基于深度学习的SAR目标识别DSP设计

SAR图像目标识别主要针对桥梁、机场等战略军事目标以及飞机、坦克、汽车等战术目标,进行精确的识别分类及定位,是SAR图像解译的重要一环。首先,构建C6678的卷积神经网络主要处理层,然后结合C6678的处理及存储特性,对卷积层和网络调度进行优化设计,完成了YOLOv3-TINY目标识别网络在C6678上的设计实现方法。该方法能够对常用卷积神经网络模型进行重构及修改,解决了C6678等多核DSP处理平台运行深度学习网络的难题。实验结果表明,该方法在检测性能上与GPU一致,考虑到机载SAR的实时图像帧率,虽然该方法在C6678的实时性能相对GPU还有较大差距,但其能够满足机载SAR实时处理需求。     

OpenMP多核计算技术在SAR图像处理中的应用

SAR图像数据量大,常规识别算法复杂、处理耗时,难以满足实时性要求。针对这一问题,提出一种基于OpenMP多核计算的SAR图像目标分类算法。在分析基于模板匹配的SAR图像目标分类算法的基础上,给出基于OpenMP多核计算技术的图像处理并行处理框架,实现SAR图像目标分类算法的并行计算。最后,采用所提方法对3类目标进行分类识别实验,SAR图像分类识别的处理速度提高了8倍,表明了该方法是有效的。     

基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别

浮筏养殖广泛存在于我国近海海域, 可见光遥感图像无法完全准确地获取养殖目标, 而基于主动成像的合成孔径雷达(Synthetic aperture radar, SAR)遥感图像能够得到养殖目标, 因此采用SAR图像进行海洋浮筏养殖目标识别. 然而, 海洋遥感SAR图像包含大量相干斑噪声, 并且SAR图像特征单一, 使得目标识别难度较大. 为解决这些问题, 提出一种深度协同稀疏编码网络(Deep collaborative sparse coding network, DCSCN)进行海洋浮筏识别. 本文方法对预处理后的图像先提取纹理特征和轮廓特征, 再进行超像素分割并将同一个超像素块特征组输入该网络进行协同表示, 最后得到有效特征并分类识别. 通过人工SAR图像和北戴河海域浮筏养殖SAR图像的实验验证所提模型的有效性. 该网络不仅具有优异的特征表示能力, 能够获得更适合分类器的特征, 而且通过近邻协同约束, 有效抑制相干斑噪声影响, 所以提高了SAR图像目标识别精度.     

一种有效的SAR图像目标识别方法

SAR图像目标识别是SAR图像应用中非常重要的环节,但由于SAR图像中相干斑噪声的存在,使得传统方法不能很好地对SAR图像进行分类识别。结合不变矩特征提取和支持向量机分类方法的优势,提出了一种有效的SAR图像目标识别方法,采用该方法对含有飞机和坦克目标的SAR图像进行了目标识别实验,取得了较好的识别效果。     

一种有效的SAR图像自动目标识别方法

提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。     

SAR影像水体目标提取的序列非线性波波方法

合成孔径雷达（SAR）影像由于其特有的相干斑点噪声,加大了其目标边界特征提取的难度。采用一般针对光学影像的目标提取区域分割算子,在SAR影像的自动目标识别处理中往往不能取得理想的效果。水体目标在SAR影像中表现为整体亮度很低且成面状连续分布的像素区域。目前大多采用阈值分割转为二值影像的方法提取低亮度目标,但由于强烈的相干噪声影响,如何自动获得一个合适的阈值是一个比较困难的问题。一般多采用基于假设检验,多次迭代获得阈值。针对水体目标的亮度及形状分布特征,不作二值分割处理,而采用序列非线性滤波处理,提出一种针对SAR影像水体目标的快速提取方法。经实际数据检验,算法可以快速有效地实现SAR影像水体目标的自动提取识别。     

基于小波神经网的SAR图像识别算法

针对SAR图像的自动目标识别问题,研究了基于小波分析和神经网络的识别算法.由非线性小波基作为网络中神经元的激励函数,隐层结点数由小波分解次数和处理目标类别数决定,输出层由目标的类别数决定,同时利用目标的方位角来限定被识别目标的范围.实验结果表明,该方法有效降低了训练和识别的难度,取得了优于BP网络的识别结果,具有广阔的应用前景.     

一种子像素精度SAR图像目标峰值提取方法

SAR图像目标峰值是SAR图像目标识别的重要特征 ,它本质对应于目标散射中心 ,目标峰值提取是SAR图像目标识别的一个重要步骤。基于峰值SAR图像目标识别系统要求目标峰值提取方法应具有快速、高精度的特点。现有的SAR图像目标峰值提取方法精度较低 ,其对目标峰值位置的估计精度只能达到像素级。为了提高SAR图像目标峰值提取精度 ,该文在分析SAR图像峰值模型基础上 ,提出了一种子像素精度SAR图像目标峰值提取方法 ,并通过仿真实验 ,分析了该方法对目标峰值位置、幅度的估计性能 ,结果表明在SNR =2 0dB的情况下 ,该方法对目标峰值位置估计的标准偏差 <0 .1个像素 ,峰值幅度估计的标准偏差小于 0 .0 5 H(这里H表示目标峰值的真实幅度 ) ,文中还给出了该方法对实测MSTARSAR图像的目标峰值提取结果。     

基于DSP机器视觉的矩形类物体识别研究

针对机器人控制对视觉的实时性要求,设计了一种基于TMS320C6416图像处理平台的嵌入式机器人视觉系统.本系统以VC 6.0为平台来开发控制DSP的操作界面,通过该操作界面控制DSP对矩形类物体图像的采集、处理和识别,后DSP把识别的结果传送给主机,为机器人手臂的轨迹规划提供目标物体信息.文中给出了系统的硬件设计方案和软件实现过程.     

合成孔径雷达图像目标的卷积神经网识别框架

针对合成孔径雷达（SAR）图像目标识别问题,在卷积神经网的基础上,提出了一种新的识别框架。 该框架通过连接多个基本操作单元并以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。 在 MSTAR开数据集上,该网络框架分类十类目标达到了98.61％ 的精度,与其他方法相比,有效提高了SAR 图像目标的识别精度。 所提框架能有效分类SAR 图像目标,具有良好的识别精度,且具备模块化结构,无须复杂预处理,实现简单。     

SAR图像自动目标识别系统研究与设计*

研究了SAR图像自动目标识别系统。通过分析国际上先进的SAR自动目标识别系统的组成、算法实现、流程设计和所得到的结果,设计出SAR自动目标识别系统结构和识别流程图。系统结构主要由SAR图像特性库、特征库和模型库组成。识别流程在系统结构的基础上,分为检测、辨识和分类三步。最后给出了SAR图像自动目标识别系统的主要评价原则。     

SAR图像目标识别的卷积神经网模型

目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率（包含变体）由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。     

SAR目标特性分析技术

随着合成孔径雷达（SAR）传感器技术的发展和获取信息的增多,如何有效地实现SAR图像的信息提取和解译,是当前亟待解决的关键问题。本文研究和综述了面向识别的SAR目标特性分析技术。首先,从SAR的成像原理出发,深入分析和探讨了影响SAR图像目标特性的主要因素;然后,系统总结了点状目标、线状目标和面状目标的一些特性分析和特征提取技术;最后,对SAR目标识别技术的未来发展方向进行了展望。     

基于高速局域网的融合及匹配仿真平台研发

提出了基于高速局域网(High-speed Local Area Network,HLAN)的CCD/SAR图像融合仿真平台的设计思想及实现方法,提出并解决了仿真平台实现中的关键问题。提出了基于CCD/SAR融合图像的景像匹配系统仿真平台的实现方法,并应用该仿真平台对景像匹配技术进行仿真研究。仿真平台设计的模块化保证了其通用性和可移植性,而HLAN的引入保证了仿真过程的实时性。本仿真平台可应用于CCD/SAR图像融合技术研究和基于CCD/SAR融合图像的景像匹配技术研究中。     

Stochastic models for recognition of occluded targets

Recognition of occluded objects in synthetic aperture radar (SAR) images is a significant problem for automatic target recognition. Stochastic models provide some attractive features for pattern matching and recognition under partial occlusion and noise. In this paper, we present a hidden Markov modeling based approach for recognizing objects in SAR images. We identify the peculiar characteristics of SAR sensors and using these characteristics we develop feature based multiple models for a given SAR image of an object. The models exploiting the relative geometry of feature locations or the amplitude of SAR radar return are based on sequentialization of scattering centers extracted from SAR images. In order to improve performance we integrate these models synergistically using their probabilistic estimates for recognition of a particular target at a specific azimuth. Experimental results are presented using both synthetic and real SAR images.     

基于Laplacian正则化最小二乘的半监督SAR目标识别

提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.     

面向SAR目标识别的深度卷积神经网络结构设计

目的 针对用于SAR （synthetic aperture radar） 目标识别的深度卷积神经网络模型结构的优化设计难题,在分析卷积核宽度对分类性能影响基础上,设计了一种适用于SAR目标识别的深度卷积神经网络结构。方法 首先基于二维随机卷积特征和具有单个隐层的神经网络模型-超限学习机分析了卷积核宽度对SAR图像目标分类性能的影响;然后,基于上述分析结果,在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征,设计了一种适用于SAR图像目标识别的深度模型结构;最后,在对MSTAR （moving and stationary target acquisition and recognition） 数据集中的训练样本进行样本扩充基础上,设定了深度模型训练的超参数,进行了深度模型参数训练与分类性能验证。结果 实验结果表明,对于具有较强相干斑噪声的SAR图像而言,采用宽度更大的卷积核能够提取目标的局部特征,提出的模型因能从输入图像提取目标的多尺度局部特征,对于10类目标的分类结果（包含非变形目标和变形目标两种情况）接近或优于已知文献的最优分类结果,目标总体分类精度分别达到了98.39%和97.69%,验证了提出模型结构的有效性。结论 对于SAR图像目标识别,由于与可见光图像具有不同的成像机理,应采用更大的卷积核来提取目标的空间特征用于分类,通过对深度模型进行优化设计能够提高SAR图像目标识别的精度。     

A feature extraction method for synthetic aperture radar(SAR) automatic target recognition based on maximum interclass distance

Synthetic aperture radar(SAR) automatic target recognition is an important application in SAR.How to extract features has restricted the application of SAR technology seriously.In this paper,a new feature extraction method for SAR automatic target recognition based on maximum interclass distance is proposed,which integrates class and neighborhood information.This method can reinforce discriminative power using maximum interclass distance,so it can improve recognition rate effectively.     

基于特征向量的SAR图像目标识别方法研究

用于描述区域特征的Hu矩不变量在模式识别中得到广泛使用。然而在噪声影响下,尤其是SAR图像中严重的相干斑噪声,Hu 矩不变量不再保持其完美的性能。以Hu七个矩不变量为基础,结合SAR图像的特点,引入四个仿射矩不变量和SAR图像中目标区域的峰值、均值和方差系数,构成SAR图像中目标识别的特征向量。该特征向量体现了SAR图像区域目标的形状特征和区域的灰度信息。通过对两种不同分辨率下的T72坦克SAR图像的目标识别仿真实验,均获得了较好的目标识别效果,说明所选取的SAR图像目标识别的特征向量是有效的,具有较强的目标识别性能。