
Citation: | Yang Wei, Chen Jie, Li Chun-sheng. SAR Data Fusion Imaging Method Oriented to Target Feature Extraction[J]. Journal of Radars, 2015, 4(1): 29-37. doi: 10.12000/JR15017 |
视频合成孔径雷达(Video Synthetic Aperture Radar, Video SAR)作为一种高帧率雷达成像系统,可对场景连续观测[1-3]。视频SAR具备较强的动目标实时探测潜力,近年来在国内外引起广泛关注。
传统SAR地面动目标显示(Ground Moving Target Indication, SAR-GMTI)主要围绕目标后向散射能量展开。经典的单通道方法有频域滤波[4]和时频分析方法[5,6]等。多通道方法如偏置相位中心天线[7]和沿航向干涉[8]则通过更有效的杂波抑制进而实现动目标能量的提取。上述方法通常对信杂噪比(Signal to Clutter and Noise Ratio, SCNR)、目标散焦程度和通道一致性有较高要求。视频SAR系统的高载频使得相同分辨率要求下所需合成孔径时间更短,因此动目标易留下能反映其真实位置的阴影[9],并且不依赖目标本身的雷达散射截面积(Radar Cross Section, RCS),为视频SAR动目标检测跟踪提供了另一重要途径。近年来许多单位针对动态阴影的检测跟踪算法展开研究。文献[10-12]通过经典图像处理方法,实现对运动目标阴影的有效检测。文献系统分析了视频SAR中阴影形成机制和检测性能,并分别利用经典图像处理方法和深度神经网络方法实现了动目标阴影的检测与预测。文献[13]提出了适用于视频SAR的检测前跟踪(Track-Before-Detect, TBD)阴影检测与跟踪方法。文献[14]利用背景感知的相关滤波器(Background-Aware Correlation Filter, BACF)实现对运动目标阴影的快速跟踪。文献[15-17]基于深度卷积神经网络实现了对视频SAR中动目标阴影检测。然而,基于阴影的动目标检测仍存在诸多问题需要解决。动目标阴影是典型的弱小目标,受系统噪声及复杂背景环境影响,在检测中易产生虚警和漏警。此外,阴影还受目标自身的影响,高速目标的阴影边界模糊,不利于观测,自身或其他目标散焦的能量亦对阴影产生干扰,从而导致漏警。因此,无论是基于目标能量或其阴影信息,均难以实现目标的稳健检测。
本文基于双域联合的视频SAR动目标检测思想,使用基于双域快速区域卷积神经网络(Dual Faster Region-based Convolutional Neural Network, Dual Faster R-CNN)[18]的跨域联合检测方法以实现低虚警率检测。通过将高分辨SAR图像和低分辨距离多普勒(Range-Doppler, RD)谱作为输入,采用一种方位坐标变换方法共享两个独立区域建议网络(Region Proposal Network, RPN)提供的双域区域建议,以驱动网络在同一距离附近同时检测动目标的阴影与能量。另一方面,本文使用一种基于跨域航迹关联(Joint Track Association, JTA)检测方案来实现可靠的动目标检测。通过对目标阴影和能量的检测、帧间关联和域间匹配,逐步实现虚警抑制。充分结合目标阴影与能量的空时信息,完成对漏警目标的重建,并给出多种典型情形下机动目标的检测方案。最后,通过太赫兹视频SAR实测数据,验证了算法有效性。
视频SAR系统一般设计工作在高载频,运动目标回波的多普勒调制对目标速度极敏感,极小的径向速度也会使目标能量发生很大的位置偏移,并在SAR图像中留下能够反映真实位置及状态信息的阴影。因此,利用图像中目标阴影,和RD谱中位置偏移的目标能量在原理上可实现对运动目标的检测。
图1给出了美国Sandia实验室公布的视频SAR结果,其中红、白点线表示在SAR图像(RD谱)中阴影(多普勒能量)的潜在位置。可以看出,慢速目标阴影较为明显,其能量位置偏移较小;而快速目标的阴影边界模糊,其能量位置偏移较大。
本文通过如图2所示方法来获取视频SAR图像序列及对应RD谱。沿慢时间将原始数据划分为连续子孔径,SAR图像序列由各子孔回波经预滤波和成像处理而来,RD谱则通过在子孔径中心附近的K个连续脉冲(虚线框范围所示)经快速傅里叶变换(Fast Fourier Transform, FFT)获得。为更有效地积累动目标能量,通常要求K个脉冲时间内目标不发生过大的距离走动,本文采用0.5 m作为可接受走动量对K进行选取。
本节使用端到端双域快速区域卷积神经网络框架以提升视频SAR中的阴影检测性能。通过联合利用动目标在SAR图像和RD谱中的特征,实现单帧的低虚警检测。
对于图1(a)所示的慢速运动目标,阴影与背景的对比度更强,阴影边界清晰。在这种情况下,由RPN提供的区域建议A将以较高的置信度检测SAR图像中的阴影。假设在RD谱中,其多普勒能量受限于红点线范围内,则可以将区域建议A转换至RD谱中的受限区域,以搜索动目标的多普勒能量。一旦检测到对应能量,则宣称一个可靠的检测。另外,对于图1(b)所示的快速目标,主杂波谱外的多普勒能量便于检测,然而由于模糊的阴影边界,在SAR图像中检测阴影是比较困难的。区域建议B能够准确地检测目标能量,因此阴影位置也受限于红点线。在这种情况下,通过驱使网络在受限区域内寻找阴影,联合检测方法可以检测到模糊的阴影。相比于传统仅基于图像的阴影检测,联合检测可以提升对快速目标的检测性能。此外,假设在SAR图像中,区域建议C是一个虚假建议。尽管它容易被分类为阴影,但是在RD谱的对应位置无法检测到其多普勒能量,因此该虚警可被抑制。
本文用于联合检测的双域快速区域卷积神经网络(Dual Faster R-CNN)结构如图3所示。在预处理中,所有目标被标记为3类:阴影(视频SAR图像中可见的阴影目标)、遮挡阴影(视频SAR图像中被遮挡的阴影目标)以及目标多普勒(距离多普勒谱中目标的多普勒能量)。网络的输入为串联的图像
得到各自的特征图后,利用文献[19]提出的RPN产生区域建议。构建两个独立的区域建议网络:图像域RPN和多普勒域RPN。以图像域RPN为例,首先基于提取得到的SAR特征图产生数个矩形候选区(anchors),随后通过卷积层对每个anchor进行前/背景二分类以及预测边界框的平移、缩放等回归参数。图像域RPN以及多普勒域RPN各自的损失函数可以表示为[19]
Limg\_rpn=1Nrpn\_cls∑iLrpn\_cls(pIi,p∗Ii)+γNrpn\_reg∑ip∗IiLrpn\_reg(tIi,t∗Ii)Ldop\_rpn=1Nrpn\_cls∑jLrpn\_cls(pDj,p∗Dj)+γNrpn\_reg∑jp∗DjLrpn\_reg(tDj,t∗Dj)} | (1) |
其中,
γi=[x1Iiy1Iix2Iiy2Ii], i=1,2,⋯,εηj=[x1Djy1Djx2Djy2Dj], j=1,2,⋯,ε} | (2) |
其中,
ΛI = {γ1,γ2,⋯,γε}ΛD = {η1,η2,⋯,ηε}} | (3) |
一个方位坐标变换方法被用于共享SAR图像和RD谱中的区域建议,以获得成对区域建议,它们具有相同的距离坐标和不同的方位坐标,其主要包含3步。
步骤1 计算
m=argminj[|y1Ii−y1Dj|+|y2Ii−y2Dj|] | (4) |
步骤2 通过保持距离坐标不变并且使用
γ′i=[x1Dmy1Iix2Dmy2Ii] | (5) |
步骤3 使用式(4)和式(5)将
PI = {γ1,γ2,⋯,γεη′1,η′2,⋯,η′ε}PD = {γ′1,γ′2,⋯,γ′εη1,η2,⋯,ηε}} | (6) |
其中,
最后,使用两个感兴趣区域(Region of Interest, RoI)池化层得到每对区域建议对应的图像域特征和多普勒域特征。这些特征分别经过两个全连接层进行目标类别预测以及检测框的回归,损失函数可以表示为
Lrcnn=γNreg⋅∑i[q∗IiLimg\_reg(tIi,t∗Ii)+q∗DiLdop\_reg(tDi,t∗Di)]+1Ncls∑i[Limg\_{\rm{cls}}(qIi,q∗Ii)+Ldop\_cls(qDi,q∗Di)] | (7) |
其中,
L=Limg\_rpn+Ldop\_rpn+Lrcnn | (8) |
在测试阶段,首先获得在图像域以及距离多普勒域中的成对检测框。假设
{条件1. S(pIn)>V1 and S(pDn)>V1条件2. S(pIn)>V2 and S(pDn)>V3条件3. S(pIn)>V3 and S(pDn)>V2 | (9) |
其中,函数
通过目标阴影与能量的匹配,可有效提升检测的虚警抑制能力。在实际中,因系统参数、环境因素和运动状态的影响,动目标的阴影和能量易受到遮挡和涂抹[9]。在常规方法中,图像处理将引入大量的虚警和漏警,为此,我们结合帧间关联与域间匹配处理,在此前工作[20]的基础上提出改进的跨域航迹关联的动目标检测方法。
本方法的处理流程如图4所示,首先分别在SAR图像和RD谱内对阴影和能量进行预检测。其次利用逻辑关联法[21,22]对预检测结果进行帧间关联并形成候选航迹。然后利用距离约束对阴影和能量的候选航迹进行匹配处理。一方面,对于成功匹配的航迹对予以确认,另一方面单域内关联性较强的航迹亦可作为对目标的确认。结合帧间数据关联及域间航迹匹配,预检测中的虚警可被有效抑制,对于因遮挡或涂抹导致的漏警,本方法通过联合处理进行重建和预测。通过充分利用目标阴影与能量的空时信息,极大地改善了虚警和漏警,进而实现稳健的视频SAR动目标检测。
与此前工作[20]相比,一方面,本文采用背景抑制的图像域检测以减少虚警的干扰,同时在待搜索区域进行直接恒虚警(Constant False Alarm Rate, CFAR)检测对慢速阴影实现检测。另一方面,利用能量进行漏警重建时,本文直接通过目标能量的距离位置和阴影运动方向估计值进行重建,避免像原始方案中那样对待搜索区域进行逐像素的搜索。所提方法旨在为实测数据提供更可靠和实用的检测方案。
针对阴影,采用文献[9]中基于背景差分方法进行预检测。通过该方法可有效提取场景中的动态阴影,但考虑到SAR图像相干斑噪声的影响及图像处理中的参数依赖性,检测结果通常会引入额外的虚警,这部分虚警将由后续的帧间数据关联和域间匹配处理进行抑制。
针对能量,考虑到视频SAR工作于较高频段,且脉冲重复频率通常较天线覆盖多普勒带宽留有较大余量,微小的目标运动就会使目标能量偏移出主瓣杂波,因此在RD谱中进行直接的带外CFAR检测。在这里采用具有抗干扰特性的有序统计量(Order Statistics, OS)-CFAR检测器[23]以缓解杂波边缘对检测的影响。之后通过图像腐蚀、膨胀和连通域处理筛选出与目标能量尺寸相匹配的连通域,并将其几何中心作为预检测结果。
完成阴影和能量的预检测后,为抑制虚警,我们采用基于M/N逻辑的关联算法[21,22]对目标阴影和能量的预检测结果进行帧间关联,以筛选出可能的动目标航迹。具体地,给定逻辑值
假设截至第k 帧的航迹集合表示为
ZSh(k)={zmSh(k)}Mkm=1ZEn(k)={znEn(k)}Nkn=1} | (10) |
其中,
下一帧的阴影期望位置由其当前位置
ˆzmSh(k+1)=zmSh(k)+ˆvmSh(k)/fps | (11) |
其中,
AmSh(k+1)={(x,r)T|‖ | (12) |
其中,
{{\boldsymbol{z}}}_{\text{Sh}}^{m}(k+1)=\\ \left\{\begin{aligned} & \underset{{{\boldsymbol{m}}}_{\text{Sh}}(k+1)\in {{\boldsymbol{A}}}_{\text{Sh, }k+1}^{m}}{\text{arg min}}\text{}\text{}\text{}\text{}\text{}\left({\Vert {{\boldsymbol{m}}}_{\text{Sh}}(k+1)\text{}-\text{}{\hat{{\boldsymbol{z}}}}_{\text{Sh}}^{m}(k+1)\Vert }_{2}\right),搜索成功\\ & {\hat{{\boldsymbol{z}}}}_{\text{Sh}}^{m}(k+1),\text{ }搜索失败\text{ }\end{aligned} \right. | (13) |
对于RD谱中的目标能量,通过简单的1阶差分来进行位置估计和搜索,则位置估计可表示为
\hat {\boldsymbol{z}}_{{\text{En}}}^n(k + 1) = {\boldsymbol{z}}_{{\text{En}}}^n(k) + \hat {\boldsymbol{d}}_{{\text{En}}}^n(k) | (14) |
其中,
{\boldsymbol{A}}_{{\text{En}}}^n(k + 1) = \left\{ {{{({f_a},r)}^{\rm{T}}}\left| \begin{gathered} {\left\| {{{\boldsymbol{d}}_{{\text{En}}}}(k + 1) - \hat {\boldsymbol{d}}_{{\text{En}}}^n(k)} \right\|_2} < {\alpha _d}{\left\| {\hat {\boldsymbol{d}}_{{\text{En}}}^n(k)} \right\|_2} \hfill \\ {\text{arccos}}\left( {\frac{{{{\boldsymbol{d}}_{{\text{En}}}}{{(k + 1)}^{\rm{T}}} \cdot \hat {\boldsymbol{d}}_{{\text{En}}}^n(k)}}{{{{\left\| {{{\boldsymbol{d}}_{{\text{En}}}}(k + 1)} \right\|}_2}{{\left\| {\hat {\boldsymbol{d}}_{{\text{En}}}^n(k)} \right\|}_2}}}} \right) < \Delta {\theta _{{\text{En}}}} \hfill \\ \end{gathered} \right.} \right\} | (15) |
其中,
{{\boldsymbol{z}}}_{\text{En}}^{n}(k+1)= \left\{\begin{aligned} & \underset{{{\boldsymbol{m}}}_{\text{En}}(k+1)\in {{\boldsymbol{A}}}_{\text{En}}^{n}(k+1)}{\text{arg min}}\text{}\text{}\text{}\text{}\text{}\text{}\Bigr({\Vert {{\boldsymbol{m}}}_{\text{En}}(k+1)\text{}-\text{}{\hat{{\boldsymbol{z}}}}_{\text{En}}^{n}(k+1)\Vert }_{2}\Bigr),搜索成功\\ & {\hat{{\boldsymbol{z}}}}_{\text{En}}^{n}(k+1),\text{ }搜索失败 \end{aligned} \right. | (16) |
通过上述对动目标阴影和能量的帧间关联,在连续的N帧中统计航迹中来自预检测的点迹数量M,对于满足M/N条件的航迹予以保留,否则认为该航迹来自错误关联。
然而受图像质量影响,实际中很难找到一个恰当的逻辑值
利用航迹的距离值进行匹配,给定帧间弱关联的阴影航迹
\sum\limits_{l = k - N + 1}^k {{{\left\| {r_{{\text{Sh}}}^p\left( l \right) - r_{{\text{En}}}^q\left( l \right) - \Delta r} \right\|}_1}} < N{\xi _r} | (17) |
其中,
{{\boldsymbol{T}}_{{\text{Joint}}}} = \left\{ {{\boldsymbol{T}}_{{\text{Sh-w}}}^p \cup {\boldsymbol{T}}_{{\text{En-w}}}^q|p,q{\text{ s}}{\text{.t}}{\text{.}}(17)} \right\} | (18) |
匹配处理利用阴影与能量对运动目标进行双重确认,对于因失配产生的漏警可由未匹配的强联合航迹
{{\boldsymbol{T}}_{{\text{Output}}}} = {{\boldsymbol{T}}_{{\text{Joint}}}} \cup {{\boldsymbol{T}}_{{\text{Sh-un-s}}}} \cup {{\boldsymbol{T}}_{{\text{En-un-s}}}} | (19) |
联合航迹关联处理充分利用目标阴影和能量的时空信息,以低虚警、低漏警的方式对运动目标进行检测。航迹中的部分漏警可通过一步预测重建,但一步预测只适用于稀疏、短时的漏警,当一段航迹中发生连续的漏警时,重建准确性将无法得到保证,这种恶化对于机动目标尤为明显。针对此类漏警,根据具体情况给出分析和重建策略。
情况1 阴影被干扰情况
当目标运动速度过快、路面散射较弱或阴影被强杂波的旁瓣、自身或其他目标能量遮挡导致难以形成明显阴影时,基于目标阴影的检测面临失效。此时通过能量所在的距离单元对阴影进行辅助重建。利用阴影丢失时刻的速度估计值,并结合目标能量所在距离单元,给出阴影的重建位置。阴影重建距离可表示为能量距离与固有偏差之和:
r_{{\text{Sh}}}^p\left( l \right) = r_{{\text{En}}}^q\left( l \right) + \Delta r | (20) |
相应地,方位位置可根据当前的重建距离位置和阴影运动方向角来确定:
x_{{\text{Sh}}}^p\left( l \right) = x_{{\text{Sh}}}^p\left( {l - 1} \right) + \frac{{r_{{\text{Sh}}}^p\left( l \right) - r_{{\text{Sh}}}^p\left( {l - 1} \right)}}{{\tan \theta \left( l \right)}} | (21) |
其中,
情况2 能量被干扰情况
一方面,对应于极慢速目标的情况,其多普勒能量易淹没在主杂波中。另一方面,对应于目标机动性较强的情况,其能量发生严重散焦导致无法检测。此时主要通过阴影对目标实现单独检测。但考虑到目标已通过匹配的方式获得确认,接下来将不再以域间匹配或强关联为确认条件,而是直接以弱关联条件进行检测确认,这大大缓解了阴影漏警的情况。另外考虑到慢速目标的情况,此时基于背景差分的预检测方法容易将阴影视作背景从而造成漏警,为此对式(12)给出的扇形搜索区域进行直接的阴影CFAR检测,并将检测结果合并进预检测结果中,再利用弱关联条件进行后续的关联和确认。此时慢速目标亦能完成有效的检测。
通过上述两种典型情况的处理,所提算法可有效应对多种运动状态目标的检测和重建。
本文分别使用上述两种方法来处理机载视频SAR实测数据。雷达系统工作于G波段,信号带宽为1 GHz,成像场景尺寸约为150 m×150 m,成像帧率优于2 fps。本文采用RD成像算法获取SAR图像序列并获取对应的RD谱。为保证最大径向速度为30 m/s的动目标不发生0.5 m的距离走动,选取RD谱的积累脉冲数K= 500。共采用64帧图像进行验证,场景中包含数个不同尺寸、不同运动状态的目标,它们的阴影与能量所在帧统计在表1中。SAR图像中固定目标阴影的遮挡以及场景边缘极低的信噪比导致动目标阴影在某些帧中不可见,因此动目标阴影所在帧略少于其能量所在帧。
为说明双域联合检测算法优势,首先利用经典Faster R-CNN[19]进行对比实验,该方法仅利用阴影进行动目标检测。利用该太赫兹视频SAR获取的额外SAR图像经过平移翻转等数据扩充后,共得到28877张训练数据。所提Dual Faster R-CNN和经典Faster R-CNN用作训练的SAR图像相同,而Dual Faster R-CNN的训练数据中增加对应的RD谱作为辅助。
图5给出检测结果对比。SAR图像的横轴为方位向,纵轴为距离向。RD谱的横轴表示多普勒向,纵轴为距离向。每行第1列为经典Faster R-CNN的检测结果,第2列为提出的Dual Faster R-CNN检测结果。图5(a)—图5(d)分别为第9, 15, 19和60帧的检测结果。正确检测用青色矩形框标记,虚警用红色矩形框标记,黄色箭头指示漏警位置。在图5(a)和图5(d)中,Dual Faster R-CNN均给出了正确的检测,不包含虚警与漏警。而在图5(a)中,经典Faster R-CNN产生一个虚警。特别地,在图5(d)中,目标T2的多普勒能量已经落入RD谱的主杂波区。此时,本文使用的Dual Faster R-CNN基于深度神经网络的特征提取能力仍然可以准确地检测到该能量。在图5(b)和图5(c)中,目标T2和T4的阴影被SAR图像中的弱散射区域遮挡或刚好离开该弱散射区域,由于周围低灰度的干扰,经典Faster R-CNN无法对其进行有效检测,产生较多漏警。此外,在图5(c)的检测中,经典Faster R-CNN在目标T2附近产生一个虚警。相反,本文所提的Dual Faster R-CNN利用目标在SAR图像和RD谱中的双域特征,使用成对区域建议进行联合检测,一方面可以显著降低检测的虚警,如图5(a)和图5(c)所示,Dual Faster R-CNN抑制对应虚警。另一方面,成对的区域建议也使网络具备更强的弱目标检测能力,从而减缓漏警的发生。在图5(b)中,目标T2的阴影在SAR图像中难以检测,但是它的多普勒能量位于杂波谱外,在RD域中能量很容易检测。在这种情况下,成对的区域建议驱使网络在SAR图像的对应位置搜索阴影,从而贡献正确的检测。同样地,在图5(c)中,目标T4的阴影也被Dual Faster R-CNN正确检测到,而目标T2的阴影仍未被检测到。图5所示的检测结果表明Dual Faster R-CNN具有较强的虚警抑制能力。
我们利用图像域帧间关联与本文所提JTA检测算法进行对比分析,如图6所示。在图像域帧间关联处理中,限制目标阴影的运动速度和角速度分别为1~30 m/s和0~45°/s,以逻辑值
表2给出了上述几种方法图像域中的阴影检测性能统计,其中总待检数为161。可以看出,仅依靠阴影的两种基本方法(图像域帧间关联和Faster R-CNN)产生较多的虚警和漏警。图像域帧间关联中的虚警主要源于图像噪声影响,漏警则主要来源于慢速目标T2。深度学习类方法基于全连接层对图像中某些特定区域进行分类与边界框回归,本质上是一种基于特征的检测,其对SAR图像中的干扰,例如相干斑噪声、其他弱散射区域等,具有一定的鲁棒性,不需要其余后处理即可直接实现较为可靠的检测,特别是对于慢速目标。相比于经典Faster R-CNN,本文所提的Dual Faster R-CNN利用动目标双域特征进行联合检测,具有更强的虚警抑制能力。此外,采用成对区域建议的联合检测在某一域特征明显时可以驱使网络在另一域的对应位置搜索目标,使得网络具备弱目标检测能力,从而减缓漏警的发生。然而,式(19)中的强约束条件增大了漏警风险。从全部测试数据的检测结果综合分析,Dual Faster R-CNN基本可以在不牺牲漏警的情况下显著地抑制虚警。基于传统方法的JTA算法较图像域帧间关联方法提升较大,它通过同时引入帧间和域间的联合处理,逐步抑制由图像噪声引起的虚警,同时利用阴影与能量的空时信息完成漏警重建。
方法 | 虚警 | 漏警 |
图像域帧间关联 | 75 | 63 |
Faster R-CNN | 7 | 16 |
Dual Faster R-CNN | 0 | 17 |
联合域航迹关联(JTA) | 1 | 15 |
下面对处理耗时进行对比分析。表3给出了4种检测方法的单帧平均处理时间。SAR图像尺寸为1000×1000,RD谱的图像尺寸为500×1000。所采用的计算平台的CPU型号为Intel Xeon(R) E5-2620,内存为64 GB。深度学习方法的统计耗时为测试时间,Dual Faster R-CNN具有更复杂的网络结构和更多的参数量,因此具有单域Faster R-CNN近两倍的耗时。航迹关联方法的统计耗时包含了除配准外的所有处理,它们的主要耗时来自CFAR预检测处理,图像域与RD域的单帧预检测耗时分别为1.52 s和0.62 s。此外频域算法需要额外的配准处理,每帧的配准耗时为2.90 s,若采用时域成像算法则可节省此部分时间。综合来看,两类处理方法有着相近的耗时。相比于单域处理,双域联合处理的性能提升以更多的处理耗时为代价。虽然两种方法的CPU处理耗时高于0.25 s单帧成像时间,但通过后续算法优化加速技术有望实现实时处理要求。
方法 | 单帧平均耗时(s) |
图像域帧间关联 | 1.58 |
Faster R-CNN | 1.55 |
Dual Faster R-CNN | 2.89 |
联合域航迹关联(JTA) | 2.21 |
应当指出,由于实测数据的有限性,不能尽数包含实际目标各种可能的运动状态,如目标运动速度过快导致阴影衰弱、目标机动性过大导致能量较大程度散焦并涂抹阴影等。在有限数据上,双域联合处理的优势较单域方法的性能提升无法全面体现。但可以肯定的是,单独基于阴影的方法在这些情况中将失效。双域联合方法可以很好地利用阴影与能量的特征与空时信息,在上述情况中仍可有效实现稳健的目标检测。
本文围绕视频SAR动目标的稳健检测需求展开研究,分别使用了两种基于域间联合技术的动目标检测算法对机载视频SAR实测数据进行了处理和分析。结果表明,联合域技术可充分利用目标阴影与能量的空时信息,能显著改善检测过程中的虚警和漏警,有效应对多种情形下的机动目标检测。视频SAR成像与动目标检测跟踪算法的实时实现值得深入研究。
致谢 感谢中国电子科技集团公司第十四研究所提供雷达数据。感谢吴福伟博士的有益讨论。
[1] |
Prats-Iraola P, Scheiber R, Rodriguez-Cassola M, et al.. High precision SAR focusing of TerraSAR-X experimental staring spotlight data[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Munich, Germany, 2012: 3576-3579.
|
[2] |
Mittermayer J, Wollstadt S, Prats-Iraola P, et al.. Staring spotlight imaging with TerraSAR-X[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Munich, Germany, 2012: 1606-1609.
|
[3] |
Mittermayer J, Wollstadt S, Prats-Iraola P, et al.. The TerraSAR-X staring spotlight mode concept[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3695-3706.
|
[4] |
Kim J-h, Heer C, and Schaefer C. Astrium technology development for next generation SAR[C]. 2013 IEEE International Asia-Pacific Conference on Synthetic Aperture Radar (APSAR), Tsukuba, Japan, 2013: 24-26.
|
[5] |
Gantert S, Kern A, Dring R, et al.. The future of X-band SAR: TerraSAR-X next generation and WorldSAR constellation[C]. 2013 IEEE International Asia-Pacific Conference on Synthetic Aperture Radar (APSAR), Tsukuba, Japan, 2013: 20-23.
|
[6] |
Gantert S, Kern A, Dring R, et al.. TERRASAR-X next generationprogram overview[C]. 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec, Canada, 2014: 1-4.
|
[7] |
林世斌, 李悦丽, 严少石, 等. 平地假设对合成孔径雷达时域 算法成像质量的影响研究[J]. 雷达学报, 2012, 1(3): 309-313. Lin Shi-bin, Li Yue-li, Yan Shao-shi, et al.. Study of effects of flat surface assumption to synthetic aperture radar timedomain algorithms imaging quality[J]. Journal of Radars, 2012, 1(3): 309-313.
|
[8] |
Gumming G and Wong H. Synthetic Aperture Radar Imaging Algorithm and Implementation[M]. Beijing: Electronic Industries Press, 2007: 155-191.
|
[9] |
Lanari R and Hensley S. Chirp z-transform based SPECAN approach for phase-preserving ScanSAR image generation[J]. IEE Proceedings-Radar, Sonar and Navigation, 1998, 145(5): 254-261.
|
[10] |
Raney R K, Runge H, Bamler R, et al.. Precision SAR processing using chirp scaling[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(4): 786-799.
|
[11] |
Bamler R. A comparison of range-Doppler and wavenumber domain SAR focusing algorithms[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(4): 706-713.
|
[12] |
Prats-Iraola P, Scheiber R, Rodriguez-Cassola M, et al.. On the processing of very high resolution spaceborne SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(10): 6003-6016.
|
[13] |
Yang W, Chen J, Zeng H C, et al.. A novel three-step image formation scheme for unified focusing on spaceborne SAR data[J]. Progress In Electromagnetics Research, 2013, 137: 621-642.
|
[14] |
Jiang Yan-nan, et al.. FDTD application of targets electromagnetic scattering in layered space[J]. Telkomnika Indonesian Journal of Electrical Engineering, 2013, 11(12): 7682-7688.
|
[15] |
Li X, Song J, and Sun Y. Information and Communication Technology for Education (2 Volume Set): Multi-band SAR image fusion study based on NSCT and PCNN[M]. Hong Kong Education Society, Hong Kong, 2014, DOI: 10.2495/ICTE130571.
|
[16] |
Yang Zhi-xiang. Application of fusion of multi-polarization SAR images in investigation of coastal tidal flats[J]. Yangtze River, 2013, 44(5): 52-60.
|
[17] |
Benediktsson J A, Swain P H, and Ersoy O K. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(4): 540-551.
|
[1] | HUANG Zhongling, WU Chong, YAO Xiwen, WANG Lipeng, HAN Junwei. Physically Explainable Intelligent Perception and Application of SAR Target Characteristics Based on Time-frequency Analysis[J]. Journal of Radars, 2024, 13(2): 331-344. doi: 10.12000/JR23191 |
[2] | GAO Zhiqi, SUN Shuchen, HUANG Pingping, QI Yaolong, XU Wei. Improved L1/2 Threshold Iterative High Resolution SAR Imaging Algorithm[J]. Journal of Radars, 2023, 12(5): 1044-1055. doi: 10.12000/JR22243 |
[3] | BI Hui, JIN Shuang, WANG Xiao, LI Yong, HAN Bing, HONG Wen. High-resolution High-dimensional Imaging of Urban Building Based on GaoFen-3 SAR Data(in English)[J]. Journal of Radars, 2022, 11(1): 40-51. doi: 10.12000/JR21113 |
[4] | WANG Bingnan, ZHAO Juanying, LI Wei, SHI Ruihua, XIANG Maosheng, ZHOU Yu, JIA Jianjun. Array Synthetic Aperture Ladar with High Spatial Resolution Technology[J]. Journal of Radars, 2022, 11(6): 1110-1118. doi: 10.12000/JR22204 |
[5] | WANG Yan, KANG Lihong, LIU Jie, KUANG Hui, SUN Hanwei, CHEN Ke, WANG Xuan, YU Haifeng, SUN Xilong, ZHENG Pengnan, LIU Shuhao, YI Tianzhu, LIU Lei, GAO Heli, SUN Bing, ZHANG Running, DING Zegang. Spaceborne SAR Non-Along-Track Imaging Mode: Opportunities and Challenges[J]. Journal of Radars, 2022, 11(6): 1131-1145. doi: 10.12000/JR22083 |
[6] | LI Chunsheng, YU Ze, CHEN Jie. Overview of Techniques for Improving High-resolution Spaceborne SAR Imaging and Image Quality[J]. Journal of Radars, 2019, 8(6): 717-731. doi: 10.12000/JR19085 |
[7] | WANG Chao, WANG Yanfei, LIU Chang, LIU Bidan. A New Approach to Range Cell Migration Correction for Ground Moving Targets in High-resolution SAR System Based on Parameter Estimation[J]. Journal of Radars, 2019, 8(1): 64-72. doi: 10.12000/JR18054 |
[8] | Sun Xiang, Song Hongjun, Wang Robert, Li Ning. POA Correction Method Using High-resolution Full-polarization SAR Image[J]. Journal of Radars, 2018, 7(4): 465-474. doi: 10.12000/JR18026 |
[9] | Wang Siyu, Gao Xin, Sun Hao, Zheng Xinwei, Sun Xian. An Aircraft Detection Method Based on Convolutional Neural Networks in High-Resolution SAR Images[J]. Journal of Radars, 2017, 6(2): 195-203. doi: 10.12000/JR17009 |
[10] | Dou Fangzheng, Diao Wenhui, Sun Xian, Zhang Yue, Fu Kun. Aircraft Reconstruction in High Resolution SAR Images Using Deep Shape Prior[J]. Journal of Radars, 2017, 6(5): 503-513. doi: 10.12000/JR17047 |
[11] | Tang Jiangwen, Deng Yunkai, Wang Robert, Zhao Shuo, Li Ning. High-resolution Slide Spotlight SAR Imaging by BP Algorithm and Heterogeneous Parallel Implementation[J]. Journal of Radars, 2017, 6(4): 368-375. doi: 10.12000/JR16053 |
[12] | Wen Xuejiao, Qiu Xiaolan, You Hongjian, Lu Xiaojun. Focusing and Parameter Estimation of Fluctuating Targets in High Resolution Spaceborne SAR[J]. Journal of Radars, 2017, 6(2): 213-220. doi: 10.12000/JR17005 |
[13] | Ji Kefeng, Wang Haibo, Leng Xiangguang, Xing Xiangwei, Kang Lihong. Spaceborne Compact Polarimetric Synthetic Aperture Radar for Ship Detection[J]. Journal of Radars, 2016, 5(6): 607-619. doi: 10.12000/JR16083 |
[14] | Liao Ming-sheng, Wei Lian-huan, Wang Zi-yun, Timo Balz, Zhang Lu. Compressive Sensing in High-resolution 3D SAR Tomography of Urban Scenarios[J]. Journal of Radars, 2015, 4(2): 123-129. doi: 10.12000/JR15031 |
[15] | Yang Xiang-li, Xu De-wei, Huang Ping-ping, Yang Wen. Change Detection of High Resolution SAR Images by the Fusion of Coherent/Incoherent Information[J]. Journal of Radars, 2015, 4(5): 582-590. doi: 10.12000/JR15073 |
[16] | Zhang Yue-ting, Qiu Xiao-lan, Ding Chi-biao, Lei Bin, Fu Kun. The Simulation and Characteristics Analysis on High Resolution SAR Images of Bridges[J]. Journal of Radars, 2015, 4(1): 78-83. doi: 10.12000/JR14139 |
[17] | Xiang Yin, Zhang Kai, Hu Cheng. A NUFFT Based Step-frequency Chirp Signal High Resolution Imaging Algorithm and Target Recognition Algorithm[J]. Journal of Radars, 2015, 4(6): 639-647. doi: 10.12000/JR15083 |
[18] | Xu Cheng-bin, Zhou Wei, Cong Yu, Guan Jian. Ship Analysis and Detection in High-resolution Pol-SAR Imagery Based on Peak Zone[J]. Journal of Radars, 2015, 4(3): 367-373. doi: 10.12000/JR14093 |
[19] | Zhao Hai-yang, Wang Xiao, Wang Wei-hua, Zheng Xin. System Design of a S-band Solid-state Transmitter in Satellite-borne SAR[J]. Journal of Radars, 2014, 3(3): 274-281. doi: 10.3724/SP.J.1300.2014.13101 |
[20] | Li Ning, Wang Ling, Zhang Gong. High-resolution Side-view and Top-view Imaging Method of Ship Targets Using Multistatic ISAR[J]. Journal of Radars, 2012, 1(2): 163-170. doi: 10.3724/SP.J.1300.2012.20021 |
1. | 张翼鹏,卢东东,仇晓兰,李飞. 基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类. 雷达学报. 2024(02): 411-427 . ![]() | |
2. | 邰文飞,陈绪慧,张新胜,蔡明勇,任致华,王丽霞,史雪威. 高分三号卫星影像在地表变化检测中的应用试验. 航天返回与遥感. 2024(03): 41-50 . ![]() | |
3. | 童亮,刘丹,彭中波,邹涵,王露萌,张春玉. 联合小波阈值和F-NLM去噪的高分辨率SAR舰船检测方法. 中国舰船研究. 2024(06): 275-283 . ![]() | |
4. | 姜卫东,薛玲艳,张新禹. 雷达目标识别评估中的数据可分性度量方法. 雷达学报. 2023(04): 860-881 . ![]() |
方法 | 虚警 | 漏警 |
图像域帧间关联 | 75 | 63 |
Faster R-CNN | 7 | 16 |
Dual Faster R-CNN | 0 | 17 |
联合域航迹关联(JTA) | 1 | 15 |
方法 | 单帧平均耗时(s) |
图像域帧间关联 | 1.58 |
Faster R-CNN | 1.55 |
Dual Faster R-CNN | 2.89 |
联合域航迹关联(JTA) | 2.21 |