论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,简称SAR)目标检测技术是综合信号处理、雷达成像、图像处理以及人工智能等多学科的交叉学科,在军事与民事领域都有着广泛地应用。由于SAR图像的复杂性、多样性与易变性,使得SAR图像目标检测技术在实际环境下的应用还处于一个不成熟阶段。因此,SAR图像目标检测一直是个富有挑战性的研究课题。本论文首先简明概述了SAR目标检测技术的研究背景以及国内外发展趋势,并介绍了论文的主要工作与内容安排。论文的主体部分着重介绍了SAR目标检测的传统方法以及近年来最新有关深度网络的目标检测研究成果,并在此基础上做了针对复杂场景下的SAR图像目标检测研究。本论文的主要内容有:1、本文研究了基于恒虚警率(Constant False Alarm Rate,简称CFAR)的SAR图像目标检测方法。首先从SAR目标检测问题的描述入手,结合概率学理论对SAR目标检测假设进行数学建模,然后通过最大似然估计方法求解四种基本的CFAR检测模型的参数,最后通过实验分析了四种基本CFAR检测器各自的适应场景及优缺点。2、本文研究了基于深度学习的SAR图像目标检测方法。结合近年来国际上有关深度学习目标检测的最新研究成果,本论文提出了基于YOLO(You Only Look Once)的SAR图像目标检测方法和基于Faster-RCNN(Faster Region Convolution Neural Network)的SAR图像目标检测方法。相比于传统的CFAR目标检测方法,基于深度学习的SAR图像目标检测方法不仅能够实现端到端的目标检测,而且其检测性能更稳定。本文提出的基于GLOB-YOLO(Global YOLO)的SAR图像目标检测方法在小场景SAR图像中能基本上实现实时处理。3、本文针对训练数据过少的问题,提出了一种在线训练学习的SAR图像目标检测思路,使用线上的新数据不断更新本论文提出的基于深度学习的SAR目标检测网络模型,使得将训练数据过少的问题转换成一个线上自检测自更新的闭环训练过程。最后运用Qt Creator集成开发环境实现了在线SAR图像目标检测闭环软件系统,为后续的研究工作带来了极大的方便。