[发明专利]一种降低深度网络检测中虚警概率的方法

说明书

本发明属于视频SAR运动目标检测跟踪技术，具体涉及一种降低深度网络检测中虚警概率的方法。本发明提出了一种基于结合传统检测中的帧间信息降低深度网络检测虚警的方法：首先，基于VideoSAR的成像图像制作数据集，通过计算速度范围且以速度范围作为标签对于运动目标形成的阴影进行标签，并应用于深度网络进行检测。再预训练好的模型对视频中的后续帧进行检测得出初步检测结果，然后使用检测出的速度范围得到前后帧的预测信息，并进行虚警目标的剔除。本发明相比传统的背景的构建不会损失高速目标的检测效果，同时几乎在保证检测概率的基础上有效的抑制了虚警概率。

技术领域

本发明属于视频SAR运动目标检测跟踪技术，具体涉及一种降低深度网络检测中虚警概率的方法。

背景技术

运动目标检测和分析始终是合成孔径雷达(Synthetic Aperture Radar,SAR)研究领域的关键和热点。美国Sandia实验室在2003年提出了VideoSAR的成像模式，通过对场景高帧率、高分辨率成像，实现对地面的动态观测，实时掌握目标区域的相关信息。

目前，国内对VideoSAR动目标检测的研究尚处于起步阶段，从高帧率的视频图像中获取动目标并进行跟踪是关键技术。目标运动导致图像发生散焦，但多普勒频移使其在实际位置留下阴影，因此可根据阴影信息实现VideoSAR图像中动目标的检测。国内外研究人员针对SAR动目标检测提出了多种方法。

针对单幅高分辨率SAR图像进行动目标检测，通过简便的形态学方法提取道路信息并进行阴影检测，为了降低漏检，采用恒虚警技术(Constant False Alarm Rate,CFAR)在所检测距离门及附近搜索目标，最后完成目标参数估计。该方法需先通过形态学处理来提取道路这类静止且阴影面积较大的目标的边缘信息，而SAR大场景成像中的车辆因高速运动导致目标严重散焦，车辆阴影表现为较小的灰度值，该方法不能准确地提取出目标的大部分信息，造成轮廓的不完整和细节的缺失。

感兴趣区域采用计算量偏小的全局CFAR技术并结合KSW熵方法完成二值化的阈值分割，然后进行区域生长来计算相应的聚集度特征，判别区域是否包含目标。该方法针对单幅SAR图像感兴趣区域的目标进行检测，虚警和目标分离设定的阈值需根据训练样本做相应调整，鉴别特征较少，有应用的局限性。

基于CattePM模型的方式对于VideoSAR图像进行降噪处理，去除VideoSAR图像中的相干斑噪声，使用各向异性的CattePM降噪，使用中值法构建背景模型达到背景分离，通过三帧间差分法达到目标检测的目的，但是图像降噪构建背景模型时由于高速目标的阴影不明显很容易淹导致不能检测。

基于CNN网络对于VideoSAR图像的目标产生的阴影进行训练识别，由于目标产生的阴影特征较少，以及由于VideoSAR图像的存在大量噪声，以及由于检测区域存在大量反射系数低的静止非目标产生的虚假阴影，导致基于深度网络检测存在大量难以消除的虚警目标。

发明内容

本发明的目的，就是针对上述存在的问题及不足，为了克服传统视频SAR阴影检测对于高速目标检测的检测率低的问题和缺陷，以及基于深度网络VideoSAR的存在的虚警目标，提供了一种基于运动目标的速度在图像中的特征以及帧间强相关性对于深度网络的检测的虚警概率有效的降低的方法。

本发明的技术方案为：一种降低深度网络检测中虚警概率的方法，该方法基于视频SAR中提取的阴影特征，其特征在于，包括以下步骤：

S1、根据阴影长度L获取不同目标的速度并根据速度进行分类，目标的速度计算公式为：

其中，t为视频SAR每帧合成时间，B为雷达的带宽，f_c为载波中心频率，L_s为目标运动距离，L_s＝L-L_z；阴影长度L和SAR雷达成像参数σ，雷达与目标的中心距离R,成像分辨率P，成像长度l_s之间的关系为：