CN115657031A - 基于长时间滑动聚束的图像域动目标检测方法 - Google Patents

Abstract

本发明提供一种基于长时间滑动聚束的图像域动目标检测方法，将采用长时间滑动聚束SAR的成像模式，在单航过期间，对观测场景内的目标进行多次连续成像，获得同一观测场景中的序列SAR图像，并采用影像金字塔模式的光流法对大场景SAR图像进行由粗到精的目标检测，实现对动目标的高效快速提取。最后，本发明提出一种SAR图像对全局构网的非线性运动场提取模型，实现对动目标二维(方位向和距离向)非匀速运动特征的精细化提取。本发明面向大场景动目标运动特征的高效检测需求，采用长时间滑动聚束的SAR工作模式，在同一观测场景中获取大量SAR图像序列，保证了SAR图像目标的大范围、高分辨率观测。

Description

基于长时间滑动聚束的图像域动目标检测方法

技术领域

本发明属于SAR卫星影像动目标检测技术领域，具体涉及一种基于长时间滑动聚束的图像域动目标检测方法。

背景技术

合成孔径雷达(SAR, Synthetic Aperture Radar)以其全天候、全天时、高分辨率成像的独特优势，成为当前卫星对地观测领域重要的技术手段。利用SAR卫星影像开展地面目标检测已在国民经济建设、灾害应急抢险以及目标探测等多领域得到了广泛的应用。当前，常用的SAR卫星成像模式主要有ScanSAR模式、TOPSAR模式、聚束模式、滑动聚束模式和Mosaic模式等，其中，滑动聚束模式通过控制天线波束扫描速度，使天线波束始终指向远离成像区域的虚拟旋转中心，从而在方位向得到类似于条带模式的方位连续带状成像区域。因此，该成像模式在保证方位向高分辨率的同时可获得比聚束模式更大的成像范围，从而实现了分辨率和方位向成像范围的折中权衡。

针对SAR影像静态目标的检测，利用常规的合成孔径成像模式并采用相应的图像处理方法即可实现高分辨率目标的成像和分类提取。但是，在面向SAR影像动态目标的检测并实现动态目标的运动特征提取是当前亟需发展的应用技术之一。特别是在冰川快速融化运动监测及陆地运动目标动态监测等，需要采用高效精准的SAR成像模式和可靠的图像域处理方法，实现动态目标的运动特征提取。因此，针对SAR影像大场景动态目标的高精度检测，需要在SAR成像模式和SAR图像域动目标检测算法方面进行深入研究。然而，常规的SAR成像扫描模式(例如大幅宽成像的条带模式)若要实现高分辨率目标成像，通常需要对观测场景中进行全孔径合成，当第二次对目标进行成像时则会是一个完整的重访周期，对于运动目标的检测而言，已失去了时效性。

在图像域动目标检测领域，常用的方法有背景减除法、帧间差分法和光流法等，背景减除法计算简单，可快速获取运动目标检测结果，但该方法对SAR图像的强度、阴影和其他噪声扰动等特别敏感，易产生动目标检测错误；帧间差分法对地物后向散射强度等环境变化适应性强，但只能获得运动目标的部分信息，易受外界噪声干扰，目标检测的有效性较差；光流法通过对成像区域的序列图像进行处理，可获得运动目标的速度场，从而实现运动目标的特征提取，检测结果精确可靠，但该方法计算复杂度较高，特别是面向大场景、高分辨率SAR影像的动目标检测及其特征提取时，难以满足动目标实时特征提取的需求。

现有的图像域动目标检测方法主要有背景减除法、帧间差分法和光流法等，在基于长时间滑动聚束SAR图像开展动目标检测时，存在的主要缺点分别如下所述：

背景减除法首先需要对SAR图像进行背景模型构建，通过将当前SAR图像与当前背景图像进行比较，从而检测出当前时刻目标的运动。然后根据观测场景外界环境的变化对背景模型进行实时动态更新，最终实现对序列图像域动目标的检测。该方法计算简单快速，但对SAR图像的强度、阴影和其他噪声扰动等特别敏感，易产生动目标检测错误，仅适用于检测低速运动的目标，难以满足对快速运动目标的有效检测。

帧间差分法通过对相邻或相近帧SAR图像的相对变化进行比较，获取动目标的检测结果。该方法受SAR图像目标后向散射强度等外界环境变化的影响较小，计算简单快速，但容易受到噪声的干扰，难以保证对目标整体轮廓的提取，检测有效性降低，较适用于快速运动目标的检测。

光流法是通过利用SAR图像序列中各像素强度值在时域上的变化，获得运动目标在像平面方位向和距离向二维运动的瞬时速度矢量。该方法无需预先知道场景信息，可获取动目标的速度场，检测结果精确可靠，在目标检测、运动估计和目标跟踪等领域已得到了较为广泛的应用。但该方法计算较为复杂，在面向大场景SAR图像目标检测时，将会极大增加计算负担，从而影响了目标检测的效率。

发明内容

针对上述问题，本发明提供一种基于长时间滑动聚束的图像域动目标检测方法，采用长时间滑动聚束SAR的成像模式，在单航过期间，对观测场景内的目标进行多次连续成像，获得同一观测场景中的序列SAR图像，并采用影像金字塔模式的光流法对大场景SAR图像进行由粗到精的目标检测，实现对动目标的高效快速提取。最后，提出一种SAR图像对全局构网的非线性运动场提取模型，实现对动目标二维(方位向和距离向)非匀速运动特征的精细化提取。

为达到上述目的，本发明采用的技术方案为：

一种基于长时间滑动聚束的图像域动目标检测方法，包括如下步骤：

步骤S1、基于长时间滑动聚束模式获取同一区域的n幅SAR图像的序列，并对n幅SAR图像进行配准重采样；

步骤S2、分别对n幅SAR图像进行两两组合，获得n(n-1)/2个SAR图像对并构成一个全局观测网络；

步骤S3、分别对全局观测网络中的SAR图像进行降采样，每幅SAR图像均分为由N个不同分辨率图像层组成的影像金字塔，最终构建N个全局观测网络；

步骤S4、采用GeFolki光流计算方法对每一个SAR图像对的光流场进行计算，分别得到每个时间段SAR图像域动目标在方位向和距离向的速度矢量；

步骤S5、采用非线性三次多项式模型分别对全局观测网络的方位向速度矢量和距离向速度矢量进行最小二乘平差解算，提取动目标的速度、加速度和加加速度特征。

进一步地，所述步骤S1包括：

S11、采用长时间滑动聚束模式对同一区域进行SAR成像，并将时间等分为n个成像时间段，从而获取n幅SAR图像的序列；

S12、选取其中某一景SAR图像作为主影像，其它SAR图像以该主影像作为参考影像进行配准重采样，进而获得具有统一坐标范围和像素格网空间的SAR图像的序列的数据集。

进一步地，所述步骤S2包括：

S21、计算配准好后的n幅SAR图像之间的时空基线；

S22、将SAR图像之间的时空基线最大值作为阈值，从而得到n(n-1)/2个SAR图像对组成的全局观测网络。

进一步地，所述步骤S3包括：

S31、根据SAR图像分辨率和观测场景目标的特性，确定影像金字塔的层级数量N及其所对应的SAR图像分辨率；

S32、采用高斯金字塔模型分别对全局观测网络中的SAR图像进行降采样；

S33、分别存储经降采样之后获得的不同分辨率的SAR图像的数据集。

进一步地，所述步骤S4包括：

S41、采用步骤S3中构建的影像金字塔，作为光流计算的数据输入；

S42、对每一层影像金字塔的图像对采用高斯-牛顿迭代计算方法进行计算，第一层为最粗分辨率图层，迭代初始值设为零值；

S43、采用由粗到精的计算方法继续对其它影像金字塔的图层中的所有图像对进行高斯-牛顿迭代计算，每一层迭代初始值为上一层迭代计算得到的光流场，即每一层的方位向速度矢量和距离向速度矢量；

S44、经过对N层影像金字塔中的SAR图像对进行分层迭代计算，最终输出各SAR图像对的光流场估计值，即得到全局观测网络每个SAR图像对最终的光流场。

进一步地，所述步骤S5包括：

S51、根据步骤S4所获取的每个SAR图像对最终的光流场，实现对动目标的检测，并筛选出动目标的方位向和距离向速度矢量结果，作为后续解算的输入值；

S52、将全局观测网络中所有SAR图像对的动目标速度矢量作为观测值，以速度、加速度和加加速度作为待求参数，构建非线性三次多项式模型；

S53、采用最小二乘估计的方法对SAR图像对的动目标速度矢量观测值进行平差解算，得到动目标速度矢量的最佳估值，最终实现对动目标运动特征的精细化提取。

有益效果：

本发明面向大场景动目标运动特征的高效检测需求，采用长时间滑动聚束的SAR工作模式，在同一观测场景中获取大量SAR图像序列，保证了SAR图像目标的大范围、高分辨率观测。在此基础上，采用影像金字塔模式和光流法对大场景SAR图像开展时域分析，提高动目标的检测效率和可靠性。针对动目标复杂运动特征难以描述的问题，提出一种SAR图像对全局构网的非线性运动场提取模型，实现对动目标二维(方位向和距离向)非匀速运动特征的精细化提取。

本发明采用基于长时间滑动聚束SAR工作模式和光流场模型的图像域动目标检测方法，在大场景SAR图像中对动目标的运动矢量进行计算，并构建非线性运动场提取模型，以光流场模型获取的各图像对速度矢量作为观测值，进行最小二乘解算，实现对SAR图像中动目标二维(方位向和距离向)非匀速运动特征(速度、加速度和加加速度)的精细化提取。

附图说明

图1为长时间滑动聚束SAR卫星成像几何示意图。

图2为SAR卫星图像对全局观测网构建示意图。

图3为本发明的一种基于长时间滑动聚束的图像域动目标检测方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

当前基于图像域对运动目标的检测通常是利用多景序列图像获取动目标的信息，并未对动目标的运动特征进行模型构建和参数求解，因此也无法实现动目标运动特征的估计和预测。本发明通过综合对比动目标检测的背景减除法、帧间差分法和光流法等的优缺点，选取光流法作为适用于大场景滑动聚束SAR图像的高精度动目标检测方法，并针对SAR图像域范围大、解算负担重等特点，采用影像金字塔模型的光流法对时序SAR图像序列进行解算。针对常规动目标检测方法无法实现对动目标复杂运动特征的精细化描述问题，本发明提出一种基于长时间滑动聚束的图像域动目标检测方法，通过滑动聚束SAR图像对全局构网的非线性运动场提取模型，实现对SAR图像中动目标二维(方位向和距离向)非匀速运动特征的精细化提取。

如图1所示，本发明的一种基于长时间滑动聚束的图像域动目标检测方法利用滑动聚束工作模式对某一区域进行观测，该模式下SAR天线的波束下视角的变化范围通常可以控制在-15°~15°。通过控制天线波束扫描速度，使天线波束始终指向远离成像区域的虚拟旋转中心，从而在方位向得到类似于条带模式的方位连续带状成像区域。因此，该成像模式在保证方位向高分辨率的同时可获得比聚束模式更大的成像范围，从而实现了分辨率和方位向成像范围的折中权衡。

若观测场景中存在运动目标，为实现对动目标的检测及其运动特征的提取，可以通过将长时间滑动聚束工作模式按照等时间间隔分成多个合成孔径成像，从而可获取同一观测区域多幅时间序列SAR图像。如图1所示，当SAR卫星首先到达第一位置S1时，开始对地面区域进行合成孔径成像，成像的区间为卫星由第一位置S1运动到第二位置S2。然后卫星继续从第二位置S2运动到第三位置S3并在该区间对同一地面观测区域进行合成孔径成像，直至到达SAR天线波束下视角可控的最大范围(例如-15°)的第n位置Sn，完成对地面同一区域n幅SAR图像序列的获取。

如图2所示，为了提高动目标矢量解算的精度，本发明将基于长时间滑动聚束工作模式获取的n幅SAR图像序列，进行全自由网配对连接，即一幅SAR图像与其它n-1幅SAR图像均进行连接配对，增加对目标区域的冗余观测量。利用上述组合方式可以获取共n(n-1)/2个图像对，通过对每一个SAR图像对进行GeFolki光流场解算，得到每一对SAR图像组合期间动目标的运动矢量，包括方位向和距离向运行速度矢量。利用这种全局观测网的数据处理模式，可为后期对运动目标特征的精细化解算和高精度提取提供大量数据输入。

如图3所示，本发明的基于长时间滑动聚束的图像域动目标检测方法，具体包括如下步骤：

步骤S1、基于长时间滑动聚束模式获取同一区域的n幅SAR图像的序列，并对n幅SAR图像进行配准重采样；

步骤S2、分别对n幅SAR图像进行两两组合，可获得n(n-1)/2个SAR图像对并构成一个全局观测网络；

步骤S3、分别对全局观测网络中的SAR图像进行降采样，每幅SAR图像均可分为由N个不同分辨率图像层组成的影像金字塔，则最终可构建N个全局观测网络；

步骤S4、采用GeFolki光流计算方法对每一个SAR图像对的光流场进行计算，分别得到每个时间段SAR图像域动目标在方位向和距离向的速度矢量；

步骤S5、采用非线性三次多项式模型分别对全局观测网络的速度矢量(包括方位向速度矢量和距离向速度矢量)进行最小二乘平差解算，提取运动目标的速度、加速度和加加速度特征。

在步骤S1中，主要是利用长时间滑动聚束模式对同一观测区域进行SAR成像，在滑动聚束期间按照等时间间隔对观测区域分别进行合成孔径成像，从而获得多幅SAR图像序列，然后以其中一幅SAR图像为主影像，将其它SAR图像与主影像分别进行配准和重采样操作。

在步骤S2中，主要是为了提高速度矢量建模结算的精度，将所有SAR图像进行全自由连接配对，构建全局观测网络，从而增加了冗余观测量。在该步骤中，不对SAR图像的时空基线阈值进行限制或者以图像序列中时空基线最大值作为阈值，即可利用n幅SAR图像构建n(n-1)/2个图像对全局网络。

在步骤S3中，主要是根据SAR图像分辨率和观测场景目标的特性，确定影像金字塔的层级数量N及其所对应的SAR图像分辨率，然后采用高斯金字塔模型分别对全局观测网络中的SAR图像进行降采样，得到符合要求的不同分辨率的SAR图像数据集。

在步骤S4中，主要是将所构建的金字塔图层按照由粗到精的顺序采用GeFolki光流迭代计算，获得全局观测网络每个图像对最终的光流场，即每个动目标的方位向速度矢量和距离向速度矢量。

在步骤S5中，主要是将全局观测网络中所有图像对动目标速度矢量作为观测值，以速度、加速度和加加速度作为待求参数，构建非线性三次多项式模型，采用最小二乘估计的方法对图像对动目标速度矢量观测值进行平差解算，得到动目标速度矢量的最佳估值，最终实现对动目标运动特征(速度、加速度和加加速度)的精细化提取。

实施时，本发明的所述步骤S4进一步包括：

S41、为探测到运动量较大的目标，采用上一步构建的由粗到精不同分辨率的金字塔图像结构，作为光流计算的数据输入；

S42、对每一层金字塔图像对采用高斯-牛顿迭代计算方法进行计算，第一层为最粗分辨率图层，迭代初始值通常设为零值；

S43、采用由粗到精的计算方法继续对其它金字塔图层中的所有图像对进行高斯-牛顿迭代计算，每一层迭代初始值为上一层迭代计算得到的光流场，即每一层的方位向速度矢量和距离向速度矢量；

S44、经过对N层金字塔模型中的SAR图像对进行分层迭代计算，最终输出的为各图像对的光流场估计值，即可得到全局观测网络每个图像对最终的光流场。

具体的计算模型和方法如下所述：

光流是指图像中灰度模式(SAR图像中各像素的强度值)运动的速度，在计算时是按照像素为单位进行估计，设像素的强度值在第一幅和第二幅SAR图像中分别为I ₁ 和I ₂ ，像素点在时间t的坐标即行列号为(x, y)，当点(x, y)经过时间dt后运动到(x+dx, y+dy)时，它们的强度值相等，则有：

I ₁(x,y,t)=I ₂(x+dx,y+dy,t+dt) (1)

设x方向为距离向，y方向方位向，u为距离向运动速度，v为方位向运动速度，则式(1)可写成：

I ₁(x,y,t)=I ₂(x+udt,y+vdt,t+dt)(2)

采用GeFolki光流场算法，分别对全局观测网络中所有经配准重采样后的SAR图像对光流场进行解算。该方法是通过对以下条件函数进行最小化解算，该运算通常采用高斯-牛顿迭代的策略进行，得到最终的光流场结果：

(3)

其中，S表示一个二维矩形空间，U=udt,vdt;X=x,y，w表示半径为r的局部窗口，大小为(2r+1)×(2r+1)，当|x|≤r时，w(x)=1，否则等于0，无法进行计算，即表示该条件函数是在局部窗口内部进行的运算。

针对SAR图像，f ₁ =f ₂ =R，R是一个排列滤波器函数，对于任意像素X的R值计算公式为：

(4)

其中，S _R (X)表示以像素X为中心，以r为半径邻近的矩形窗口内的其它像素，该矩形窗口的大小为(2r+1)×(2r+1)，#表示该数据集的元素数量。

条件函数的公式(3)的最小化运算操作是在对应金字塔图层的初始值进行一阶泰勒级数展开，并采用高斯-牛顿迭代方法，每一金字塔图层的初始值为上一个金字塔图层迭代计算得到的光流场输出值，第一层初始值通常设为0。

本发明的所述步骤S5进一步包括：

S51、根据步骤S4所获取的各SAR图像对光流场，可实现对动目标的检测，并筛选出动目标的方位向和距离向速度矢量结果，作为后续解算的输入值；

S52、将全局观测网络中所有图像对动目标速度矢量作为观测值，以速度、加速度和加加速度作为待求参数，构建非线性三次多项式模型；

S53、采用最小二乘估计的方法对图像对动目标速度矢量观测值进行平差解算，得到动目标速度矢量的最佳估值，最终实现对动目标运动特征(速度、加速度和加加速度)的精细化提取。

具体的计算模型和方法如下所述：

以距离向运动速度u为例，采用n阶多项式的动目标非线性运动场模型可表示为：

(5)

式中，j表示SAR图像对编号，

表示第j个图像对中两景图像之间的时间间隔，a _(x,y),k 为待求未知参数项，表示第k次项的未知参数，ε _(j;x,y)为残余误差，设有N景SAR图像，共组成M个图像对，可以将式(5)的系数项表示为：

(6)

式中，t ₁ , t ₂ , t ₃ , …, t _N 分别表示SAR图像获取的时间，其中t ₁ 为参考影像的时刻。设待求未知参数项为：

X=[a _(x,y),0 a _(x,y),1 a _(x,y),2 …a _(x,y),n ] ^T (7)

则可将式(5)写成观测方程的形式为：

u=BX+ε (8)

因此，M个干涉对组成M个方程组，最后可采用最小二乘估计的方法解算未知参数项，即地形残余误差和n阶多项式未知参数：

X=(B ^T B)^-1 B ^T u (9)

在本发明中，为开展动目标运动特征的精细化提取，得到动目标速度、加速度和加加速度的最佳估值，采用三次多项式运动场模型进行解算，由式(5)可知：

u _(j;x,r)=a ₀+a _(x,y),1 t _(j;x,y)+a _(x,y),2 t ² _(j;x,y)+a _(x,y),3 t ³ _(j;x,y)+ε _(j;x,y) (10)

则a _(x,y),1，a _(x,y),2，a _(x,y),3分别为动目标的速度、加速度和加加速度。

综上所述，本发明提出的基于长时间滑动聚束的图像域动目标检测方法对SAR图像大区域观测场景目标，具有较好的适用性，可实现对大观测场景中的动目标高精度检测及其运动特征精细化提取。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，包括如下步骤：

步骤S1、基于长时间滑动聚束模式获取同一区域的n幅SAR图像的序列，并对n幅SAR图像进行配准重采样；

步骤S2、分别对n幅SAR图像进行两两组合，获得n(n-1)/2个SAR图像对并构成一个全局观测网络；

步骤S3、分别对全局观测网络中的SAR图像进行降采样，每幅SAR图像均分为由N个不同分辨率图像层组成的影像金字塔，最终构建N个全局观测网络；

步骤S4、采用GeFolki光流计算方法对每一个SAR图像对的光流场进行计算，分别得到每个时间段SAR图像域动目标在方位向和距离向的速度矢量；

步骤S5、采用非线性三次多项式模型分别对全局观测网络的方位向速度矢量和距离向速度矢量进行最小二乘平差解算，提取动目标的速度、加速度和加加速度特征。

2.根据权利要求1所述的一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，所述步骤S1包括：

S11、采用长时间滑动聚束模式对同一区域进行SAR成像，并将时间等分为n个成像时间段，从而获取n幅SAR图像的序列；

S12、选取其中某一景SAR图像作为主影像，其它SAR图像以该主影像作为参考影像进行配准重采样，进而获得具有统一坐标范围和像素格网空间的SAR图像的序列的数据集。

3.根据权利要求2所述的一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，所述步骤S2包括：

S21、计算配准好后的n幅SAR图像之间的时空基线；

S22、将SAR图像之间的时空基线最大值作为阈值，从而得到n(n-1)/2个SAR图像对组成的全局观测网络。

4.根据权利要求3所述的一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，所述步骤S3包括：

S31、根据SAR图像分辨率和观测场景目标的特性，确定影像金字塔的层级数量N及其所对应的SAR图像分辨率；

S32、采用高斯金字塔模型分别对全局观测网络中的SAR图像进行降采样；

S33、分别存储经降采样之后获得的不同分辨率的SAR图像的数据集。

5.根据权利要求4所述的一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，所述步骤S4包括：

S41、采用步骤S3中构建的影像金字塔，作为光流计算的数据输入；

S42、对每一层影像金字塔的图像对采用高斯-牛顿迭代计算方法进行计算，第一层为最粗分辨率图层，迭代初始值设为零值；

S43、采用由粗到精的计算方法继续对其它影像金字塔的图层中的所有图像对进行高斯-牛顿迭代计算，每一层迭代初始值为上一层迭代计算得到的光流场，即每一层的方位向速度矢量和距离向速度矢量；

S44、经过对N层影像金字塔中的SAR图像对进行分层迭代计算，最终输出各SAR图像对的光流场估计值，即得到全局观测网络每个SAR图像对最终的光流场。

6.根据权利要求5所述的一种基于长时间滑动聚束的图像域动目标检测方法，其特征在于，所述步骤S5包括：

S51、根据步骤S4所获取的每个SAR图像对最终的光流场，实现对动目标的检测，并筛选出动目标的方位向和距离向速度矢量结果，作为后续解算的输入值；

S52、将全局观测网络中所有SAR图像对的动目标速度矢量作为观测值，以速度、加速度和加加速度作为待求参数，构建非线性三次多项式模型；

S53、采用最小二乘估计的方法对SAR图像对的动目标速度矢量观测值进行平差解算，得到动目标速度矢量的最佳估值，最终实现对动目标运动特征的精细化提取。

Images