[发明专利]一种视频SAR车辆目标检测方法

说明书

本发明公开一种视频SAR车辆目标检测方法，首先构建具有3D卷积层的卷积神经网络；对3D卷积层的卷积神经网络进行训练神经网络；然后用训练好的神经网络检测视频SAR中的车辆目标；最后根据置信度和预测框的重叠度选取最终的检测目标。本发明提供的方法采用具有3D卷积层的卷积神经网络，使用连续多帧图像组成的张量作为输入，充分利用SAR视频不同帧的时间相关性。与FCN相比，本方法提供的神经网络直接回归预测得到目标几何中心的坐标和目标框的大小，而不需要根据目标与背景的二分类图像计算几何中心。本方法过程简单，耗时更少，利于实时监测。同时既可以检测视频SAR中的动目标，也可以检测静止的车辆目标。

技术领域

本发明涉及图像处理技术领域，特别是一种利用深度学习方法检测视频SAR中的车辆目标。

背景技术

SAR(Synthetic Aperture Radar)，即合成孔径雷达，是一种主动式的对地观测系统，SAR系统在许多方面都有广泛的应用。视频合成孔径雷达(Video SAR)是一种雷达成像模式，可以连贯地显示探测目标的图像，在实时监测目标方面具有重要意义。目前常见的视频SAR目标检测方法有以下几种方法。

(1)张营等人在发表的论文“一种VideoSAR动目标阴影检测方法”(《电子与信息学报》第39卷第9期，2017年9月)中提出了一种利用图像序列的背景差分提取动目标阴影的方法。该方法首先通过SIFT+RANSAC算法对多帧图像进行配准，然后进行降噪处理，之后使用非广延Tsallis灰度熵最大化的图像分割方法将图像二值化，然后通过背景建模和背景差分提取运动目标。

(2)西安电子科技大学申请的专利“基于FCN图像序列模型的SAR视频目标检测方法”(专利申请号：201810811807.1，申请公开号：CN 108960190 A)提出使用全卷积神经网络检测SAR视频中的目标。该方案输入SAR图像到全卷积神经网络(FCN)，FCN输出与输入图像大小相同的二值图像(目标与背景的二分类图像)，然后计算每帧图像的各个目标的几何中心，最后根据前5帧的检测结果取舍第6帧的检测目标。

(3)用于光学图像目标检测的卷积神经网络。例如，丁金闪在他的论文“视频SAR成像与动目标阴影检测技术”(《雷达学报》待出版，DOI:10.12000/JR20018)中使用Faster-RCNN检测动目标阴影。Faster-RCNN对输入图像进行特征提取、产生候选框并对边界框回归修正，得到待检测目标的边界框。

现有目标检测方法中，存在着以下缺陷：

(1)背景差分方法流程复杂、过程繁琐、耗时长，不利于目标的实时检测。

(2)背景差分方法只能检测动目标阴影，当目标停止运动时，车辆反射的能量将阴影覆盖，所以无法检测静止的车辆目标。

(3)FCN输出的是目标与背景的二分类图像，不能直接得到每个目标的中心坐标。

(4)FCN无法利用不同时间的各帧的时间相关性，而需要在神经网络输出结果后，再根据前几帧的检测结果取适当帧的检测结果。Faster-RCNN也只能每次对单帧图像进行目标检测，如果要利用不同帧的时间相关性还需要进行后处理。

(5)Faster-RCNN等用于光学图像目标检测的卷积神经网络对雷达成像图像不能充分发挥它的作用。Faster-RCNN的用于特征提取的预训练层(如VGG16)对SAR图像作用较小，因为SAR图像和光学图像差别很大，目标特征也差别很大。

Faster-RCNN还有用于目标分类的部分，但是视频SAR中的待检测目标不需要分类，所以这部分是多余的。

发明内容

有鉴于此，本发明的目的在于提供一种视频SAR车辆目标检测方法，该方法利用深度神经网络可以实现端到端的目标检测，耗时更少，利于实时监测。

为达到上述目的，本发明提供如下技术方案：