论文部分内容阅读
合成孔径雷达(Synthetic aperture radar,SAR)因其具有全方位、全天时、全天候监测等独特的优势,已经成为了军事和民用领域一种重要的信息获取手段。随着SAR技术的日益发展,给SAR图像的解译工作带来了新挑战,而目标检测与识别技术作为SAR图像解译系统的关键技术之一,一直以来都是各国的研究热点。近年来,计算机的速度和性能的飞速提升使得大数据获取成为可能,进一步推动了深度学习地发展,特别是在目标检测、图像识别等领域取得了突破性成果。而传统的SAR图像目标检测与识别方法仅利用了图像的统计信息,缺乏对SAR目标特征的充分挖掘,导致该方法鲁棒性很差。因此本文针对传统SAR图像目标检测与识别方法存在的问题,利用深度学习优秀的特征表达能力,充分挖掘SAR图像目标的特征,以提高目标的检测识别性能,同时在一定程度上解决了海量SAR数据的解译问题。本文主要开展基于深度学习的SAR图像目标检测识别等相关研究,主要内容和创新点如下:(1)针对传统的卷积神经网络(convolutional neural network,CNN)结构忽略了SAR图像的重要的低层特征信息,导致目标的分类性能不高的问题,本文提出了一种基于多特征联合的SAR图像目标分类方法。该方法首先分析现有训练网络在SAR图像目标分类中存在的局限性;然后提出了一种联合低层纹理结构特征和目标高层语义信息的特征提取方法,并将联合后的特征输入到全连接层进行图像目标分类;另外,针对MSTAR数据集的样本数量不足容易导致过拟合的问题,设计了一种基于Markov随机场的数据增强方法,最后实测数据验证了所提出方法的有效性。(2)针对传统SAR图像目标检测识别算法流程为分层注意机制,导致检测识别过程繁琐、计算量较大的问题,本文提出了一种端到端的SAR图像目标检测与识别的方法。该方法首先利用区域生成网络(RPN)提取目标的候选区域,并利用本文提出的多特征联合的卷积神经网络对候选区域进行分类识别;然后与主流的ZFNet、VggNet以及ResNet等网络进行分类识别性能对比分析;另外,针对MSTAR数据集中SAR图像目标单一、场景简单,容易产生过拟合的问题,本文利用SSDD数据集实现了复杂场景下SAR多目标的检测与识别,最后实测数据验证了本文方法的有效性。