极化SAR复杂环境车辆目标检测

发布时间：2024-02-01 07:44

　　为了解决利用相关参数进行极化合成孔径雷达目标检测时无法很好地去除强地物杂波和建筑物等强反射物的问题,引入了Span来描述目标的后向散射总功率。首先提取极化特征参数,然后使用相关系数分类器来产生潜在目标,最后用Span来进行距离鉴别。实验结果表明,本文所用的方法可以有效排除上述干扰,实现了复杂地面车辆目标的检测任务。此外,通过全面对比相关系数在极化合成孔径雷达目标检测中的应用,发现相似性参数相比于其他极化SAR特征参数更有效。

【文章页数】：8 页

【部分图文】：

图1极化白化滤波和OS-CFAR检测流程

为了将CFAR检测用于极化SAR数据,需要进行多通道信息融合,为此可以选用PWF处理极化数据。为了适应地面的多目标情景,可以选用OS-CFAR对处理好的数据进行目标检测,检测流程如图1所示。具体步骤如下:

图2极化特征参数和相关系数的检测流程

在提取极化特征参数后,可以用相关系数实现车辆目标检测,具体流程如图2所示。1)步骤1:从输入的极化SAR数据中提取有效的极化特征参数,并在全图设置滑动窗口得到测试集;之后计算训练集正类和测试集之间的相关系数。为了提高算法的计算速度,可以通过设置高阈值把与正类非常相似的测试集候选....

图3相关系数和Span的检测流程

为了更进一步考虑目标的后向散射能量信息,可以将相关系数和Span结合起来,这样就可以既考虑高分辨率图像目标的空间结构信息,又结合极化SAR数据的后向散射能量信息。具体流程如图3所示。1)步骤1:取测试集。通过在全图设置滑动窗口的方法得到测试集。

图4全极化Pauli分解图

实验所用的数据是来自机载极化SAR系统。成像区域是中国喀什地区,分辨率为0.2m×0.2m,数据的格式是单视复数据。在图像中选取25张包含车辆目标的图像作为正样本,对正类样本进行平移来获得扩展数据集。随后,在图像中选择234张不包含车辆的背景图像作为负样本。这样就获得了225....

本文编号：3891798