收稿日期：2018-08-26修回日期：2018-11-13基金项目：国家自然科学基金资助项目（51307183）作者简介：林志龙（1994-），男，河南焦作人，研究生。研究方向：SAR图像目标检测。通信作者：王长龙（1965-），男，河北南皮人，博导，教授。研究方向：信号与信息处理。
*摘要：针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题，对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究，并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度，分析优缺点；研究了预训练模型对SAR图像目标检测精度的影响；最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架，实现了SAR图像多目标识别并提高了检测精度，可以有效地应用于SAR图像多目标检测。关键词：合成孔径雷达，目标检测，深度学习，Faster-RCNN，SSD中图分类号：TN957.51文献标识码：ADOI：10.3969/j.issn.1002-0640.2019.10.026引用格式：林志龙，王长龙，胡永江.基于深度学习的SAR图像目标检测实验［J］.火力与指挥控制，2019，44（10）：131-135.基于深度学习的SAR图像目标检测实验*
林志龙，王长龙*，胡永江
（陆军工程大学无人机工程系，石家庄050003）
ExperimentalResearchonSARImagesTargetDetection
BasedonDeepLearning
LINZhi-long，WANGChang-long*，HUYong-jiang
（DepartmentofUnmannedAerialVehicle，ArmyEngineeringUniversity，Shijiazhuang050003，China）
Abstract：AimingattheproblemthatthetargetdetectionalgorithmofSyntheticApertureRadar
班级 020651
学号02065008
本科毕业设计（论文）
外文资料翻译
毕业设计题目 文档位图的印刷体数字智能检测与识别
外文资料题目An Adaptive and Fast CFAR Algorithm Based on
Automatic Censoring for Target Detection in
High-Resolution SAR Images
学 院 电子工程学院
专 业 智能科学与技术
学 生 姓 名 张若愚
指导教师姓名 钟 桦
1
一种基于自动删除的快速自适应恒虚警检测算法用于高分辨SAR图像目标检测
摘要——一种以高分辨率合成孔径雷达探测（SAR）图像为目标的抽象的，快速的，基于自动设限（AC）的自适应恒虚警检测率（CFAR）算法。首先，选择具有自适应性能的全局阈值以获取检测图像中的每一个像素是否为目标像素的指数矩阵。其次，通过使用这个指数矩阵，噪声环境的自适应确定可以事先筛选检测中使用的滑动窗口中的噪声像素。在本文中，可模拟多视角，具有广泛均匀度的SAR图像的G0分布的被当做噪声的统计模型。随着AC的引入，该算法取得了在线性区域较好的CFAR检测性能，尤其是在噪声边缘和多目标的情况中。与此同时，相应的快速算法大大降低了计算量，最终，目标聚类得以获得更准确的目标区域。根据对典型SAR图像的性能分析和实验结果的考察，该算法被证明具有良好的性能和很强的实用性。
龙源期刊网
基于极化SAR图像的目标特性研究
作者：郝万兵 张军 张昕
来源：《科技创新与应用》2015年第15期
摘 要：利用公开的全极化SAR数据，研究基于SAR图像的检测、目标特性的研究。首先根据四个线极化通道合成的伪彩色图像，对场景进行初步认知。利用圆极化基和线极化基的转换公式，将线极化SAR数据转换为圆极化基下的极化散射矩阵，完成对人造目标和自然目标互易性的判断。对目标四个线极化通道一维距离像的信噪比分析，验证了不同极化基下交叉极化分量与同极化分量的信噪比强度。
关键词：全极化SAR数据；伪彩色图像；极化散射矩阵；互易性
引言
当电磁波照射到雷达目标时，散射波的极化方式通常不同于入射波的极化方式，也就是说目标存在去极化效应。美国学者G.Sinclair最早明确指出了这一现象，并用“Sinclair极化散射矩阵”[1]加以表示，这是雷达极化学研究的开端。早期的极化目标特性的研究主要是针对极化散射矩阵元素进行的。
随着宽带微波技术、数字技术、高速信号处理技术的发展，高分辨率成像体制雷达得到了极大的推动和发展。以高分辨率雷达体制为背景，将全极化测量与高分辨技术相结合，通过一维或二维成像来分析目标的空间-极化散射结构，进而抽取目标的空间结构特征进行分类识别，已逐渐成为当前目标识别技术领域公认的极具潜力的技术途径。Morgan、Kennaugh和Boerner等都强调了高分辨背景下目标极化特性研究。Cameron、Huynen、Krogager等人相继提出了基于极化散射矩阵分解的目标识别方法，即将目标分解为若干个子散射体叠加的形式，每一个子散射体对应着确定的物理散射机制。
1 基于极化分解的目标识别算法
相干分解是基于极化散射矩阵S的分解方法，其主要思想是将任意的S矩阵分解成若干散射矩阵的和的形式，每一个矩阵对应着某种确定的散射机制，即：
SAR图像自动目标提取方法研究
合成孔径雷达(Synthetic Aperture Radar,SAR),由于具有全天时、全天候的工作特点,成为目前一种不可或缺的遥感观测手段,在军事和民用领域得到了广泛的发展。SAR图像自动目标提取是其应用的重要方向之一,该技术的研究近年来受到国内外学者的广泛关注。
本论文以发展实用化的SAR图像自动目标提取技术为目的,结合自动目标提取相关理论和应用背景,针对其中的复杂场景SAR图像目标检测、复杂场景SAR图像目标鉴别和面向鉴别特征提取的目标切片图像分割问题,展开系统的分析和研究,具体内容如下:第一部分,研究了多目标和杂波边界等复杂场景SAR图像中的目标检测问题。对于复杂场景中的目标检测问题,背景参考窗内均匀同质杂波像素的筛选是问题解决的关键,通常采用像素筛选或半窗筛选的策略实现。
通过比较传统像素筛选类和半窗筛选类检测算法的各自优势,在背景杂波服从G~0分布模型假设下,提出了一种基于自动区域筛选的恒虚警率(Constant
False Alarm Rate,CFAR)目标检测算法。该算法首先将局部参考窗均匀划分成若干个区域块;然后利用变化指数统计量对局部参考窗内的参考区域进行筛选,以剔除其中具有异质像素干扰的非均匀区域;接着利用均值比统计量对参考窗内的同质均匀区域进行合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选获得的均匀同质区域内的杂波像素对背景杂波的统计模型进行参数估计,进而实现待检测区域内像素的目标检测。
第二部分,从图像超像素分割角度出发,进一步研究了复杂场景SAR图像中的目标检测问题。随着SAR图像分辨率的逐渐提高,目标在图像上的形状结构越来越清晰。 图像超像素分割通过将图像邻域内具有相似特征的像素进行聚类,从而能够实现这种形状结构在图像上的有效提取。此外,以超像素代替像素作为图像的最小处理单元,不仅能够提高后续检测方法的计算效率,还能够提高其最终的检测性能。
