复杂环境大场景SAR图像飞机目标快速检测

发布时间：2021-04-13 08:26

　　随着人工智能与合成孔径雷达（synthetic aperture radar, SAR）技术的发展,基于卷积神经网络（convolutional neural network, CNN）的SAR图像自动目标识别技术取得了一定的突破.然而,由于飞机自身结构以及SAR成像机制的复杂性,在复杂环境大场景SAR图像中对飞机目标进行快速准确的检测依然存在挑战.为提升算法的检测能力,本文对现有检测算法的处理流程进行了分析与总结,并提出了一种复杂环境大场景SAR图像飞机目标快速检测算法.算法优化了整体检测流程,设计了基于灰度特征的机场区域精细化提取和基于CNN的飞机目标粗检测两大子模块,并采用了YOLOv3网络对机场区域以及飞机目标分别进行初步的提取与检测.实验结果表明,本文算法对复杂环境大场景SAR图像中的飞机目标具有高效的检测能力. 

【文章来源】：电波科学学报. 2020,35(04)北大核心CSCD

【文章页数】：9 页

【部分图文】：

大场景SAR图像检测算法P-R曲线图

图12(a)、(b)分别展示了两组大场景SAR图像的测试结果.在飞机目标粗检测模块分别采用了Faster R-CNN、SSD300以及YOLOv3算法,其他模块保持不变.可以看出,Faster R-CNN和SSD300的检测结果较YOLOv3的检测结果中虚警更多.此外,在图12(a)组红色框与图12(b)组黄色框的检测结果放大图中,由于飞机散射强度较弱,三种算法的检测结果中均有飞机被漏检,且Faster R-CNN与SSD300对飞机目标的位置预测存在较大偏差,而YOLOv3对飞机目标的检测较为准确.这可能是由于YOLOv3构建了更加精细化的特征金字塔以及多尺度的预测分支,从而强化了算法对目标的判别与定位能力.4.3.3 机场提取模块探究

此外,不同算法检测结果的P-R曲线如图13所示.可以看出,随着召回率的提升,Faster R-CNN与SSD300的准确率出现了较大的下降,而YOLOv3的检测率下降幅度相对更小,进一步证明了其对飞机目标以及地面干扰具有较好的表示与判别能力.综上,机场区域提取模块对大场景SAR图像飞机目标检测至关重要,可有效缩小飞机目标检测算法的搜索范围,滤除大量地面干扰,提升算法的检测效率和准确率.

【参考文献】：
期刊论文
[1]基于残差谱显著性区域提取的极化SAR船只检测[J]. 刘根旺,张杰,张晰,孟俊敏.  电波科学学报. 2019(06)
[2]星载合成孔径雷达图像的飞机目标检测[J]. 郭倩,王海鹏,徐丰.  上海航天. 2018(06)
[3]基于卷积神经网络的高分辨率SAR图像飞机目标检测方法[J]. 王思雨,高鑫,孙皓,郑歆慰,孙显.  雷达学报. 2017(02)
[4]基于可变参数化几何模型的SAR图像飞机目标特征提取方法[J]. 陈玉洁,赵凌君,匡纲要.  现代雷达. 2016(10)
[5]基于坐标变换的合成孔径雷达高精度成像算法[J]. 邢涛,胡庆荣,李军,王冠勇.  电波科学学报. 2016(02)



本文编号：3134962