一种SAR动目标检测方法、装置和存储介质制造方法及图纸

本发明专利技术提供了一种SAR动目标检测方法、装置和存储介质，属于微波遥感技术领域，包括：获取双通道SAR复图像；对双通道SAR复图像进行预处理获取数据集；利用复数域残差密集块搭建深度复数域卷积神经网络；将数据集中的双通道SAR复图像块输入到深度复数域卷积神经网络，获取运动目标图像，所述深度复数域卷积神经网络包括：运动目标特征提取模块，用于利用复数域残差密集块RDB提取所述数据集中SAR复图像块的特征图；特征融合模块，对所述SAR复图像块的特征图进行特征融合；运动目标图像生成模块，用于根据特征融合后的所述SAR复图像块生成SAR运动目标预测图像。本发明专利技术将普通卷积神经网络扩展到复数域，检测性能高。检测性能高。检测性能高。

【技术实现步骤摘要】
一种SAR动目标检测方法、装置和存储介质


[0001]本专利技术属于微波遥感
，具体涉及一种基于复数域卷积神经网络的SAR动目标检测方法、装置和存储介质。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，简称SAR)是一种高分辨成像雷达，具有全天时、全天候、远距离的特点，能够提供丰富的地表电磁散射特性信息。SAR系统在其固有成像基础上实现动目标检测(Ground Moving Target Indication，简称GMTI)，即利用信号处理技术在对静止场景成像的同时实现对地面运动目标的检测。然而，运动目标通常被淹没在地杂波中，难以实现检测。同时，由于SAR成像算法通常是针对静止场景，受运动参数影响，运动目标存在方位向位移和散焦问题，使得检测更加困难。
[0003]单通道SAR
‑
GMTI系统由于平台运动导致地杂波频谱展宽，使得慢速运动目标淹没其中而难以检测；多通道SAR动目标检测通过增加空间上的维数实现空、时两域联合处理，从而克服单通道系统在运动目标检测中的不足。传统多通道方法主要针对存在径向速度的运动目标，无法检测对于只有切向速度的目标，且存在盲速目标。DPCA和ATI方法均需要两通道具有较高的配准精度。STAP用于多天线通道系统，该方法需要满足独立同分布的训练样本实现协方差矩阵的估计，但在实际环境中由于各种非理想因素影响，待检测单元周围样本难以满足上述条件。因此，亟待突破传统杂波抑制方法提出适合复杂杂波环境下的动目标检测方法。
[0004]近年来，随着深度学习的不断发展，深度学习理论被越来越多应用于SAR图像处理领域，比如SAR图像地物分类、相干斑噪声抑制等，且获得较好效果。然而，很多应用只利用了SAR图像的幅度信息，忽略了相位信息。

技术实现思路

[0005]本专利技术为解决传统动目标检测方法在复杂杂波环境下对慢速运动目标及只有切向速度的运动目标检测困难的问题，将深度学习理论应用到双通道SAR复图像中，提出一种复数域卷积神经网络的SAR动目标检测方法、装置和存储介质。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种SAR动目标检测方法，包括：
[0008]获取双通道SAR复图像；
[0009]对双通道SAR复图像进行预处理获取数据集；
[0010]利用复数域残差密集块搭建深度复数域卷积神经网络；
[0011]将数据集中的双通道SAR复图像块输入到深度复数域卷积神经网络，获取运动目标图像；
[0012]所述深度复数域卷积神经网络包括：
[0013]运动目标特征提取模块，用于利用复数域残差密集块RDB提取所述数据集中双通
道SAR复图像块的特征图；
[0014]特征融合模块，用于对所述SAR复图像块的特征图进行特征融合；
[0015]运动目标图像生成模块，用于根据特征融合后的所述SAR复图像块生成SAR运动目标预测图像。
[0016]优选地，所述对双通道SAR复图像进行预处理具体为对图像进行图像切割和幅度归一化处理，包括以下步骤：
[0017]利用步长为25、大小为50
×
50的滑动窗口将双通道SAR复图像裁剪成50
×
50的图像块，按照不同的信杂噪比SCNR在图像块上叠加多个仿真运动目标信号，获得复图像
[0018]对复图像按照通道1图像的最大值和最小值进行幅度归一化，归一化后的复图像I
i
表示为：
[0019][0020]获取运动目标图像真值对运动目标图像真值按照的最大值和最小值进行幅度归一化，归一化后的运动目标图像O表示为：
[0021][0022]根据处理后的多个双通道SAR复图像和相应的运动目标图像对获取数据集。
[0023]优选地，所述获取运动目标图像真值包括：
[0024]利用机载光学系统记录成像场景中的真实运动目标的位置和速度，然后从TerraSAR
‑
X复图像中提取真实的运动目标图像真值；
[0025]对于仿真的运动目标，利用运动目标仿真参数生成仿真运动目标图像真值。
[0026]优选地，所述运动目标特征提取模块包括单通道特征提取网络和通道间特征提取网络；
[0027]在单通道特征提取网络中，将通道1的SAR复图像块的实部和虚部分开，看成两个独立的通道作为网络的输入，大小为50
×
50
×
2，具体包括：
[0028]首先利用两个复数域卷积层和复数域ReLU提取浅层特征，每个卷积层包含了32个尺寸为3
×
3的卷积核，滑动步长设置为1；假设第l个复数域卷积层的输入为包含K个特征图，卷积核表示为：
[0029]M为卷积层输出的特征图个数，复数域偏差量为则复数域卷积层表示为：
[0030][0031]其中，*为复数卷积操作，复数域ReLU表示为：
[0032][0033]其中，和分别表示复数的实部和虚部；
[0034]然后应用3个复数域残差密集块RDB从各个卷积层提取分层特征；
[0035]在通道间特征提取网络中，将所有通道的SAR复图像块的实部和虚部分开，将所有通道的实部和虚部分别串联，然后将实部部分和虚部部分串联作为网络的输入，大小为50
×
50
×
4，应用与单通道特征提取网络相同的结构实现对分层特征的提取。
[0036]优选地，所述应用3个复数域残差密集块RDB从各个卷积层提取分层特征，具体包括：
[0037]在每个复数域RDB中，首先利用6个复数域卷积层和复数域ReLU提取局部特征，每个卷积层包含32个大小为3
×
3的卷积核，先前复数域RDB的输出和当前RDB中前面所有卷积层的输出按照生成顺序串联起来，作为当前RDB的当前卷积层的输入；
[0038]然后应用32个大小为1
×
1的卷积核融合来自先前复数域RDB的特征图和当前复数域RDB中所有卷积层；最后引入局部残差学习，将先前复数域RDB的特征图与当前复数域RDB经过1
×
1卷积后的特征图相加。
[0039]优选地，在所述特征融合模块中，将所有复数域RDB的特征图全部串联，应用32个大小为1
×
1的卷积核融合RDB的特征图；然后利用1个复数域卷积层和复数域ReLU进一步提取特征；该卷积层包含了32个尺寸为3
×
3的卷积核，滑动步长设置为1；最后引入全局残差学习，实现对所述SAR复图像块的特征图进行特征融合。
[0040]优选地，在所述运动目标图像生成模块中，应用1个复数域卷积层和复数域ReLU提取特征；该卷积层包含了32个尺寸为3
×
3的卷积核，滑动步长设置为1；然后利用1个复数域卷积层和Abs激活函数生成运动目标图像；该卷积层包含了1个尺寸为3...

【技术保护点】

【技术特征摘要】
1.一种SAR动目标检测方法，其特征在于，包括：获取双通道SAR复图像；对双通道SAR复图像进行预处理获取数据集；利用复数域残差密集块搭建深度复数域卷积神经网络；将数据集中的双通道SAR复图像块输入到深度复数域卷积神经网络，获取运动目标图像；所述深度复数域卷积神经网络包括：运动目标特征提取模块，用于利用复数域残差密集块RDB提取所述数据集中双通道SAR复图像块的特征图；特征融合模块，用于对所述SAR复图像块的特征图进行特征融合；运动目标图像生成模块，用于根据特征融合后的所述SAR复图像块生成SAR运动目标预测图像。2.根据权利要求1所述的SAR动目标检测方法，其特征在于，所述对双通道SAR复图像进行预处理具体为对图像进行图像切割和幅度归一化处理，包括以下步骤：利用步长为25、大小为50
×
50的滑动窗口将双通道SAR复图像裁剪成50
×
50的图像块，按照不同的信杂噪比SCNR在图像块上叠加多个仿真运动目标信号，获得复图像对复图像按照通道1图像的最大值和最小值进行幅度归一化，归一化后的复图像I
i
表示为：获取运动目标图像真值对运动目标图像真值按照的最大值和最小值进行幅度归一化，归一化后的运动目标图像O表示为：根据处理后的多个双通道SAR复图像和相应的运动目标图像对获取数据集。3.根据权利要求2所述的SAR动目标检测方法，其特征在于，所述获取运动目标图像真值包括：利用机载光学系统记录成像场景中的真实运动目标的位置和速度，然后从复图像中提取真实的运动目标图像真值；对于仿真的运动目标，利用运动目标仿真参数生成仿真运动目标图像真值。4.根据权利要求2所述的SAR动目标检测方法，其特征在于，所述运动目标特征提取模块包括单通道特征提取网络和通道间特征提取网络；在单通道特征提取网络中，将通道1的SAR复图像块的实部和虚部分开，看成两个独立的通道作为网络的输入，大小为50
×
50
×
2，具体包括：首先利用两个复数域卷积层和复数域ReLU提取浅层特征，每个卷积层包含了32个尺寸为3
×
3的卷积核，滑动步长设置为1；假设第l个复数域卷积层的输入为包含K个特征图，卷积核表示为：
M为卷积层输出的特征图个数，复数域偏差量为则复数域卷积层表示为：其中，*为复数卷积操作，复数域ReLU表示为：其中，和分别表示复数的实部和虚部；然后应用3个复数域残差密集块RDB从各个卷积层提取分层特征；在通道间特征提取网络中，将所有通道的SAR复图像块的实部和虚部分开，将所有通道的实部和虚部分别串联，然后将实部部分和虚部部分串联作为网络的输入，大小为50
×
50
×
4，应用与单通道特征提取网络相同的结构实现对分层特征的提取。5.根据权利要求4所述的SAR动目标检测方法，其特征在于，所述应用3个复数域残差密集块RDB从各个卷积层提取分层特征，具体包括：在每个复数域RDB中，首先利用6个复数域卷积层和复数域ReLU提取局部特征，每个卷积层包含32个大小...

【专利技术属性】
技术研发人员：穆慧琳，赵思源，丁畅，童宁宁，宋玉伟，郑桂妹，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：