论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）动目标检测与跟踪在非法车辆定位及追踪、道路流量监测以及车辆智能导航等军民领域具有重要和广泛的应用前景。目前,SAR动目标检测与跟踪仍存在一些问题亟待解决:在SAR动目标检测方面,当检测慢速动目标时,尤其在高速平台及强杂波情况,慢速动目标与背景杂波分离困难,目标速度、位置等估计误差大,聚焦效果差,使得慢速动目标检测面临很大挑战。在传统SAR动目标检测方法中,利用阴影特征来检测动目标有其独特优势,但传统方法对阴影特征提取不充分,导致场景复杂时虚警和漏检严重,深度学习的引入将能够更充分地提取阴影特征,提高动目标检测精度。在SAR动目标跟踪方面,深度学习方法的跟踪性能相对于传统方法优势明显,但仍面临一些关键问题:在对感兴趣目标跟踪时,现有深度学习方法没有利用帧间的目标关联信息,网络迁移性差,导致感兴趣目标的跟踪性能大大降低。在对多目标跟踪时,现有深度学习方法存在目标数量估计准确性低、对观测区目标数量变化和目标身份切换不敏感等问题,导致目标易跟丢跟错,极大地影响了SAR多目标跟踪精度。针对上述问题,本文开展了相关研究,主要创新点及贡献如下:1.针对慢速动目标检测精度受限的问题,提出了基于四天线对消模型的SAR强杂波慢速动目标检测方法。首先,建立了四天线对消模型,该模型利用前后波束天线的正负斜视角来增加前后天线的等效基线长度,增大慢速动目标的位移,有利于区分慢速动目标与背景;同时,该模型利用前后天线各自附加的天线通道,利用偏置相位中心天线（Displaced Phase Center Antenna,DPCA）算法在SAR图像域上对消杂波背景,有力突显了慢速动目标的信息。其次,还提出了一种重聚焦迭代优化（Refocusing Iterative Optimization,RIO）算法,利用前后天线获得的SAR图像上的动目标方位位移,初步估计方位速度,再通过迭代优化,补偿动目标的相位误差提高聚焦深度,实现了慢速动目标的高精度方位速度估计。实验结果表明所提方法实现了强杂波背景下SAR慢速动目标高精度检测,并且方位速度估计精度相较其他方法提高了约两个数量级,扩大了慢速动目标检测的适用范围。2.针对动目标阴影特征提取不充分的问题,提出了基于阴影检测网络（Shadow Detection Network,Shadow De Net）的SAR动目标阴影检测方法。该网络首先采用直方图均衡阴影增强（Histogram Equalization Shadow Enhancement,HESE）预处理技术来增强阴影特征的显著性;其次采用Transformer自注意力机制（Transformer Self-Attention Mechanism,TSAM）对不同特征进行加权,加强对阴影特征的关注度和对虚警的抑制;然后,采用形状变化自适应学习机制（Shape Deformation Adaptive Learning Mechanism,SDAL）来关注动目标的阴影形变以提升对阴影形状变化的适应性,减少漏检;最后,网络采用在线困难样本挖掘机制（Online Hard Example Mining,OHEM）对弱势负样本进行反复加强学习,进一步抑制虚警。实测数据实验结果表明,所提的Shadow De Net网络,其检测精度优于其他先进网络约9.00%。3.针对感兴趣目标跟踪网络迁移性差的问题,提出了基于锚框指导型孪生网络（Guided Anchor Siamese Network,GASN）的SAR感兴趣目标跟踪方法。该网络首先采用孪生网络并利用成对的图像数据集对网络训练,学习表征相似程度的匹配函数,建立起了帧与帧之间的目标关联信息。然后,对非训练样本集的任意目标跟踪时,以第一帧感兴趣目标特征为先验信息,采用语义引导的锚框自适应学习机制（Semantic Guided Anchor-Adaptive Mechanism,SGAAL）对后一帧自适应产生更符合目标形状的一些锚框,有效抑制虚警。最后,在这些锚框中利用相似性匹配函数跟踪到与感兴趣目标特征最相似的区域作为跟踪结果,并对后续帧依次去搜索跟踪,从而实现了任意感兴趣目标跟踪,极大提高了网络迁移性。仿真和实测结果表明GASN能够实现感兴趣目标跟踪,与其他先进网络相比,所提网络不仅迁移性优于其他网络,而且跟踪精度优于其他网络。4.针对多目标跟踪场景中由于目标的不确定性导致的错跟和漏跟问题,提出了基于阴影增强特征自注意锚框自适应网络（Shadow-Enhanced Feature Self-Attention and Anchor-Adaptive Network,SE-FSA-AA-Net）的SAR多目标跟踪方法。该网络首先采用稀疏低秩噪声分解阴影增强（Sparse Low-Rank Noise Decomposition Shadow Enhancement,SLRNDSE）预处理技术来抑制噪声干扰,减小目标漏检概率;然后,采用Transformer自注意力机制TSAM对不同特征进行加权,增强目标阴影特征信息,减小多目标跟踪出现的错跟和漏跟概率;最后,采用语义引导的锚框自适应学习机制SGAAL来自适应地生成含有位置概率的一些锚框,滤除背景干扰,减少目标数量估计误差。实测数据验证结果表明,相比于其他先进网络,所提的SE-FSA-AA-Net网络能更准确估计目标数量,极大降低了多目标跟踪时的错跟和漏跟概率,跟踪精度明显提高了约6.40%。