隨著人工智能與合成孔徑雷達(dá)（synthetic aperture radar, SAR）技術(shù)的發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）的SAR圖像自動目標(biāo)識別技術(shù)取得了一定的突破.然而,由于飛機自身結(jié)構(gòu)以及SAR成像機制的復(fù)雜性,在復(fù)雜環(huán)境大場景SAR圖像中對飛機目標(biāo)進(jìn)行快速準(zhǔn)確的檢測依然存在挑戰(zhàn).為提升算法的檢測能力,本文對現(xiàn)有檢測算法的處理流程進(jìn)行了分析與總結(jié),并提出了一種復(fù)雜環(huán)境大場景SAR圖像飛機目標(biāo)快速檢測算法.算法優(yōu)化了整體檢測流程,設(shè)計了基于灰度特征的機場區(qū)域精細(xì)化提取和基于CNN的飛機目標(biāo)粗檢測兩大子模塊,并采用了YOLOv3網(wǎng)絡(luò)對機場區(qū)域以及飛機目標(biāo)分別進(jìn)行初步的提取與檢測.實驗結(jié)果表明,本文算法對復(fù)雜環(huán)境大場景SAR圖像中的飛機目標(biāo)具有高效的檢測能力. 

【文章來源】：電波科學(xué)學(xué)報. 2020,35(04)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

大場景SAR圖像檢測算法P-R曲線圖

圖12(a)、(b)分別展示了兩組大場景SAR圖像的測試結(jié)果.在飛機目標(biāo)粗檢測模塊分別采用了Faster R-CNN、SSD300以及YOLOv3算法,其他模塊保持不變.可以看出,Faster R-CNN和SSD300的檢測結(jié)果較YOLOv3的檢測結(jié)果中虛警更多.此外,在圖12(a)組紅色框與圖12(b)組黃色框的檢測結(jié)果放大圖中,由于飛機散射強度較弱,三種算法的檢測結(jié)果中均有飛機被漏檢,且Faster R-CNN與SSD300對飛機目標(biāo)的位置預(yù)測存在較大偏差,而YOLOv3對飛機目標(biāo)的檢測較為準(zhǔn)確.這可能是由于YOLOv3構(gòu)建了更加精細(xì)化的特征金字塔以及多尺度的預(yù)測分支,從而強化了算法對目標(biāo)的判別與定位能力.4.3.3 機場提取模塊探究

此外,不同算法檢測結(jié)果的P-R曲線如圖13所示.可以看出,隨著召回率的提升,Faster R-CNN與SSD300的準(zhǔn)確率出現(xiàn)了較大的下降,而YOLOv3的檢測率下降幅度相對更小,進(jìn)一步證明了其對飛機目標(biāo)以及地面干擾具有較好的表示與判別能力.綜上,機場區(qū)域提取模塊對大場景SAR圖像飛機目標(biāo)檢測至關(guān)重要,可有效縮小飛機目標(biāo)檢測算法的搜索范圍,濾除大量地面干擾,提升算法的檢測效率和準(zhǔn)確率.

【參考文獻(xiàn)】：
期刊論文
[1]基于殘差譜顯著性區(qū)域提取的極化SAR船只檢測[J]. 劉根旺,張杰,張晰,孟俊敏.  電波科學(xué)學(xué)報. 2019(06)
[2]星載合成孔徑雷達(dá)圖像的飛機目標(biāo)檢測[J]. 郭倩,王海鵬,徐豐.  上海航天. 2018(06)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率SAR圖像飛機目標(biāo)檢測方法[J]. 王思雨,高鑫,孫皓,鄭歆慰,孫顯.  雷達(dá)學(xué)報. 2017(02)
[4]基于可變參數(shù)化幾何模型的SAR圖像飛機目標(biāo)特征提取方法[J]. 陳玉潔,趙凌君,匡綱要.  現(xiàn)代雷達(dá). 2016(10)
[5]基于坐標(biāo)變換的合成孔徑雷達(dá)高精度成像算法[J]. 邢濤,胡慶榮,李軍,王冠勇.  電波科學(xué)學(xué)報. 2016(02)



本文編號：3134962