【技术实现步骤摘要】
一种视频SAR动目标阴影检测方法
[0001]本专利技术属于合成孔径雷达(SyntheticApertureRadar,SAR)图像解译
,涉及一种基于ShadowDeNet的Video SAR动目标阴影检测方法。
技术介绍
[0002]合成孔径雷达(SAR)是一种能够全天时、全天候工作的主动式遥感技术。与光学传感器相比,SAR可以穿透云雾,在恶劣的气象条件下也可以完成观测任务。SAR已成为当今对地观测的重要手段,在海洋勘探、林业普查、地形测绘、交通管制和自然灾害监测等国民经济得到越来越广泛的应用。详见文献“张庆君,韩晓磊,刘杰.星载合成孔径雷达遥感技术进展及发展趋势[J].航天器工程,2017,26(06):1
‑
8.”。
[0003]视频合成孔径雷达(Video SAR)支持查看目标成像区域的连续多帧SAR图像来动态实时监测目标场景。Video SAR可以持续记录目标区域的变化,并以动画的形式来展示来自时间维度的目标信息,有利于对人眼的直观解释。Video SAR的动目标全天候、全天时的检测与跟踪能力在军事上对于战场敌情侦测占领主动权具有重大的战略意义,在军事上可以很好的提升战争中的精准打击能力和预警能力,因而具备巨大的研究价值和前景,并且在民用领域如在复杂气候交通检测以及自然灾害勘测等场景具备不可替代的监测作用。详见文献“余正顺.基于阴影的Video SAR动目标检测跟踪算法研究[D].电子科技大学,2021.”。
[0004]由于Video SAR工作频率极高,动目标的 ...
【技术保护点】
【技术特征摘要】
1.一种视频SAR动目标阴影检测方法,其特征是它包括以下几个步骤:步骤1、准备数据集从经典桑迪亚国家实验室数据集中得到桑迪亚国家实验室数据集,以时间顺序按照600:299的比例将桑迪亚国家实验室数据集划分为两部分,得到训练集和测试集,其中训练集含有前600张图片,记为Train,测试集含有后299张图片,记为Test;步骤2、直方图均衡阴影增强(HESE)预处理采用标准的直方图均衡方法对步骤1中得到的训练集Train进行直方图均衡处理,得到网络输入训练图片600张,记为Train
‑
HESE;采用标准的直方图均衡方法对步骤1中得到的训练集Test进行直方图均衡处理,得到网络输入测试图片299张,记为Test
‑
HESE;步骤3、阴影CNN特征提取步骤3.1:第1层CNN特征提取采用经典的卷积神经网络方法建立阴影特征提取网络的输入层,得到由经典的卷积神经网络组成的阴影特征提取网络的第1层(输入层),记为f1,第1层由卷积层和最大池化层组成,分别记为C1,M1,其中采用经典卷积核尺寸设置方法设置C1的卷积核尺寸为3
×3×
8;采用经典卷积核步长设置方法设置C1的卷积核步长为1;采用经典卷积核步长设置方法设置M1的卷积核步长为2;采用经典CNN特征提取方法,对步骤2中得到的训练集Train
‑
HESE中的一幅SAR图像进行提取,得到第1层特征输出,记为I1;步骤3.2:第2层CNN特征提取采用经典的卷积神经网络方法建立阴影特征提取网络的中间层,得到由经典的卷积神经网络组成的阴影特征提取网络的第2层,记为f2,第2层由卷积层和最大池化层组成,分别记为C2,M2,其中采用经典卷积核尺寸设置方法设置C2的卷积核尺寸为3
×3×
16;采用经典卷积核步长设置方法设置C2的卷积核步长为1;采用经典卷积核步长设置方法设置M2的卷积核步长为2;采用经典CNN特征提取方法,对步骤2.1中得到的第1层特征输出I1进行提取,得到第2层特征输出,记为I2;步骤3.3:第3层CNN特征提取采用经典的卷积神经网络方法建立阴影特征提取网络的中间层,得到由经典的卷积神经网络组成的阴影特征提取网络的第3层,记为f3,第3层由卷积层和最大池化层组成,分别记为C3,M3,其中采用卷积核尺寸设置方法设置C3的卷积核尺寸为3
×3×
32;采用经典卷积核步长设置方法设置C3的卷积核步长为1;采用经典卷积核步长设置方法设置M3的卷积核步长为2;采用经典CNN特征提取方法,对步骤2.2中得到的第2层特征输出I2进行提取,得到第3层特征输出,记为I3;步骤3.4:第4层CNN特征提取采用经典的卷积神经网络方法建立阴影特征提取网络的中间层,得到由经典的卷积神经网络组成的阴影特征提取网络的第4层,记为f4,第4层由卷积层和最大池化层组成,分别记为C4,M4,其中采用经典卷积核尺寸设置方法设置C4的卷积核尺寸为3
×3×
64;
采用经典卷积核步长设置方法设置C4的卷积核步长为1;采用经典卷积核步长设置方法设置M4的卷积核步长为2;采用经典CNN特征提取方法,对步骤2.3中得到的第3层特征输出I3进行提取,得到第4层特征输出,记为I4;步骤3.5:第5层CNN特征提取采用经典的卷积神经网络方法建立阴影特征提取网络的中间层,得到由经典的卷积神经网络组成的阴影特征提取网络的第5层,记为f5,第5层由卷积层和最大池化层组成,分别记为C5,M5,其中采用经典卷积核尺寸设置方法设置C5的卷积核尺寸为3
×3×
128;采用经典卷积核步长设置方法设置C5的卷积核步长为1;采用经典卷积核步长设置方法设置M5的卷积核步长为2;采用经典CNN特征提取方法,对步骤2.4中得到的第3层特征输出I4进行提取,得到第5层特征输出,记为I5;最终,得到阴影CNN特征提取网络所有层的特征输出,记为I
s
,s=1,...,5;步骤4、应用自注意力(TSAM)机制遍历步骤3得到的特征输出I
s
,s=1,...,5,具体步骤是:采用经典的自注意力机制方法对对步骤3得到的特征输出I
s
进行自注意力机制处理,得到特征输出I
s
...
【专利技术属性】
技术研发人员:张晓玲,鲍金宇,张天文,胥小我,师君,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。