SAR图像舰船目标识别综述

SAR图像舰船目标识别是SAR图像海洋监视应用中的一项关键技术。在广泛文献调研的基础上,首先建立了SAR图像舰船目标识别的主要流程;接着对用于SAR图像舰船目标识别的众多特征进行归纳整理,分析了其物理意义及优缺点;然后对用于SAR图像舰船目标的分类算法进行了较为全面的综述;最后分析了目前研究中所面临的主要问题,展望了进一步研究的主要方向。     

SAR图像目标峰值提取及稳定性分析

SAR图像峰值本质上对应于目标和(或)背景杂波的散射中心，本文研究了由SAR图像提取目标峰值的方法：分析了目标峰值随目标方位角和仰角的变化，结果表明，目标SAR图像峰值在一定的方位角和仰角变化范围内具有一定的“稳定性”。这说明，利用峰值特征进行SAR图像目标识别是可行的。     

典型地面车辆目标SAR图像仿真与评估

典型地面车辆目标SAR图像仿真对SAR图像解译和目标识别具有重要意义。在光学区目标雷达散射截面仿真基础上,研究实现了典型地面车辆目标SAR图像仿真技术,给出了坦克目标的SAR图像仿真结果。在此基础上,进一步研究了SAR图像仿真性能评估技术,在目视定性评估的基础上,引入了两个面向SAR图像解译与目标识别的SAR图像仿真性能定量评估指标。最后,通过目标仿真SAR图像与MSTAR实测SAR图像的比对,对仿真性能进行了定性、定量的分析与评估,验证了方法的有效性。     

基于目标识别的SAR图像特征分析

特征分析是目标检测与识别的关键,也是图像解译的经典课题之一.本文分析了合成孔径雷达图像目标识别系统各阶段常用的特征,并提出了几个新的具有鲁棒性的特征,从而为SAR图像目标检测和分类提供了良好的基础.     

SAR图像目标识别新方法

提出一种SAR图像目标识别新方法。首次引入BM3D方法,用于滤除原始图像中的相干斑噪声,BM3D结合了空间域和变换域去噪的优势,滤波性能优异。在特征提取步骤,将低阶Hu矩与高阶Zernike矩组合,Hu矩描述目标的粗略信息,高阶Zernike矩描述目标的细节信息,因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器,对含噪的SAR图像进行识别实验。实验结果表明:本文方法的识别率高达98.90%,优于已有的SAR目标识别方法。     

基于LDLPP的SAR目标型号识别

局部保持投影算法可保持数据的局部结构,但其无法实现异类相似样本的有效分离,针对此问题,提出了一种融合样本先验类别信息的局部保持投影算法（LDLPP）,实现SAR目标型号识别。所提算法将样本的先验类别信息融入局部保持投影模型中,根据类别信息构造相似性矩阵和差异性矩阵以实现数据结构的有效捕获与保持,利用相似性矩阵保持降维前后同类样本之间的局部结构,利用差异性矩阵扩大降维后异类相似样本彼此之间的距离。采用实测的MSTAR数据进行SAR目标的型号识别,实验结果验证了所提算法的有效性。     

基于散射信息和元学习的SAR图像飞机目标识别

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大的情况,设计散射关联分类器,对飞机目标的离散程度量化建模,通过不同目标离散分布的差异来动态调整样本对的权重,指导网络学习更具有区分性的类间特征表示。考虑到SAR目标成像易受背景噪声的影响,设计了自适应特征细化模块,促使网络更加关注飞机的关键部件区域,减少背景噪声干扰。该文方法有效地将目标散射分布特性与网络的自动学习过程相结合。实验结果表明,在5-way 1-shot的极少样本新类别识别任务上,该方法识别精度为59.90%,相比于基础方法提升了3.85%。减少一半训练数据量后,该方法在新类别的极少样本识别任务上仍然表现优异。     

采用深度学习的多方位角SAR图像目标识别研究

合成孔径雷达（Synthetic Aperture Radar,SAR）在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络（Convolutional Neural Network,CNN）,同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。      

基于深度学习的机载SAR典型目标识别算法

在多分辨率场景下基于合成孔径雷达(SAR)图像进行多类典型目标识别,是SAR图像信息解译的重要环节。基于YOLO-v4网络模型,针对目前机载SAR图像及目标信息的特点,提出一种应用于真实机载平台下多场景跨分辨率的实时检测处理架构。文中通过对多类目标进行双重检测,对样本数据量低的训练集进行数据增强,并将图像分割后的同类型目标信息进行合并,解决了多分辨率SAR场景下目标尺度跨度较大的问题。实验结果表明：该方法能够在相关机载SAR数据集上达到六类目标(机场、桥梁、立交桥、汽车、装甲车、飞机)82.8%的mAP值,对后续机载SAR复杂场景下更多类型目标的检测识别具有重要的借鉴意义。     

基于电磁特性SAR图像目标识别模板的建立

针对SAR图像目标识别过程中识别模板形成的缺点和难点,提出了基于电磁散射特性SAR图像目标识别模板的数学模型和成像原理。采用一种混合算法计算了复杂目标的雷达截面(RCS),由目标的散射系数σ或RCS值,通过宽带合成孔径原理求出物体散射特性的空间分布,建立了SAR图像目标识别模板。实验验证了其正确性、有效性,以及具有近实时性、目标姿态连续性和精确性等特点,为快速准确地获取SAR图像中的目标信息提供技术支持。     

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

基于多幅同目标图像和HMM的SAR图像目标识别

该文提出了一种基于多幅同目标图像和隐马尔可夫模型的合成孔径雷达图像目标识别方法。该方法通过小波域主成分分析提取目标图像特征向量,结合多幅不同方位角下的同目标图像的特征向量生成单幅图像的特征序列,用隐马尔可夫模型对特征序列进行识别。实验结果表明,该方法可明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于改进残差注意力网络的SAR图像目标识别

针对合成孑孔径雷达(SAR)图像噪声较高,导致目标识别率较低的问题,选取MSTAR数据作为样本集,首先分析了对网络添加注意力机制的必要性,接着在残差注意力网络中引入残差收缩块,从识别率和参数量的角度进行实验分析.改进残差注意力网络的第一阶段和输出阶段,得到模型S,最终模型S的识别率达99.6％的同时,参数量减少了近1/...     

基于数值散射模拟与模型匹配的SAR自动目标识别研究

该文提出并实现了一种基于模型的SAR自动目标识别算法,该算法用实验室开发的BART进行离线电磁散射计算,系统参数设置和MSTAR数据库的参数完全一致,对待测图像和电磁散射数据所成的图像分别进行特征提取,然后进行搜索匹配。该文通过MSTAR 3类目标3种型号的实测数据和BART仿真数据分别验证了算法的可行性和准确性。该算法简单易实现,运行时间短,目标分类识别的效果较好。      

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于并联卷积神经网络的SAR图像目标识别

基于合成孔径雷达（synthetic aperture radar，SAR）在图像目标识别领域中识别精度低的问题，设计一种利用并联卷积神经网络（convolutional neural network，CNN）来提取SAR图像特征的目标识别方法.首先利用改进的ELU激活函数代替常规的ReLU激活函数，建立与二次代价函数相结合的深度学习模型.其次采用均方根支柱（root mean square Prop，RMSProp）与Nesterov动量结合的优化算法执行代价函数参数迭代更新的任务，利用Nesterov引入动量改变梯度，从两方面改进更新方式，有效地提高网络的收敛速度与精度.通过对美国国防研究规划局（DARPA）和空军研究实验室（AFRL）共同推出的MSTAR数据集进行实验，实验表明，该文提出的算法能充分提取出SAR图像中各类目标所蕴含的信息，具有较好的识别性能，是一种有效的目标识别算法.     

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进：使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。