[发明专利]一种基于多目标跟踪的高精度动目标成像及识别方法

权利要求书

1.一种基于多目标跟踪的高精度动目标成像及识别方法，其特征在于，包括如下步骤：

步骤1：工作在聚束模式下的SAR平台对指定区域进行连续照射并结合地理信息、SAR平台飞行参数进行成像，获取SAR图像序列，进而得到SAR视频；

步骤2：利用基于粒子滤波的PHD滤波算法对SAR视频中的目标进行跟踪，获取运动目标的运动参数；

步骤3：利用所估计的目标运动参数对SAR成像过程中的多普勒参数进行校正，获取去散焦的SAR图像；

步骤4：利用恒虚警的方法对SAR图像中进行目标检测，提取疑似目标的切片，利用SVM分类器和前期训练的样本数据库进行分类，提取舰船目标；利用卷积神经网络对目标特征进行提取，进行精细识别，获取舰船具体分类信息；

其中，所述步骤2具体包含如下步骤：

步骤2.1，利用CFAR方法对视频中第一帧图像中舰船目标进行检索：以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标，对检测出来的疑似目标区域进行切片，提取疑似区域；

步骤2.2，利用人工提取的方法对疑似区域的几何、轮廓、梯度进行提取；

步骤2.3，从k＝2时刻起，利用基于粒子滤波的PHD滤波器中概率预测模型对目标当前时刻的状态概率模型进行预测，其公式为：

其中，D为当前时刻(k)整体目标概率密度状态，X为目标状态量的集合，Z为目标观测量的结合，为k时刻预测的第i个粒子的状态量，代表状态传递方程，代表前时刻的存在的目标传递方程，代表前时刻被遮挡的目标传递方程，γ_k(X_k)代表当前时刻新出现的目标分布状态；

步骤2.4，利用PHD滤波器中概率观测模型对目标当前时刻所估计的状态概率模型进行校正，其公式为：

其中，代表漏检率，k_k代表该时刻的噪声参数，其中，粒子的相似度概率为利用单类支持向量机结合前期训练所得的舰船目标样本特征库计算所得；

步骤2.5，对粒子的权重进行重采样。

2.根据权利要求1所述的基于多目标跟踪的高精度动目标成像及识别方法，其特征在于：步骤3利用步骤2中所获得的目标的运动参数结合步骤1中所获得的SAR回波信息，对成像系数进行校正，从而在二次成像过程中获得去散焦的图像；其中距离徙动量可表示为：

其中，V_x为运动目标的径向速度，径向加速度为a_x，R₀为方位0时刻最近斜距，V_a为SAR平台的方位向速度，f_a为多普勒中心频率，λ为载波波长；

在距离多普勒域中依据上式进行距离插值运算，可对图像完成距离徙动校正；

对距离徙动校正后的回波信号进行方位向匹配滤波即可实现方位向聚焦，匹配滤波器为：

由于目标运动的存在，式中多普勒频率f_a的中心为多普勒调频率K_a为V_a为SAR平台的方位向速度，V_y为运动目标的方位向速度。

3.根据权利要求1所述的基于多目标跟踪的高精度动目标成像及识别方法，其特征在于：步骤4具体步骤如下：

步骤4.1，利用恒虚警方法对图像中舰船目标进行检索：依据舰船尺寸等先验知识，选择一定尺寸的滑窗寻找舰船目标，即当以SAR某一像素点为中心做滑窗时，能把该舰船包括时该像素点的横纵坐标；

对检测出来的疑似目标区域进行切片，提取疑似区域，完成指定海域的舰船检测；

步骤4.2，对获取的精细成像后的SAR图像中海面舰船目标进行分层识别：提取疑似目标的几何、轮廓和梯度特征，利用SVM分类器对目标进行识别，为降低运算量，剔除虚警信息，其中虚警信息包含海岛、养鱼场、海岸、钻井平台和噪声；

步骤4.3，对舰船目标进行精细识别：利用基于深度学习的卷积神经网络对疑似目标的特征进行自动提取，获取舰船目标的特征，利用SVM和先验样本库中利用卷积神经网络提取的特征对舰船目标切片进行精细识别，区分不同类型舰船的舰船型号。