一种视频SAR动目标阴影检测方法技术

本发明专利技术公开了一种视频SAR动目标阴影检测方法，它是通过直方图均衡阴影增强(HESE)预处理技术被用于增强阴影显著性来促进低维特征的提取；通过自注意力机制(TSAM)被用于更关注感兴趣目标区域来抑制杂波干扰；通过形状变化自适应学习(SDAL)机制利用变形卷积学习动目标阴影的形变从而克服运动速度的变化；通过语义引导锚自适应学习(SGAAL)机制通过优化锚来自适应匹配阴影的位置和形状；通过在线困难样本挖掘(OHEM)技术被用于选择典型困难负样本来提高背景识别能力。本发明专利技术克服了现有技术中不易区分与阴影相似的背景，造成虚警率高的问题以及在复杂环境中动目标阴影容易受背景干扰导致漏检等问题。扰导致漏检等问题。扰导致漏检等问题。

【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，动目标的回波多普勒对目标的运动非常敏感，因此轻微的运动将导致目标在SAR图像中有较大的位置偏移和散焦。然而，上述现象不会发生在动目标的阴影上，因此阴影可以反映动目标的真实位置和运动状态信息。此外，一方面动目标阴影与其背景之间的对比度相差较大有利于动目标的检测，另一方面由于合成孔径的时间较短，动态阴影可以反映目标的瞬时位置有利于动目标的重新聚焦。因此，使用阴影来实现Video SAR动目标的检测和跟踪已成为一种新的研究途径。Video SAR中的移动目标阴影检测是非常重要且有价值的，它是动阴影检测的一个基本和重要的前提。只有在成功检测到阴影后，后续的一系列任务才能进行，如轨迹重建，数据关联，旧目标的消失与新目标的出现，速度估计等。详见文献“丁金闪.Video SAR成像与动目标阴影检测技术[J].雷达学报,2020,9(2).”。
[0005]目前许多研究已经从多角度实现了Video SAR的动目标阴影检测，并取得了不错的效果。然而由于背景存在不易区分的相似物，现有方法往往存在一定的虚警，同时在复杂环境中动目标阴影容易受背景干扰导致漏检，因此Video SAR动目标阴影检测仍然是一个挑战。
[0006]因此，为了解决现有技术虚警率高，检测精度低等问题，本专利技术提出了一种基于ShadowDeNet的Video SAR动目标阴影检测方法。

技术实现思路

[0007]本专利技术属于合成孔径雷达(SAR)图像解译
，公开了一种基于ShadowDeNet的Video SAR动目标阴影检测方法，用来解决虚警率高，检测精度低的问题。该方法设计了一种全新的网络——ShadowDeNet，有五个核心贡献来确保ShadowDeNet的卓越性能：(1)直方图均衡阴影增强(HESE)预处理技术被用于增强阴影显著性来促进低维特征的提取；(2)自注意力机制(TSAM)被用于更关注感兴趣目标区域来抑制杂波干扰；(3)形状变化自适应学习(SDAL)机制利用变形卷积学习动目标阴影的形变从而克服运动速度的变化；(4)语义引导锚自适应学习(SGAAL)机制通过优化锚来自适应匹配阴影的位置和形状；(5)在线困难样本挖掘(OHEM)技术被用于选择典型困难负样本来提高背景识别能力。在公知的桑迪亚国家实验室数据集上的实验结果显示，与其他先进的Video SAR中动阴影检测技术相比，本专利技术实现了最先进的Video SAR中动目标检测精度。
[0008]为了方便描述本专利技术的内容，首先作以下术语定义：
[0009]定义1：经典的桑迪亚国家实验室数据集
[0010]经典桑迪亚国家实验室数据集是指Video SAR数据集，英文全称为Sandia National Laboratory Dataset，其可以用于训练深度学习模型,用于研究人员在这个统一的数据集去评价他们算法的性能。在该数据集包含所有899帧中50个不同的移动目标，图像的大小为600
×
600。桑迪亚国家实验室数据集可从网站“https://www.sandia.gov/radar/pathfinder
‑
radar
‑
isr
‑
and
‑
synthetic
‑
aperture
‑
radar
‑
sar
‑
systems/video/.”中获得。
[0011]定义2：标准的直方图均衡方法
[0012]直方图均衡化就是把一个已知灰度概率密度分布的图像经过一种变换，使之演变为一幅具有均匀灰度概率密度分布的新图像。这种方法通常用来增加图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。直方图均衡是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。详见“https://zh.wikipedia.org/wiki/”。
[0013]定义3：经典的卷积神经网络方法
[0014]经典的卷积神经网络指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。近年来,卷积神经网络在计算机视觉、自然语言处理、语音识别等领域取得了突飞猛进的发展,其强大的特征学习能力引起了国内外专家学者广泛的关注。经典的卷积神经网络方法详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展[J/OL].南京邮电大学学报(自然科学版),2019(05):1
‑
9.https://doi.org/10.14132/j.cnki.1673
‑
5439.2019.05.010.”。
[0015]定义4：经典的CNN特征提取方法
[0016]经典CNN特征提取，即通过CNN对原始输入图像进行特征提取。总而言之，原始输入图像经过不同特征的卷积操作变成了一系列的特征图。在CNN中，卷积层中卷积核在图像上不断滑动运算。同时，最大池化层负责在内积结果上取每一局部块的最大值。因此，CNN通过
卷积层和最大池化层实现了图片特征提取方法本文档来自技高网...

【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：