[发明专利]基于混合统计分布与多部件模型的SAR图像目标检测方法

摘要

本发明提供一种基于混合统计分布与多部件模型的SAR图像目标检测方法，首先对SAR图像训练集进行混合统计分布建模，包括对训练集中所有SAR图像分别构建空间金字塔，然后对金字塔中任一层子图像建立混合统计分布模型，对混合统计分布模型的表达式取对数，然后将期望最大化算法与MoLC参数估计方法相结合，对混合统计模型的参数进行估计；多部件模型训练与目标检测，将混合统计分布与多部件模型相结合，对SAR图像训练集中的所有图像构建混合统计分布特征金字塔，根据根滤波器窗口和部件滤波器窗口，得到目标检测框。本发明混合统计分布特征与多部件模型的结构信息相结合，能够实现SAR图像中不同目标整体与结构的准确检测。

主权项

1.一种基于混合统计分布与多部件模型的SAR图像目标检测方法，其特征在于，包括以下步骤：步骤1，对SAR图像训练集进行混合统计分布建模，所述混合统计分布建模包括以下子步骤；步骤1.1，对训练集中所有SAR图像分别构建空间金字塔，然后对金字塔中任一层子图像建立混合统计分布模型；步骤1.2，对混合统计分布模型的表达式取对数，然后将期望最大化算法与MoLC参数估计方法相结合，对混合统计模型的参数进行估计；步骤2，多部件模型训练与目标检测，包括以下子步骤；步骤2.1，根据步骤1所得参数估计结果，将混合统计分布与多部件模型相结合，在SAR图像训练集上，首先通过标准SVM方法确定根滤波器的初始值和位置以及部件滤波器的初始值和位置，然后通过引入基于目标长宽比例的扩展因子，获得根滤波器和部件滤波器的分数，最后采用Latent SVM方法更新根滤波器和部件滤波器；实现方式如下，将混合统计分布与多部件模型相结合，包括将统计分布得到的分布参数作为部件模型中目标的特征描述，相应参数包括混合统计分布模型参数Θ＝{w₁,w₂,...,w_K；θ₁,θ₂,...,θ_K}和部件模型位置信息参数P_m＝(F_m,υ_m,s_m,d_m)，隐变量z＝(p₀,p₁,...,p_M)和部件滤波器p_m＝(a_m,b_m,l_m)；首先，在SAR图像训练集上，通过标准SVM方法确定根滤波器的初始值F₀，并对根滤波器进行插值处理后，在二倍分辨率上采用贪婪算法选择与部件滤波器同等尺寸的具有最大正权重平方和的局部区域，作为第m个部件滤波器的初始值和位置，得到位置P_m＝(F_m,υ_m,s_m,d_m)，其中F_m表示部件滤波器，υ_m是二维向量，表示第m个部件相对于根滤波器的矩形框偏移位置，s_m表示这个矩形框的尺寸，d_m表示变形代价向量，m＝1,2,…,M；将此区域的所有权重清零，然后继续选择下一个部件滤波器，直到完成所有M个部件滤波器的初始化；将根滤波器和部件滤波器在图像子块X中的位置z＝(p₀,p₁,...,p_M)作为隐含变量，其中p_m＝(a_m,b_m,l_m)表示X的特征金字塔第l_m层中以坐标(a_m,b_m)为左上角的滤波器检测框，对应的特征向量用φ(p_m)表示，根滤波器的分数定义为F₀·φ(p₀)，部件滤波器的分数定义为其中，衡量部件m的偏移程度，(a₀,b₀)表示根滤波器在图像金字塔中的位置坐标，2(a₀,b₀)+υ_m表示部件滤波器未发生偏移时的位置坐标，作为锚点；然后，引入基于目标长宽比例的扩展因子，空间位置z的总分数计算公式表示为，其中，g表示扩展因子，γ表示已知的目标长宽比例值；多部件模型参数表示为β＝(F₀,F₁...,F_M,d₁,...,d_M,g)，多部件模型对应的特征向量表示为，步骤2.2，对SAR图像训练集中的所有图像构建混合统计分布特征金字塔，采用矩形滑窗方式，在特征金字塔的每一层上进行搜索，依次记录下最优根滤波器位置的坐标、得分以及部件滤波器标号与部件滤波器坐标，当检测窗口内综合分数大于检测阈值时，保留该根滤波器的窗口和部件滤波器的窗口，作为目标检测框。