复杂场景下SAR图像人造目标检测方法研究
合成孔径雷达(SAR)由于其高分辨率以及全天时、全天候特点，拥有很高的军用和民用价值。舰船目标与建筑物目标分别作为典型的海上机动目标与陆地固定大范围目标，其检测方法的研究一直受到学者广泛关注。 恒虚警率(CFAR)检测算法作为SAR图像经典目标检测算法，无需大量训练样本，对近岸等特定复杂场景下的舰船检测具有重要意义。然而在高分辨率SAR图像中，经典CFAR检测性能容易受到相干斑噪声影响，基于滑窗的检测结果对滑窗的尺寸选择非常敏感，难以保证杂波背景中不存在目标像素，并且计算效率较低。陆地区域建筑物目标散射信息的提取是对其检测的关键。深度学习具有强大的特征分析能力与较高的运行效率，成为当前SAR复杂大场景建筑物检测的热点方法。常规基于深度学习的建筑物检测方法对于SAR目标散射特性、电磁特征带来的优势分析较少，网络深层特征信息的融合与模型的泛化性能有待提升。 论文对复杂场景下SAR图像人造目标检测方法展开研究，针对近岸复杂场景下海上舰船目标，论文主要研究了结合SAR图像超像素信息的CFAR舰船检测方法。针对复杂大场景下陆地建筑物目标，论文主要研究了结合人工设计特征与深度特征的双极化SAR建筑物检测方法。主要研究内容如下: (1)论文设计了一种基于超像素的无窗快速CFAR舰船目标检测算法。首先，利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下，定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数，即使在多目标情况下，也可以克服传统CFAR滑动窗口的缺点。此外，基于SAR图像变异系数，提出了一种新的局部超像素对比度来优化CFAR检测，以此突出舰船目标与背景的区别，消除大量陆地区域虚警。对多幅SAR图像的实验结果表明，该方法具有稳健的舰船目标检测性能。 (2)论文设计了一种伪孪生密集卷积金字塔网络(PSDPNet)进行双极化SAR复杂大场景建筑物目标检测。将散射信息与人工设计特征分别作为双路网络的输入，独立提取不同层次的特征。针对建筑物区域多尺度的特性，在上采样阶段设计了一种特征金字塔模块，结合双路网络提取的特征进行多层级信息融合。针对正负样本分布不均衡问题，将FocalLoss作为模型训练时的损失函数，最终得到像素级双极化SAR建筑物检测结果。实验结果表明，论文方法具有高效的检测性能与良好的泛化性能。
合成孔径雷达;人造目标检测;恒虚警率;超像素
北京化工大学
硕士
计算机科学与技术
张帆
2023
中文
TP751
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）