[发明专利]一种结合超分辨率重建的卫星序列影像运动目标检测方法

说明书

本发明提出一种结合超分辨率重建的卫星序列影像运动目标检测方法，属于运动目标检测技术领域。该方法首先采用背景差分法获得卫星影像序列的前景影像序列和背景影像序列，然后分别使用基于MSE的快速超分辨率重建算法和ESRGAN实现前景影像和背景影像的超分辨率重建，利用重建后的超分背景影像再次通过背景差分法进行运动目标检测得到新的前景检测结果，将该结果与重建后的前景超分结果进行影像融合更新前景影像，再进一步对该前景影像使用多帧影像配准去除运动目标的错检点，实现卫星影像的运动目标检测。该方法使用超分辨率重建与目标检测相结合的策略，有效减少运动目标漏检、误检现象，可实现精确高效的运动目标检测。

技术领域

本发明涉及运动目标检测技术领域，具体涉及一种结合超分辨率重建的卫星序列影像运动目标检测方法。

背景技术

运动目标检测是在连续的图像序列中将感兴趣的运动目标与目标所处的背景区分开来，运动目标检测是图像后续操作如分类识别、行为理解等的基础。目前的序列影像运动目标检测的研究中，以地面序列影像为主，卫星序列影像作为近几年新兴的遥感数据源，在大面积运动目标动态检测中具有重要的优势。但卫星序列影像中运动目标的特征与地面序列影像中运动目标在形状、大小、成像角度等方面都有很大差异，相应的卫星序列影像的运动目标检测方法也会有很大不同。

目前的运动目标检测方法有传统方法和深度学习方法。传统方法是根据运动目标所处的背景不同，将目标检测归类于静态背景与运动目标前景两大类，例如背景差分法是传统方法中的主流技术，该方法需要背景建模，将当前图像与先验的背景进行差分，计算图像与背景模型的匹配情况。基于背景建模的经典运动目标检测算法有Stauffe等人提出的混合高斯背景建模算法(GMM：Gaussian Mixture Model)。传统方法如背景差分法的前提条件是要有准确的背景模型，从而可以初步的区分前景和背景，但过于受限于运动目标所在的场景信息，性能的好坏取决于背景模型能否有效地表示背景的变化。

基于深度学习方法的代表算法是R-CNN(Region-based Convolution NeuralNetworks)算法，该算法首次将CNN(Convolutional Neural Networks卷积神经网络)引入到目标检测领域，采用传统图像特征提取算法寻找目标的候选区域，然后再通过CNN对这些候选区域进行特征提取，最后使用SVM(Support Vector Machines支持向量机)对提取到的特征进行分类，确定目标的类别。现有技术的缺点R-CNN算法的缺点是由于候选区域的提取仍然采用比较耗时的传统方法，因此检测速度相对来说仍然较慢，而且由于对输入图像进行缩放操作，对图像信息有一定破坏，降低了检测精度。

以上方法主要应用于地面视频，在卫星序列影像的运动目标检测问题中，由于卫星成像高度、分辨率与地面自然影像视频存在巨大差异，视频中运动地物尺寸、细节特征、区域特征不同，因此方法的效率、准确率不高，会因为运动目标过小产生漏检和错检现象，适用性差。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种结合超分辨率重建的卫星序列影像运动目标检测方法。本发明结合传统背景差分法的优势，以及深度学习超分辨率重建方法快速、多尺度细节纹理信息重现效果好的特性，可克服现有运动目标检测方法不适用于卫星序列影像运动目标检测的困难，实现了对于卫星序列影像精确高效的运动目标检测。

本发明提出一种结合超分辨率重建的卫星序列影像运动目标检测方法，其特征在于，该方法包括以下步骤：

1)获取卫星序列影像，使用背景差分法对该卫星序列影像进行运动目标检测，得到前景影像组成的前景影像序列和背景影像组成的背景影像序列；具体步骤如下：

1-1)获取卫星序列影像，该卫星序列影像包含M帧影像；

1-2)选取初始背景影像，然后构建背景模型，利用时间窗划分卫星序列影像得到窗口影像序列，并利用窗口影像序列训练背景模型；具体步骤如下：