[发明专利]融合统计显著性的高分辨率SAR影像车辆目标检测方法

说明书

本发明提供一种融合统计显著性的高分辨率SAR影像车辆目标检测方法，包括读入高分辨率单极化SAR影像，根据车辆目标中车体区域和阴影区域的成像特性，利用有向均值差滤波器提取影像中具有显著统计特征的区域；原始SAR数据与统计特征显著性图融合，以用于采用深度神经网络框架对车辆目标进行检测，通过融合特征有利于目标检测模型将注意力放在具有显著统计特征的区域；训练目标检测模型，包括选择训练样本，以融合特征为输入，训练获得车辆目标检测的模型；所述目标检测模型是改进的YOLOv3模型，改进方式为在网络输入端提取原始SAR影像与有向均值差滤波结果，并进行特征融合；利用训练好的目标检测模型，在待检测的高分辨率单极化SAR影像中进行车辆目标检测。

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别技术领域，更进一步涉及融合统计显著性的高分辨率SAR影像车辆目标检测方法。

背景技术

SAR是一种微波成像雷达，通过主动发射、接收电磁波，能够实现全天时、全天候对地观测，为地物目标的解译提供了丰富的散射信息。SAR已发展有星载、机载、无人机载等多种系统平台，其成像性能也从中低分辨率向高分辨率发展，使得SAR具备了对舰船、坦克、车辆等众多目标(地面或海面的，固定或机动的目标)进行探测和识别的能力。SAR影像车辆目标(如汽车、卡车、坦克等)检测在军事领域具有重要的研究和应用价值，对陆上战术战略目标的探测与识别发挥重要作用。

传统SAR影像目标检测一般分为目标检测、鉴别和分类三个步骤。其中目标检测用于选出可能为目标的候选区域，目标鉴别进一步去除自然杂波虚警等非目标区域，目标分类最终确定目标类型。根据目标与杂波的散射特性不同所表现出的特征差异，传统SAR影像目标检测主要分为以下几类：(1)基于对比度的一类目标检测方法(2)基于图像其他特征的一类目标检测方法(3)基于复图像特征的一类目标检测方法。在中低分辨率的SAR影像中，车辆目标具有高亮的灰度值，与背景具有明显差异，因此基于对比度的一类目标检测方法，特别是恒虚警率检测(Constant False Alarm Rate，CFAR)算法是最为常用的一类方法。CFAR算法根据经典的统计检测理论，在给定的虚警概率条件下，首先根据目标所处周围背景杂波的统计特性自适应求取检测阈值，然后将待检测像素和自适应阈值进行比较，判断其是否为目标点；通过参考窗口的滑动，实现对所有像素的自适应检测。在高分辨率SAR图像中，由于感兴趣目标呈现分布式，因而为了去除目标像素对杂波模型参数估计的影响，绝大多数CFAR算法是在参考滑窗中根据目标大小设立保护区域(或称警戒区域)。基于不同的背景杂波建模假设和门限设计策略，CFAR系列算法在SAR影像目标检测具有良好的表现，是传统SAR影像目标检测方法中广泛使用、最为经典的方法之一。随着深度学习的发展，深度学习方法在目标检测领域取得了巨大突破，许多SAR影像车辆目标检测的研究借鉴了自然图像、光学影像中目标检测的思路，取得了突出的识别效果，现有的深度学习方法，如FastR-CNN(Fast Region-Convolutional Neural Network)，YOLO(You Only Look Once)，SSD(Single Shot MultiBox)，DRBox(Rotaition Invariant Detector with RotatableBounding Box)等，在经典的SAR影像车辆数据集MSTAR中识别准确率可高达99％以上。