聊 蕾,左瀟麗,云 濤,朱岱寅

(1.南京航空航天大學電子信息工程學院,江蘇南京211100; 2.中國人民解放軍63778部隊,黑龍江佳木斯154001)

0 引言

2003年,美國Sandia國家實驗室首次提出了VideoSAR(Video Synthetic Aperture Radar)技術(shù)[1],能以每秒5幀以上的幀率獲得高分辨率SAR圖像。之后,國內(nèi)外很多學者和研究機構(gòu)對VideoSAR技術(shù)在分辨率、聚焦質(zhì)量以及成像實時性等方面展開了研究,并取得了一定的成果[2-5]。

在SAR圖像中,當運動目標在沿雷達視線方向具有速度分量時,會造成多普勒頻移[6],使得運動目標在成像時發(fā)生偏移和散焦,甚至移出場景之外,使得依靠雷達截面積(RCS)來進行動目標檢測變得十分困難,但在其真實位置能夠留下陰影,因此可以利用對陰影的檢測來實現(xiàn)對動目標的檢測。

文獻[7]提出了基于單幅高分辨SAR圖像的動目標檢測方法。該方法利用動目標的陰影并輔助以道路信息來進行動目標檢測。但是,該方法必須在道路上進行動目標檢測,限制了成像場景;其次,該方法只能適用于運動目標在雷達視線方向速度較慢的情況,當速度較快時,運動目標嚴重散焦,使得峰值檢測失效。

文獻[8]利用閾值分割檢測出單幀SAR圖像的疑似目標,并融合目標特征實現(xiàn)運動目標的自動檢測。但是,當目標的運動速度較快時,閾值分割將無法實現(xiàn)單幀SAR圖像中疑似目標的提取。

文獻[9]提出了基于多幅高分辨SAR圖像來檢測動目標的方法。對同一場景在不同視角下所成的SAR圖像序列進行旋轉(zhuǎn)對齊后求得背景圖像,利用當前圖像和背景圖像的比率圖篩選出運動目標的陰影。該算法存在的缺點是:SAR成像是將三維目標投影到二維平面上,若圖像序列的視角間隔過大,則簡單的旋轉(zhuǎn)操作不能使圖像序列的背景對齊,那么時域平均求得的背景將不能用來削弱靜態(tài)背景。

與傳統(tǒng)SAR相比,VideoSAR技術(shù)可以獲取高幀率、高分辨率的連續(xù)SAR圖像序列。運動目標的陰影在幀與幀之間是不斷運動的,因此,可以利用這一特征將運動目標的陰影與其他暗色區(qū)域(靜態(tài)目標的陰影以及其他散射系數(shù)較低的目標)區(qū)分開來。

本文提出一種基于VideoSAR圖像序列的動目標檢測方法,考慮圖像序列間存在旋轉(zhuǎn)、平移、縮放等變化,本文用SIFT+RANSAC算法來計算圖像序列間的變換參數(shù),完成圖形序列的背景運動補償;另外,采用單高斯背景模型差分來代替時域平均,降低對噪聲的敏感性,提高動目標檢測算法的穩(wěn)定性。

1 算法流程

本文算法的思想是:將VideoSAR圖像序列劃分成短間隔小組,以每組為單位進行動目標檢測。將每組的第一幅圖像作為參考圖像,剩下的圖像作為待配準圖像與之配準,也就是對背景的運動進行補償。圖像序列的背景對齊后,以第一幅圖像來初始化單高斯背景模型,并對剩下的圖像序列依次進行學習,更新該背景模型。在得到該圖像序列的背景模型后,用最后一幅圖像與之進行背景差分,并對差分結(jié)果進行二值化,則可初步得到該組的前景二值圖。用形態(tài)學方法對二值圖進行濾波和篩選,提取出運動的陰影,即完成動目標檢測。具體流程如圖1所示。

圖1 本文提出的動目標檢測流程圖

2 背景補償

VideoSAR的3種主要成像模式[5]為:條帶式、聚束式和圓跡式。這3種模式在生成圖像序列時,載機的運動會使得雷達觀測角度以及雷達到場景中心的距離發(fā)生變化,所生成序列中的圖像之間發(fā)生平移、旋轉(zhuǎn)、縮放等幾何畸變,因此在動目標檢測前,必須對圖像序列的動態(tài)背景進行運動補償,使背景能夠?qū)R。

本文使用圖像配準技術(shù)來進行背景補償。圖像配準即對同一場景在不同時間、不同角度或者不同傳感器拍攝(成像)下得到的兩幅圖像進行對齊的技術(shù)。圖像配準是圖像處理和分析的基礎(chǔ)問題,在醫(yī)學圖像分析、模式識別、計算機視覺、環(huán)境監(jiān)測、遙感數(shù)據(jù)分析等方面都有著廣泛的應(yīng)用[10]。

本文的配準流程如圖2所示。

首先,本文使用SIFT[11](Scale Invariant Feature Transform)算法來初步提取出兩幅圖中的特征點。SIFT算法提取出的特征點(每個特征點都用一個特征矢量進行描述,稱為描述子),對尺度縮放和旋轉(zhuǎn)能夠保持不變,并且在仿射失真、三維視點改變以及存在噪聲的情況下具有很高的魯棒性。

在分別提取出參考圖像和待配準圖像的特征點后,需要對兩幅圖像的特征點進行初次配對。計算參考圖像的每一個特征點與待配準圖像的所有特征點間描述子的歐式距離,并將距離最短的特征點進行配對。

圖2 圖像配準流程圖

因為噪聲、重復(fù)紋理等原因,初次配對會產(chǎn)生少數(shù)錯誤的匹配對,本文使用RANSAC(Random Sample Consensus)[12]算法來進一步篩選,計算出滿足最多匹配對的參數(shù)模型。VideoSAR的成像幾何關(guān)系是將三維模型投影到二維平面上,因此使用透視矩陣來描述參考圖像與待配準圖像之間的參數(shù)模型。

RANSAC算法計算出透視矩陣模型的參數(shù)后,利用該模型可以計算出參考圖像中的點坐標映射到待配準圖像中的對應(yīng)點坐標,而計算出的對應(yīng)點坐標一般不是整數(shù),因而需要在待配準圖像中進行重采樣,獲得對應(yīng)點坐標的灰度值,最終得到配準后圖像。

3 單高斯背景模型

VideoSAR在生成圖像序列時,隨著雷達視角發(fā)生變化,三維的地面目標在成像平面上的二維投影也將發(fā)生變化。因此,為了保證圖像序列擁有較高的配準精度,將VideoSAR圖像序列劃分為長度為n(n小于圖像序列的總長度,一般取4～6)的小組來進行動目標檢測,在該段時間內(nèi)二維投影的變化對配準精度的影響可以忽略。

每組圖像序列以第一幅圖像作為參考圖像,第2～n幅圖像作為待配準圖像依次與參考圖像進行配準,則可得到背景對齊的新的n幅圖像。在新的圖像序列中,需要將發(fā)生運動的陰影區(qū)域檢測出來。背景差分是運動目標檢測的常用方法,通過當前圖像與背景圖像的差分,可以減去靜態(tài)的背景,留下發(fā)生變化的部分,但是如何獲得穩(wěn)定可靠的背景是非常關(guān)鍵的問題。

為了能獲得較穩(wěn)定背景,本文使用高斯背景模型來統(tǒng)計圖像序列的背景模型。由于分時段后圖像序列較短,因而可以認為場景背景變化比較微小,所以用單高斯函數(shù)來模擬背景模型。接下來介紹單高斯背景模型。

單高斯背景模型[13]就是用單個高斯函數(shù)來描述像素點的某種特征。本文使用灰度值作為特征來建立每個像素點的單高斯背景模型。在t時刻,某像素點的概率密度函數(shù)在其均值附近可近似表示為高斯概率密度函數(shù):式中,X i,t表示該像素點t時刻的灰度值,μi,t表示該像素點的灰度值均值,σi,t表示該像素點的灰度值方差。

對背景補償后長度為n的連續(xù)圖像序列進行背景建模。首先,初始化單高斯背景模型。設(shè)該時段圖像某像素點i的灰度值序列為I(x i,y i, 1∶n),其中x i和y i表示像素點的位置。初始化背景模型的均值μi,1為I(x i,y i,1),方差σi,1為0,學習次數(shù)αi,1為1。接下來對I(x i,y i,2∶n)進行學習。若滿足

則將該點歸入該模型。其中t表示該像素點在該時段內(nèi)的時序,2≤t≤n,θ1表示設(shè)定的判斷閾值,取值大于1。求出t時刻的灰度值與當前背景模型的均值的方差,若該方差與背景模型的方差的比值小于一定閾值θ1,則可判定該時刻的灰度值滿足該點的單高斯模型,對背景模型進行更新,各參數(shù)的更新如式(3)所示:

若不滿足式(2),則背景模型不更新,各參數(shù)如式(4)所示:

在n個序列點統(tǒng)計完后,由于是從第一幅圖像開始統(tǒng)計背景模型,所以得到基于I(x i,y i,1)的背景模型。接下來將該時段內(nèi)的最后一幅圖像與背景差分。若I(x i,y i,n)滿足

則初步判斷該點為該時段內(nèi)的動目標,也就是前景,反之,則判為背景。其中,θ2為設(shè)定的判斷閾值,若I(x i,y i,n)的灰度值與背景模型均值的方差大于閾值,且灰度值小于背景模型的均值,則說明該像素點的灰度值在該時段內(nèi)發(fā)生變化且是陰影,因此可以初步判斷該點是發(fā)生變化的陰影。

4 后續(xù)形態(tài)學處理

經(jīng)過對長度為n的圖像序列進行上述背景差分算法后,得到前景為1、背景為0的二值圖。但是,SAR圖像存在的相干斑以及圖像配準時邊界的溢出都會被誤判成前景圖像,因此需要對二值圖進一步處理。首先,對二值圖進行連通域標記算法,并去掉面積過大的連通域(一般由配準時邊界旋轉(zhuǎn)造成);接著進行形態(tài)學腐蝕,再進行形態(tài)學膨脹,這樣可以去掉一些小的噪聲斑點。統(tǒng)計剩下的標記區(qū)域,則可得到運動目標的數(shù)目和位置。

5 實驗結(jié)果分析

為了驗證算法性能,使用Sandia國家實驗室提供的Kirtland空軍基地的VideoSAR成像片段,其中沿著道路運動的陰影表示運動車輛的真實位置。

圖3是未經(jīng)背景補償?shù)膱D像序列經(jīng)過單高斯背景模型統(tǒng)計出的背景;圖4是經(jīng)過SIFT+ RANSAC算法配準,動態(tài)場景得到補償后的圖像序列經(jīng)過單高斯背景模型統(tǒng)計出的背景。但是由于圖像序列較短,場景變化較小,且場景中目標灰度值接近,所以通過肉眼難以區(qū)分二者。

圖3 未經(jīng)背景補償圖像序列的背景模型

圖4 背景補償后圖像序列的背景模型

但是在圖5和圖6中,可以明顯看出背景補償?shù)淖饔?。其中圖5是未經(jīng)背景補償?shù)膱D像序列的背景差分二值圖;圖6是經(jīng)過背景補償后的圖像序列的背景差分后二值圖?？梢悦黠@看出,未經(jīng)背景補償?shù)膱D像序列由于背景沒有對齊,在背景差分后靜態(tài)背景沒有完全消除,對運動陰影的提取造成障礙。而經(jīng)過背景補償后,靜態(tài)背景基本被消除。另外,在圖6中可以看出,除了運動目標被檢測出來,其他相干斑、配準時邊界的旋轉(zhuǎn)也被檢測為變化部分。

圖5 未經(jīng)背景補償圖像序列的背景差分二值圖

圖6 背景補償后圖像序列的背景差分二值圖

將圖6的背景差分二值圖用連通域標記算法統(tǒng)計出各連通域的面積,并去除由旋轉(zhuǎn)造成的面積較大的連通域,結(jié)果如圖7所示。接下來,對圖7的結(jié)果先進行形態(tài)學腐蝕,再進行形態(tài)學膨脹,去除噪聲斑點,結(jié)果如圖8所示。從圖8可以看出,以上步驟有效去除了圖6中邊界溢出和噪聲斑點,并正確保留了運動目標。

圖7 去除旋轉(zhuǎn)溢出后二值圖

圖8 去除噪聲斑點后二值圖

將圖8得出的最終檢測結(jié)果在序列的第一幅圖像中進行標記,如圖9所示,可以看出在該VideoSAR時段內(nèi)的7個運動目標都被正確檢測出來。

圖9 形態(tài)學處理后標記結(jié)果

6 結(jié)束語

本文提出一種基于圖像處理技術(shù)的Video-SAR動目標檢測方法。先進行背景補償,利用SIFT+RANSAC算法對VideoSAR圖像序列進行配準,使得圖像序列的背景保持一致。背景補償后,使用穩(wěn)定性較好的單高斯來統(tǒng)計背景模型,并進行背景差分,檢測圖像序列中變化的陰影。最后引入形態(tài)學處理以及連通域標記算法來進一步去除邊界和噪聲,最終實現(xiàn)運動目標的檢測。本文提出的算法能夠正確檢測出運動目標,為接下來運動目標軌跡跟蹤奠定基礎(chǔ)。

[1]WELLS L,SORENSEN K,DOERRY A,et al.Developments in SAR and IFSAR Systems and Technologies at Sandia National Laboratories[C]∥IEEE Aerospace Conference,Big Sky,Montana:IEEE,2003: 1085-1095.

[2]MILLER J,BISHOP E,DOERRY A.An Application of Backprojection for Video SAR Image Formation Exploiting a Subaperature Circular Shift Register [C]∥SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery,Bellingham,WA:SPIE, 2013:1-14.

[3]LINNEHAN R,MILLER J,BISHOP E,et al.An Autofocus Technique for Video-SAR[C]∥SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery,Bellingham,WA:SPIE,2013:1-10.

[4]DAMINI A,MANTLE V,DAVIDSON G.A New Approach to Coherent Change Detection in VideoSAR Imagery Using Stack Averaged Coherence[C]∥IEEE Radar Conference,Ottawa,ON:IEEE,2013:1-5.

[5]宋曉燊,禹衛(wèi)東.條帶式VideoSAR參數(shù)依賴關(guān)系的推導及應(yīng)用[J].中國科學院大學學報,2016,33(1): 121-127.

[6]RAYNAL A M,BICKEL D L,DOERRY A W.Stationary and Moving Target Shadow Characteristics in Synthetic Aperture Radar[C]∥SPIE Conference on Radar Sensor Technology,Bellingham,WA:SPIE, 2014:1-15.

[7]史洪印,侯志濤,郭秀花,等.基于陰影檢測的單幅高分辨SAR圖像動目標檢測方法[J].信號處理,2012, 28(12):1706-1713.

[8]于曉涵,周偉,關(guān)鍵.基于特征融合的雷達視頻運動目標檢測[J].雷達科學與技術(shù),2015,13(6):633-638. YU Xiaohan,ZHOU Wei,GUAN Jian.Moving Target Detection in Radar Video Based on Feature Fusion [J].Radar Science and Technology,2015,13(6): 633-638.(in Chinese)

[9]JAHANGIR M.Moving Target Detection for Synthetic Aperture Radar via Shadow Detection[C]∥IET International Conference on Radar Systems,Edinburgh,UK:IET,2007:183-188.

[10]余先川,呂中華,胡丹.遙感圖像配準技術(shù)綜述[J].光學精密工程,2013,21(11):2960-2972.

[11]LOWE D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[12]FISCHLER M A,BOLLES R C.Random Sample Consensus:A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J].Communications of the ACM,1981,24 (6):381-395.

[13]WREN C R,AZARBAYEJANI A,DARRELL T, et al.Pfinder:Real-Time Tracking of the Human Body[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.