一种基于深度学习的海面动目标运动参数估计与成像方法

本发明涉及图像数据处理，具体涉及一种基于深度学习的海面动目标运动参数估计与成像方法。

背景技术：

1、在交通安全、环境保护等领域，常常需要对海面上的动态目标进行监测和识别。

2、现有的问题：目前主要采用合成孔径雷达成像方法对海面上的动态目标进行监测和识别，但是由于海面上的动态目标是处于不断运动的状态，其距离向速度会引起多普勒频移，从而导致目标产生偏移错位，而方位向速度会造成方位调频率变化，从而引起目标的散焦，使得采用合成孔径雷达成像方法对动态目标进行监测和识别时，会存在图像偏移和散焦问题，进而无法提供高精度的成像结果，以及高准确度的动目标运动参数估计结果。

技术实现思路

1、本发明提供一种基于深度学习的海面动目标运动参数估计与成像方法，以解决现有的问题。

2、本发明的一种基于深度学习的海面动目标运动参数估计与成像方法采用如下技术方案：

3、本发明一个实施例提供了一种基于深度学习的海面动目标运动参数估计与成像方法，该方法包括以下步骤：

4、获取数据集；其中，数据集包括若干sar图像；

5、构建特征提取模型和映射模型；其中，特征提取模型用于sar图像的特征提取，映射模型用于获取动目标的运动参数，特征提取模型包括主网络和次网络；

6、获取每个sar图像的所有像域，利用每个像域的灰度值确定每个像域中的目标运动轨迹区域；利用每个像域中的目标运动轨迹区域的像素数量和主方向角度值，获取每个sar图像的每个像域的运动轨迹参数性；

7、基于每个像域的对比度值和灰度均值，获取每个sar图像的每个像域的高亮性；利用每个像域中的目标运动轨迹区域的主方向角度值，获取每个sar图像的每个像域的拉伸扭曲性；根据每个像域的高亮性和拉伸扭曲性，获取每个sar图像的每个像域的卷积特征散焦性；

8、将每个sar图像作为特征提取模型的输入，每个sar图像的每个像域的运动轨迹参数性作为主网络的融合权重，每个sar图像的每个像域的卷积特征散焦性作为次网络的融合权重，输出每个sar图像的融合特征；

9、将每个sar图像的融合特征作为映射模型的输入，输出动目标的运动参数。

10、进一步地，所述获取每个sar图像的所有像域，利用每个像域的灰度值确定每个像域中的目标运动轨迹区域，包括的具体步骤如下：

11、对每个sar图像进行均匀划分，获取每个sar图像对应的所有像域；

12、对每个像域进行边缘检测，获取每个像域中的所有连通域；

13、获取每个连通域的灰度均值，并将灰度均值最大的连通域确定为每个像域中的目标运动轨迹部分；

14、利用形态学算法对每个像域中的目标运动轨迹部分的骨架进行提取，获取每个像域中的目标运动轨迹区域。

15、进一步地，所述利用每个像域中的目标运动轨迹区域的像素数量和主方向角度值，获取每个sar图像的每个像域的运动轨迹参数性，包括的具体步骤如下：

16、通过主成分分析算法获取每个像域中的目标运动轨迹区域的主方向角度值；

17、计算每个sar图像的每个像域中目标运动轨迹区域的像素数量；

18、获取同一像域在连续帧sar图像中的目标运动轨迹区域的像素数量之和；

19、计算同一像域在相邻帧sar图像中的目标运动轨迹区域的像素数量的差值；

20、获取连续帧sar图像的数量，以及同一像域在相邻帧sar图像中的目标运动轨迹区域的主方向角度值的差值；

21、基于连续帧sar图像的数量、同一像域在连续帧sar图像中的目标运动轨迹区域的像素数量之和、同一像域在相邻帧sar图像中的目标运动轨迹区域的像素数量的差值，以及同一像域在相邻帧sar图像中的目标运动轨迹区域的主方向角度值的差值，获取每个sar图像的每个像域的运动轨迹参数性。

22、进一步地，所述基于连续帧sar图像的数量、同一像域在连续帧sar图像中的目标运动轨迹区域的像素数量之和、同一像域在相邻帧sar图像中的目标运动轨迹区域的像素数量的差值，以及同一像域在相邻帧sar图像中的目标运动轨迹区域的主方向角度值的差值，获取每个sar图像的每个像域的运动轨迹参数性，包括的具体步骤如下：

23、将同一像域在相邻帧sar图像中的目标运动轨迹区域的像素数量的差值的绝对值，确定为相邻帧像素数量差值；

24、将同一像域在相邻帧sar图像中的目标运动轨迹区域的主方向角度值的差值的绝对值，确定为相邻帧主方向角度差值；

25、将相邻帧像素数量差值与其对应的相邻帧主方向角度差值进行相除，获取每个sar图像的像素数量与主方向角度的商值；

26、基于连续帧sar图像的数量，对连续帧sar图像的像素数量与主方向角度的商值进行求和，将求和结果与同一像域在连续帧sar图像中的目标运动轨迹区域的像素数量之和进行相乘，将乘积确定为每个sar图像的每个像域的运动轨迹参数性。

27、进一步地，所述基于每个像域的对比度值和灰度均值，获取每个sar图像的每个像域的高亮性，包括的具体步骤如下：

28、获取每个sar图像的每个像域的对比度值和灰度均值，以及每个像域的相邻像域的灰度均值；

29、基于每个sar图像的每个像域的对比度值和灰度均值，以及每个像域的相邻像域的灰度均值，获取每个sar图像的每个像域的高亮性。

30、进一步地，所述基于每个sar图像的每个像域的对比度值和灰度均值，以及每个像域的相邻像域的灰度均值，获取每个sar图像的每个像域的高亮性，包括的具体步骤如下：

31、获取每个像域的每个相邻像域的灰度均值；

32、将每个像域的所有相邻像域的灰度均值的均值确定为每个像域的邻域灰度值；

33、获取每个像域的灰度均值与邻域灰度值的差值，将差值的绝对值确定为每个像域与邻域的灰度差值；

34、将每个像域的对比度值和每个像域与邻域的灰度差值进行相乘，将乘积确定为每个sar图像的每个像域的高亮性。

35、进一步地，所述利用每个像域中的目标运动轨迹区域的主方向角度值，获取每个sar图像的每个像域的拉伸扭曲性，包括的具体步骤如下：

36、将同一像域在相邻帧sar图像中的目标运动轨迹区域的主方向角度值的差值的绝对值，确定为每个sar图像的主方向差值；

37、对连续帧sar图像的主方向差值进行求和，将求和结果的归一化值，确定为每个sar图像的每个像域的拉伸扭曲性。

38、进一步地，所述根据每个像域的高亮性和拉伸扭曲性，获取每个sar图像的每个像域的卷积特征散焦性，包括的具体步骤如下：

39、设置散焦权重，根据散焦权重获取第一系数和第二系数；

40、将第一系数与每个像域的高亮性的乘积，以及第二系数与每个像域的拉伸扭曲性的乘积进行相加，获取每个sar图像的每个像域的卷积特征散焦性。

41、进一步地，所述将每个sar图像作为特征提取模型的输入，每个sar图像的每个像域的运动轨迹参数性作为主网络的融合权重，每个sar图像的每个像域的卷积特征散焦性作为次网络的融合权重，输出每个sar图像的融合特征，包括的具体步骤如下：

42、将每个sar图像同时输入主网络和次网络，获取每个sar图像的主网络特征和次网络特征；

43、将每个sar图像的每个像域的运动轨迹参数性作为主网络的融合权重，每个sar图像的每个像域的卷积特征散焦性作为次网络的融合权重；

44、根据每个sar图像的主网络特征和次网络特征，以及主网络和次网络的融合权重，获取每个sar图像的融合特征。

45、进一步地，所述将每个sar图像的融合特征作为映射模型的输入，输出动目标的运动参数，包括的具体步骤如下：

46、将每个sar图像的融合特征输入映射模型的卷积层，输出卷积层提取的特征；

47、将卷积层提取的特征输入第一全连接层进行处理和融合，获取第一全连接层融合后的特征；

48、将第一全连接层融合后的特征输入第二全连接层，输出预测的动目标的运动参数。

49、本发明的技术方案的有益效果是：本发明实施例中提出了一种基于深度学习的海面动目标运动参数估计与成像方法，其通过分析sar图像，得到特征提取模型的主次网络融合权重，使得特征提取模型在对图像进行特征提取时，可以兼顾动目标产生的错位和散焦影响，从而提高特征提取模型的准确度，然后基于高准确度的图像融合特征对动目标的运动参数进行估计，可以提高对动目标运动参数估计的准确性。