论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测与识别是SAR图像解译的关键技术,也是海洋遥感应用的重要研究方向。近年来,随着合成孔径雷达技术的发展,一方面为SAR舰船监测带来了海量数据基础,另一方面对高效率、高精度的SAR图像解译技术提出需求。以大数据为基础的深度学习在计算机视觉领域打破了传统方法的局限,取得了突破性的进展。针对SAR舰船目标特性,研究将深度学习用于SAR舰船目标检测与识别技术不仅能为SAR图像解译带来技术革新,也将为SAR的应用带来更广阔的前景。针对传统的SAR舰船目标检测与识别方法遇到的问题,本文深入分析了基于深度学习的目标检测与识别基础理论,研究了传统方法与深度学习相结合的舰船目标检测与识别技术。其次,通过总结深度学习用于SAR舰船目标检测与识别的难点和重点,基于端到端的深度学习检测与识别思路,改进了基于深度学习网络的SAR舰船目标检测与识别方法。深度学习理论是实现SAR舰船目标检测与识别的基础。本文详细叙述了神经网络模型、反向传播算法、边框回归以及Softmax分类器,分析了栈式自编码器(Stacked Autoencoder,SAE)、卷积神经网络(Convolutional Neural Network,CNN)以及Faster R-CNN三种目标检测与识别常用的深度网络,总结归纳出了各个网络模型用于SAR舰船目标检测与识别的优势及难点,为实现基于深度学习的SAR舰船目标检测与识别奠定了基础。SAR舰船目标检测的任务是从大幅场景图像中,快速定位舰船目标,是目标识别的预筛选环节。本文在Faster R-CNN的基础上,提出了两种改进的SAR舰船目标检测算法。首先,通过传统方法与深度学习方法的结合,针对模型在SAR舰船目标检测时出现的部分真实目标漏检的问题,提出了基于CFAR(Constant False Alarm Rate,恒虚警率)与Faster R-CNN结合的SAR舰船目标检测方法。利用Faster R-CNN提取出的准确候选框作为CFAR的目标窗,再利用背景窗中的杂波背景分布,估计出的阈值与目标窗的像素均值进行比较,从而判断候选框中是否为真实目标,在控制虚警的同时,检测出真实目标。其次,基于深度学习端到端的检测思路,针对于Faster R-CNN在密集区域对弱小目标出现的漏检问题,本文提出了基于多层融合上下文R-CNN的SAR舰船目标检测方法。在Faster R-CNN的基础上,融合特征提取网络的多个浅层特征,再将候选框周围的上下文信息加入网络,辅助目标检测网络的分类识别,有效提高网络分辨率的同时增加弱小目标的分类信息。基于Sentinel-1、高分三号、遥感三号等数据集的实验表明,本文提出的两种改进算法不仅对检测性能提升显著,同时在不同分辨率的图像上也具有很好的泛化性。在目标检测的基础上,本文针对SAR舰船目标切片,进一步研究了两种SAR舰船目标识别方法。首先,为减少网络参数,实现SAR舰船目标的高效快速检测,本文将传统手工特征与深度学习相结合,提出了一种基于SAE特征融合的SAR舰船目标识别方法。算法提取了切片的25种基线特征与TPLBP(Three-Patch Local Binary Pattern,三斑块局部二值模式)局部纹理特征,将特征串联之后利用SAE进行特征融合,得到更具区分性的融合特征后,再利用Softmax分类器对目标进行识别。其次,为提取鲁棒性更好的深度特征,实现舰船目标全自动识别,本文直接利用深度神经网络,提出了基于CNN的舰船目标识别方法。利用较小的卷积核,设计了一种深度卷积神经网络,在防止过拟合的同时,增加网络的深度,再利用全连接层对特征进行降维,最后实现目标的识别。本文利用Sentinel-1与MSTAR(Moving and Stationary Target Acquisition and recognition,运动与静止目标获取与识别)数据深入探索了SAE网络的融合性能。实验表明基于SAE特征融合的SAR舰船目标识别方法能有效提高网络的识别精度与效率,基于卷积神经网络的目标识别算法在舰船目标识别中具有更好的识别性能。基于MSTAR十类车辆目标的分类识别实验表明,本文提出的两种目标识别方法在多分类问题上同样具有很好的适用性。