[发明专利]基于CFAR指导的双流SSD SAR图像目标检测方法

说明书

本发明提供的一种基于CFAR指导的双流SSD SAR图像目标检测方法，通过SAR幅度图像特征提取网络Net‑A和CFAR指示二值图像特征提取网络Net‑C组成的双通道特征提取网络提取幅度特征图和CFAR指示特征图，并通过一种新颖的ICSAF模块来融合不同特征图，充分利用SAR图像中目标强散射的特性，帮助提升目标检测网络的特征提取能力，增强目标检测性能。同时本发明利用CFAR指示二值图作为目标检测网络分类损失函数的先验指导信息，使检测器更加关注难负样本和正样本的学习；然后使用AR‑NMS算法解决传统NMS去除大场景SAR图像的冗余预测框的后处理过程带来的虚警和误抑制问题，提高SAR图像目标检测性能。

技术领域

本发明属于雷达技术领域，具体涉及一种基于CFAR指导的双流SSD SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种不易受气候、光照等自然因素干扰，可以全天候、全天时实现对地观测的高分辨率传感器，已经被广泛应用于军事侦察、资源探测、海洋监测等。随着SAR成像技术迅速发展，获得的SAR图像数据日益增加，图像质量也越来越高，这对SAR图像解译带来了更大的挑战，而SAR自动目标识别(AutomaticTarget Recognition，ATR)是SAR图像解译的一种重要技术。典型的SAR ATR系统主要由目标检测、目标鉴别和目标识别三个阶段组成，而目标检测和目标鉴别阶段作为整个SAR ATR系统的基础环节，其性能好坏将直接影响后续目标识别的结果，因此对于SAR图像目标检测的研究就显得十分重要。

虽然SAR图像目标检测算法在过去几十年已经取得了阶段性的成果，但其仍然存在许多不足，如阈值检测算法采用固定的阈值，难以实现对不同场景下SAR图像的自适应目标检测，检测精度较差；恒虚警率CFAR算法在简单的SAR场景下具有较好的检测性能，但是因为其是逐像素点检测，检测耗时较长，无法满足实时性高的目标检测任务，且在复杂场景下杂波分布统计模型难以估计，其检测性能受限。近些年来，随着计算机性能的大幅度提升和深度学习技术的迅速发展，目标检测算法也逐渐从早期基于手工设计特征的传统算法转向基于深度学习的检测技术，深度学习能够通过训练自动获得数据的特征进行目标检测，在数据充足的情况下，能获得更高的准确率和更快的检测速度，也更能适用不同的场景，因此通过深度学习进行SAR图像目标检测引起了普遍的关注。

王兆成等人在IEEE Geoscience and Remote Sensing Letters发表的文章《SARTarget Detection Based on SSD With Data Augmentation and Transfer Learning》中基于迁移学习思想和数据扩充技术成功将SSD检测网络应用到SAR图像地面车辆目标检测任务中，该方法通过SAR图像子孔径分解、图像旋转、图像翻转等方式来扩充用来训练SSD检测网络的训练数据，并利用迁移学习帮助训练SSD检测网络，相比于传统的SAR图像目标检测方法较大幅度提升了目标检测的性能，但该方法并没有考虑SAR图像与光学图像的差异性，缺乏对SAR图像自身特性的利用，如SAR图像中目标相比于光学图像具有强散射的特点，目标检测结果仍具有较大的提升空间。

杜兰等人在IEEE Transactions on Geoscience and Remote Sensing发表的文章《Saliency-Guided Single Shot Multibox Detector for Target Detection in SARImages》中对SSD检测网络进行改进，提出了一种基于显著性信息指导的SSD目标检测算法，该方法通过显著性图来引导CNN网络重点学习目标区域特征的提取，获得了较好的检测性能。然而，该方法存在基于深层网络的目标检测网络在SAR图像目标检测任务中面临着严重的正负样本不平衡问题。