基于子空间学习的 ViSAR 在复杂背景下的阴影增强与背景抑制算法 SE-BSFV
计算机视觉与模式识别
2025-01-17 v1
摘要
视频合成雷达 (ViSAR) 因其能够持续监控目标区域变化的能力，在移动目标检测 (MTD) 领域吸引了大量关注。在 ViSAR 中，移动目标的阴影不会偏移和脱焦，这一特性被广泛用作 MTD 的特征。然而，阴影容易与背景中的低散射区域混淆，这会导致更多的漏报和误报。因此，值得研究如何增强阴影与背景之间的区分性。本研究提出了一种称为阴影增强与背景抑制用于 ViSAR (SE-BSFV) 的算法。SE-BSFV 算法基于低秩表示 (LRR) 理论，采用在线子空间学习技术用于 ViSAR 图像的阴影增强与背景抑制。首先，我们使用注册算法注册 ViSAR 图像，并利用高斯混合分布 (GMD) 对 ViSAR 数据进行建模。其次，利用来自前几帧的知识来估计当前帧的 GMD 参数，并使用期望最大化 (EM) 算法来估计子空间参数。然后，可以获得当前帧的前景矩阵。最后，使用交替方向乘子法 (ADMM) 消除前景矩阵中的强散射目标，以获得最终结果。实验结果表明，SE-BSFV 算法显著增强了阴影的显著性，并在保持效率的同时显著提高了检测性能，与几种其他先进的预处理算法相比效果更佳。
引用
@article{arxiv.2501.09341,
title = {SE-BSFV: Online Subspace Learning based Shadow Enhancement and Background Suppression for ViSAR under Complex Background},
author = {Shangqu Yan and Chenyang Luo and Yaowen Fu and Wenpeng Zhang and Wei Yang and Ruofeng Yu},
journal= {arXiv preprint arXiv:2501.09341},
year = {2025}
}