的信息更加丰富。当前,随着应用场景中大量的自然干扰(如地面/海面背景、雨雪、建筑等)和人为干扰,导致SAR获取到的信息包含大量的无关目标、干扰、诱饵、杂波等,尤其在对目标的实时跟踪过程中,大量的干扰目标和复杂电磁环境等会严重影响SAR雷达跟踪的精确性。
因此,如何在复杂场景下根据SAR高分辨成像与跟踪相融合,实现SAR雷达全天时、全天候的探测能力已经成为SAR技术的重要研究方向,对SAR雷达工程应用具有重要的意义和价值。
发明内容
本发明的目的在于,提供一种融合SAR高分辨图像与一维距离像的稳定跟踪的方法,以解决现有技术存在的大量的干扰目标和复杂电磁环境严重影响SAR雷达跟踪精确性的技术问题。
为了实现上述目的,本发明采用如下技术方案予以解决:
一种融合SAR高分辨图像与一维距离像的实现稳定跟踪方法,具体包括如下步骤:
步骤1,获取双极化SAR图像数据并进行预处理,采用CFAR算法和MRF算法分别对预处理后的图像进行处理,并对处理结果进行先行后列的聚类方法进行聚类,得到多个目标,对置信度最高的前三个目标进行定位计算,得到这三个目标在SAR图像中的位置信息;
步骤2,对步骤1得到的三个目标中每个目标,将其位置信息与被动探测的已知目标信息、探测器预先装订的目标区域中心点位置进行分布式融合处理,获取每个目标对应的最终融合的目标信息,取距离目标区域中心点位置最近的最终融合的目标信息作为跟踪预设的目标信息;
步骤3,基于步骤2获取的跟踪预设的目标信息,探测器对目标区域内各个目标进行实时检测,得到待检测目标在目标系下的位置信息,从而计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度,形成关联矩阵;找出关联矩阵中的最大值,从而得到其对应的多个待检测目标的航迹;
步骤4,对于步骤3得到的每个待检测目标的航迹,根据该航迹的每个特征信息计算得到每个特征信息的置信度;再将该航迹的所有特征信息对应的置信度进行平均得到该航迹的置信度,从而得到所有待检测目标的航迹的置信度,然后从中选择置信度最高的待检测目标的航迹作为待跟踪的航迹;所述航迹的特征信息包括:待检测目标与跟踪预设目标位置位置之间的距离、航迹的信号幅度;
步骤5,根据步骤4得到的待跟踪的航迹,对其进行距离、角度、速度的滤波处理,获取距离、角度以及速度的跟踪量。
进一步的,所述步骤1具体包括如下子步骤:
步骤11,探测器对指定的目标区域进行双极化SRA成像处理,获取目标区域的双极化SAR图像数据;
步骤12,对获得的双极化SAR图像数据进行极化增强处理,得到极化增强图像;
步骤13,对极化增强图像进行均值滤波处理,得到均值滤波图像;
步骤14,采用CFAR算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取步骤13得到的均值滤波图像中的强散射目标,得到CFAR分割结果,得到第一二值图像;
步骤15,采用MRF算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取提取步骤13得到的均值滤波图像中的强散射目标,得到MRF分割结果,得到第二二值图像;
步骤16,将步骤14得到的第一二值图像采用先行后列的聚类方法进行目标像素聚类,得到多个目标;
步骤17,以步骤16得到的的多个目标中的每个目标的外接矩形中心像素位置,作为对第二二值图像进行搜索的一个起始位置,对第二二值图像进行聚类,得到第二二值图像对应的多个目标;该对第二二值图像进行聚类的方法与对第一二值图像的聚类方法相同;
步骤18,对于步骤17获得的的多个目标中的每个目标,根据每个目标的特征信息分别计算该目标的置信度,选出置信度最高的前三个目标;
步骤19,根据探测器进行SAR成像时在目标系下的位置和角度信息,获取SAR图像与探测器间在目标系下的几何关系,结合步骤18得到的三个目标在SAR图像中行列的相对关系,得到SAR图像中三个目标与探测器间的几何关系,从而得到这三个目标在SAR图像中的位置信息。
进一步的,所述步骤16具体操作如下:
步骤161,将第一二值图像按行为单位,按一定行间隔进行像素搜索,将每一行中相连的像素1聚在一起,形成行点团;
步骤162,将步骤161得到的行点团按图像的列方向进行聚类;具体是:设定两个行点团之间的间隔距离是一个行点团所有点的像素位置与另外一个行点团所有点的像素位置的距离最小值,当行点团之间的间隔距离小于一定间隔距离,且两个行点团满足合并条件时,则将这两个行点团聚到一起作为块,沿图像的列方向遍历全部行点团,得到多个块,将每个块作为一个目标。
进一步的,所述步骤16中,两个行点团的合并条件有以下两个:
目标(块)的目标像素的面积小于待检测目标的实际面积:
同一目标区域内的两个像素之间的距离d满足如下关系式:
其中,目标长度L的范围为2m-20m,目标宽度W的范围为2m-10m,N 0 为2。
进一步的,所述步骤2具体包括如下子步骤:
步骤21,对于步骤1得到的三个目标中每个目标,将目标在SAR图像中的位置信息与被动探测的已知目标信息进行融合处理,分别获取每个目标对应的融合的目标信息,分别表示为T 11、T 21和T 31;
步骤22,对于步骤21得到的融合的目标信息T 11、T 21和T 31,将每个融合的目标信息与探测器预先装订的目标区域中心点位置进行如步骤21相同的方式的融合处理,分别获取每个融合的目标信息对应的最终融合的目标信息,分别表示为T 12、T 22和T 32;
步骤23,根据最终融合的目标信息T 12、T 22和T 32,取距离目标区域中心点位置距离最小的最终融合的目标信息,作为跟踪预设目标位置。
进一步的,所述步骤21中,所述融合处理具体操作如下:
其中,T为目标对应的融合的目标信息;(dx、dy、dz)为目标的位置信息;是根据步骤1得到的三个目标中的某个目标在SAR图像中的位置信息利用上述的计算公式计算得到的处理信息;是根据步骤21中所述的被动探测的已知目标的位置信息利用上述的计算公式计算得到的处理信息;S s 、S b 分别为、对应的融合系数。
进一步的,所述步骤3具体包括如下子步骤:
步骤31,探测器采用某周期对指定大小的目标区域进行信号采集,该目标区域的中心为步骤2获取的跟踪预设的目标位置,并根据采集的信号进行目标检测,获取当前帧周期内各个待检测目标的测距、方位角偏差、俯仰角偏差、一维距离像点数和信号幅度;
步骤32,根据待检测目标的测距、方位角偏差、俯仰角偏差及探测器在目标系下的位置、姿态和波束角度信息,计算待检测目标在目标系下的位置信息;
步骤33,从步骤31获取的当前帧周期内各个待检测目标的测距中选出当前帧周期内待检测目标的最大测距R m ,根据步骤1获得的当前帧周期内待检测目标的最大测距R m 计算点航关联门限;公式如下:
步骤34,根据步骤31获得的当前帧周期内各个待检测目标的一维距离像点数、测距、信号幅度,以及步骤32获得的位置信息,计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度;
步骤35,根据步骤34得到的当前帧周期内待检测目标点与上一帧周期内待检测目标点之间的相关隶属度,形成关联矩阵;
步骤36,找出关联矩阵中的最大值,作为点与点的最佳相关结果,从而得到多个待检测目标的航迹。
进一步的,所述步骤34具体操作如下:
步骤341,利用下式,分别计算当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标的因子相关隶属度:
其中,x为因子,a为关联下限,b为关联上限;M x 为因子相关隶属度,包括一维距离像点数因子、测距因子、位置因子、信号幅度因子的相关隶属度M O 、M P 、M R 、M A ;位置因子的关联上限取点航关联门限S h ,下限根据历史信息得到,一维距离像点数因子、测距因子、信号幅度因子的关联上限和关联下限分别根据历史信息得到;
步骤342,对所有因子的相关隶属度进行加权处理得到当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标之间的相关隶属度M ij :
进一步的,所述步骤4中,对该航迹的每个特征信息根据下式计算得到每个特征信息的置信度:
其中,C i 为第i个特征信息的置信度,T i 为航迹的特征信息,n为选择的航迹的特征信息的种类。
进一步的,所述方法采用基于多核DSP进行并行处理。
相较于现有技术,本发明有益效果如下:
1、高精度:采用双极化数据源提高目标-杂波比,通过均值滤波保证强目标的连通性,结合CFAR和MRF两种分割算法兼顾了强散射目标的统计分布和空间相邻关系,基于目标位置信息的分布式融合处理以及置信度排序的设计保证了检测结果更加符合真实目标的特征,有效提高了检测的精确性。
2、跟踪稳定性:首先,根据双极化SAR高分辨图像完成图像目标的一维距离像的目标检测、识别与定位;对SAR高分辨图像定位目标、被动探测、预设信息完成对跟踪目标的融合处理,获取跟踪预设目标位置;其次,以待检测目标为观测点,实现对目标航迹的精确相关和目标的稳定跟踪;另外,对有效检测目标集合信息通过特征信息的置信度进行选取处理,实现对目标的精确和稳定跟踪需求。
3、处理实时性:基于多核DSP及的并行工作方法,可满足在平台载体机动运动条件下,快速图像识别检测、定位,实时稳定跟踪目标处理,高频捷联解耦波束控制等需求,提升探测器全天时、全天候的探测能力。
4、技术可靠性:在实际探测系统中得到成功应用,极大的提升SAR雷达可靠性,具有显著的工程应用价值。
附图说明
图1本发明的融合SAR高分辨图像与一维距离像的稳定跟踪的方法的流程图。
具体实施方式
本发明中涉及到的重要技术术语解释如下:
1、SAR图像:基于合成孔径雷达(SAR)的微波成像形成的图像。
2、CFAR算法:是一种在保持虚警概率恒定条件下对接收的信号和噪声进行判别以确定是否存在目标的算法。
3、MRF算法:马尔科夫随机场,是一种概率无向图模型,用于实现对图像等数据的概率的统计和处理。
4、多核DSP:多核心数字信号处理器,典型的如TI公司的TMS320C6678(8核)。
以下结合附图,对本发明的技术方法进行详细说明。
本发明给出的融合SAR高分辨图像与一维距离像的稳定跟踪方法,如图1所示,包括如下步骤:
步骤1,获取双极化SAR图像数据并进行预处理,采用CFAR算法和MRF算法分别对预处理后的图像进行处理,并对处理结果进行先行后列的聚类方法进行聚类,得到多个目标,对其中置信度最高的前三个目标进行定位计算,得到这三个目标在SAR图像中的位置信息。
步骤1具体包括如下子步骤:
步骤11,探测器对指定的目标区域进行双极化SRA成像处理,获取目标区域的双极化SAR图像数据。
步骤12,对获得的双极化SAR图像数据进行极化增强处理,得到极化增强图像。该极化增强图像具有更优的目标-杂波比,便于后续的目标检测。
步骤13,对极化增强图像进行均值滤波处理(优选滑窗方式),得到均值滤波图像。该处理的目的是抑制图像数据中的噪声,进一步使得图像数据中的目标区域可被相互联通,保障图像中目标的整体性。
步骤14,采用CFAR算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取步骤13得到的均值滤波图像中的强散射目标,得到CFAR分割结果,得到第一二值图像。
步骤15,采用MRF算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取提取步骤13得到的均值滤波图像中的强散射目标,得到MRF分割结果,得到第二二值图像。
步骤16,将步骤14得到的第一二值图像采用先行后列的聚类方法进行目标像素聚类,得到多个目标。具体操作如下:
步骤161,将第一二值图像按行为单位,按一定行间隔进行像素搜索(如每3行搜索一行,而不是逐像素搜索),将每一行中相连的像素1聚在一起,形成行点团。在存储时,按照行点团的行起始位置和长度逐行存储;
步骤162,将步骤161得到的行点团按图像的列方向进行聚类。具体是:设定两个行点团之间的间隔距离是一个行点团所有点的像素位置与另外一个行点团所有点的像素位置的距离最小值,当行点团之间的间隔距离小于一定间隔距离(如3个像素点),且两个行点团满足合并条件时,则将这两个行点团聚到一起作为块,沿图像的列方向遍历全部行点团,得到多个块,将每个块作为一个目标。
同时,上述两个行点团的合并条件有以下两个:
目标(块)的像素的面积小于待检测目标的实际面积,即满足如下关系式:
其中,N 0 是待检测目标所含像素的最小值;S为目标像素的面积;
同一目标区域内的两个像素之间的距离d满足如下关系式:
例如,根据对某种目标尺寸信息的统计,总结目标聚类的经验参数为:目标像素点聚类距离d的范围为不大于3m,目标长度L的范围为2m-20m,目标宽度W的范围为2m-10m,目标最少像素点个数N 0 为2,在实际应用中可根据真目标类型来修改目标聚类参数。
步骤17,以步骤16得到的的多个目标中的每个目标的外接矩形中心像素位置,作为对第二二值图像进行搜索的一个起始位置,对第二二值图像进行聚类,得到第二二值图像对应的多个目标;该对第二二值图像进行聚类的方法与对第一二值图像的聚类方法相同,也是采用先行后列的聚类方法。
步骤18,对于步骤17获得的多个目标中的每个目标,分别计算该目标的特征信息(包括长宽、像素点数、几何特征、幅度信息)对应的置信度,将所有特征信息对应的置信度进行累乘得到该目标的置信度,然后选出置信度最高的前三个目标。
其中,本实施例中,置信度的计算公式如下:
其中,T1、T2、T3、T4 的值根据不同目标的类型,由常规经验统计得到,作为目标检测的先验输入参数。
步骤19,根据探测器进行SAR成像时在目标系下的位置和角度信息,获取SAR图像与探测器间在目标系下的几何关系,结合步骤18得到的三个目标在SAR图像中行列的相对关系,得到SAR图像中三个目标与探测器间的几何关系,从而得到这三个目标在SAR图像中的位置信息。
步骤2,对步骤1得到的三个目标中每个目标,将其位置信息与被动探测的已知目标信息、探测器预先装订的目标区域中心点位置进行分布式融合处理,获取每个目标对应的最终融合的目标信息,取距离目标区域中心点位置最近的最终融合的目标信息作为跟踪预设的目标信息。
步骤2具体包括如下子步骤:
步骤21,对于步骤1得到的三个目标中每个目标,将目标在SAR图像中的位置信息与被动探测的已知目标信息进行融合处理,分别获取每个目标对应的融合的目标信息,分别表示为T 11、T 21和T 31。
上述融合处理具体操作如下:
其中,T为目标对应的融合的目标信息;(dx、dy、dz)为目标的位置信息;是根据步骤1得到的三个目标中的某个目标在SAR图像中的位置信息利用公式1计算得到的处理信息;是根据步骤21中所述的被动探测的已知目标的位置信息利用公式1得到的处理信息;S s 、S b 分别为、对应的融合系数,取0.5;
步骤22,对于步骤21得到的融合的目标信息T 11、T 21和T 31,将每个融合的目标信息与探测器预先装订的目标区域中心点位置进行如步骤21相同方式的融合处理,分别获取每个目标对应的最终融合的目标信息,分别表示为T 12、T 22和T 32。
具体的,步骤22与步骤21的融合处理采用的公式相同,区别仅在于公式中的参数含义有区别,步骤22中,是根据步骤21得到的某目标的融合的目标信息利用公式1计算得到的处理信息;是根据探测器预先装订的目标区域中心点位置利用公式1得到的处理信息。
步骤23,根据最终融合的目标信息T 12、T 22和T 32,取距离目标区域中心点位置距离最小的最终融合的目标信息,作为跟踪预设的目标位置T 目标。
步骤3,基于步骤2获取的跟踪预设的目标位置T 目标,探测器对目标区域内各个目标进行实时检测,得到待检测目标在目标系下的位置信息,从而计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度,形成关联矩阵;找出关联矩阵中的最大值,从而得到其对应的多个待检测目标的航迹。
步骤3具体包括如下子步骤:
步骤31,探测器采用20ms周期对指定大小的目标区域进行信号采集,该目标区域的中心为步骤2获取的跟踪预设的目标位置,并根据采集的信号进行目标检测,获取当前帧周期内各个待检测目标的测距、方位角偏差、俯仰角偏差、一维距离像点数和信号幅度;
步骤32,根据待检测目标的测距、方位角偏差、俯仰角偏差及探测器在目标系下的位置、姿态和波束角度信息,计算待检测目标在目标系下的位置信息。
步骤33,从步骤31获取的当前帧周期内各个待检测目标的测距中选出当前帧周期内待检测目标的最大测距R m ,根据步骤1获得的当前帧周期内待检测目标的最大测距R m 计算点航关联门限;公式如下:
步骤34,根据步骤31获得的当前帧周期内各个待检测目标的一维距离像点数、测距、信号幅度,以及步骤32获得的待检测目标在目标系下的位置信息,计算得到当前帧周期内每个待检测目标与上一帧周期内每个待检测目标之间的相关隶属度;具体操作如下:
步骤341,利用公式8,分别计算当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标的因子相关隶属度:
其中,x为因子,a为关联下限,b为关联上限;M x 为因子相关隶属度,包括一维距离像点数因子、测距因子、位置因子、信号幅度因子的相关隶属度M O 、M P 、M R 、M A ;位置因子的关联上限取点航关联门限S h ,下限根据历史信息得到,一维距离像点数因子、测距因子、信号幅度因子的关联上限和关联下限分别根据历史信息得到;
步骤342,对所有因子的相关隶属度进行加权处理得到当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标之间的相关隶属度M ij :
步骤35,根据步骤34得到的当前帧周期内每个待检测目标点i与上一帧周期内待检测目标点j之间的相关隶属度,形成关联矩阵;该关联矩阵用于表征点i与点j之间的关联属性,用于进行后续点航匹配关联。
步骤36,找出关联矩阵中的最大值,作为点与点的最佳相关结果,从而得到多个待检测目标的航迹。
步骤4,对于步骤3得到的每个待检测目标的航迹,将该航迹的每个特征信息代入公式10计算得到每个特征信息的置信度;再将该航迹的所有特征信息对应的置信度进行平均得到该航迹的置信度,从而得到所有待检测目标的航迹的置信度,然后从中选择置信度最高的待检测目标的航迹作为待跟踪的航迹;
其中,C i 为第i个特征信息的置信度,T i 为航迹的特征信息,n为选择的航迹的特征信息的种类。
本发明中,航迹的特征信息主要有两种:(1)待检测目标与跟踪预设的目标位置T 目标(由步骤2得到)之间的距离;(2)航迹的信号幅度。
步骤5,根据步骤4得到的待跟踪的航迹的信息,对其进行距离、角度、速度的滤波处理,获取距离、角度以及速度的跟踪量。
优选的,上述本发明的方法的实施可采用基于多核DSP进行并行处理,这样的方式能够满足在平台载体机动运动条件下,进行快速图像识别检测、定位,实时稳定跟踪目标处理,高频捷联解耦波束控制等需求。
基于上述本发明的方法,得到了对待跟踪的航迹的距离、角度以及速度的跟踪量,后续应用中,可根据得到的各维度的跟踪量,根据探测器自身在目标系下的位置、姿态等信息,采用高频差值和预测方法对探测器的位置和姿态进行补偿,并计算补偿的探测器的姿态旋转矩阵,基于跟踪视线矢量惯性不变性原则,实时计算探测器跟踪状态下指向目标区域的指向角度,以消除平台载体运动下的剧烈变化。
Claims (10)
1.一种融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,具体包括如下步骤:
步骤1,获取双极化SAR图像数据并进行预处理,采用CFAR算法和MRF算法分别对预处理后的图像进行处理,并对处理结果进行先行后列的聚类方法进行聚类,得到多个目标,对置信度最高的前三个目标进行定位计算,得到这三个目标在SAR图像中的位置信息;
步骤2,对步骤1得到的三个目标中每个目标,将其位置信息与被动探测的已知目标信息、探测器预先装订的目标区域中心点位置进行分布式融合处理,获取每个目标对应的最终融合的目标信息,取距离目标区域中心点位置最近的最终融合的目标信息作为跟踪预设的目标信息;
步骤3,基于步骤2获取的跟踪预设的目标信息,探测器对目标区域内各个目标进行实时检测,得到待检测目标在目标系下的位置信息,从而计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度,形成关联矩阵;找出关联矩阵中的最大值,从而得到其对应的多个待检测目标的航迹;
步骤4,对于步骤3得到的每个待检测目标的航迹,根据该航迹的每个特征信息计算得到每个特征信息的置信度;再将该航迹的所有特征信息对应的置信度进行平均得到该航迹的置信度,从而得到所有待检测目标的航迹的置信度,然后从中选择置信度最高的待检测目标的航迹作为待跟踪的航迹;所述航迹的特征信息包括:待检测目标与跟踪预设目标位置之间的距离、航迹的信号幅度;
步骤5,根据步骤4得到的待跟踪的航迹,对其进行距离、角度、速度的滤波处理,获取距离、角度以及速度的跟踪量。
2.如权利要求1所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述步骤1具体包括如下子步骤:
步骤11,探测器对指定的目标区域进行双极化SRA成像处理,获取目标区域的双极化SAR图像数据;
步骤12,对获得的双极化SAR图像数据进行极化增强处理,得到极化增强图像;
步骤13,对极化增强图像进行均值滤波处理,得到均值滤波图像;
步骤14,采用CFAR算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取步骤13得到的均值滤波图像中的强散射目标,得到CFAR分割结果,得到第一二值图像;
步骤15,采用MRF算法对步骤13得到的均值滤波图像进行处理,处理过程中根据要求的虚警概率计算目标分割阈值,根据目标分割阈值提取步骤13得到的均值滤波图像中的强散射目标,得到MRF分割结果,得到第二二值图像;
步骤16,将步骤14得到的第一二值图像采用先行后列的聚类方法进行目标像素聚类,得到多个目标;
步骤17,以步骤16得到的多个目标中的每个目标的外接矩形中心像素位置,作为对第二二值图像进行搜索的一个起始位置,对第二二值图像进行聚类,得到第二二值图像对应的多个目标;该对第二二值图像进行聚类的方法与对第一二值图像的聚类方法相同;
步骤18,对于步骤17获得的多个目标中的每个目标,根据每个目标的特征信息分别计算该目标的置信度,选出置信度最高的前三个目标;
步骤19,根据探测器进行SAR成像时在目标系下的位置和角度信息,获取SAR图像与探测器间在目标系下的几何关系,结合步骤18得到的三个目标在SAR图像中行列的相对关系,得到SAR图像中三个目标与探测器间的几何关系,从而得到这三个目标在SAR图像中的位置信息。
3.如权利要求2所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述步骤16具体操作如下:
步骤161,将第一二值图像按行为单位,按一定行间隔进行像素搜索,将每一行中相连的像素1聚在一起,形成行点团;
步骤162,将步骤161得到的行点团按图像的列方向进行聚类;具体是:设定两个行点团之间的间隔距离是一个行点团所有点的像素位置与另外一个行点团所有点的像素位置的距离最小值,当行点团之间的间隔距离小于一定间隔距离,且两个行点团满足合并条件时,则将这两个行点团聚到一起作为块,沿图像的列方向遍历全部行点团,得到多个块,将每个块作为一个目标。
5.如权利要求1所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述步骤2具体包括如下子步骤:
步骤21,对于步骤1得到的三个目标中每个目标,将目标在SAR图像中的位置信息与被动探测的已知目标信息进行融合处理,分别获取每个目标对应的融合的目标信息,分别表示为T 11、T 21和T 31;
步骤22,对于步骤21得到的融合的目标信息T 11、T 21和T 31,将每个融合的目标信息与探测器预先装订的目标区域中心点位置进行如步骤21相同的方式的融合处理,分别获取每个融合的目标信息对应的最终融合的目标信息,分别表示为T 12、T 22和T 32;
步骤23,根据最终融合的目标信息T 12、T 22和T 32,取距离目标区域中心点位置距离最小的最终融合的目标信息,作为跟踪预设目标位置。
7.如权利要求1所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述步骤3具体包括如下子步骤:
步骤31,探测器采用某周期对指定大小的目标区域进行信号采集,该目标区域的中心为步骤2获取的跟踪预设的目标位置,并根据采集的信号进行目标检测,获取当前帧周期内各个待检测目标的测距、方位角偏差、俯仰角偏差、一维距离像点数和信号幅度;
步骤32,根据待检测目标的测距、方位角偏差、俯仰角偏差及探测器在目标系下的位置、姿态和波束角度信息,计算待检测目标在目标系下的位置信息;
步骤33,从步骤31获取的当前帧周期内待检测目标的测距中选出当前帧周期内待检测目标的最大测距R m ,根据当前帧周期内待检测目标的最大测距R m 计算点航关联门限;公式如下:
步骤34,根据步骤31获得的当前帧周期内各个待检测目标的一维距离像点数、测距、信号幅度,以及步骤32获得的位置信息,计算得到当前帧周期内每个待检测目标点与上一帧周期内每个待检测目标点之间的相关隶属度;
步骤35,根据步骤34得到的当前帧周期内待检测目标点与上一帧周期内待检测目标点之间的相关隶属度,形成关联矩阵;
步骤36,找出关联矩阵中的最大值,作为点与点的最佳相关结果,从而得到多个待检测目标的航迹。
8.如权利要求7所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述步骤34具体操作如下:
步骤341,利用下式,分别计算当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标的因子相关隶属度:
其中,x为因子,a为关联下限,b为关联上限;M x 为因子相关隶属度,包括一维距离像点数因子、测距因子、位置因子、信号幅度因子的相关隶属度M O 、M P 、M R 、M A ;位置因子的关联上限取点航关联门限S h ,下限根据历史信息得到,一维距离像点数因子、测距因子、信号幅度因子的关联上限和关联下限分别根据历史信息得到;
步骤342,对所有因子的相关隶属度进行加权处理得到当前帧周期内的每个待检测目标与上一帧周期内每个待检测目标之间的相关隶属度M ij :
10.如权利要求1所述的融合SAR高分辨图像与一维距离像的稳定跟踪方法,其特征在于,所述方法采用基于多核DSP进行并行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321319.9A CN114415180B (zh) | 2022-03-30 | 2022-03-30 | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321319.9A CN114415180B (zh) | 2022-03-30 | 2022-03-30 | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415180A CN114415180A (zh) | 2022-04-29 |
CN114415180B true CN114415180B (zh) | 2022-07-01 |
Family
ID=81262956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321319.9A Active CN114415180B (zh) | 2022-03-30 | 2022-03-30 | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415180B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003149333A (ja) * | 2001-11-08 | 2003-05-21 | Mitsubishi Electric Corp | レーダ信号処理装置 |
CN107515398A (zh) * | 2017-08-23 | 2017-12-26 | 哈尔滨工业大学 | 基于宽带回波的逆合成孔径雷达成像目标连续跟踪方法 |
CN112083418A (zh) * | 2020-10-09 | 2020-12-15 | 西安电子科技大学 | 视频合成孔径雷达的动目标联合检测前跟踪方法 |
CN112184749A (zh) * | 2020-10-09 | 2021-01-05 | 西安电子科技大学 | 基于视频sar跨域联合的动目标跟踪方法 |
CN112782696A (zh) * | 2021-01-28 | 2021-05-11 | 西安电子科技大学 | 一种序列isar图像散射中心多假设跟踪航迹关联方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650581B (zh) * | 2020-06-15 | 2023-02-28 | 南京莱斯电子设备有限公司 | 一种基于环境感知的雷达全域目标航迹自动起始方法 |
-
2022
- 2022-03-30 CN CN202210321319.9A patent/CN114415180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003149333A (ja) * | 2001-11-08 | 2003-05-21 | Mitsubishi Electric Corp | レーダ信号処理装置 |
CN107515398A (zh) * | 2017-08-23 | 2017-12-26 | 哈尔滨工业大学 | 基于宽带回波的逆合成孔径雷达成像目标连续跟踪方法 |
CN112083418A (zh) * | 2020-10-09 | 2020-12-15 | 西安电子科技大学 | 视频合成孔径雷达的动目标联合检测前跟踪方法 |
CN112184749A (zh) * | 2020-10-09 | 2021-01-05 | 西安电子科技大学 | 基于视频sar跨域联合的动目标跟踪方法 |
CN112782696A (zh) * | 2021-01-28 | 2021-05-11 | 西安电子科技大学 | 一种序列isar图像散射中心多假设跟踪航迹关联方法 |
Non-Patent Citations (2)
Title |
---|
宽带逆合成孔径雷达高分辨成像技术综述;田彪等;《雷达学报》;20201031;第9卷(第5期);第765-802页 * |
雷达高距离分辨率一维像目标识别;郭尊华等;《系统工程与电子技术》;20130131;第35卷(第1期);第53-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114415180A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A modified faster R-CNN based on CFAR algorithm for SAR ship detection | |
CN111239766B (zh) | 基于激光雷达的水面多目标快速识别跟踪方法 | |
CN103064086B (zh) | 一种基于深度信息的车辆跟踪方法 | |
CN112882059B (zh) | 一种基于激光雷达的无人船内河障碍物感知方法 | |
Musman et al. | Automatic recognition of ISAR ship images | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN114119998B (zh) | 一种车载点云地面点提取方法及存储介质 | |
CN113643284B (zh) | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 | |
CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
CN109946694A (zh) | 基于随机有限集的圆周sar多目标跟踪方法 | |
Li et al. | Gaofen-3 sea ice detection based on deep learning | |
CN117075112A (zh) | 一种方位角航迹匹配的无人艇雷达光电融合方法 | |
CN112363144B (zh) | 环扫雷达距离模糊和方位模糊鉴别方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN113888589A (zh) | 一种基于激光雷达的水面障碍物检测与多目标跟踪方法 | |
Wang et al. | DBSCAN clustering algorithm of millimeter wave radar based on multi frame joint | |
CN114415180B (zh) | 一种融合sar高分辨图像与一维距离像的稳定跟踪方法 | |
CN111311640B (zh) | 一种基于运动估计的无人机识别跟踪方法 | |
CN115267827B (zh) | 一种基于高度密度筛选的激光雷达港区障碍物感知方法 | |
CN113850864B (zh) | 一种面向室外移动机器人的gnss/lidar回环检测方法 | |
CN112465867B (zh) | 一种基于卷积神经网络的红外点目标实时检测跟踪方法 | |
Jian et al. | Maritime target detection and tracking | |
CN110827257B (zh) | 一种嵌入式机载红外图像视觉导航定位方法 | |
CN111508003B (zh) | 一种红外小目标检测跟踪及识别方法 | |
CN113343747A (zh) | 多模态图像鲁棒匹配vns的方法 |
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 |