基于改进GOFRO的多角度SAR图像车辆目标检测方法.pdf
《基于改进GOFRO的多角度SAR图像车辆目标检测方法.pdf》由会员分享,可在线阅读,更多相关《基于改进GOFRO的多角度SAR图像车辆目标检测方法.pdf(16页珍藏版)》请在咨信网上搜索。
1、基于改进GOFRO的多角度SAR图像车辆目标检测方法刘琪禹卫东*洪文(中国科学院空天信息创新研究院北京100094)(中国科学院大学电子电气与通信工程学院北京101408)摘要:针对城市场景中车辆目标分布状态随机,在检测过程中容易受到环境因素干扰等问题,提出一种将多角度合成孔径雷达(SAR)图像用于静止车辆目标提取的检测算法。在特征提取阶段,设计了一种适用于多角度图像上车辆目标的多尺度旋转不变的Gabor滤波器奇分量比例算子(MR-GOFRO)特征提取方法,对原有的GOFRO特征进行了滤波形式、特征尺度、特征方向、特征层次等4个方面的扩展,使其能够适应车辆目标在方向、尺度、形态等方面可能发生的
2、变化。在图像融合阶段,设计了加权的非负矩阵分解(W-NMF)方法,根据特征质量调整来源于不同图像的特征权重,减少由于不同角度间相互干扰造成融合特征质量下降的现象。将该文所提出方法在不同的机载多角度图像数据集上进行验证,实验结果表明,该文提出的特征提取方法与同类方法相比,检测精度平均提升了3.69%;该文提出的特征融合方法与同类方法相比,检测精度提升了4.67%。关键词:多角度SAR;车辆目标检测;特征提取;特征选择;图像融合中图分类号:TN957.51文献标识码:A文章编号:2095-283X(2023)05-1081-16DOI:10.12000/JR23042引用格式:刘琪,禹卫东,洪文.
3、基于改进GOFRO的多角度SAR图像车辆目标检测方法J.雷达学报,2023,12(5):10811096.doi:10.12000/JR23042.Reference format:LIUQi,YUWeidong,andHONGWen.Vehicledetectioninmulti-aspectSARimagesbasedonimprovedGOFROJ.Journal of Radars,2023,12(5):10811096.doi:10.12000/JR23042.Vehicle Detection in Multi-aspect SAR Images Based onImproved
4、GOFROLIUQiYUWeidong*HONGWen(Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing 100094,China)(University of Chinese Academy of Sciences,School of Electronic,Electrical and Communication Engineering,Beijing 101408,China)Abstract:Vehicletargetsinurbansceneshavethecharacteristi
5、csofrandomdistributionandcanbeeasilydisturbedbyenvironmentalfactorsduringthedetectionprocess.Giventheaboveissues,thispaperproposesadetectionmethodthatutilizesmulti-aspectSyntheticApertureRadar(SAR)imagesforstationaryvehicletargetextraction.Inthefeatureextractionstage,anovelfeatureextractionmethodcal
6、ledMultiscaleRotationalGaborOddFilter-basedRatioOperator(MR-GOFRO)isdesignedforvehicletargetsinmulti-aspectSARimages,wheretheoriginalGOFROfeaturesareimprovedfromfouraspectsfilterform,featurescale,featuredirectionandfeaturelevel.TheimprovementallowsMR-GOFROtoadapttopossiblevariationsinthetargetdirect
7、ion,scale,morphology,etc.Intheimagefusionstage,aWeighted-Non-negativeMatrixFactorization(W-NMF)methodisdevelopedtoadjustthefeatureweightsfromvariousimagesaccordingtothefeaturequality.Thismethodcanreducethequalitydegradationofthefusionfeaturesduetomutualinterferencebetween收稿日期:2023-04-10;改回日期:2023-05
8、-14;网络出版:2023-06-20*通信作者:禹卫东*CorrespondingAuthor:YUWeidong,基金项目:国家自然科学基金(61860206013)FoundationItem:TheNationalNaturalScienceFoundationofChina(61860206013)责任主编:殷君君CorrespondingEditor:YINJunjunTheAuthor(s)2023.ThisisanopenaccessarticleundertheCC-BY4.0License(https:/creativecommons.org/licenses/by/4.0
9、/)第12卷第5期雷达学报Vol.12No.52023年10月JournalofRadarsOct.2023differentaspects.Theproposedmethodisverifiedonvariousairbornemulti-aspectimagedatasets.Theexperimentalresultsrevealedthatthefeatureextractionandfeaturefusionmethodsproposedinthispaperenhancethedetectionaccuracybyanaverageof3.69%and4.67%,respectiv
10、ely,comparedwithsimilarmethods.Key words:Multi-aspectSAR;Vehicletargetdetection;Featureextraction;Featureselection;Imagefusion 1 引言车辆检测是遥感图像中地理空间对象检测的一个重要分支。城市地区的车辆检测在智能交通系统(IntelligentTransportationSystems,ITS)建设、城市基础设施规划、城市地区经济发展状况评估、自然环境监测与保护等多个领域都拥有较高的实际应用价值1,2。随着合成孔径雷达(SyntheticAper-tureRadar,S
11、AR)成像技术的发展,SAR图像已经可以对所摄制场景提供1m及以下的分辨率精度,这使得利用SAR图像检测车辆等有限尺寸的地物目标成为可能3。然而,要想从高分辨率SAR图像中获得可靠的车辆检测结果,仍然面临一些亟待解决的实际问题4。例如,在SAR系统固有的成像几何构型和车辆目标所具有散射特性的共同作用下,高分辨率SAR图像中的车辆目标通常是不完整的;此外,由于SAR系统的方位敏感性,车辆目标本身在SAR图像中会出现各种类型的形变现象,包括方向、尺度和局部散射特性等方面的变化,这些变化通常会导致一般目标检测算法在实际应用中检测性能有所下降;且城市区域的车辆目标附近通常会存在着多种类型的背景干扰因素
12、,其中不乏其他具有强散射特性的人造目标等。以上问题的存在对于目标检测算法的鲁棒性和辨识能力提出了新的要求。SAR图像的车辆目标检测大致可以分为静止目标检测和动目标检测两种类型5,6,本文主要针对静止车辆目标检测的情况进行集中分析。现有的静止车辆目标检测方法可分为以下3种类别:基于模板匹配的方法7,8、基于特征提取的方法9,10和基于深度学习的方法11,12。第1种方法利用已有图像样本构造并储存目标的固有模板,通过将待测样本与模板库中的图像样本进行比较得到目标与模板之间相似度的测量结果,并由此判定目标的所属类别。例如,文献13使用数学形态学(MathematicalMor-phology,MM)
13、来描述机载SAR图像中的车辆模板,通过待检测图像样本与模板的相似度比较获取场景中的车辆目标检测结果。该方法的缺点在于其检测精度过于依赖模板库中现有模板的丰富程度,对于复杂环境的适应性较弱。第2种方法首先对图像样本的有效特征进行提取和筛选,然后将所得样本特征输入预设分类器,获取目标的分类结果。例如,文献14设计了一种结合角度空间信息和径向空间信息的特征提取方法,以适应遥感图像中目标相对复杂的旋转行为。该类方法在实际应用中具有检测率高、因果关系明确、场景适应灵活等特点,在长时间的研究与尝试中发展出了多种精确而实用的算法策略。第3种方法通过引入神经网络解决遥感图像中的车辆目标检测问题。例如,文献15
14、基于YOLOv5网络设计了SAR图像大范围观测条件下的目标检测网络。一般来说,神经网络方法的实现必须建立在拥有足够数量已标记样本的数据集的基础之上,以避免在训练阶段发生过拟合现象,而现阶段小样本问题依然是多角度图像应用中所必须面对的情况。基于以上分析,本文选择采用基于特征提取的方法对城市场景中的静止车辆目标进行检测,以在图像样本相对有限的条件下,在复杂的背景环境中获取可靠的目标检测结果。多角度成像作为一种新的SAR观测模式,能提供所观测场景的方位角度信息,有效解决单幅SAR图像中因观测过程中方位角度受限所引起的地物目标信息量不足的问题,但在应用过程中也会受到SAR图像对方位角度敏感性的影响。本
15、文在充分分析多角度图像序列特性的基础上,提出了一种基于多角度SAR图像的静止车辆目标检测方法。该方法的优点主要体现在稳定的特征提取方式和有效的图像融合方式两个方面。一方面,车辆目标变化类型的多样性和周围环境的复杂度增加了SAR图像中车辆检测的难度,因此在特征提取阶段所获取的目标特征必须具有更高的表达性能和更高的鲁棒性;另一方面,多角度图像融合可以将不同方位角度下获取的同一场景的信息进行整合。有效的融合方法可以产生比任意单一角度图像所包含内容更丰富的结果。然而,不恰当的图像融合方法不仅不能充分发挥不同图像的优势,而且会引起背景成分相互干扰和冗余信息积累导致的计算量增加等问题。本文首先根据车辆目标
16、的结构特点和在SAR图像上的表现形式,从4个方面对现有的Gabor滤波器奇分量比例算子(GaborOddFilterbasedRatioOperator,GOFRO)特征进行了改进,设计了一种适用于SAR图像中车辆目标检测的特征提取方法;然后,结合多角度图像的特点,基于非负矩阵分解(Non-negativeMatrixFactorization,NMF)16方法1082雷达学报第12卷提出了一种多角度图像特征融合方法,在特征选择的基础上对不同角度图像所提供的特征信息进行有效融合。本文所提出方法框架中主要包括特征提取、特征融合和目标分类3个阶段。首先,在特征提取阶段,分别从每个单一角度图像中使用
17、多尺度旋转不变的Gabor滤波器奇分量比例算子(MultiscaleRotational-GaborOddFilterbasedRatioOperator,MR-GOFRO)提取图像样本的初始特征;然后,在特征融合阶段,对初始特征使用加权的非负矩阵分解(Weighted-Non-negativeMatrixFactorization,W-NMF)方法进行进一步处理,以降低特征维数,增强特征表示能力,同时完成对来源于不同角度图像的信息整合;最后,在目标分类阶段,采用无监督分类方法获取车辆目标的检测结果。在不同数据集上的实验结果均验证了所提出方法的有效性。2 多角度图像与车辆目标检测的适配性分析城
18、市区域的静止车辆目标具有独特的散射特性和在场景中随机分布的特点,且车辆目标周围的背景环境中通常存在着各种成分的干扰因素。图1展示了包含车辆目标的同一场景在不同方位角度下的SAR图像。从图1中可以看出单一角度SAR图像在车辆检测任务中的局限性。图1(a)中的车辆目标发生了目标闪烁现象,导致场景右侧的孤立目标在图上几乎完全不可见。图1(b)红色框线内的建筑目标发生了散焦现象,导致图像整体信噪比降低,并对周围的车辆目标造成了影响。图1(c)在红色框线位置处出现了虚假目标。图1(d)中再次发生了背景成分的散焦现象。以上都是SAR实际图像中常见的质量问题,有些是由于目标的方位角度敏感性导致的,有些是由于
19、数据获取过程中的偶然因素导致的,有些是因为成像算法在批量图像处理的过程中出现参数不能完全自适应的情况所导致的。这些情况都对单幅图像中车辆目标检测的准确性造成不利影响。特别是在包含人造目标的场景中,目标散射特性并不均匀,会发生大量的偶次散射,导致上述这些情况出现的可能性更大17。而车辆目标的体积较小,其本身的特征更容易被这些现象导致的结果所淹没。由图1可知,在该场景中随着方位角度的增大,车辆在图中的表现形式逐渐散点化,这也是目标的方位角度敏感性造成的。目标的后向散射系数会随方位角度偏移发生变化,相应的在不同角度的表现形式也具有各自的特点。可见,结合获取自不同角度图像的信息,可以加强场景中的目标特
20、征,消减不利因素造成的影响,从而提高目标检测方法的准确率,在此基础上,本文提出了基于改进GOFRO的多角度SAR图像车辆目标检测方法。本文算法设计的目的主要体现在以下两个方面:一方面在利用多角度图像的过程中,尽可能准确地提取保留并利用车辆目标的有效特征;另一方面,尽量避免各子图像上的不利因素相互叠加影响。因此,本文算法一方面针对车辆目标检测设计了一种新的特征提取方法;另一方面在各子图像的特征融合过程中,根据目标与背景区域的区别对所提取的特征进行了筛选。通过对这两方面因素的综合考虑,能够找到目标和背景成分的有效区分方法。3 多角度图像车辆目标检测方法在利用多角度图像进行车辆目标检测之前,本文先使
21、用图2所示流程对图像进行预处理,并使用文献18中所提出方法完成图像配准。本文所提出的车辆检测方法主要包括3个阶段:特征提取、特征融合和目标分类。在第1阶段,根据SAR图像中车辆目标的特点设计了MR-GOFRO特征提取方法,在目标方向和尺度可变的情况下尽可能提高特征的鲁棒性,并从多个特征层次对车辆目标进行全面的描述;在第2阶段,提出W-NMF方法对特征进行筛选和融合。W-NMF方法首先对来源于单一角度图像的特征进行筛选,然后在不同角度间特征组合时进行权重调整。最后根据所提取到的特征使用无监督分类方法对图像进行二分类,(a)方位角11.0(a)The aspect angle is 11.0(b)
22、方位角1.7(b)The aspect angle is 1.7(c)方位角14.1(c)The aspect angle is 14.1(d)方位角25.4(d)The aspect angle is 25.4中心单幅SAR图像中车辆目标检测的干扰因素图1多角度SAR图像中的车辆目标举例Fig.1Vehicletargetsinmulti-aspectSARimages第5期刘琪等:基于改进GOFRO的多角度SAR图像车辆目标检测方法1083确定目标在场景中的具体位置。算法的流程图如图3所示。3.1 特征提取 3.1.1 GOFRO 特征提取方法基本原理GOFRO最初是为解决SAR图像中的边
23、缘检测问题而提出的。其基本原理是通过在均值比例(RatioofAverages,ROA)边缘检测方法中引入Gabor滤波器的奇函数成分(GaborOddFilter,GOF)来计算SAR图像中梯度特征的大小和方向。由于SAR图像经常会受到斑点噪声的影响,在SAR图像中使用比例方法代替差分方法来定义梯度,可以获得鲁棒性更高的梯度特征计算结果。其中,ROA方法通过计算中心像素邻域的均值比来获取图像的梯度特征,比普通的梯度计算方法更能适应图像不同区域的明暗变化。由于具有对人类视觉系统的模仿功能,Gabor滤波器在图像处理相关的各个领域都得到了广泛应用19,20。Gabor滤波器拥有自由调节滤波尺度和
24、方向的功能,可以同时考虑目标的全局与局部特征。通过结合具体的应用情景对Gabor滤波器的频率和带宽进行适当设计,可以对目标在不同频段不同层次的特征进行分离。GOFRO在一定程度上综合了以上两种方法的优势,与同类方法相比,GOFRO在SAR图像梯度特征提取方面具有更好的性能。方向角度为 时GOF的表达式为GOF(x,y)=expx2+y222sin(xcos+ysin)(1)其中,代表滤波器中正弦函数的频率,则控制高斯包络的尺度。作用于中心像素周围邻域的GOF处理窗口定义为GOF1(x,y)=GOF(x,y),xcos+ysin 0(2)GOF2(x,y)=GOF(x,y),xcos+ysin
25、0(3)处理窗口内部的局部平均值计算为1=(x,y)I(x,y)GOF1(x x,y y)(4)2=(x,y)I(x,y)GOF2(x x,y y)(5)121=011122=/22122其中,I代表SAR图像的像素幅度值。和的比率称为 方向的GOFRO。当时,处理窗口的朝向为水平方向,相应的局部平均值被定义为和。当时,处理窗口的朝向竖直方向,相应的局部平均值被定义为和。水平和竖直方向梯度的计算方法分别为gh=log(min(21,22)max(21,22)(6)gv=log(min(11,12)max(11,12)(7)梯度大小和方向计算方法为图像尺寸一致化双线性插值图像灰度分布范围归一化M
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 GOFRO 角度 SAR 图像 车辆 目标 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。