基于深度学习与多目标跟踪算法的视频SAR动目标检测方法

技术领域

本发明涉及一种基于深度学习与多目标跟踪算法的视频SAR动目标检测方法，属于雷达技术领域,。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)因其对目标区域全天候、全天时成像的能力在现代遥感领域具有重要意义。但传统的SAR系统成像帧率较低，无法提供可靠的动目标定位。视频SAR作为一种新的成像模式，能够高帧率连续地对目标场景高分辨率成像，以动态的方式对目标区域持续监测，并直观地反映目标的运动和场景变化等动态信息。由于视频SAR的工作频率较高，动目标回波的多普勒调制对其运动很敏感，目标的运动会导致其在图像中出现散焦和偏移，并在其真实位置留下了阴影。因此可以通过检测阴影实现动目标的监测。

近年来，基于深度学习的方法在目标检测上取得了最优异的检测结果。众多学者已经探讨了深度学习在SAR图像目标检测中的可行性。但由于SAR图像的特征简单，只利用深度神经网络进行动目标阴影检测会出现较多的虚警和漏警，基于深度学习的检测方法亟待完善。

发明内容

针对上述背景技术提到的问题，本发明提出了一种基于深度学习与多目标跟踪算法的视频SAR动目标检测方法。

本发明为解决其技术问题采用如下技术方案：

一种基于深度学习与多目标跟踪算法的视频SAR动目标检测方法，包括如下步骤：

步骤1：采用基于特征金字塔结构的Faster R-CNN网络检测单帧视频SAR图像中的动目标阴影；

步骤2：利用上述步骤1中的检测结果初始化试探性跟踪器；

步骤3：将检测结果与跟踪关联，并使用关联的检测结果更新跟踪器；

步骤4：将连续更新三帧的试探性跟踪转为稳定跟踪并删除其余试探性跟踪；

步骤5：将连续三帧未更新的稳定跟踪转为候选跟踪；

步骤6：若有关联的检测结果更新步骤5中的候选跟踪，将候选跟踪转为稳定跟踪；

步骤7：若步骤5中的候选跟踪未更新的次数超出阈值，将候选跟踪删除。

所述步骤2中的检测结果使用如下八维状态空间描述：

式中，x和y分别表示目标中心的横纵坐标，a和h分别表示目标边界框的宽高比例和高度，

所述步骤3中所述检测结果与跟踪关联是通过匈牙利算法实现。

本发明的有益效果如下：

1、本发明首先利用基于特征金字塔结构的Faster R-CNN(快速区域卷积神经网络)目标检测网络检测单帧视频SAR图像中的动目标阴影。然后采用基于检测的多目标跟踪算法跟踪动目标阴影，提高了检测概率并降低了虚警率。

2、本发明将基于检测的多目标跟踪算法应用于视频SAR动目标阴影检测中，具有检测精度较高，简单易实现且实时性较好的特点。

附图说明

图1是本发明的一种基于深度学习与多目标跟踪算法的视频SAR动目标阴影检测方法的跟踪处理流程图。

图2(a)和图2(b)均为基于特征金字塔结构的Faster R-CNN的初步检测结果图。

图3(a)和图3(b)均为两多目标跟踪算法处理结果图。

具体实施方式

下面将结合附图，对本发明的技术方案进行详细的说明。本发明所描述的实施例仅用于解释本发明，并不构成对本发明的不当限定。

如图1所示，本实施例提供了一种基于深度学习与多目标跟踪算法的视频SAR动目标阴影检测方法，其具体步骤如下：

步骤1：采用基于特征金字塔结构的Faster R-CNN网络检测单帧视频SAR图像中的动目标阴影。

步骤2：利用上述步骤1中的检测结果初始化试探性跟踪器。

检测结果使用如下八维状态空间描述：

式中，x和y分别表示目标中心的横、纵坐标，a和h分别表示目标边界框的宽高比例和高度，其余四个变量分别表示x、y、a和h的变化速率。跟踪器使用卡尔曼滤波处理，使用参数(x,y,a,h)初始化跟踪状态，相应的速度分量设置为零。

步骤3：使用关联的检测结果更新跟踪器。

关联检测与跟踪通过匈牙利算法实现，分配的代价矩阵由检测边界框与跟踪边界框的交并比组成，并在最后去除交并比小于0.3的关联结果。

步骤4：将连续更新三帧的试探性跟踪转为稳定跟踪并删除其余试探性跟踪。

试探性跟踪连续更新三帧表明成功跟踪目标，删除其余试探性跟踪可以有效降低虚警。

步骤5：将连续三帧未更新的稳定跟踪转为候选跟踪。

若有稳定跟踪连续三帧没有匹配的检测结果更新，将其状态转为候选跟踪。表示跟踪目标暂时消失在场景中。

步骤6：若有关联的检测结果更新步骤5中的候选跟踪，将候选跟踪转为稳定跟踪。

一旦有检测结果与候选跟踪匹配，将候选跟踪转为稳定跟踪，表示目标重新出现在场景中。

步骤7：若步骤5中的候选跟踪未更新的次数超出阈值，将候选跟踪删除。

所述的阈值设置为30-40，超出阈值的候选跟踪被删除表示目标完全离开场景。

对比图2与图3可知，Faster R-CNN的初步检测结果中存在较多虚警和漏警，采用多目标跟踪算法对检测结果进行跟踪处理后，动目标阴影的检测效果有了明显的改善。

为了更好地说明本发明的性能，对视频SAR的共140帧图像(其中共有779个动目标阴影)进行了测试，统计结果在表1给出。

表1 140帧视频SAR检测结果

在140帧图像中共有阴影779个，本发明提出的方法正确检测到745个，另有4个虚警和34个漏警。可以看出本发明提出的方法能够在视频SAR动目标阴影检测上取得了良好的效果。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。