基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112130146A(43)申请公布日2020.12.25(21)申请号202010869102.2(22)申请日2020.08.26(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人张笑博朱岱寅(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人徐激波(51)Int.Cl.G01S13/90(2006.01)G06T7/00(2017.01)权利要求书1页说明书4页附图8页(54)发明名称基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法(57)摘要本发明提供了一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，包括图像预处理、Radon变换及标准化、判断保留窗口几何信息、合并重叠窗口、遍历所有图像、截取原图像并训练GoogLeNet网络模型、采用训练好的GoogLeNet网络模型抑制虚警。本发明利用Radon变换进行初步检测，然后通过GoogLeNet网络模型抑制虚警，具有检测精度高，简单易实现的特点。CN112130146ACN112130146A权利要求书1/1页1.一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，包括以下步骤：步骤S1、采用中值滤波法对视频合成孔径雷达图像进行预处理，去除孤立噪点；步骤S2、滑动窗口，取出子图像，并进行Radon变换，并在Radon空间进行标准化；步骤S3、对Radon空间进行筛选；当Radon空间的最大值大于预设阈值时，保留窗口的几何信息；步骤S4、判断保留下的窗口几何信息，将经过步骤S3处理后出现重叠的窗口合并为新的窗口；步骤S5、重复执行上述步骤，直至滑动窗口遍历完视频合成孔径雷达图像；步骤S6、利用步骤S5中得到的窗口信息对原图像进行截取，获得的子图像作为样本，将所述样本输入至GoogLeNet网络模型并进行训练；步骤S7、采用步骤S6所述训练完成的GoogLeNet网络模型进行虚警抑制。2.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，所述步骤S2中子图像Radon变换如下：其中，D为子图像平面，f(x,y)为图像中像素点的灰度值，δ为狄拉克函数，ρ为原点到直线的垂直距离，θ为直线的垂线与x轴的夹角，Rf(ρ，θ)为子图像对应的Radon空间；在Radon空间进行标准化过程如下：g(ρ,θ)＝(Rf(ρ,θ)-μ)/σ其中μ为子图像Radon空间的均值，σ为子图像Radon空间的标准差。3.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，所述步骤S3中预设阈值范围为5-7。4.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，所述步骤S4中合并窗口的具体方法如下：当多个矩形窗出现重叠时，将重叠窗中横坐标的极大值和极小值、纵坐标的极大值和极小值四个点组成新的矩形窗的四角，并用新的矩形窗替代重叠的多个窗口。5.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，所述步骤S6中获得的子图像包括待检测的动目标亮线和由人工建筑引起的虚警，将这些子图像作为样本，训练GoogLeNet网络模型，得到用于判别是否为动目标亮线的GoogLeNet网络。6.根据权利要求1所述的一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法，其特征在于，所述步骤S7中将通过Radon变换得到的初步检测结果输入到GoogLeNet网络中，保留被识别为动目标亮线的图像。2CN112130146A说明书1/4页基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法技术领域[0001]本发明涉及雷达监测技术领域，主要涉及一种基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法。背景技术[0002]合成孔径雷达(SyntheticApertureRadar，SAR)是现代军用与民用领域常用的遥感技术，具有对目标区域全天候、全天时成像的能力。VideoSAR作为一种新的成像模式，能够以一定帧率连续对目标场景成像，扩展时间维度的信息，以动态的方式对目标区域持续监测，并直观地反映目标的位置和运动趋势等参数信息。VideoSAR的成像模式最早在2003年由美国桑迪亚实验室提出，能够以每秒5帧以上的帧率对目标区域连续成像获得类似电影的效果。此概念的提出在国际上引起了广泛的关注，之后各国研究人员和科研机构都对VideoSAR展开了广泛的研究。[0003]通过VideoSAR获取的图像序