CN112462367B - 一种基于极化合成孔径雷达的车辆检测方法 - Google Patents
一种基于极化合成孔径雷达的车辆检测方法 Download PDFInfo
- Publication number
- CN112462367B CN112462367B CN202011183412.5A CN202011183412A CN112462367B CN 112462367 B CN112462367 B CN 112462367B CN 202011183412 A CN202011183412 A CN 202011183412A CN 112462367 B CN112462367 B CN 112462367B
- Authority
- CN
- China
- Prior art keywords
- target
- matrix
- training
- training set
- test set
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000010287 polarization Effects 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 230000001427 coherent effect Effects 0.000 claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于极化合成孔径雷达的车辆检测方法,属于雷达图像信号处理技术领域。所述方法包括:获取训练集和测试集;通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集;根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在目标;对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别;若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果。采用本发明,能够排除建筑物等强反射物的干扰,并提高对密集目标的定位准确性。
Description
技术领域
本发明涉及雷达图像信号处理技术领域,特别是指一种基于极化合成孔径雷达的车辆检测方法。
背景技术
随着经济的快速发展,城市中的私家车的数量越来越多,造成交通拥堵和环境污染,通过车辆智能调控可以缓解该压力。
目标检测是极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)的一个关键和难点问题,也是极化SAR***的一个重要应用方向。极化SAR接收的回波具有幅度、相位、频率与极化四个基本特征,它能够完整地描述目标物理散射过程。由于不同种类目标具有不同的后向散射的强度、电介特性、几何特性,经过目标对入射电磁波进行信息调制和加载后在极化SAR图像中会表现出不同的极化特性,这是实现对不同目标检测的基础。
由于极化SAR数据中蕴含了目标丰富的时域、频域、时频域与极化信息,能够为实现稳健的目标检测提供更多的资源,在很多民用与军事领域都具有广泛的应用。通常来说,基于极化SAR图像的传统目标检测方法可以分成如下三类:
1)基于极化特征的目标检测算法
极化SAR图像中包含了目标丰富的极化散射特征,如极化熵、极化散射总功率(Span)、特征值、极化度、交叉熵等,因此很多学者基于这些极化散射特征提出了很多目标检测算法。Touzi等利用SAR-580录取的极化SAR数据分析了不同入射角下基于极化信息的舰船检测的性能,在入射角低于60°时舰船目标与海的对比度会显著提升,从而可以提升舰船检测的性能(Touzi R.Calibrated polarimetric SAR data for ship detection[C]//IGARSS 2000.IEEE 2000International Geoscience and Remote SensingSymposium.Taking the Pulse of the Planet:The Role of Remote Sensing inManaging the Environment.Proceedings.IEEE,2000,1:144-146.)。Fan等人提出了基于交叉熵的目标检测算法,首先利用交叉熵对海陆进行分割,提取含有感兴趣目标的区域,然后利用相似度和Span值消除虚假目标,从而实现舰船目标检测(Fan L,Yang J,Peng Y N.Across-entropy based parameter for ship detection from a polarimetric SARimage[C]//2005IEEE International Symposium on Microwave,Antenna,Propagationand EMC Technologies for Wireless Communications.IEEE,2005,1:6-9.)。
2)基于恒虚警率的目标检测算法
恒虚警率(Constant false alarm rate,CFAR)由于其简单高效的特性在SAR图像的目标检测中已经得到了广泛的应用,很多学者也结合极化SAR的极化特征提出了很多基于CFAR的目标检测算法。Wu等人利用Span、特征值与各向异性等极化特征向量,设计了基于CFAR的舰船算法,并在RADARSAR-2实测数据上验证了该算法的性能(Bingjie W,Chao W,BoZ,et al.Ship detection based on Radarsat-2full-polarimetric images[C]//Proceedings of 2011IEEE CIE International Conference on Radar.IEEE,2011,1:634-637.)。但是传统背景杂波的统计模型在很多情况下都无法准确表征背景杂波的统计特性,进而会降低目标检测算法的性能。因此,很多学者提出了诸如双参数CFAR、有序统计量CFAR、均值CFAR和基于灰度相关的CFAR等改进算法,但是检测效果提升有限。对于很多复杂场景下的极化SAR图像数据,例如城市复杂地面目标检测任务,基于统计模型的CFAR算法在目标检测中仍然存在杂波表征模型不准确而导致检测结果漏检率和虚警率偏高问题。
3)基于极化统计分布的目标检测算法
许多学者已开展了针对极化SAR图像数据的统计分布建模与模型参数估计的研究工作。Song等人利用极化SAR的复协方差矩阵服从多元高斯分布提出了基于变分贝叶斯的目标检测算法,并在RADASARSET-2的数据集上取得了很好的效果(Song S,Xu B,YangJ.Ship detection in polarimetric SAR images using targets'sparse property[C]//2016IEEE International Geoscience and Remote Sensing Symposium(IGARSS).IEEE,2016:5706-5709.)。Wei等人假设极化SAR成像结果的协方差矩阵服从复Wishart分布,提出了利用Wishart距离与极化Span信息的目标检测算法,并在AIRSAR数据集上验证了算法的有效性(Wei J,Li P,Yang J,et al.A New Automatic Ship Detection MethodUsing L-Band Polarimetric SAR Imagery[J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing,2013,7(4):1383-1393.)。Ding等人为了抑制强海杂波与其他人造目标对舰船目标检测的影响,提出了基于截断Gamma分布的CFAR舰船目标检测算法,通过分类方法对海杂波背景的统计特征进行建模并估计模型参数,然后利用CFAR检测算法对舰船进行检测,并在RADARSET-2数据集上验证了算法的有效性(Tao D,Doulgeris A P,Brekke C.A segmentation-based CFAR detection algorithmusing truncated statistics[J].IEEE Transactions on Geoscience and RemoteSensing,2016,54(5):2887-2898.)。
但是上述的许多方法都需要准确地获取杂波的极化散射信息、表征模型和统计特性。在简单的均匀杂波背景下,例如海面舰船检测,地物类型单一,用背景杂波估计出的信息与实际情况相符;对于城市等包含大量地物类型的复杂极化SAR场景下的人造目标检测,因为杂波边缘和多目标造成的干扰,利用杂波估计出的信息常常与实际不符,故许多方法的实用性会大打折扣。所以现有算法大多针对海面目标检测任务,很少有关于地面目标的检测研究,尤其是复杂环境的密集目标检测问题。
发明内容
本发明实施例提供了基于极化合成孔径雷达的车辆检测方法,能够排除建筑物等强反射物的干扰,并提高对密集目标的定位准确性。所述技术方案如下:
一方面,提供了一种基于极化合成孔径雷达的车辆检测方法,该方法应用于电子设备,该方法包括:
获取训练集和测试集;
通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集;
根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在目标;
对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别;
若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果,其中,重要程度由复威沙特距离和相关系数共同体现。
进一步地,在获取训练集和测试集之前,所述方法还包括:
获取陆地上待检测场景对应的极化合成孔径雷达图像;
从所述极化合成孔径雷达图像中依次提取每个像素对应的S矩阵;
通过Pauli基进行共轭相乘,将S矩阵转换为相干矩阵T;
采用精细Lee滤波,对相干矩阵T进行滤波处理,得到滤波后的T矩阵。
进一步地,所述S矩阵为:
其中,所述S矩阵满足互易对称定律:Shv=Svh,Shh表示水平方式发射、水平方式接收的极化通道数据,Shv表示水平方式发射、垂直方式接收的极化通道数据,Svh表示垂直方式发射、水平方式接收的极化通道数据,Svv表示垂直方式发射、垂直方式接收的极化通道数据。
进一步地,所述相干矩阵T为:
其中,相干矩阵T的全部信息用:T11、T22、T33、real(T12)、real(T13)、real(T23)、imag(T12)、imag(T13)和imag(T23)这9个通道的数据代替,real表示取复数的实部,imag表示取复数的虚部。
进一步地,所述获取训练集和测试集包括:
根据目标大小设定滑动窗口的尺寸大小,其中,所述目标为车辆,所述滑动窗口的尺寸大小包括:滑动窗口的宽度和高度;
设定滑动窗口的滑动步长;
根据设定的滑动窗口的尺寸大小和滑动步长,将滑动窗口在整个极化合成孔径雷达图像上滑动,并将每次滑动窗口覆盖的图像块取出作为测试集中的一个测试样本,其中,所有的测试样本组成测试集;
将在整个极化合成孔径雷达图像上选取的部分目标和各类背景的切片组成训练集,其中,训练集中每个切片作为一个训练样本,每个切片的大小与滑动窗口的大小一致,部分目标的切片所属的标签为正类,各类背景的切片所属的标签为负类。
进一步地,所述通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集包括:
根据使用目的选择训练样本主成分数目;
在选定主成分数目的情况下,通过L1范数的二维主成分分析算法对训练集进行处理,得到投影矩阵;
将训练集和测试集在投影矩阵上投影,得到降维后的训练集和测试集。
进一步地,所述根据使用目的选择训练样本主成分的数目包括:
若计算复威沙特距离,则训练样本主成分数目选择为1;
若计算衡量目标空间结构的相关系数,则根据训练样本的散布矩阵的特征值的累计贡献率选择训练样本主成分数目。
进一步地,所述根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在目标包括:
计算每一个测试样本与所有训练样本的复威沙特距离;
将测试样本的类别归类到距离最小的训练样本所属的标签,其中,所述标签包括:正类和负类;
若测试样本的标签属于正类,则保留,保留的测试样本为潜在目标,否则,则舍弃。
进一步地,所述对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别包括:
计算每一个潜在目标与所有训练样本的相关系数;
将潜在目标的类别归类到相关系数最大的训练样本所属的标签
若潜在目标的标签属于正类,则保留,否则,则舍弃;
将被保留的潜在目标的相关系数大于等于预设的阈值,则继续保留,作为候选目标,否则,则舍弃,其中,所述预设的阈值为预设的常数与相关系数最大值乘积。
进一步地,加权合并的表达式为:
其中,M、N分别为转化为正值后的复威沙特距离的均值和相关系数的均值,n是从属于一个车辆的候选目标个数,Wi是第i个候选目标所对应的转化为正值后的复威沙特距离,Di是第i个候选目标所对应的相关系数,Xi是第i个候选目标的左上角的坐标值,Z为加权合并以后的候选目标的坐标。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于极化合成孔径雷达的车辆检测方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于极化合成孔径雷达的车辆检测方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,获取训练集和测试集;通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集,提高了算法对异常数据的鲁棒性,解决了极化合成孔径雷达图像数据动态范围过大问题;根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在的目标,充分利用了图像数据的统计信息;对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别,考虑了目标的空间结构信息;若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果,其中,重要程度由复威沙特距离和相关系数共同体现。这样,通过复威沙特距离和相关系数反映的有效信息进行双重筛选,能够排除建筑物等强反射物的干扰,实现复杂背景环境下的车辆目标有效鉴别,并在检测过程中对候选目标按照其重要程度合并,提高了对密集目标的定位的准确性,同时提高了方法的鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于极化合成孔径雷达的车辆检测方法的流程示意图;
图2为本发明实施例提供的基于极化合成孔径雷达的车辆检测方法的详细流程示意图;
图3为本发明实施例提供的极化SAR车辆目标检测场景示意图;
图4为本发明实施例提供的极化SAR车辆目标识别示意图;
图5为本发明实施例提供的极化SAR车辆合并重复框示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种基于极化合成孔径雷达的车辆检测方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S101,获取训练集和测试集;
S102,通过L1范数的二维主成分分析(L1 norm–2dimensional PrincipalComponent Analysis,L1-2DPCA)算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集;
S103,根据得到的降维后的训练集和测试集,利用复威沙特(Wishart)距离度量检测潜在的目标;
S104,对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别;
S105,若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果,其中,重要程度由复威沙特距离和相关系数共同体现。
本发明实施例所述的基于极化合成孔径雷达的车辆检测方法,获取训练集和测试集;通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集,提高了算法对异常数据的鲁棒性,解决了极化合成孔径雷达图像数据动态范围过大问题;根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在的目标,充分利用了图像数据的统计信息;对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别,考虑了目标的空间结构信息;若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果,其中,重要程度由复威沙特距离和相关系数共同体现。这样,通过复威沙特距离和相关系数反映的有效信息进行双重筛选,能够排除建筑物等强反射物的干扰,实现复杂背景环境下的车辆目标有效鉴别,并在检测过程中对候选目标按照其重要程度合并,提高了对密集目标的定位的准确性,同时提高了方法的鲁棒性。
在前述基于极化合成孔径雷达的车辆检测方法的具体实施方式中,进一步地,如图2和图3所示,在获取训练集和测试集之前,所述方法还包括:
A1,获取陆地上待检测场景对应的极化合成孔径雷达图像,即PolSAR数据,该数据包括:hh、hv、vh和vv四种极化通道数据;
A2,从所述极化合成孔径雷达图像中依次提取每个像素对应的S矩阵,其中,所述S矩阵为:
其中,所述S矩阵满足互易对称定律:Shv=Svh,Shh表示水平方式发射、水平方式接收的极化通道数据,Shv表示水平方式发射、垂直方式接收的极化通道数据,Svh表示垂直方式发射、水平方式接收的极化通道数据,Svv表示垂直方式发射、垂直方式接收的极化通道数据。
A3,通过Pauli基进行共轭相乘,将S矩阵转换为相干矩阵T:
本实施例中,相干矩阵T的对角线元素是实数,其他元素是复数且其他元素关于对角线是共轭相等的,所以相干矩阵T是共轭对称的,因此相干矩阵T的全部信息可以用以下9个通道的数据代替:T11、T22、T33、real(T12)、real(T13)、real(T23)、imag(T12)、imag(T13)和imag(T23),real表示取复数的实部,imag表示取复数的虚部。
本实施例中,相干矩阵T的不同通道反映不同的散射特征。
A4,采用精细Lee(Refined Lee)滤波,对相干矩阵T进行滤波处理,得到滤波后的T矩阵。
在前述基于极化合成孔径雷达的车辆检测方法的具体实施方式中,进一步地,所述获取训练集和测试集包括:
B1,根据目标大小设定滑动窗口的尺寸大小,其中,所述目标为车辆,所述滑动窗口的尺寸大小包括:滑动窗口的宽度和高度;
B2,设定滑动窗口的滑动步长;
B3,根据设定的滑动窗口的尺寸大小和滑动步长,将滑动窗口在整个极化合成孔径雷达图像上滑动,并将每次滑动窗口覆盖的图像块取出作为测试集中的一个测试样本,其中,所有的测试样本组成测试集;
本实施例中,滑动步长和滑动窗口大小都需要根据现实目标(即:车辆)在图像上面成像大小做出适应性调整,滑动步长大小与成像大小成正比,滑动窗口大小与成像大小一致。
B4,将在整个极化合成孔径雷达图像上选取的部分目标和各类背景的切片组成训练集,其中,训练集中每个切片作为一个训练样本,每个切片的大小与滑动窗口的大小一致,部分目标的切片所属的标签为正类,各类背景的切片所属的标签为负类。
本实施例中,部分目标是指选取极化合成孔径雷达图像上的部分车辆,例如,待检测场景中有50辆车,则可以选取8辆车组成训练集正类;各类背景指的是:待检测场景中除目标以外的其他背景干扰,包括地面、建筑物等。
在前述基于极化合成孔径雷达的车辆检测方法的具体实施方式中,进一步地,所述通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集包括:
根据使用目的选择训练样本主成分数目;
在选定主成分数目的情况下,通过L1范数的二维主成分分析算法对训练集进行处理,得到投影矩阵W(即:投影子空间);
利用得到的投影矩阵W,对获取的训练集和测试集中每个样本的相干矩阵进行逐通道(涉及T11,T22,T33,real(T12),real(T13),real(T23),imag(T12),imag(T13),imag(T23)这9个通道)的压缩,得到降维后的训练集X'和测试集Y'。
本实施例中,压缩的本质:将训练集X和测试集Y在投影矩阵W上投影,投影方法是:
X′i=Xi*W,Y′j=Yj*W,i=1...M,j=1...N
其中,M表示训练集中样本的数目,N表示测试集中样本的数目,Xi表示压缩前训练集第i个样本,Yj表示压缩前测试集第j个样本,X′i表示降维后训练集中第i个样本,Y′j表示降维后测试集中第j个样本。
本实施例中,训练集和测试集共用同一个投影矩阵W,而该投影矩阵W可以只通过训练集得到。
本实施例中,利用训练集求得投影矩阵W具体可以包括以下步骤:
首先,确定求解最优投影矩阵W的目标函数:
对于该目标函数的求解,可以采用迭代的贪婪算法来求解,该算法针对投影矩阵W中的每个投影向量w的目标函数式为:
通过上式求解下次迭代的投影向量,迭代直到目标函数值收敛则停止。
本实施例中,因为投影矩阵是由多个投影向量组成的,但是每次只能求出一个投影向量,故在确定前一个投影向量后,为了保证投影矩阵的每个投影向量与其他投影向量是正交的,就需要在每次目标函数值收敛求出新的投影向量后,对训练样本进行更新,更新公式为:
接着,可以利用更新后的训练样本求取下一个投影向量。
在前述基于极化合成孔径雷达的车辆检测方法的具体实施方式中,进一步地,所述根据使用目的选择训练样本主成分的数目包括:
若计算代表目标散射机制的复威沙特距离,则主成分就要选择第一主成分,即训练样本主成分数目选择为1;
本实施例中,一般把累计贡献率设定为90%~95%。
本实施例中,利用复Wishart距离度量检测潜在目标使用的分类器是最小距离分类器。
本实施例中,可以利用复Wishart最小距离分类器对测试集进行复Wishart最小距离分类,具体可以包括以下步骤:
C1,计算每一个测试样本与所有训练样本的复威沙特距离;
本实施例中,复威沙特距离表示为:
dW=ln(|T2|)+tr(T2 -1T1)
其中,dW表示复威沙特距离,T1是测试样本的相干矩阵,T2是训练样本的相干矩阵,|T2|表示求相干矩阵T2的行列式,tr(·)表示矩阵的迹。
C2,将测试样本的类别归类到距离最小的训练样本所属的标签,其中,所述标签包括:正类和负类;
C3,若测试样本的标签属于正类,则保留,保留的测试样本为潜在目标,否则,则舍弃。
本实施例中,相干矩阵服从复威沙特分布,利用复威沙特距离,可以提取疑似目标区域,即:潜在目标。
本实施例中,利用基于相关系数的模板匹配进行目标鉴别使用的分类器是最大相似度分类器,模板匹配是指在当前图像A内寻找与图像B最相似的部分,一般将图像A称为输入图像,将图像B称为模板图像,具体操作方法是将模板图像B在图像A上滑动,遍历所有像素以完成匹配,当模板图像B移动到输入图像A的某个位置,模板图像B与输入图像A中对应的图像块之间的相关系数coef为:
其中,I1(i,j)表示模板图像B的像素值,I2(i,j)表示输入图像A中与模板图像B滑动位置对应的像素值,相关系数越大,表明相似程度越高。
本实施例中,利用相关系数最大相似度分类器进行目标鉴别,具体可以包括以下步骤:
D1,计算每一个潜在目标与所有训练样本的相关系数;
D2,将潜在目标的类别归类到相关系数最大的训练样本所属的标签
D3,若潜在目标的标签属于正类,则保留,否则,则舍弃;
D4,若被保留的潜在目标的相关系数大于等于预设的阈值,则继续保留,作为候选目标,如图4所示,否则,则舍弃,其中,所述预设的阈值为预设的常数与相关系数最大值乘积。
本实施例中,基于图像间的相关系数coef,利用目标邻域反映的上下文信息(上下文信息指的是从目标的邻域数据中获取信息,获取的信息主要包括空间位置信息。因为测试集的获取是通过滑动窗口的方式,那么在目标的周围都会取到不同的切片,也就是参考了目标邻域的信息,即上下文信息),将空间结构(空间结构是指:在利用coef计算公式计算两个同样大小的图像之间的相关系数时,会让两个图像对应像素点的像素值都参与计算)和散射特征(由相干矩阵T的9个通道体现)相结合,以便后续进行车辆目标检测。
本实施例中,为了提高基于极化合成孔径雷达的车辆检测方法的速度,通过设置高阈值把与训练集正类非常相似的潜在目标留下,这里的阈值为一个预设的常数C乘以相关系数最大值,然后把步骤D3留下的潜在目标的相关系数与设置的阈值进行比较,如果小于该阈值,则将步骤D3留下的潜在目标舍弃,反之,则继续保留。
本实施例中,常数C设置的越大,过滤掉的伪目标越多,但真正的目标也有可能被误分,所以C一般设置为0.75~0.9。
本实施例中,经过步骤D4筛选后留下的候选目标会出现多个候选目标(体现为矩形框)对应同一个车辆的情况,所以需要对这种情况下的多个候选目标进行合并,车辆检测的最终目标是将车辆用矩形框标出,如图5所示,但是在已经设定目标的高度和宽度(由滑动窗口的宽度和高度体现)后,只用其矩形框(候选目标)左上角的坐标就能够将矩形框代替,将左上角表示为一个红点,一个红点代表一个矩形框,,因此,可以将属于一个车辆的多个红点按照其重要程度加权平均成一个红点,从而得到车辆的矩形框。
本实施例中,对从属于一个车辆的多个候选目标,首先把他们的复Wishart距离全部转化为正值,然后按照重要程度进行加权平均后进行合并(简称:加权合并,其本质是合并重复框),其中,加权合并的表达式为:
其中,M、N分别为转化为正值后的复威沙特距离的均值和相关系数的均值,n是从属于一个车辆的候选目标(即:矩形框)个数,Wi是第i个候选目标所对应的转化为正值后的复威沙特距离,Di是第i个候选目标所对应的相关系数,Xi是第i个候选目标的左上角的坐标值,Z为加权合并以后的候选目标的坐标。
本实施例中,重要程度由复Wishart距离和相关系数体现,其中复Wishart距离越小,相关系数越大,表明越与车辆目标相似。
本实施例中,以Z的坐标为矩形框的左上角,并根据滑动窗口的宽度和高度即可得到唯一的矩形框,即得到车辆的矩形框。
本实施例中,为了得到准确的检测结果,还需要去除孤立点,如果疑似目标的待合并的矩形框个数n非常少,那么该疑似目标可能是背景中形态接近真实目标的噪声,例如建筑物强反射物或者地面强反射物,此时应该通过合并框的个数进行最后筛选,具体方法是设置阈值P,当n小于P则认为是伪目标并舍弃,反之留下。
图6是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述基于极化合成孔径雷达的车辆检测方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于极化合成孔径雷达的车辆检测方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于极化合成孔径雷达的车辆检测方法,其特征在于,包括:
获取训练集和测试集;
通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集;
根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在目标;
对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别;
若目标鉴别后得到的多个候选目标从属于一个车辆的矩形框,则根据候选目标重要程度对候选目标进行加权合并,得到车辆检测结果,其中,重要程度由复威沙特距离和相关系数共同体现;
其中,加权合并的表达式为:
2.根据权利要求1所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,在获取训练集和测试集之前,所述方法还包括:
获取陆地上待检测场景对应的极化合成孔径雷达图像;
从所述极化合成孔径雷达图像中依次提取每个像素对应的S矩阵;
通过Pauli基进行共轭相乘,将S矩阵转换为相干矩阵T;
采用精细Lee滤波,对相干矩阵T进行滤波处理,得到滤波后的T矩阵。
5.根据权利要求1所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,所述获取训练集和测试集包括:
根据目标大小设定滑动窗口的尺寸大小,其中,所述目标为车辆,所述滑动窗口的尺寸大小包括:滑动窗口的宽度和高度;
设定滑动窗口的滑动步长;
根据设定的滑动窗口的尺寸大小和滑动步长,将滑动窗口在整个极化合成孔径雷达图像上滑动,并将每次滑动窗口覆盖的图像块取出作为测试集中的一个测试样本,其中,所有的测试样本组成测试集;
将在整个极化合成孔径雷达图像上选取的部分目标和各类背景的切片组成训练集,其中,训练集中每个切片作为一个训练样本,每个切片的大小与滑动窗口的大小一致,部分目标的切片所属的标签为正类,各类背景的切片所属的标签为负类。
6.根据权利要求1所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,所述通过L1范数的二维主成分分析算法对获取的训练集和测试集中每个样本的相干矩阵进行逐通道的压缩,得到降维后的训练集和测试集包括:
根据使用目的选择训练样本主成分数目;
在选定主成分数目的情况下,通过L1范数的二维主成分分析算法对训练集进行处理,得到投影矩阵;
将训练集和测试集在投影矩阵上投影,得到降维后的训练集和测试集。
7.根据权利要求6所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,所述根据使用目的选择训练样本主成分的数目包括:
若计算复威沙特距离,则训练样本主成分数目选择为1;
若计算衡量目标空间结构的相关系数,则根据训练样本的散布矩阵的特征值的累计贡献率选择训练样本主成分数目。
8.根据权利要求1所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,所述根据得到的降维后的训练集和测试集,利用复威沙特距离度量检测潜在目标包括:
计算每一个测试样本与所有训练样本的复威沙特距离;
将测试样本的类别归类到距离最小的训练样本所属的标签,其中,所述标签包括:正类和负类;
若测试样本的标签属于正类,则保留,保留的测试样本为潜在目标,否则,舍弃。
9.根据权利要求1所述的基于极化合成孔径雷达的车辆检测方法,其特征在于,所述对复威沙特距离度量检测到的潜在目标,使用基于相关系数的模板匹配进行目标鉴别包括:
计算每一个潜在目标与所有训练样本的相关系数;
将潜在目标的类别归类到相关系数最大的训练样本所属的标签
若潜在目标的标签属于正类,则保留,否则,舍弃;
若被保留的潜在目标的相关系数大于等于预设的阈值,则继续保留,作为候选目标,否则,则舍弃,其中,所述预设的阈值为预设的常数与相关系数最大值乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183412.5A CN112462367B (zh) | 2020-10-29 | 2020-10-29 | 一种基于极化合成孔径雷达的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183412.5A CN112462367B (zh) | 2020-10-29 | 2020-10-29 | 一种基于极化合成孔径雷达的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462367A CN112462367A (zh) | 2021-03-09 |
CN112462367B true CN112462367B (zh) | 2021-09-07 |
Family
ID=74835684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183412.5A Expired - Fee Related CN112462367B (zh) | 2020-10-29 | 2020-10-29 | 一种基于极化合成孔径雷达的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462367B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4105688A1 (en) | 2021-06-18 | 2022-12-21 | Aptiv Technologies Limited | Method for estimating height of object |
CN114998606B (zh) * | 2022-05-10 | 2023-04-18 | 北京科技大学 | 一种基于极化特征融合的弱散射目标检测方法 |
-
2020
- 2020-10-29 CN CN202011183412.5A patent/CN112462367B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112462367A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
KR101221773B1 (ko) | 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
Di Martino et al. | Scattering-based SARBM3D | |
CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN105205484B (zh) | 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法 | |
Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
KR101255736B1 (ko) | 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
Iqbal et al. | SAR image despeckling by selective 3D filtering of multiple compressive reconstructed images | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN113570632A (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
CN113222898A (zh) | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 | |
Reigber et al. | Detection and classification of urban structures based on high-resolution SAR imagery | |
CN112215832A (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
Refice et al. | On the use of anisotropic covariance models in estimating atmospheric DInSAR contributions | |
Li et al. | Object representation for multi-beam sonar image using local higher-order statistics | |
CN108932520B (zh) | 结合先验概率估计的sar影像水体概率制图方法 | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
Arivazhagan et al. | Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images | |
CN110751652B (zh) | 基于巴氏距离和纹理模式度量的sar图像分割方法 | |
CN112698330A (zh) | 基于比值对数积的极化sar图像非局部均值方法 | |
Kuttikkad et al. | Building wide area 2-D site models from high resolution fully polarimetric Synthetic Aperture Radar images | |
CN114998606B (zh) | 一种基于极化特征融合的弱散射目标检测方法 | |
Sui et al. | Automatic extraction of water in high-resolution SAR images based on multi-scale level set method and Otsu algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20210907 |