CN104851097A - 基于目标形状与阴影辅助的多通道sar-gmti方法 - Google Patents
基于目标形状与阴影辅助的多通道sar-gmti方法 Download PDFInfo
- Publication number
- CN104851097A CN104851097A CN201510256979.3A CN201510256979A CN104851097A CN 104851097 A CN104851097 A CN 104851097A CN 201510256979 A CN201510256979 A CN 201510256979A CN 104851097 A CN104851097 A CN 104851097A
- Authority
- CN
- China
- Prior art keywords
- target
- moving
- shadow
- image
- sar image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于目标形状与阴影辅助的多通道SAR-GMTI方法,其思路是:对M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像依次进行多通道自适应杂波抑制和单元平均恒虚警(CA-CFAR)检测后,得到一幅二值图像;接着对二值图像聚类处理后,得到各潜在动目标及其尺寸信息与位置信息;再根据已建立的动目标阴影几何计算模型与获得的潜在动目标尺寸信息,计算与该潜在动目标对应的阴影尺寸匹配模板,并利用该潜在动目标的径向速度估计值与位置信息生成阴影位置匹配模板;最后,根据SAR图像分割后的各阴影区域的尺寸信息与位置信息,分别与两个阴影模板相匹配,剔除无阴影区域匹配的虚假动目标,降低了虚警。
Description
技术领域
本发明属于运动平台雷达(包括机载/星载雷达)运动目标检测技术领域,特别涉及一种基于目标形状与阴影辅助的多通道合成孔径雷达地面运动目标检测(Synthetic Aperture Radar-based Ground Moving Target Indication,SAR-GMTI)方法,适用于机载远程监视应用背景下动目标的检测。
背景技术
合成孔径雷达地面运动目标检测(SAR-GMTI)技术成为近年来雷达地面运动目标检测领域的研究热点。合成孔径雷达地面运动目标检测(SAR-GMTI)技术不仅能够完成对地面动目标的检测、参数估计与定位,还可以完成对地面场景的高分辨成像;随着雷达***性能的改进,SAR图像的分辨率也得到显著提高。
尤其,在机载远程监视应用背景下分辨率的提高,一方面可以获得更加清晰的SAR图像,使得地面动目标在呈现扩展特性的同时,动目标形状与其阴影(因动目标具有一定高度而投射到地面的阴影)特征也更加显著;另一方面也可以减少分辨率与地面动目标相竞争的杂波能量,提高了动目标的检测性能。然而,地面动目标的散焦问题也因此更加显著,加之动目标面临能量扩散和信噪比低等问题,使得利用基于传统动目标的检测方法检测地面扩展动目标(地面动目标在高分辨的情况下成为地面扩展动目标)时性能明显下降,故对于地面扩展动目标而言,有必要研究和发展新的检测方法。
由于地面动目标与其阴影在形状、位置特性上具有一一对应关系,因此利用地面动目标的阴影特性(如其形状和位置等特性)可进一步提高地面动目标的检测性能。目前,静止目标的阴影特性在SAR图像解译中已有广泛的应用(如SAR图像目标检测与识别等方面),而地面动目标阴影特性的利用则相对较少。
史洪印等人在文献《基于阴影检测的单幅高分辨SAR图像动目标检测方法》(Signal Processing,2012,28(12))中利用单幅高分辨率SAR图像阴影区域的检测方法,并结合道路的辅助信息实现动目标检测、精确定位以及参数估计,但其仅考虑了动目标本身留下的正射阴影特性,同时也要求该正射阴影具有较高的信杂比,并且实际SAR图像上的条状道路区域接近噪声电平,因此想要准确提取动目的正射阴影较为困难。
Jahangir M在文献《Moving target detection for synthetic aperture radar via shadow detection》(IET International Conference on Radar Systems,2007)中提出在聚束模式下,利用多视SAR图像的序列阴影位置变化来实现动目标的检测、跟踪与精确定位,虽然该检测性能不受信杂比影响,但是却需要对多视SAR图像的序列进行精确配准,并且也要求在较大地范围内通过改变观察视角来区分动目标与地物场景阴影的变化情况,其实现难度也较大。
因此,对于利用地面动目标的阴影特性进行动目标检测,目前没有提出更具普遍应用性的检测方法。
发明内容
本发明的目的在于提出一种基于动目标形状与阴影辅助的多通道合成孔径雷达地面运动目标检测(SAR-GMTI)方法,这种方法在机载远程监视应用背景下可以提高地面扩展动目标(即高分辨率下的动目标,下文中动目标皆为扩展动目标)的检测性能,并降低虚警。
实现本发明目的的主要思路是:对M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像进行多通道自适应杂波抑制后,依次得到一幅残差图像和一幅二值图像;再利用恒虚警(Constant False Alarm Rate,CFAR)技术进行二值图像检测及聚类处理后,得到各潜在动目标;通过提取各潜在动目标的最小外接矩形生成各潜在动目标的形状信息(动目标尺寸信息)与位置信息;然后基于几何光学理论,建立动目标阴影几何计算模型,根据已经建立的动目标阴影几何计算模型与获得的潜在动目标尺寸信息,计算与该潜在动目标对应的阴影尺寸匹配模板,并利用该潜在动目标的径向速度估计值与位置信息生成阴影位置匹配模板;最后根据SAR图像分割后得到的各阴影区域的尺寸信息与位置信息,分别与得到的两个阴影模板相匹配,剔除没有阴影匹配的虚假动目标,达到降低虚警的目的。
根据上述思路,本发明采用以下技术方案予以实现。
一种基于目标形状与阴影辅助的多通道SAR-GMTI方法,其特征在于,包括以下步骤:
步骤1,多通道合成孔径雷达具有M个接收通道,其中一个接收通道同时为发射通道;对接收雷达回波信号的M个通道分别进行成像处理,得到M幅不同通道的原始SAR图像,其中,M为正整数;
步骤2,以发射通道作为参考通道,并以此参考通道的SAR图像作为基准,对其它M-1个接收通道的SAR图像分别进行图像配准与通道均衡后,得到M-1幅图像配准与通道均衡 后的SAR图像;
步骤3,对M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像进行多通道自适应杂波抑制后,得到一幅残差图像,然后对该残差图像进行单元平均恒虚警(CA-CFAR)检测后,得到一幅二值图像;
步骤4,建立动目标阴影计算模型,在动目标阴影计算模型的基础上对步骤3得到的二值图像进行聚类操作,得到各潜在动目标;然后提取各潜在动目标的尺寸信息与位置信息,并根据已建立的动目标阴影计算模型和已提取的各潜在动目标的尺寸信息,生成各潜在动目标的阴影尺寸匹配模板;
步骤5,采用自适应匹配滤波(AMF)方法,估计步骤4得到的各潜在动目标的径向速度值,然后根据已估计得到的各潜在动目标的径向速度值对各潜在动目标进行重定位,获得各潜在动目标的阴影位置匹配模板;
步骤6,在M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像中,任意选取其中一幅SAR图像进行阴影分割与形态学处理,得到一幅已消除小像素群和图像边缘区域平滑后的SAR图像阴影分割图,然后提取该SAR图像阴影分割图中各阴影区域的尺寸信息与位置信息;
步骤7,根据现实中动目标的经验尺寸范围,初步筛选掉步骤6得到的SAR图像阴影分割图的各阴影区域中不可能成为动目标阴影的阴影区域,然后对筛选后剩余的阴影区域利用步骤4与步骤5生成的阴影尺寸匹配模板与阴影位置匹配模板进行匹配;若剩余的阴影区域中,存在尺寸信息与位置信息同时满足阴影尺寸匹配模板与阴影位置匹配模板的阴影区域,则认为该阴影区域对应的潜在动目标为真实动目标,否则为虚警。
本发明与现有技术相比,具有以下优点:
(1)本发明通过地面动目标与其阴影在尺寸信息与位置信息上的匹配关系,剔除不满足两个匹配模板条件的虚假动目标,进一步消除由杂波干扰带来的虚警问题,提高了扩展动目标的检测性能。
(2)本发明考虑了动目标阴影由两部分组成:一部分是由于动目标具有径向速度而在原始SAR图像上发生位置偏移,导致其在真实位置处留下正射阴影;另一部分是由于动目标具有一定高度而投射到地面上产生的投射阴影,这两部分组成更能真实地体现动目标阴影的形成,进而可以提供更精确的阴影尺寸匹配模板和阴影位置匹配模板。
(3)本发明根据尺寸信息与位置信息同时满足阴影尺寸匹配模板与阴影位置匹配模板的阴影区域,则认为该阴影区域对应的潜在动目标为真实动目标。这样,通过该阴影区域 的尺寸信息与位置信息能够更精确地反推出动目标的尺寸信息。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明。
图1是本发明的实现流程图;
图2(a)是本发明的动目标与其阴影的俯视示意图,
其中,在方位向x-距离向y的直角坐标系下,雷达波束沿距离向照射动目标,形成①和③所示的半阴影区域与②所示的全阴影区域,Δx为动目标在SAR图像上的位置偏移量,在④所示的区域留下自身的正射阴影,a表示动目标的长,b表示动目标的宽,θ表示动目标的轴线与方位向正向夹角,即为动目标偏向角,Sl与Sw分别为区域②即全阴影区域方位向和距离向的宽度,α表示雷达平台下视角;
图2(b)是本发明的动目标与其阴影的正视示意图,
其中,h为动目标的高,α表示雷达平台下视角,Sw为图2(a)中区域②即全阴影区域距离向的宽度;
图3是本发明的仿真场景图;
图4是本发明用于对比的单元平均恒虚警(CA-CFAR)检测效果图;
图5是本发明的检测结果图;
图6是采用本发明方法的虚警率与采用单元平均恒虚警(CA-CFAR)的虚警率的关系曲线图。
具体实施方式
参照图1,本发明基于目标形状与阴影辅助的多通道合成孔径雷达地面运动目标检测(SAR-GMTI)方法,其步骤如下:
步骤1,多通道合成孔径雷达具有M个接收通道,其中一个接收通道同时为发射通道;对接收雷达回波信号的M个通道分别进行成像处理,得到M幅不同通道的原始SAR图像,其中,M为正整数。
本步骤的具体实现:对M个通道的雷达回波信号分别利用距离多普勒(RD)成像算法进行距离向与方位向的二维脉压处理,形成M个高分辨的原始SAR图像。而这M个高分辨原始SAR图像中,第m个通道接收的回波信号经过二维脉压处理后的信号表达式 为:
其中,σt表示动目标的后向散射系数,c表示光速,λ表示雷达中心频率对应的波长,Ar和Aa分别表示各通道回波信号经距离压缩后和方位压缩后动目标信号的增益,Br为线性调频信号的带宽,Ba为方位多普勒带宽,va表示雷达平台速度,dm为通道m与通道1(通道1为参考通道)的沿航迹间隔,m=1,2,…,M,表示距离向快时间,tn表示方位向慢时间,vr表示动目标的径向速度,当tn=0时,动目标中心的方位向位置为x0,此时该动目标中心到平台运动方向的最短斜距为R0。
步骤2,以发射通道作为参考通道,并以此参考通道的原始SAR图像作为基准,对其它M-1个接收通道的原始SAR图像分别进行图像配准与通道均衡后,得到M-1幅图像配准与通道均衡后的SAR图像。
本步骤的具体实现:本发明的雷达平台***采用一发多收模式,即任选M个通道中任意一个通道发射信号后,M个通道同时接收回波信号;假设选取第1个通道(通常为发射通道)作为参考通道,该参考通道形成的原始SAR图像为参考图像,以互相关法对其他M-1个接收通道的原始SAR图像进行像素级配准。
具体地,首先对待配准的第m个原始SAR图像进行切割,得到P个图块,m=2,3,…,M,P=1,2,3,…,p,…P,然后任意选取其中1个图块,并使用该图块的对应的灰度值矩阵T与参考图像的灰度值矩阵f做二维互相关处理:
其中,C(u,v)表示所选图块的灰度值矩阵T在参考图像上每一个位移位置的相似程度,T(x,y)表示所选图块的灰度值矩阵T的像素点,f(x,y)表示参考图像灰度值矩阵的像素点, 当所选图块的灰度值矩阵T和参考图像的灰度值矩阵f在矩阵T位移量(i,j)处相匹配时,C(u,v)会在C(i,j)处出现相关峰值,把经过二维互相关处理后得到的相关峰位移量(i,j)作为粗位移矢量;其次参考该粗位移矢量(i,j),在上一步得到的P个图块中再选取p个图块,其中,p∈{1,P}且不包括上一步已选取的1个图块,并使用这p个图块对应的灰度值矩阵分别与参考图像的灰度值矩阵做二维互相关处理后,记录得到的p个相关峰坐标位置 (ik,jk),k=1,2,…,N;然后对得到的p个相关峰坐标位置进行统计平均和取整计算后,得到用于配准的位移矢量依据该位移矢量对待配准的第m幅原始SAR图像做整体平移,即可完成一幅原始SAR图像的像素级配准。采用上述同样的像素级配准,依次完成M-1幅原始SAR图像的像素级配准,得到M-1幅图像配准后的SAR图像,提高了各通道间信号的相干性。
然后,将M-1幅图像配准后的SAR图像和一幅参考通道的原始SAR图像分别变换到距离-多普勒域,产生多个距离-多普勒单元,距离-多普勒单元和SAR图像里的像素点是一一对应的,M-1幅图像配准后的SAR图像和一幅参考通道的原始SAR图像相应位置的距离-多普勒单元组成了观察数据矢量;接着采用自适应通道幅相误差补偿方法对该观察数据矢量实现通道均衡。
具体地,首先基于功率挑选原则,选取超过噪声功率门限值的距离-多普勒单元为候选训练样本集,该候选训练样本集包含杂波与潜在动目标在内的训练样本,利用该候选样本集计算杂波相位矢量的相关矩阵,即其大特征值对应的特征矢量,将该特征矢量对应元素的共轭乘以观察数据矢量,以此初步实现通道均衡的相位误差均衡;接着采用相位挑选原则剔除包含潜在动目标的训练样本,进而利用剩下的训练样本计算杂波相关矩阵及其最大特征值对应的特征矢量,并将上步进行通道均衡的相位误差均衡后得到的数据矢量乘以该特征矢量对应元素的共轭,以此完成通道的幅度误差和相位误差的均衡,提高不同通道间幅相特性的一致性。
步骤3,对M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像进行多通道自适应杂波抑制后,得到一幅残差图像,然后对该残差图像进行单元平均恒虚警(CA-CFAR)检测后,得到一幅二值图像。
本步骤的具体实现:为消除地物杂波对动目标检测性能的影响,可以利用不同通道间的原始SAR图像差值,即自适应相位中心偏置天线(Adaptive Displaced Phase Center Array, ADPCA)技术实现多通道杂波抑制。自适应相位中心偏置天线(ADPCA)技术通常被用于实现多通道杂波抑制,此为公知常识。
经过多通道杂波抑制后得到的残差图像在给定的虚警概率条件下,利用单元平均恒虚警(CA-CFAR)检测方法将通过检测门限的所有像素点筛选出来作为潜在动目标的像素点,即可得到一幅二值图像,此处选用的该单元平均恒虚警(CA-CFAR)检测方法是一种常用的动目标检测方法。
步骤4,建立动目标阴影计算模型,在动目标阴影计算模型的基础上对步骤3得到的二值图像进行聚类操作,得到各潜在动目标;然后提取各潜在动目标的尺寸信息与位置信息,并根据已建立的动目标阴影计算模型和已提取的各潜在动目标的尺寸信息,生成各潜在动目标的阴影尺寸匹配模板。
本步骤的具体实现:首先,参照几何光学理论描述动目标阴影的形成机理,建立动目标阴影几何计算模型,地面动目标阴影区域的形成与计算示意如图2所示。与静止目标类似,合成孔径雷达与动目标在空间位置上相对变化会导致形成如图2(a)中①和③所示的半阴影区域与②所示的全阴影区域(半阴影与全阴影皆为投射阴影)。
此外,对动目标而言,由于存在径向速度,导致动目标成像后会发生方位位置偏移,因此会在动目标真实位置处留下正射阴影(图2(a)中④所示区域)。本发明中将正射阴影区域与全阴影区域的和统称为动目标阴影区域(如图2(a)中②+④所示区域);并且动目标阴影区域的方位向宽度可用动目标在方位向的宽度近似,距离向宽度为动目标在距离向的宽度与全阴影区域在距离向的宽度之和。全阴影区域在距离向的宽度Sw可根据图2(b)所示的几何关系Sw=h·tanα得到,其中,h表示动目标的高度,α表示雷达平台的下视角。动目标在方位向与距离向的宽度可通过动目标聚类操作后提取其最小外接矩形的尺寸信息分别得到。
对步骤3获得的二值图像进行动目标聚类操作(如模糊C均值聚类算法),获得各潜在动目标的聚类中心及其包含的像素群,接着对各潜在动目标的像素群分别提取最小外接矩形,进而得到各潜在动目标的尺寸信息与位置信息,最后利用已经建立的动目标阴影几何计算模型,得到各潜在动目标的阴影尺寸匹配模板。
步骤5,采用自适应匹配滤波(AMF)方法,估计步骤4得到的各潜在动目标的径向速度值,然后根据已估计得到的各潜在动目标的径向速度值对各潜在动目标进行重定位,获得各潜在动目标的阴影位置匹配模板。
本步骤的具体实现:由于扩展动目标占据多个像素点,并且多个像素点的径向速度值具有一致性,所以可以采用自适应匹配滤波(AMF)方法估计各潜在动目标内所有像素点的径向速度值。
设潜在动目标的所有像素点数为D,D为正整数,通过下式可以求得所有像素点中第i个像素点的径向速度
其中,表示线性约束最小均方误差准则下的最优权矢量,as表示动目标导向矢量,Rcn表示杂波加噪声协方差矩阵;vr表示不模糊速度,vr max=λ·fd max/2表示最大不模糊速度,fd max为表示最大的多普勒频率,λ表示雷达中心频率对应的波长,xs表示动目标所在区域对应的多通道数据,i∈{1,D},{}H表示共轭转置。
然后,把所有像素点径向速度的估计值按大小排列后,选取其中值作为该潜在动目标的径向速度值,则该潜在动目标的重定位后的方位向位置为
其中,表示潜在动目标的径向速度估计值,x0表示潜在动目标的SAR成像位置,R0′表示成像时刻动目标到平台的最短斜距,va表示沿航迹的雷达平台速度;由于动目标的阴影位置处于潜在动目标的真实位置x附近,所以在给定潜在动目标方位向与距离向的定位位差(定位误差在合理范围内人为给定)的情况下,结合各潜在动目标在距离向的位置信息,可以得到各潜在动目标的阴影位置匹配模板。
步骤6,在M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像中,任意选取其中一幅SAR图像进行阴影分割与形态学处理,得到一幅已消除小像素群和图像边缘区域平滑后的SAR图像阴影分割图,然后提取该SAR图像阴影分割图中各阴影区域的尺寸信息与位置信息。
本步骤的具体实现:利用已有的阴影图像分割算法,在M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像中,任意选取其中一幅SAR图像进行阴影分割。本发明以常用的Ostu算法为例,利用类间方差最大原则获得最优分割阈值,把该所选取的 经过图像配准与通道均衡后的SAR图像中灰度值低于该最优阈值的阴影区域作为所需阴影区域,进而得到该幅SAR图像阴影分割后的SAR图像;然后对该阴影分割后的SAR图像利用形态学滤波处理方法中的开运算与闭运算操作,消除阴影分割后图像中的小像素群和平滑阴影区域轮廓,进而得到上述处理后的各阴影区域,最后对该处理后的各阴影区域分别提取最小外接矩形,以得到各阴影区域的尺寸信息与位置信息。
步骤7,根据现实中动目标的经验尺寸范围,初步筛选掉步骤6得到的SAR图像阴影分割图的各阴影区域中不可能成为动目标阴影的阴影区域,然后对筛选后剩余的阴影区域利用步骤4与步骤5生成的阴影尺寸匹配模板与阴影位置匹配模板进行匹配;若剩余的阴影区域中,存在尺寸信息与位置信息同时满足阴影尺寸匹配模板与阴影位置匹配模板的阴影区域,则认为阴影区域对应的潜在动目标为真实动目标,否则为虚警。这样,即可完成基于动目标形状与阴影特性的辅助检测。
本步骤的具体实现:假设动目标为越野车、装甲车等车辆,根据现实生活中的越野车、装甲车等能够出现的车辆最小尺寸与最大尺寸,得到动目标的经验尺寸范围,然后通过分辨率和采样率的换算关系把这个经验尺寸范围换算成像素意义上的尺寸范围,接着把步骤6得到的各阴影区域的尺寸信息与像素意义上的尺寸范围相比较,初步筛选掉不可能成为动目标的阴影区域,再利用步骤5与步骤6设计的阴影尺寸与阴影位置匹配模板对初步筛选后剩余的阴影区域进行匹配。若有阴影区域同时满足两个匹配模板条件,则认为该阴影区域对应的潜在动目标为真实目标,否则为虚警;对满足两个阴影匹配模板条件的动目标阴影进一步分析可得到动目标的高度等信息。
本发明的效果可以通过以下仿真实验进一步说明。
(1)实验环境
本发明所用的各种仿真参数如下:
仿真三通道SAR动目标***,采用一发多收模式,以通道1为参考通道,通道间隔为1m,载频为10GHz,脉冲重复频率为400Hz,雷达平台速度为200m/s,下视角为76°,仿真场景到平台的最小斜距为20810m,场景动目标在方位向和距离向上的分辨率均为1m,二维脉压前的输入信噪比(Signal-to-Noise Rate,SNR)SNR=-5dB,输入杂噪比(Clutter-to-Noise Rate,CNR)CNR=-5dB,信杂比(Signal-to-Clutter Rate,SCR)SCR=0dB,在仿真场景中仿真了四个动目标,具体参数如表1所示
表1 动目标仿真参数
尺寸(a,b,h) | 偏向角θ | 占分辨单元数 | 动目标运动速度(vx,vr) | |
动目标1 | (12m,3m,3m) | 45° | 42 | (0m/s,1m/s) |
动目标2 | (12m,3m,3m) | 0° | 36 | (0m/s,1m/s) |
动目标3 | (6m,3m,2m) | 0° | 18 | (0m/s,1m/s) |
动目标4 | (4m,2m,2m) | 0° | 8 | (0m/s,1m/s) |
其中,a表示动目标长度的实际尺寸值,b表示动目标宽度的实际尺寸值,h表示动目标高度的实际尺寸值,θ表示动目标的轴线与方位向正向的夹角,即动目标偏向角,vx表示动目标的方位向速度,vr表示动目标的径向速度,对于慢速动目标而言,方位向速度引起的散焦可以忽略不计,因此仿真中主要考虑动目标的径向速度。
(2)实验内容与结果
对具体的场景采用距离多普勒(RD)成像算法进行仿真,成像结果如图3所示。从图3中可以看出,由于信杂比(SCR)较小,动目标淹没在杂波背景中,因此从图3中无法看到动目标;但是可以很清楚的看到4个动目标成像后分别对应的阴影区域,然后对成像结果进行自适应杂波抑制(ADPCA),再利用单元平均恒虚警(CA-CFAR)方法进行检测,虚警概率设为3×10-3成像结果如图4所示。从图4中可以看出除了所仿真的四个动目标外,还有许多虚警出现;经过本发明的方法处理后的检测效果图如图5所示,仿真的四个动目标被有效的保留,虚警率降为4×10-4,从而提高了动目标的检测性能,也降低了虚警率。
图6给出了使用单元平均恒虚警(CA-CFAR)检测后得到的虚警率与使用本发明检测方法后得到的虚警率的关系曲线图。从图6中可以看出,使用单元平均恒虚警(CA-CFAR)方法后得到的虚警率小于10-2,尤其是小于10-3时,使用本发明检测方法可以更好地降低虚警率,所以本发明在提高检测性能方面相对于单元平均恒虚警(CA-CFAR)检测明显具有更好地降低虚警效果。
综上所述,在动目标面临信噪比下降的情况下,本发明利用地面扩展动目标的形状信息与阴影特性进行辅助检测,可以有效地降低虚警,提高扩展动目标的检测性能。实验仿真也验证了本发明在机载远程监视应用背景下相对于传统基于点目标的检测方法具有更好地降低虚警效果。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内, 则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于目标形状与阴影辅助的多通道SAR-GMTI方法,其特征在于,包括以下步骤:
步骤1,多通道合成孔径雷达具有M个接收通道,其中一个接收通道同时为发射通道;对接收雷达回波信号的M个通道分别进行成像处理,得到M幅不同通道的原始SAR图像,其中,M为正整数;
步骤2,以发射通道作为参考通道,并以此参考通道的SAR图像作为基准,对其它M-1个接收通道的SAR图像分别进行图像配准与通道均衡后,得到M-1幅图像配准与通道均衡后的SAR图像;
步骤3,对M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像进行多通道自适应杂波抑制后,得到一幅残差图像,然后对该残差图像进行单元平均恒虚警(CA-CFAR)检测后,得到一幅二值图像;
步骤4,建立动目标阴影计算模型,在动目标阴影计算模型的基础上对步骤3得到的二值图像进行聚类操作,得到各潜在动目标;然后提取各潜在动目标的尺寸信息与位置信息,并根据已建立的动目标阴影计算模型和已提取的各潜在动目标的尺寸信息,生成各潜在动目标的阴影尺寸匹配模板;
步骤5,采用自适应匹配滤波(AMF)方法,估计步骤4得到的各潜在动目标的径向速度值,然后根据已估计得到的各潜在动目标的径向速度值对各潜在动目标进行重定位,获得各潜在动目标的阴影位置匹配模板;
步骤6,在M-1幅图像配准与通道均衡后的SAR图像和一幅参考通道的原始SAR图像中,任意选取其中一幅SAR图像进行阴影分割与形态学处理,得到一幅已消除小像素群和图像边缘区域平滑后的SAR图像阴影分割图,然后提取该SAR图像阴影分割图中各阴影区域的尺寸信息与位置信息;
步骤7,根据现实中动目标的经验尺寸范围,初步筛选掉步骤6得到的SAR图像阴影分割图的各阴影区域中不可能成为动目标阴影的阴影区域,然后对筛选后剩余的阴影区域利用步骤4与步骤5生成的阴影尺寸匹配模板与阴影位置匹配模板进行匹配;若剩余的阴影区域中,存在尺寸信息与位置信息同时满足阴影尺寸匹配模板与阴影位置匹配模板的阴影区域,则认为该阴影区域对应的潜在动目标为真实动目标,否则为虚警。
2.根据权利要求1所述的基于目标形状与阴影辅助的多通道SAR-GMTI方法,其特征在于,所述步骤2中的图像配准为像素级配准;
其中,选取第1个通道为发射通道,作为参考通道,该参考通道形成的原始SAR图像为参考图像,对其他M-1个接收通道的原始SAR图像进行像素级配准;
具体地,对待配准的第m个原始SAR图像进行切割,得到P个图块,m=2,3,…,M,P=1,2,3,…,p,…P,然后任意选取其中1个图块,并使用该图块的对应的灰度值矩阵T与参考图像的灰度值矩阵f做二维互相关处理:
其中,C(u,v)表示所选图块的灰度值矩阵T在参考图像上每一个位移位置的相似程度,T(x,y)表示所选图块的灰度值矩阵T的像素点,f(x,y)表示参考图像灰度值矩阵的像素点,当所选图块的灰度值矩阵T和参考图像的灰度值矩阵f在矩阵T位移量(i,j)处相匹配时,C(u,v)会在C(i,j)处出现相关峰值,把经过二维互相关处理后得到的相关峰位移量(i,j)作为粗位移矢量;其次参考该粗位移矢量(i,j),在上一步得到的P个图块中再选取p个图块,其中,p∈{1,P}且不包括上一步已选取的1个图块,并使用这p个图块对应的灰度值矩阵分别与参考图像的灰度值矩阵做二维互相关处理后,记录得到的p个相关峰坐标位置(ik,jk),k=1,2,…,N;然后对得到的p个相关峰坐标位置进行统计平均和取整计算后,得到用于配准的位移矢量依据该位移矢量对待配准的第m幅原始SAR图像做整体平移,即可完成一幅原始SAR图像的像素级配准。
3.根据权利要求1所述的基于目标形状与阴影辅助的多通道SAR-GMTI方法,其特征在于,所述步骤5中,采用自适应匹配滤波(AMF)方法,估计步骤4得到的各潜在动目标的径向速度值;
其具体子步骤为:设潜在动目标的所有像素点数为D,D为正整数,通过下式可以求得所有像素点中第i个像素点的径向速度
其中,表示线性约束最小均方误差准则下的最优权矢量,as表示动目标导向矢量,Rcn表示杂波加噪声协方差矩阵;vr表示不模糊速度,vr max=λ·fd max/2表示最大不模糊速度,fd max为表示最大的多普勒频率,λ表示雷达中心频率对应的波长,xs表示动目标所在区域对应的多通道数据,i∈{1,D},{ }H表示共轭转置;
然后,把所有像素点径向速度的估计值按大小排列后,选取其中值作为该潜在动目标的径向速度值。
4.根据权利要求3所述的基于目标形状与阴影辅助的多通道SAR-GMTI方法,其特征在于,所述步骤5中,根据已估计得到的各潜在动目标的径向速度值对各潜在动目标进行重定位;
其具体子步骤为:将潜在动目标的所有像素点径向速度的估计值按大小排列后,选取其中值作为该潜在动目标的径向速度值,则该潜在动目标的重定位后的方位向位置为
其中,表示潜在动目标的径向速度估计值,x0表示潜在动目标的SAR成像位置,R′0表示成像时刻动目标到平台的最短斜距,va表示沿航迹的雷达平台速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510256979.3A CN104851097B (zh) | 2015-05-19 | 2015-05-19 | 基于目标形状与阴影辅助的多通道sar‑gmti方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510256979.3A CN104851097B (zh) | 2015-05-19 | 2015-05-19 | 基于目标形状与阴影辅助的多通道sar‑gmti方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104851097A true CN104851097A (zh) | 2015-08-19 |
CN104851097B CN104851097B (zh) | 2017-11-03 |
Family
ID=53850724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510256979.3A Expired - Fee Related CN104851097B (zh) | 2015-05-19 | 2015-05-19 | 基于目标形状与阴影辅助的多通道sar‑gmti方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104851097B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242255A (zh) * | 2015-10-28 | 2016-01-13 | 西安电子科技大学 | 基于压缩感知的双通道sar-gmti方法 |
CN105551013A (zh) * | 2015-11-03 | 2016-05-04 | 西安电子科技大学 | 基于运动平台参数的sar图像序列配准方法 |
CN106249219A (zh) * | 2016-09-23 | 2016-12-21 | 西安电子科技大学 | 基于自适应匹配滤波响应的sar动目标检测方法 |
CN107918126A (zh) * | 2017-11-17 | 2018-04-17 | 西安电子科技大学 | 基于多特征自动分割的多通道近海岸模糊杂波抑制方法 |
CN109035306A (zh) * | 2018-09-12 | 2018-12-18 | 首都师范大学 | 动目标自动检测方法及装置 |
CN109085593A (zh) * | 2018-08-08 | 2018-12-25 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于Kmeans聚类算法的气象雷达信标检测方法 |
CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
CN112099018A (zh) * | 2020-09-11 | 2020-12-18 | 杭州瑞利海洋装备有限公司 | 基于径向速度和区域能量联合的运动目标检测方法及装置 |
CN112904338A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN113052879A (zh) * | 2021-04-08 | 2021-06-29 | 西安应用光学研究所 | 一种多光谱图像自动配准方法 |
CN113466861A (zh) * | 2021-06-18 | 2021-10-01 | 上海交通大学 | 基于iaa处理的多通道sar-gmti图像配准方法及*** |
CN116310401A (zh) * | 2022-12-19 | 2023-06-23 | 南京航空航天大学 | 一种基于单演特征联合稀疏表示的跨视角sar识别方法 |
CN117192554A (zh) * | 2023-11-02 | 2023-12-08 | 中国科学院空天信息创新研究院 | 一种基于干涉相位线性一致度的运动目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034109A (zh) * | 2009-12-08 | 2011-04-27 | 中国科学院声学研究所 | 一种基于统计特性的合成孔径声纳目标检测方法 |
CN102508244A (zh) * | 2011-11-08 | 2012-06-20 | 中国人民解放军国防科学技术大学 | 一种地面运动目标检测及参数估计方法 |
EP2725382A1 (de) * | 2012-10-26 | 2014-04-30 | Astrium GmbH | Synthetisches Apertur Radar zur gleichzeitigen Bildaufnahme und Bewegtzielerkennung |
-
2015
- 2015-05-19 CN CN201510256979.3A patent/CN104851097B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034109A (zh) * | 2009-12-08 | 2011-04-27 | 中国科学院声学研究所 | 一种基于统计特性的合成孔径声纳目标检测方法 |
CN102508244A (zh) * | 2011-11-08 | 2012-06-20 | 中国人民解放军国防科学技术大学 | 一种地面运动目标检测及参数估计方法 |
EP2725382A1 (de) * | 2012-10-26 | 2014-04-30 | Astrium GmbH | Synthetisches Apertur Radar zur gleichzeitigen Bildaufnahme und Bewegtzielerkennung |
Non-Patent Citations (3)
Title |
---|
JINGJING CUI 等: "Radar Shadow and Superresolution Features for Automatic", 《PROCEEDING OF IEEE INTERNATIONAL RADOR CONFERENCE》 * |
M. JAHANGIR 等: "Moving target detection for Synthetic Aperture Radar via shadow detection", 《IET INTERNATIONAL CONFERENCE ON RADOR SYSTEM》 * |
史洪印 等: "基于阴影检测的单幅高分辨SAR图像动目标检测方法", 《信号处理》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242255A (zh) * | 2015-10-28 | 2016-01-13 | 西安电子科技大学 | 基于压缩感知的双通道sar-gmti方法 |
CN105551013A (zh) * | 2015-11-03 | 2016-05-04 | 西安电子科技大学 | 基于运动平台参数的sar图像序列配准方法 |
CN105551013B (zh) * | 2015-11-03 | 2018-09-25 | 西安电子科技大学 | 基于运动平台参数的sar图像序列配准方法 |
CN106249219A (zh) * | 2016-09-23 | 2016-12-21 | 西安电子科技大学 | 基于自适应匹配滤波响应的sar动目标检测方法 |
CN106249219B (zh) * | 2016-09-23 | 2018-08-21 | 西安电子科技大学 | 基于自适应匹配滤波响应的sar动目标检测方法 |
CN107918126B (zh) * | 2017-11-17 | 2021-05-18 | 西安电子科技大学 | 基于多特征自动分割的多通道近海岸模糊杂波抑制方法 |
CN107918126A (zh) * | 2017-11-17 | 2018-04-17 | 西安电子科技大学 | 基于多特征自动分割的多通道近海岸模糊杂波抑制方法 |
CN109085593B (zh) * | 2018-08-08 | 2022-10-25 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于Kmeans聚类算法的气象雷达信标检测方法 |
CN109085593A (zh) * | 2018-08-08 | 2018-12-25 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于Kmeans聚类算法的气象雷达信标检测方法 |
CN109035306B (zh) * | 2018-09-12 | 2020-12-15 | 首都师范大学 | 动目标自动检测方法及装置 |
CN109035306A (zh) * | 2018-09-12 | 2018-12-18 | 首都师范大学 | 动目标自动检测方法及装置 |
CN110895332B (zh) * | 2019-12-03 | 2023-05-23 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
CN110895332A (zh) * | 2019-12-03 | 2020-03-20 | 电子科技大学 | 一种扩展目标的分布式跟踪方法 |
CN112099018A (zh) * | 2020-09-11 | 2020-12-18 | 杭州瑞利海洋装备有限公司 | 基于径向速度和区域能量联合的运动目标检测方法及装置 |
CN112099018B (zh) * | 2020-09-11 | 2024-05-28 | 杭州瑞利海洋装备有限公司 | 基于径向速度和区域能量联合的运动目标检测方法及装置 |
CN112904338A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN112904338B (zh) * | 2021-01-20 | 2023-12-26 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN113052879A (zh) * | 2021-04-08 | 2021-06-29 | 西安应用光学研究所 | 一种多光谱图像自动配准方法 |
CN113052879B (zh) * | 2021-04-08 | 2023-05-12 | 西安应用光学研究所 | 一种多光谱图像自动配准方法 |
CN113466861A (zh) * | 2021-06-18 | 2021-10-01 | 上海交通大学 | 基于iaa处理的多通道sar-gmti图像配准方法及*** |
CN116310401A (zh) * | 2022-12-19 | 2023-06-23 | 南京航空航天大学 | 一种基于单演特征联合稀疏表示的跨视角sar识别方法 |
CN117192554A (zh) * | 2023-11-02 | 2023-12-08 | 中国科学院空天信息创新研究院 | 一种基于干涉相位线性一致度的运动目标检测方法 |
CN117192554B (zh) * | 2023-11-02 | 2024-01-02 | 中国科学院空天信息创新研究院 | 一种基于干涉相位线性一致度的运动目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104851097B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851097A (zh) | 基于目标形状与阴影辅助的多通道sar-gmti方法 | |
CN106226751B (zh) | 基于dp-tbd的机动目标检测与跟踪方法 | |
CN109959932B (zh) | 基于下降段曲线轨迹的雷达前视三维成像方法 | |
CN103869311B (zh) | 实波束扫描雷达超分辨成像方法 | |
CN106443671A (zh) | 基于调频连续波的sar雷达动目标检测与成像方法 | |
CN103278820B (zh) | 临近空间慢速平台sar动目标检测方法及成像方法 | |
CN103454624B (zh) | 基于降维稀疏重构空时谱的直接数据域动目标检测方法 | |
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN101996401A (zh) | 基于强度图像和深度图像的目标分析方法及设备 | |
CN113447926B (zh) | 一种基于车载滑轨sar成像的机场跑道异物检测方法及*** | |
CN106383340A (zh) | 一种随机脉冲初始相位雷达的速度假目标识别方法 | |
CN115856854B (zh) | 一种模型与数据混合驱动的雷达探测方法及*** | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN103901416A (zh) | 一种基于稳健主成分分析法的多通道杂波抑制方法 | |
CN107329137A (zh) | 基于box样条小波框架的探地雷达地下目标定位方法及*** | |
CN105427301A (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN106646466A (zh) | 一种基于主成分分析的加权后向投影算法的成像方法 | |
CN105741286B (zh) | 基于幅相联合的sar图像动目标阴影提取方法 | |
CN111239703A (zh) | 鲁棒主分量分析多帧杂波抑制及稀疏运动目标检测方法 | |
CN105741262A (zh) | 基于能量聚集度测度的海陆杂波场景分割方法 | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
Xu et al. | A target-oriented Bayesian compressive sensing imaging method with region-adaptive extractor for mmw automotive radar | |
CN112230220B (zh) | 基于Radon变换的Deramp-STAP动目标检测方法 | |
CN113189589A (zh) | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 |
|
CF01 | Termination of patent right due to non-payment of annual fee |