超高分辨率的SAR图像车辆目标检测

发布时间：2020-07-26 19:25

【摘要】：合成孔径雷达(SAR)是一种全天候、主动、相干成像的高分辨率雷达。SAR被广泛的使用在海洋研究、地质勘探、国防等领域。SAR图像主要应用在分类、目标识别、分割和目标检测任务中。其中,SAR图像目标检测是非常重要的一类应用,它在目标打击等任务中发挥着巨大的作用。经过多年的发展,诞生了许多SAR图像目标检测方法。但随着SAR图像分辨率不断的上升,传统的SAR图像目标检测方法已经变得不适用。这主要是由三个原因引起的。其一,常规SAR图像中的目标是几个灰度值较大的像素点,而超高分辨率SAR图像的目标是一片具有分布特征的区域。其二,由于SAR系统的成像角度等问题,超高分辨率SAR图像中的目标通常是不完整的。其三,随着SAR技术的进步,SAR图像的特征维度越来越高,数据量越来越大,传统方法提取特征的计算量是非常庞大的。针对上面提到的问题,本文提出了相应的解决办法:第一,本文提出采用分类的方法来完成超高分辨率的SAR图像车辆目标检测任务。该方法中,将建筑物、树木、草地、公路等非目标区域看成一个类别,将车辆目标看作另一个类别,把目标检测任务当作一个二分类的问题,对超高分辨率SAR图像进行车辆目标检测。第二,本文提出了一种利用车辆目标阴影区域补偿车辆目标的方法,并采用该方法构建了一个补偿过的数据集。在本文中,将临近车辆目标的一半阴影区域补偿给车辆目标,以使检测到的目标更加完整。第三,本文提出了一种变结构卷积神经网络对SAR图像进行车辆目标检测。该网络的输入层输入三种类型的图像,即原图像、原图像的梯度幅度图像和原图像的滤波图像。网络的第二层至第七层是三组连续的单个卷积层与单个池化层的组合。网络的第八层和第九层是两个卷积层。此外,在该网络的每一个卷积层中,特征图像进行卷积操作之后,又经过了批规范化处理。三张输入图像使得网络可学习的数据增多。该网络还用多个卷积层代替了多层感知机,减少了网络需要学习的参数,使网络过拟合的可能性降低。实验显示,本文提出的超高分辨率SAR图像车辆目标检测方法的检测性能较好。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52
【图文】：

目标检测,SAR图像,车辆目标

它还包括一种非检测目标的物体，即树木。图2.2（d）是 SAR 图像 c2 基于高斯分布的 OS-CFAR 方法的检测结果。可以看出：它将两个车辆目标的高亮的一部分检测了出来，但是检测出来的两个车辆目标都不完整，仅仅被检测出了一部分；这张超高分辨率 SAR 图像中的树木被错误的检测成了目标，还有地表中的条带状的像素值大一些的地表，也被检测成了目标。图 2.2（e）是一个较复杂的超高分辨率 SAR 图像 c3，它的大小为273 371像素。这张 SAR 图像的地表有两种类型，即比较大噪声并且像素灰度值较高的区域和像素灰度值比较小的区域。其中，像素灰度值比较小的区域是雷达扫射树木所产生的阴影区域。这张图像的车辆目标有三个，两个车辆显示完全，一个车辆被树木的阴影遮挡，只显示出了一小部分。图 2.2（f）是 SAR 图像 c3 基于高斯分布的 OS-CFAR 方法的检测结果。可以看出：CFAR 检测方法仅仅将车辆目标的高亮部分检测了出来，并且由于原图中的车辆目标的高亮的区域较少，检测到的车辆目标是非常分散的，辨别不出车辆的轮廓等特征，检测效果非常差；此外，属于背景的一些区域被错误的检测成了车辆目标，这样的区域有四处。图 2.2（g）是一个比较复杂的超高分辨率 SAR 图像 c4，它的大小为339 492像素。这张 SAR 图像的地表有四种类型，即噪声较小的、背景杂波分布比较均匀且像

结构示意图,自编码,提模,结构集

Neural Network，RNN）、深层感知器、长短时记忆卷积神经网络[50-52]等。此外，即使深层玻尔兹曼络、受限玻尔兹曼机和自编码器被归到了生成模含着判别的过程，因此在一定的条件下，这些模用它们做数据的识别和分类工作。经网络的结构集为 x i ， y i ，并且由于神经网络方法可以提模型 W ,bh x ，该假设模型的参数有两个，即W，训练样本集中的数据进行拟合。可以构成最简单的神经网络。单个神经元的结构

神经网络,结构示意图,输出结果,神经

图 3.2 神经网络的结构示意图每一个小圆圈都代表着一个神经元（偏置节点除外）为网络的数据输入层，3L 层为输出结果层。在1L 层层，因为在训练的过程中2L 层的所有节点的值都不3.2 的神经网络有 3 个输入单元1x ，2x ，3x ，1 个偏置出单元。经网络总的层数，且 3ln ，并把神经网络的第l层 1 1 2 2W , b W , b , W ,b，并且有 1 3 3W R ， 2 W l 1层第i个神经单元之间的联结参数用 l ijW 来表示，项采用 l ib 来表示，第l层第i个神经单元的输出结果入层时，第i个神经单元的输出结果 1 i ia x。络的参数已经被给定，那么该神经网络的输出结果计算。由于输入层的输出为输入数值本身，就可以直进行计算，则有：

【相似文献】