基于CFAR算法的極化SAR圖像飛機目標檢測

(沈陽航空航天大學 遼寧 沈陽 110000)

引言

目前為止,在致力于發展高速、高精度以及良好可操作性的極化 SAR 圖像的飛機目標檢測算法檢測方面,研究者們做了大量的工作,涌現出很多的SAR目標檢測算法。如在利用圖像強度特征方面,比較著名的如:Novak提出的局部雙參數cFAR檢測方法,該方法簡單有效,被廣泛應用,但該方法缺點也非常明顯。恒虛警檢測算法(CFAR)是當前主要的飛機目標檢測方法[1,2],本文針對大場景復雜背景下對檢測精度和時間的要求,研究了基于目標先驗知識的二次 CFAR 的檢測算法。

一、cfar算法原理與算法模型

根據的計算方式的不同，CFAR檢測器分為均值(ML)類和有序統計量(OS)類兩種典型的檢測器，本文主要使用ML類CFAR。

ML類CFAR:

(2-1)

(2-2)

(2-3)

式中，xi為為各單元的參考信號幅度；L位前沿和后沿參考滑窗長度。

各種雷達系統中用得最多的CFAR檢測方法就是CA檢測算法。CA在均勻雜波背景中的檢測性能最好,但在非均勻背景中性能嚴重下降.

二、基于改進的 CFAR的SAR圖像檢測

在本文中,為了既滿足檢測精度又滿足檢測時間,考慮將全局 CFAR 和滑窗 CFAR 相結合，將這種方法稱為二次 CFAR 檢測算法.其主要流程為:

1.對每塊圖像,設定一個較高的虛警率進行閾值計算,并進行二值化。在這個步驟中,要保證每個目標都能夠盡可能的被檢測出來,因此設定的虛警率較高。在每個圖像塊中,使用同一個閾值進行二值化。

2.對整幅圖像進行聚類。

3.統計每個連通區域的位置信息。在這步中,對每個連通的區域,統計其在在圖像上的最大外接矩形,由于在步驟 1)中使用的虛警率較高,因此這個邊界比實際的目標的邊界要大。

4.對每個目標,根據目標的邊界信息,設定滑窗的尺寸。以每個區域的最大外接矩形作為保護區窗口的大小。在保護區外,設定一定大小的雜波統計區(距保護區為 5 個像素)。

5.對每個區域進行二值化。對每個目標區域,根據雜波模型和虛警率計算閾值 T,并進行二值化。

三、實驗結果分析

本實驗采用 UAVSAR 系統在美國 Gulf Coast 地區上空采集的新奧爾良市某機場場景數據。

(a)跑道區域檢測結果 (b)飛機目標檢測結果

圖1 中，圖(a)為算法得到的跑道區域二值標簽圖，圖(b)為本小節算法得到的飛機目標檢測結果。5 架飛機(黃色圓圈)均被檢測出，且只存在 2 個虛警(藍色圓圈)。實驗結果驗證了本小節算法的有效性。

四、結論

此算法均能準確有效地檢測出真實跑道，無虛警區域，且檢測出的跑道結構完整、細節信息都保持良好；能快速準確地檢測出跑道區域，實時性更好；同樣本節算法采用無監督分類方法提取疑似跑道區域，沒有用到樣本信息，說明本節算法實用性更廣。