【摘要】：合成孔徑雷達(SAR)是一種全天候、主動、相干成像的高分辨率雷達。SAR被廣泛的使用在海洋研究、地質(zhì)勘探、國防等領(lǐng)域。SAR圖像主要應(yīng)用在分類、目標識別、分割和目標檢測任務(wù)中。其中,SAR圖像目標檢測是非常重要的一類應(yīng)用,它在目標打擊等任務(wù)中發(fā)揮著巨大的作用。經(jīng)過多年的發(fā)展,誕生了許多SAR圖像目標檢測方法。但隨著SAR圖像分辨率不斷的上升,傳統(tǒng)的SAR圖像目標檢測方法已經(jīng)變得不適用。這主要是由三個原因引起的。其一,常規(guī)SAR圖像中的目標是幾個灰度值較大的像素點,而超高分辨率SAR圖像的目標是一片具有分布特征的區(qū)域。其二,由于SAR系統(tǒng)的成像角度等問題,超高分辨率SAR圖像中的目標通常是不完整的。其三,隨著SAR技術(shù)的進步,SAR圖像的特征維度越來越高,數(shù)據(jù)量越來越大,傳統(tǒng)方法提取特征的計算量是非常龐大的。針對上面提到的問題,本文提出了相應(yīng)的解決辦法:第一,本文提出采用分類的方法來完成超高分辨率的SAR圖像車輛目標檢測任務(wù)。該方法中,將建筑物、樹木、草地、公路等非目標區(qū)域看成一個類別,將車輛目標看作另一個類別,把目標檢測任務(wù)當作一個二分類的問題,對超高分辨率SAR圖像進行車輛目標檢測。第二,本文提出了一種利用車輛目標陰影區(qū)域補償車輛目標的方法,并采用該方法構(gòu)建了一個補償過的數(shù)據(jù)集。在本文中,將臨近車輛目標的一半陰影區(qū)域補償給車輛目標,以使檢測到的目標更加完整。第三,本文提出了一種變結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)對SAR圖像進行車輛目標檢測。該網(wǎng)絡(luò)的輸入層輸入三種類型的圖像,即原圖像、原圖像的梯度幅度圖像和原圖像的濾波圖像。網(wǎng)絡(luò)的第二層至第七層是三組連續(xù)的單個卷積層與單個池化層的組合。網(wǎng)絡(luò)的第八層和第九層是兩個卷積層。此外,在該網(wǎng)絡(luò)的每一個卷積層中,特征圖像進行卷積操作之后,又經(jīng)過了批規(guī)范化處理。三張輸入圖像使得網(wǎng)絡(luò)可學(xué)習的數(shù)據(jù)增多。該網(wǎng)絡(luò)還用多個卷積層代替了多層感知機,減少了網(wǎng)絡(luò)需要學(xué)習的參數(shù),使網(wǎng)絡(luò)過擬合的可能性降低。實驗顯示,本文提出的超高分辨率SAR圖像車輛目標檢測方法的檢測性能較好。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN957.52
【圖文】：

它還包括一種非檢測目標的物體，即樹木。圖2.2（d）是 SAR 圖像 c2 基于高斯分布的 OS-CFAR 方法的檢測結(jié)果�？梢钥闯觯核鼘蓚�車輛目標的高亮的一部分檢測了出來，但是檢測出來的兩個車輛目標都不完整，僅僅被檢測出了一部分；這張超高分辨率 SAR 圖像中的樹木被錯誤的檢測成了目標，還有地表中的條帶狀的像素值大一些的地表，也被檢測成了目標。圖 2.2（e）是一個較復(fù)雜的超高分辨率 SAR 圖像 c3，它的大小為273 371像素。這張 SAR 圖像的地表有兩種類型，即比較大噪聲并且像素灰度值較高的區(qū)域和像素灰度值比較小的區(qū)域。其中，像素灰度值比較小的區(qū)域是雷達掃射樹木所產(chǎn)生的陰影區(qū)域。這張圖像的車輛目標有三個，兩個車輛顯示完全，一個車輛被樹木的陰影遮擋，只顯示出了一小部分。圖 2.2（f）是 SAR 圖像 c3 基于高斯分布的 OS-CFAR 方法的檢測結(jié)果�？梢钥闯觯篊FAR 檢測方法僅僅將車輛目標的高亮部分檢測了出來，并且由于原圖中的車輛目標的高亮的區(qū)域較少，檢測到的車輛目標是非常分散的，辨別不出車輛的輪廓等特征，檢測效果非常差；此外，屬于背景的一些區(qū)域被錯誤的檢測成了車輛目標，這樣的區(qū)域有四處。圖 2.2（g）是一個比較復(fù)雜的超高分辨率 SAR 圖像 c4，它的大小為339 492像素。這張 SAR 圖像的地表有四種類型，即噪聲較小的、背景雜波分布比較均勻且像

Neural Network，RNN）、深層感知器、長短時記憶卷積神經(jīng)網(wǎng)絡(luò)[50-52]等。此外，即使深層玻爾茲曼絡(luò)、受限玻爾茲曼機和自編碼器被歸到了生成模含著判別的過程，因此在一定的條件下，這些模用它們做數(shù)據(jù)的識別和分類工作。經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)集為 x i ， y i ，并且由于神經(jīng)網(wǎng)絡(luò)方法可以提模型 W ,bh x ，該假設(shè)模型的參數(shù)有兩個，即W， 訓(xùn)練樣本集中的數(shù)據(jù)進行擬合�？梢詷�(gòu)成最簡單的神經(jīng)網(wǎng)絡(luò)。單個神經(jīng)元的結(jié)構(gòu)

圖 3.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖每一個小圓圈都代表著一個神經(jīng)元（偏置節(jié)點除外）為網(wǎng)絡(luò)的數(shù)據(jù)輸入層，3L 層為輸出結(jié)果層。在1L 層層，因為在訓(xùn)練的過程中2L 層的所有節(jié)點的值都不3.2 的神經(jīng)網(wǎng)絡(luò)有 3 個輸入單元1x ，2x ，3x ，1 個偏置出單元。經(jīng)網(wǎng)絡(luò)總的層數(shù)，且 3ln ，并把神經(jīng)網(wǎng)絡(luò)的第l層 1 1 2 2W , b W , b , W ,b，并且有 1 3 3W R ， 2 W l 1層第i個神經(jīng)單元之間的聯(lián)結(jié)參數(shù)用 l ijW 來表示，項采用 l ib 來表示，第l層第i個神經(jīng)單元的輸出結(jié)果入層時，第i個神經(jīng)單元的輸出結(jié)果 1 i ia x。絡(luò)的參數(shù)已經(jīng)被給定，那么該神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果計算。由于輸入層的輸出為輸入數(shù)值本身，就可以直進行計算，則有：

【相似文獻】

相關(guān)期刊論文 前10條

1 李昭慧;張建奇;劉德連;;非合作區(qū)域星載遙感圖像的車輛目標檢測[J];光電子·激光;2015年09期

2 閆小偉;鄧甲昊;孫志慧;;基于激光三維成像數(shù)據(jù)的車輛目標方位估計[J];科技導(dǎo)報;2009年08期

3 高浩軍;杜宇人;;基于背景重建的序列圖像車輛目標檢測方法[J];揚州大學(xué)學(xué)報(自然科學(xué)版);2007年01期

4 谷正氣;李健;張勇;夏威;羅倫;;一種高分辨率可見光遙感影像中車輛目標檢測方法[J];測繪通報;2015年01期

5 李昭慧;張建奇;;城市街區(qū)星載光學(xué)遙感圖像車輛目標自動檢測方法[J];紅外與激光工程;2014年11期

6 杜鍇;方向;張勝;王懷璽;黃俊逸;;基于更新提升形態(tài)小波變換的車輛目標震動信號特征提取[J];振動與沖擊;2018年16期

7 蘇致遠;徐友春;李永樂;;基于三維激光雷達的車輛目標檢測方法[J];軍事交通學(xué)院學(xué)報;2017年01期

8 陸德彪;郭子明;蔡伯根;姜維;王劍;上官偉;;基于深度數(shù)據(jù)的車輛目標檢測與跟蹤方法[J];交通運輸系統(tǒng)工程與信息;2018年03期

9 袁功霖;尹奎英;李綺雪;;基于遷移學(xué)習的航拍圖像車輛目標檢測方法研究[J];電子測量技術(shù);2018年22期

10 王金玉;楊圓圓;;基于遺傳算法的紅外車輛目標模糊增強[J];科學(xué)技術(shù)與工程;2009年10期

相關(guān)會議論文 前3條

1 朱維;靳平;陶良小;唐云凱;;車輛目標地面振動信號的識別技術(shù)研究[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

2 李國令;高飛;;SAR圖像特定目標檢測的推薦方法[A];第十二屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2018年

3 黃丹;蔡可;;基于視頻的違章車輛自動識別技術(shù)研究[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通技術(shù)[C];2012年

相關(guān)重要報紙文章 前1條

1 記者 宋茜;江西推廣新能源汽車超5800輛[N];江西日報;2016年

相關(guān)博士學(xué)位論文 前1條

1 李彥兵;基于微多普勒效應(yīng)的運動車輛目標分類研究[D];西安電子科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 馮飛;視覺注意與深度學(xué)習相結(jié)合的車輛目標檢測[D];西安工業(yè)大學(xué);2018年

2 張向清;高速公路場景下基于深度學(xué)習的車輛目標檢測與應(yīng)用研究[D];長安大學(xué);2018年

3 妥杏娃;超高分辨率的SAR圖像車輛目標檢測[D];西安電子科技大學(xué);2018年

4 柳絮;海量圖像背景下的特定車輛目標檢測[D];北京交通大學(xué);2017年

5 何勇;基于微運動特征的車輛目標分類研究[D];武漢理工大學(xué);2015年

6 黃宇;車輛目標類型識別算法研究與實現(xiàn)[D];電子科技大學(xué);2006年

7 范凱波;基于幾何特征的車輛目標分類研究[D];天津理工大學(xué);2012年

8 高浩軍;視頻圖像序列中車輛目標的檢測與識別研究[D];揚州大學(xué);2007年

9 張曉利;衛(wèi)星影像中城市道路區(qū)域車輛目標提取方法研究[D];北京交通大學(xué);2015年

10 潘秦華;車輛目標檢測與交通流量檢測系統(tǒng)的研究[D];西安電子科技大學(xué);2005年

本文編號：2771187