[发明专利]基于特征融合稀疏表示模型的SAR图像车辆检测方法有效

专利信息
申请号: 201810325118.X 申请日: 2018-04-12
公开(公告)号: CN108550131B 公开(公告)日: 2020-10-20
发明(设计)人: 吕文涛;郭理鹏;戴开燕;任佳伟;徐伟强 申请(专利权)人: 浙江理工大学
主分类号: G06T5/10 分类号: G06T5/10;G06T7/11;G06T7/136;G06K9/46
代理公司: 浙江千克知识产权代理有限公司 33246 代理人: 周希良;李欣玮
地址: 310018 浙江省*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 特征 融合 稀疏 表示 模型 sar 图像 车辆 检测 方法
【说明书】:

发明公开了一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法,目的是针对现有的SAR图像车辆检测方法在复杂场景中的不足之处,以提高SAR图像车辆检测的准确性。该方法首先基于训练目标数据的相关字典集,对每个测试目标所提取的一系列特征进行稀疏重构,生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合,依据线性融合策略来确定目标类别的最佳估计,依此获取测试目标的检测结果。本发明充分利用了基于特征融合稀疏表示模型的良好分辨能力,且考虑了图像中场景复杂度的变化,有效地提高了SAR图像车辆的检测率,准确度更高。

技术领域

本发明属于图像处理技术领域,更具体的涉及一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法。

背景技术

车辆检测在合成孔径雷达图像处理中是一个具有挑战性的任务。通常,车辆检测包括两个阶段:疑似区域提取和目标分类。现有技术中已经存在许多方法能够处理SAR图像中目标检测问题,其中,代表性的有基于模板匹配的方法和基于模型设计的方法。前者依赖于目标图像或者特征向量与模板在数据上的匹配度,而后者则取决于训练样本和测试样本之间模型的统计关系。通过评估最大化后验概率参数类别,则目标可以被确定。显然,如果统计关系较差,则容易导致检测失败。

基于特征模型的方法,如:支持向量机、贝叶斯形态显著性模型、多尺度区域特征模型等,基于精细设计的特征,这些方法可以提高目标的检测准确率,但是这些方法在复杂场景中,如:强度差异较小,严重的斑噪环境和强度分布不均匀区域,鲁棒性不高。在这种情况下,目标的特征不能被有效地提取,导致目标特征的表示能力弱化。此外,由于在SAR图像中灰度的对比度不高和电磁波多重反射的影响,在处理复杂特征类型的目标时,这些检测方法并不能获取较好的结果。因此,需要设计新型的目标检测模型,以适应场景特征的复杂性。

发明内容

本发明目的是针对现有的SAR图像车辆检测方法,在面向复杂场景时的性能不足之处,以提高SAR图像车辆检测的准确性,提出了一种基于特征融合稀疏表示模型的SAR图像车辆检测方法。

本发明的基本思路是:首先基于训练目标数据的相关字典集,对每个测试目标所提取的一系列特征进行稀疏重构,生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合,依据线性融合策略来确定测试目标类别的最佳估计,依此获取该测试目标的检测结果。

本发明的目的是通过以下技术方案来实现的:

基于特征融合稀疏表示模型的SAR图像车辆检测方法,包括以下具体步骤:

步骤1,预处理,即用非局部均值方法对SAR图像进行滤波,再进行图像阈值分割;

步骤2,灰度增强,即使用线性变换方法调整低灰度值。经过拉伸后,[0,αμx]内的灰度值被映射为[0,βμy],以使这些灰度值在整个灰度空间中占据更大的范围。然后,再对原始图像中的高灰度值进行均衡化处理,这意味着相应的灰度范围从[αμx,X]变化到[βμy,Y]。

其中,μx和μy分别是图像调整前后的灰度平均值。X和Y均表示图像灰度空间的最大值。这里,参数α和β用于控制调整前后灰度在空间分布中的平衡,可以通过经验来确定。其中,参数α的值为2到4,参数β的值为0.5到1.0。

步骤3,区域合并,对步骤2中得到的灰度增强后的SAR图像做如下处理:

步骤3-1,首先用形态学闭操作算法去除图中的孤立区域,同时增加每个目

标的连通性。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江理工大学,未经浙江理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810325118.X/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top