论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）能够全天时、全天候成像,具有连续观测的能力,在军事和民用领域得到了广泛的应用。随着SAR及其成像技术的发展和成熟,SAR图像的分辨率越来越高,收集到的SAR图像数量日渐增多,对SAR自动目标识别（Automatic Target Recognition,ATR）提出了迫切的需求。典型的SAR ATR系统包括目标检测、目标鉴别、目标识别三个阶段。其中,目标检测旨在从大场景SAR图像中找到目标并提取目标切片,目标识别旨在对目标切片进行类别、型号的划分判定。对这两个阶段的研究具有重要的意义和价值,获得了国内外研究学者的广泛关注。不论是目标检测还是目标识别中,有效的目标特性表征都是极其重要的关键因素。然而传统的SAR目标检测和目标识别方法往往只采用单一的特征对目标特性进行描述,难以实现完整、充分的目标特性表征,一定程度上限制了目标检测与目标识别的性能。本文结合特征融合的思想,挖掘并融合互补的特征对目标进行完整、充分的表征和描述,对SAR目标检测与目标识别的相关理论和技术问题进行分析和研究。主要内容可以概括为以下四个方面:1.为避免杂波统计建模同时充分利用杂波信息,研究将基于稀疏重构的显著性检测方法引入SAR目标检测任务,结合特征融合,提出基于双域稀疏重构显著性融合的SAR目标检测方法。传统基于稀疏重构的显著性检测方法虽然能在充分利用杂波信息的同时避免杂波统计建模,但仅使用单一的幅度特征,易受相干斑噪声影响,对SAR目标的表征能力弱。因此,所提方法在图像域提取像素级幅度特征,在结构域提取超像素级结构特征,两个不同域的特征分别从不同角度描述目标且具有一定互补性,将上述特征进行特征融合,实现更加完整、充分的目标特性表征,获得更加稳健准确的能够突出目标抑制杂波的显著图,从而提升复杂场景下SAR目标检测的性能。基于mini SAR实测数据的实验结果表明,所提方法具有比传统SAR目标检测方法和其他显著性检测方法更好的目标检测性能。2.为避免杂波统计建模同时借助于卷积神经网络的表征能力提升复杂场景的目标检测性能,研究将基于卷积神经网络的单步多框检测器（Single Shot multibox Detector,SSD）引入SAR目标检测任务,结合特征融合,提出基于显著性引导的特征融合SAR目标检测网络。SSD虽然借助于卷积神经网络具有强大的表征能力且能避免杂波统计建模,但其在对场景数据进行特征提取时采取无差别处理,并且在单一尺度上只利用了当前尺度的特征进行目标检测,限制了目标表征能力。因此,所提方法一方面在SSD中引入了显著性特征,将显著性特征与网络特征整合,利用显著性特征凸显目标、抑制杂波的特性,增强目标与杂波的区分性。另一方面,在SSD中采用密集连接结构,自下而上的融合相邻尺度的特征信息,挖掘相邻尺度特征之间的相关互补优势,增强目标特征的表征能力,从而提升复杂场景下SAR目标检测的性能。基于mini SAR实测数据的实验结果表明,所提方法比传统的SAR目标检测方法和其他基于深度学习的目标检测方法具有更好的目标检测性能。3.虽然在SSD中引入密集连接实现的自下而上的特征融合确对目标检测性能提升有裨益,但其性能提升仍受限于特征融合时单向的信息传递。因此,改进不同尺度特征间的融合方式,提出结合矩形不变可旋转卷积的跨尺度特征融合SAR目标检测网络。所提方法在SSD中引入跨尺度特征融合模块,自下而上且自上而下的双向传递不同尺度特征的信息,实现跨尺度特征间相关互补信息的融合,进一步增强目标特征的表征能力,提高目标检测的性能。与此同时,考虑到在SSD中常规卷积层采样点固定的内在机制限制了网络对目标几何形变的适应能力,所提方法在常规卷积的基础上,结合SAR图像中车辆目标的矩形形状先验信息,提出矩形不变可旋转卷积,使得采样点能够根据目标自适应地调整。将矩形不变可旋转卷积引入SSD,增强网络对SAR目标的表征能力和对几何变换的建模能力。基于mini SAR实测数据的实验结果表明,所提方法比传统的SAR目标检测方法和其他基于深度学习的目标检测方法具有更好的性能。4.针对传统SAR目标识别方法往往仅采用单一的浅层特征对目标进行表征的问题,研究结合特征融合和深层特征挖掘的模型,提出基于深度森林的多级特征融合SAR目标识别方法。所提方法对目标提取从不同角度描述目标且具有一定互补性的幅度特征和结构特征;基于幅度特征和结构特征,进一步提取能够从局部到全局描述目标的多级幅度特征和多级结构特征,对目标进行更加完整、充分的目标特性表征。结合深度森林模型,通过堆叠的多层森林对多级幅度特征和多级结构特征进行融合,同时通过逐层的非线性映射对特征挖掘其深层信息,增强目标表征能力,提升SAR目标识别性能。基于MSTAR实测数据的实验结果表明,所提方法相比于传统的SAR目标识别方法和其他基于深度模型的SAR目标识别方法具有更高的识别正确率。