超高分辨SAR图像车辆目标检测

发布时间：2017-10-20 05:20

  本文关键词：超高分辨SAR图像车辆目标检测

  更多相关文章： 合成孔径雷达 SAR 超高分辨 统计模型 特征稀疏表示 目标检测 目标补偿

【摘要】：合成孔径雷达(SAR)图像是一种全天候的高分辨率图像,被广泛应用于国防、自然灾害检测、生态环境监测等多个重要领域。SAR图像的应用包括分割、分类、目标检测、目标识别等领域。目标检测是SAR图像应用领域的一个重要方向。尤其在军事方面,SAR图像目标检测为目标打击、精确制导等方面提供支持。多年来,研究人员在SAR图像目标检测方面取得了丰厚的成果。但随着SAR图像的分辨率不断升高,传统SAR目标检测方法已经不能满足当前需要。其一,在高分辨SAR图像中,目标不同于以往普通分辨率SAR图像目标成一个或少数几个亮点的状态,因此不能用传统的CFAR检测算法对目标进行检测。在高分辨SAR图像中,目标成为一片区域,目标自身也具有了分布特征。其二,由于合成孔径雷达的特征,具有一定高度的物体会在一定方向上产生阴影,导致高分辨SAR图像中的目标并不是完整的目标。第三,随着高分辨SAR的发展,数量不断增大,特征越来越丰富,导致特征维数灾难,引起目标检测的时间复杂度过高。我们针对以上问题,我在本文提出了相应的解决方案:第一,本文提出了高分辨SAR图像分类结合特征拟合的方法形成目标检测的方法,在这一方法中,由于车辆本身的分布也是可以拟合的,并且车辆也形成了一个区域,这导致我们可以把车辆看作是一个类别,和诸如草地、跑道、建筑等其它区域平等对待,用分类的方法把一幅高分辨SAR图像分割为几个区域,并结合车辆的特征对车辆区域标号,从而形成最终的检测结果。第二,高分辨SAR图像中目标的补偿方法,由于机载高分辨SAR成像角度问题,会在特征方向上形成一定的阴影区域,并对目标的完整性造成影响,本文中,我们把这当作一个特征加入到分割检测算法当中来,对阴影和车辆的联合分布进行统计建模,作为车辆的特征,取得了较好的效果。第三,针对高分辨SAR特征表示复杂的问题,我们提出了分层稀疏特征表示的方法,在第一个问题中,SAR图像的特征表示也是非常一个难点,由于高分辨SAR图像的分辨率很高,能在SAR图像中呈现中很细微的特征,一般情况下,特征丰富是有利于目标检测的,但高分辨SAR特征过多会导致分类过程中优化复杂度过高的问题,针对这一问题,我们提出了建立过完备的字典,并用过完备的字典对特征进行稀疏表示的方法。在实际过程中我们发现,传统分布函数不能对高分辨SAR图像进行很好的拟全,如:四阶分布对高分辨SAR图像的阴影区域能较好的拟合能力,但它对其它区域的似合度不佳,而高斯分布能拟合一些背景区域,但对目标和阴影又无能为力,因此我们提出了一种混合分布来解决这一问题,经验证,取得了非常明显的效果。
【关键词】：合成孔径雷达 SAR 超高分辨 统计模型 特征稀疏表示 目标检测 目标补偿
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 符号对照表11-12
• 缩略语对照表12-16
• 第一章 绪论16-22
• 1.1 合成孔径雷达简介16-18
• 1.2 传统SAR图像目标检测算法及其不足18-22
• 1.2.1 CFAR检测算法简介18-19
• 1.2.2 CFAR检测算法中的统计模型19
• 1.2.3 传统方法存在的问题19
• 1.2.4 本文章节安排19-22
• 第二章 传统SAR图像目标检测算法简介22-42
• 2.1 CFAR方法简介23-25
• 2.2 参数模型的选取25-30
• 2.2.1 基于广义伽马分布的CFAR算法25-27
• 2.2.2 基于高斯分布的CFAR算法27-28
• 2.2.3 基于四阶函数分布的CFAR算法28
• 2.2.4 基于瑞利分布的CFAR算法28-30
• 2.3 参数估计方法30-34
• 2.3.1 最大似然估计方法30-31
• 2.3.2 矩估计法31-32
• 2.3.3 基于梅林变换的参数估计32-34
• 2.4 传统参数模型拟合结果展示34-37
• 2.5 参数评价方法37-40
• 2.5.1 KL距离测试37
• 2.5.2 KS测试37-38
• 2.5.3 MSE测度38
• 2.5.4 卡方检验38-40
• 2.6 传统CFAR检测算法检测结果展示40-42
• 第三章 超高分辨SAR图像分层特征稀疏表示42-54
• 3.1 混合模型简介42-43
• 3.1.1 基于混合高斯模型的CFAR检测算法42-43
• 3.2 超高分辨SAR图像特征稀疏表示43-45
• 3.2.1 特征稀疏表示的必要性45
• 3.3 基于字典的稀疏表示模型45-49
• 3.3.1 K-SVD方法简介46-47
• 3.3.2 分层字典特征稀疏表示47-49
• 3.4 追踪算法49-51
• 3.4.1 基追踪算法49-50
• 3.4.2 匹配追踪算法50-51
• 3.4.3 正交匹配追踪算法51
• 3.5 实验结果展示与分析51-54
• 第四章 基于分层稀疏特征和三马尔可夫随机场的高分辨图像目标检测54-80
• 4.1 马尔可夫随机场模型简介54-62
• 4.1.1 马尔可夫随机场与图像的关系55-56
• 4.1.2 马尔可夫性与马尔可夫随机场56-57
• 4.1.3 马尔可夫随机场和Gibbs分布的等价性57-59
• 4.1.4 常用的马尔可夫场模型59-62
• 4.2 基于马尔可夫模型的SAR图像分类62-66
• 4.2.1 隐马尔可夫模型63-65
• 4.2.2 双马尔可夫场65-66
• 4.3 三马尔可夫随机场66-70
• 4.4 基于分层稀疏特征的三马尔可夫高分辨SAR图像分类70-73
• 4.4.1 建立附加场70-71
• 4.4.2 基于分层稀疏特征的三马尔可夫场高分辨SAR图像分割71-72
• 4.4.3 实验结果展示与分析72-73
• 4.5 确定目标并利用阴影对残缺目标进行补偿73-80
• 4.5.1 目标确定并利用阴影对目标进行补偿74-76
• 4.5.2 检测结果展示与分析76-80
• 第五章 结论与展望80-82
• 5.1 本文工作总结80-81
• 5.2 高分辨SAR图像目标检测的未来81-82
• 参考文献82-88
• 致谢88-90
• 作者简介90-91

【参考文献】

中国期刊全文数据库 前3条

1 贾新宇;路来君;;合成孔径雷达技术研究综述[J];吉林大学学报(信息科学版);2015年04期

2 张军;田昊;黄英君;;利用高斯混合模型的SAR图像目标CFAR检测新方法[J];中国图象图形学报;2009年01期

3 徐红;牛秦洲;;基于混合高斯模型的三马尔可夫场红外图像分割[J];激光与红外;2008年11期

，

本文编号：1065456