System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于目标检测领域,尤其涉及一种基于运动模态的视频sar运动目标阴影检测方法和装置。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)以其全天时、全天候的优势在地形勘探、区域监视、灾害监测、地物分类等方面获得了广泛的应用。视频sar比sar具有更高的帧频、更高的分辨率,能够对地面目标区域持续成像,实现对目标的连续监测。
2、目前许多研究已经从多角度实现了视频sar运动目标阴影检测,并取得了不错的效果。然而由于背景杂波等的干扰,容易出现漏检、误检的问题,因此视频sar运动目标阴影检测仍然是一个挑战。
3、现阶段视频sar运动目标阴影检测主要包含传统图像处理方法和基于深度学习的方法。传统图像处理方法常用的方法有背景减除法、帧间差分法和光流法等,但该类方法通常需要将图像进行预处理等操作,过程复杂,且易受噪声等干扰,目标检测的有效性较差。
4、基于深度学习的目标检测方法主要分为两阶段检测方法和一阶段检测方法,两阶段方法先提取候选框再进行定位分类,一阶段方法直接在网络中提取特征来预测物体分类和位置,但这些方法只利用了单帧sar图像的信息,容易出现漏检、误检等现象。
技术实现思路
1、本专利技术的目的是针对机载视频sar运动目标阴影检测易受复杂背景杂波干扰出现漏检误检、检测难度大的问题,提供一种基于运动模态的视频sar运动目标阴影检测方法和装置、计算机设备、计算机可读存储介质。
2、本专利技术的一个方
3、图像采集和标注步骤,通过机载雷达设备采集一组包含运动目标阴影的视频sar图像,对每帧图像中运动目标阴影的位置、类别进行标注作为数据集并划分为训练集和测试集;
4、图像特征提取步骤,构建特征金字塔结构的神经网络,将深层特征与浅层特征进行融合,获得满足小目标检测需求的图像特征;
5、运动特征提取步骤,获取待检测图像的前两帧图像的视频sar运动目标阴影位置,构建二值化的第一图像和第二图像,所述第一图像和第二图像的大小与待检测图像的宽高尺寸一致,将第一图像和第二图像堆叠,构成一个两层的三维矩阵作为运动模态,使用一组卷积层、激活层和池化层对运动模态进行特征提取,得到运动特征;
6、图像特征与运动特征融合步骤,将得到的图像特征与运动特征进行融合,得到融合后的特征;
7、预测结果获取步骤,在融合后的特征上均匀设置检测锚框,作为预测位置初始值,使用一组卷积层、激活层学习得到偏移量和类别置信度,根据预测位置初始值和偏移量得到预测位置结果,类别置信度和预测位置结果共同组成预测结果;
8、模型训练步骤,使用训练集对神经网络进行训练,直至基于预测结果的损失函数值收敛至一个局部极小值,得到训练好的模型;
9、检测步骤,将测试集中的待检测图像输入进训练好的模型中进行检测,完成运动目标阴影检测。
10、优选地,所述图像特征提取步骤包括:
11、将深层特征进行上采样,并通过一组卷积层和激活层降低其特征维度,获得第一特征;
12、将浅层特征使用一组卷积层和激活层进行特征提取,获得第二特征;
13、将第一特征与第二特征进行concat拼接,并使用一组卷积层和激活层进行特征整合,获得融合后的图像特征;
14、将深层特征逐步与相邻下一层的浅层特征进行融合,直至获得满足小目标检测需求的图像特征。
15、优选地,所述运动特征提取步骤中,所述第一图像和第二图像中每个像素点的值为0或1,其中运动目标阴影的边界框内的像素值为1,边界框外的像素值为0。
16、优选地,所述图像特征与运动特征融合步骤包括:将图像特征矩阵与运动特征矩阵进行点乘,与图像特征矩阵相加后,使用一组卷积层和激活层进行特征整合,得到融合后的特征。
17、优选地,所述预测结果获取步骤中,如下得到检测锚框:
18、获取运动目标阴影的边界框大小的宽和高作为样本集,对全体样本大小进行聚类,将得到的聚类点按顺序排列,获得检测锚框集。
19、优选地,所述模型训练步骤中,所述损失函数为:
20、
21、其中,tp为预测结果,tgt为标签值,αbox、αobj为各项对应的权重,b为锚框个数,表示第i个锚框是否是运动目标阴影,如果是运动目标阴影则为1,反之为0,lciou为定位损失,lobj为分类损失。
22、本专利技术的另一个方面提供一种基于运动模态的视频sar运动目标阴影检测装置,包括:
23、图像采集和标注模块,通过机载雷达设备采集一组包含运动目标阴影的视频sar图像,对每帧图像中运动目标阴影的位置、类别进行标注作为数据集并划分为训练集和测试集;
24、图像特征提取模块,构建特征金字塔结构的神经网络,将深层特征与浅层特征进行融合,获得满足小目标检测需求的图像特征;
25、运动特征提取模块,获取待检测图像的前两帧图像的视频sar运动目标阴影位置,构建二值化的第一图像和第二图像,所述第一图像和第二图像的大小与待检测图像的宽高尺寸一致,将第一图像和第二图像堆叠,构成一个两层的三维矩阵作为运动模态,使用一组卷积层、激活层和池化层对运动模态进行特征提取,得到运动特征;
26、图像特征与运动特征融合模块,将得到的图像特征与运动特征进行融合,得到融合后的特征;
27、预测结果获取模块,在融合后的特征上均匀设置检测锚框,作为预测位置初始值,使用一组卷积层、激活层学习得到偏移量和类别置信度,根据预测位置初始值和偏移量得到预测位置结果,类别置信度和预测位置结果共同组成预测结果;
28、模型训练模块,使用训练集对神经网络进行训练,直至基于预测结果的损失函数值收敛至一个局部极小值,得到训练好的模型;
29、检测模块,将测试集中的待检测图像输入进训练好的模型中进行检测,完成运动目标阴影检测。
30、本专利技术的又一个方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
31、本专利技术的又一个方面一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的方法的步骤。
32、根据本专利技术以上方面的基于运动模态的视频sar运动目标阴影检测方法和装置、计算机设备、计算机可读存储介质,利用待检测图像与前两帧图像间的运动连贯性信息进行运动目标阴影检测,能够改善因为受背景杂波、遮挡等因素影响造成视频sar某一帧图像中的目标漏检、误检现象。
本文档来自技高网...【技术保护点】
1.一种基于运动模态的视频SAR运动目标阴影检测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述图像特征提取步骤包括:
3.如权利要求1或2所述的方法,其特征在于,所述运动特征提取步骤中,所述第一图像和第二图像中每个像素点的值为0或1,其中运动目标阴影的边界框内的像素值为1,边界框外的像素值为0。
4.如权利要求1或2所述的方法,其特征在于,所述图像特征与运动特征融合步骤包括:将图像特征矩阵与运动特征矩阵进行点乘,与图像特征矩阵相加后,使用一组卷积层和激活层进行特征整合,得到融合后的特征。
5.如权利要求1或2所述的方法,其特征在于,所述预测结果获取步骤中,如下得到检测锚框:
6.如权利要求1或2所述的方法,其特征在于,所述模型训练步骤中,所述损失函数为:
7.一种基于运动模态的视频SAR运动目标阴影检测装置,其特征在于,包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法的
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于运动模态的视频sar运动目标阴影检测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述图像特征提取步骤包括:
3.如权利要求1或2所述的方法,其特征在于,所述运动特征提取步骤中,所述第一图像和第二图像中每个像素点的值为0或1,其中运动目标阴影的边界框内的像素值为1,边界框外的像素值为0。
4.如权利要求1或2所述的方法,其特征在于,所述图像特征与运动特征融合步骤包括:将图像特征矩阵与运动特征矩阵进行点乘,与图像特征矩阵相加后,使用一组卷积层和激活层进行特征整合,得到融合后的特征。
5.如权...
【专利技术属性】
技术研发人员:金星,肖汉,王志锐,乔飞,张英杰,陈洪猛,郭冠博,
申请(专利权)人:北京无线电测量研究所,
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。