(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211120014.8 (22)申请日 2022.09.15 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 尹钟政　任雨薇　郑明洁　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 金怡 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/28(2022.01) G06V 10/30(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G01S 13/90(2006.01) G01S 7/02(2006.01) (54)发明名称 一种复杂场景 下的视频SAR动目标检测方法 (57)摘要 本发明提供一种复杂场景下的视频SAR动目 标检测方法， 包括如下步骤： 构建观测矩阵； 提出 矩阵分解模 型； 使用近端梯度法求解上述低秩稀 疏分解模型； 复合聚类分割提取运动轨迹区域； 中值背景建模差分提取动目标； 由上述步骤执行 完毕所得二值图结果即为动目标检测结果。 本发 明采用结构稀疏范数能通过稀疏度量区分离散 散点与微小目标， 模型中引入结构 稀疏范数能有 效利用运动目标空间信息， 因而有助于矩阵分 解。 同时， 本发明使用自适应参数更新策略能动 态调整低秩矩阵与稀 疏矩阵的权重， 避免初始参 数设置不 合理导致矩阵分解效果差 。 权利要求书3页 说明书7页 附图2页 CN 115311572 A 2022.11.08 CN 115311572 A 1.一种复杂场景 下的视频SAR动目标检测方法， 其特 征在于， 包括如下步骤： 步骤1： 构建观测矩阵： 选取视频SAR的p帧m ×n像素的图像， 对图像降噪并做直方图均 衡处理， 处理后的每帧图像矩阵重组为列向量， 多帧拼接构建观测矩阵M， 所述观测矩阵M每 一列为一帧， 有M∈Rmn×p， 其中M表示m ×n行p列矩阵； 步骤2： 提出矩阵分解模型： 设定观测矩阵M由低秩静态背景L、 稀疏前景S、 稀疏动态背 景D以及背景噪声N构成， 使用结构稀疏范数T(S)对稀疏前景S的矩阵进 行约束， 所得的低秩 稀疏分解模型如下式： s.t.M＝L+S+D+N 上式中， 是N的Frobenius范数， ||D||1表示D的l1范数， ||L||*表示L的核范数， λs权 重参数， 负责权衡低秩和稀疏矩阵间的比重， κ 是调优参数， 应用自适应参数更新策略， λs的 设定如下式： 其中， median 为中值运算， α 为调节系数； 所述结构稀疏范数T(S)为在每一帧图像上设计滑动窗口， 并遍历全部像素点， 计算全 部窗口数据的l∞范数的和作为稀疏度衡量结果， 其定义式为： 上式中， g是滑动窗口所覆盖的像素点， 不同位置的窗口对应g构成集合G， p为图像帧 数， 表示第j帧图像中滑动窗口形成的像素点矩阵； 基于上述模型构建等效无约束问题如下式： 步骤3： 使用近端梯度法求 解上述低秩稀疏分解模型； 步骤4： 复合聚类分割提取运动轨 迹区域； 步骤5： 中值背景建模差分提取动目标； 由上述步骤执行完毕所 得二值图结果即为动目标检测结果。 2.根据权利要求1所述的一种 复杂场景下的视频SAR动目标检测方法， 其特征在于， 所 述步骤3包括： 步骤3.1： 根据近端梯度算子的迭代形式， 设定0<τ<2/3； 定义函数h(L,S,D)＝||L||*+λ sT(S)+κ λs||D||1， 同时定义目标函数f(L,S,D)＝g(L,S, D)+h(L,S,D)， 其中g(L,S,D)为可微凸函数， h(L,S,D)为凸函数， 满足近端梯度法求解形式， 且有 权　利　要　求　书 1/3 页 2 CN 115311572 A 2其中， 为梯度算子， 表示为函数f(x,y)沿x方向的偏导数， 故定义新变量Y＝ L+S+D‑M以简化后续 求解步骤； 使用近端梯度法求解上述无约束优化问题， 分解为对L、 S、 D分别求解优化问题， 并迭代 取得最优解， 其形式如下式： Yk+1＝Lk+Sk+Dk‑M 上式中， proxh(x)为近端梯度算子； 步骤3.2： 参数初始化： 选择p帧m ×n像素的视频SAR数据制作观测矩阵M， M∈Rmn×p， 设置 初始参数 τ为步长， τ>0， κ ＝0.1， α ＝8， 起始时刻有， L0＝M， S0＝D0＝N0＝ 0， 迭代次数k ＝30； 步骤3.3： 更新 新变量Y： Yk+1＝Lk+Sk+Dk‑M； 步骤3.4： 更新低秩静态背景L： Lk+1＝OptShrinkγ(Lk‑τkYk+1)， 参数γ＝1， 其中， 低秩求 解器OptShri nk的表达式为： 其中， X∈Rm×n， 该式为X 的奇异值分解， σi为奇异值， ui,vi分别为左右奇 异向量， 表示为向量vi的转置， 表示为向量vi的复共轭转置， 定义特殊变换函数 其作用是构建函数μ(t)与变量x的变换关系， D’μ(x)为Dμ(x)的导数， 为只有噪声奇异值的经验 函数且q＝mi n(m,n)， δ( ·)为冲击函数； 步骤3.5： 更新稀疏前景S： 该式表示使用迭代近端梯度 算子求解稀疏矩阵S； 步骤3.6： 更新稀疏动态背景D： 其中， 软阈值 算子为： Softλ(X)＝max(|X| ‑λ,0)sgn(X)； 上式中， sgn()为符号 函数， λ为收缩参数； 步骤3.7： 满足迭代次数算法终止， 否则k ＝k+1并返回步骤3.3 。 3.根据权利要求2所述的一种 复杂场景下的视频SAR动目标检测方法， 其特征在于， 所 述步骤4包括： 步骤4.1： 进行逐帧局部自适应阈值分割， 阈值分割器采用滑窗结构， 即设置窗口大小， 逐像素点滑动， 并计算窗内灰度值均值和标准差作为阈值进行判别， 对图像进行边界对称 填充； 分割器阈值门限设定如下式：权　利　要　求　书 2/3 页 3 CN 115311572 A 3