论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar，SAR)可以全天时、全天候进行探测与跟踪，能够在复杂气象条件下获取高分辨率有效雷达影像。借助星载和机载平台，目前SAR具有成熟的技术产品和广泛的应用领域。SAR图像飞机检测在战场侦察、敌情监测和目标跟踪等军事领域有非常重要的应用价值。但因SAR相干成像的复杂特性和乘性噪声的存在，SAR图像解译相对于光学图像来说更为困难。随着SAR数据量的积累和图像分辨率的提高，寻找更为高效的快速飞机检测算法具有重要的理论意义和实用价值。 传统方法一般用图像分割提取候选飞机目标，但该类方法仅关注了像素亮度信息而忽视了飞机的结构特征，从而导致大量虚警的产生和目标的不精确定位。随着机器学习的发展，SVM[1]和AdaBoost[2]等分类器开始应用于目标检测领域，但该类方法只适用于小样本情况，特征选择较为复杂且设计具有高泛化能力的特征较难。 本文针对传统方法耗时过长、虚警过多和机器学习方法设计特征复杂、泛化能力较差的劣势，将深度学习方法应用于SAR图像飞机目标检测领域，提出了完整的SAR飞机目标检测算法框架。本文的主要工作和研究成果如下: 1.针对现有方法不能应对海量大场景图像快速检测需求，本文引入显著性预检测方法，实现在大场景SAR图像上快速粗略提取候选飞机目标，并在此基础上加入多尺度模块进行算法改进，实现对同一场景不同尺寸飞机的高效预检测，经实例统计验证该方法在有限时间内显著提高了预检测率、降低了虚警率。 2.针对SAR数据量受限、训练集较小会导致深度网络过拟合的问题，本文提出了四种适用于SAR图像的数据扩充方法，即:平移、斑点加噪、对比度增强和小角度旋转。以上方法将原始训练集扩大了16倍，不仅降低了过拟合的影响，同时增加了样本多样性，从而为卷积神经网络的训练提供了充分的数据支撑。 3.针对传统方法特征单一、虚警过多和机器学习方法设计特征复杂、泛化性能较差的劣势，本文将深度学习方法应用于SAR飞机目标检测领域。经过网络设计和参数调优，本文提出了含四个权重层的卷积神经网络，对输入图像切片进行自动特征提取，此后通过对候选切片的二分类实现飞机目标的精确检测。