合成孔径雷达图像目标检测识别方法研究

这是一篇关于合成孔径雷达,深度学习,目标检测与识别,卷积神经网络的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的相干成像雷达。与红外线、可见光和其他技术相比,SAR可以全天时、全天候工作。传统的SAR图像目标识别方法依赖于人工设计特征的可区分性。对于复杂的SAR图像,传统技术会在图片预处理和特征提取流程中丢失大量的图片信息,整个流程重复且复杂,存在较多的不足之处。深度学习能够自动获取并挖掘不同目标对象的关键特征,提升目标对象的检测识别准确率。为此,本文基于深度学习开展SAR图像目标检测识别的相关研究,其具体内容与研究重点包括:(1)针对卷积神经网络(Convolutional Neural Networks,CNN)存在SAR图像目标特征信息提取不足、复杂背景干扰导致虚假目标和检测性能低等问题,提出了一种非局部通道注意力网络(Non-local Channel Attention Network,NLCANet)。首先,基于Goog Le Net结构,结合非对称金字塔非局部块(Asymmetric Pyramid Non-local Block,APNB),以捕获更多的上下文信息并增强像素和区域之间的相关性。其次,将挤压激励块(Squeeze-and-excitation Block,SEB)添加到Inception结构中,成为Inception-SEB(ISEB)。模型通过ISEB可以获得基于不同尺度融合特征的通道依赖性。最后基于运动和静止目标获取与识别数据集(Moving and Stationary Target Acquisition and Recognition,MSTAR)和SAR舰船检测数据集(SAR Ship Detection Dataset,SSDD)的实验结果表明,所提出的方法提高了复杂背景下目标的检测能力,实现了更好的陆海目标识别性能。(2)针对高分辨率SAR舰船目标检测识别存在准确度偏低和舰船目标漏检数目偏高的问题,我们提出了一种改进YOLOV5算法。首先,通过提高输入SAR图像的大小和优化舰船目标的锚框,更精确地定位小目标舰船。然后,为了减轻海岸背景的干扰,获得舰船目标的准确定位,引入了APNB和Sim AM注意力。然后,将C3输出进行通道混洗来加强通道之间信息流通,使输出的特征信息更多、更丰富。然后,为减少模型训练时的参数量和计算成本,将NECK部分的普通卷积替换成Ghost卷积。最后,在高分辨率SAR图像数据集(High-Resolution SAR Images Datase,HRSID)和SSDD上验证了改进方法比其他先进的方法更具优越性,在AIR-SARShip-1数据集上验证了改进方法的鲁棒性。

地地导弹GPS/SAR/INS组合导航方法研究

这是一篇关于地地导弹,组合导航,惯性导航系统,合成孔径雷达,联邦卡尔曼滤波的论文, 主要内容为近年来,随着航天科技的不断进步,新型的导航技术使得地地导弹的导航精度得到了显著提高。本文对地地导弹末段弹道的GPS/SAR/INS组合导航方法进行研究,主要内容包括如下: 1.结合以往各种常用导航系统的优缺点,提出适用于地地导弹末制导的组合制导方案,即以惯性导航系统为主,分别以卫星导航和合成孔径雷达为辅的组合方式。具体研究工作是设计多传感器信息融合方式,包括INS/GPS子滤波器设计、INS/SAR子滤波器设计和INS/GPS/SAR主滤波器设计,其中两个子滤波器为Kalman滤波器,主滤波器为联邦滤波器。 2.根据美国“潘兴Ⅱ”类型导弹机动弹头末制导段的典型弹道设计了一条合适的地地导弹末段弹道。并且分别介绍了惯导系统的工作原理,捷联式惯导系统导航方程的解算方法;全球卫星导航系统的定位原理和测速方法;以及合成孔径雷达的定位模型和原理。 3.介绍了Kalman滤波与信息融合的基本理论,重点讨论了离散Kalman滤波器的基本方程和必要的技术处理;最后对多传感器信息融合理论进行简单的论述,针对本文所要研究的内容,对联邦卡尔曼滤波器的结构和算法思想进行了分析和研究。 4.对地地导弹末制导的不同组合模式的性能进行仿真计算与结果分析。对纯惯导系统,INS/GPS组合系统,INS/SAR组合系统以及INS/GPS/SAR组合系统的仿真结果表明:纯惯导系统误差随时间增长较快,最终导致发散,不能满足长时间定位精度的要求;INS/GPS和INS/SAR组合系统对位置、速度和姿态分别有较好的校正作用;INS/GPS/SAR组合导航系统对位置、速度和姿态具有良好的校正效果。

合成孔径雷达图像目标检测识别方法研究

这是一篇关于合成孔径雷达,深度学习,目标检测与识别,卷积神经网络的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的相干成像雷达。与红外线、可见光和其他技术相比,SAR可以全天时、全天候工作。传统的SAR图像目标识别方法依赖于人工设计特征的可区分性。对于复杂的SAR图像,传统技术会在图片预处理和特征提取流程中丢失大量的图片信息,整个流程重复且复杂,存在较多的不足之处。深度学习能够自动获取并挖掘不同目标对象的关键特征,提升目标对象的检测识别准确率。为此,本文基于深度学习开展SAR图像目标检测识别的相关研究,其具体内容与研究重点包括:(1)针对卷积神经网络(Convolutional Neural Networks,CNN)存在SAR图像目标特征信息提取不足、复杂背景干扰导致虚假目标和检测性能低等问题,提出了一种非局部通道注意力网络(Non-local Channel Attention Network,NLCANet)。首先,基于Goog Le Net结构,结合非对称金字塔非局部块(Asymmetric Pyramid Non-local Block,APNB),以捕获更多的上下文信息并增强像素和区域之间的相关性。其次,将挤压激励块(Squeeze-and-excitation Block,SEB)添加到Inception结构中,成为Inception-SEB(ISEB)。模型通过ISEB可以获得基于不同尺度融合特征的通道依赖性。最后基于运动和静止目标获取与识别数据集(Moving and Stationary Target Acquisition and Recognition,MSTAR)和SAR舰船检测数据集(SAR Ship Detection Dataset,SSDD)的实验结果表明,所提出的方法提高了复杂背景下目标的检测能力,实现了更好的陆海目标识别性能。(2)针对高分辨率SAR舰船目标检测识别存在准确度偏低和舰船目标漏检数目偏高的问题,我们提出了一种改进YOLOV5算法。首先,通过提高输入SAR图像的大小和优化舰船目标的锚框,更精确地定位小目标舰船。然后,为了减轻海岸背景的干扰,获得舰船目标的准确定位,引入了APNB和Sim AM注意力。然后,将C3输出进行通道混洗来加强通道之间信息流通,使输出的特征信息更多、更丰富。然后,为减少模型训练时的参数量和计算成本,将NECK部分的普通卷积替换成Ghost卷积。最后,在高分辨率SAR图像数据集(High-Resolution SAR Images Datase,HRSID)和SSDD上验证了改进方法比其他先进的方法更具优越性,在AIR-SARShip-1数据集上验证了改进方法的鲁棒性。

合成孔径雷达成像及应用研究

这是一篇关于合成孔径雷达,目标识别,卷积神经网络,混合注意力机制模块,深度学习的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)的用途大多是在军事方面和民用方面,它不仅能够实时的获取遥感数据,而且有穿透力强、分辨率高和全天候等特点,因此SAR成像以及SAR图像目标识别的重要性与日俱增。SAR作为一种特殊的侦察方式,在军事领域里,SAR主要是完成对指定的目标进行检测和识别以及推动战场的现代化与信息化。随着半导体合成材料技术的迅速发展和低功耗高精度的毫米波芯片的不断问世,使得毫米波SAR相关产品得到广泛应用,比如安检领域和车载雷达领域。因此如何使SAR成像技术更加完善、快速和方便以及如何实现对得到的SAR图像进行识别分类具有重要的价值和和意义。本文利用MATLAB软件搭建了一个系统,用户可以在系统中完成对导轨的校准与数据的采集和成像,操作方便。同时,本文为了提高SAR图像目标识别的性能,应用深度学习进行目标特征提取和表征,开展了基于深度学习的SAR图像目标识别实验。主要研究内容如下:(1)针对SAR数据采集、处理以及成像等操作步骤的复杂性,使用AWR1843雷达和二维导轨搭建了一个硬平台,并开发了一个基于MATLAB软件平台的综合系统。该系统能够将上述步骤可视化和易操作化,最终可以获得多种成像算法的二维成像和三维SAR成像。并研究波形参数和毫米波雷达的空间位置是否影响成像的效果。该系统可以用于机场安检或者车载毫米波。(2)针对Res Net50不能对SAR图像目标进行高效识别,本文提出了一个基于Res Net50的改进网络,它引进了1×1短接分支和混合注意力机制模块(Convolutional Block Attention Module,CBAM)。该方法首先对MSTAR数据集在标准条件下的十类军事目标进行目标识别训练,得到了训练模型。然后再用训练模型对十类军事目标的验证集进行目标识别。实验结果表明,相对于几种经典的卷积神经网络(MFCNNS、DCNN、Res Net50)本文网络识别效果有显著提升。

基于复数U-Net的PolSAR图像语义分割

这是一篇关于合成孔径雷达,复数胶囊网络,生成对抗网络,复数卷积神经,图像语义分割的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种对地观测系统,能够快速获取目标信息并对目标进行高分辨率成像,且具有全天候、全天时工作能力,在军事和民用等领域得到了广泛的应用。作为SAR领域的研究热点之一,SAR图像解译技术能够完成SAR图像中目标的检测、识别、分类和分割等任务。近年来,随着深度学习的迅速发展,光学图像领域的图像语义分割技术已取得显著成绩,该技术也推动了SAR图像语义分割技术的发展。由于SAR成像机理与光学图像不同,SAR图像存在相干斑噪声影响。此外,与光学图像相比,SAR图像数据获取更为困难。因此,一些基于深度学习的光学图像语义分割技术在SAR图像上难以取得理想的分割性能。本文结合SAR图像特点,将实数图像语义分割网络U-Net推广到复数域,并分别采用生成对抗网络(Generative Adersarial Network,GAN)和复数胶囊网络对复数U-Net进行改进,最终实现Pol SAR图像语义分割。具体内容如下:1)提出了一种基于复数U-Net和GAN的图像语义分割网络模型。该网络模型的主体框架为GAN,其中,生成器由复数U-Net构成,判别器由实数多分辨卷积神经网络构成。在网络训练过程中,复数U-Net实现初步的图像语义分割,GAN进一步使图像语义分割结果接近于真实标签值。两个Pol SAR数据集的实验结果表明,基于复数U-Net和GAN的方法比复数U-Net能获取更高的分割性能。2)提出了一种基于复数U-Net和复数胶囊网络的图像语义分割网络模型,即在复数U-net网络的编码部分和解码部分之间引入复数胶囊网络。由于常用的胶囊网络为实数网络,本文首先提出了一种复数动态路由机制,将实数胶囊网络推广到复数域。然后,将复数U-Net和复数胶囊网络相结合,实现少样本下的Pol SAR图像语义分割。两个Pol SAR数据集的实验结果表明,基于复数U-Net和复数胶囊网络的方法比复数U-Net能够获取更高的分割性能。

地地导弹GPS/SAR/INS组合导航方法研究

这是一篇关于地地导弹,组合导航,惯性导航系统,合成孔径雷达,联邦卡尔曼滤波的论文, 主要内容为近年来,随着航天科技的不断进步,新型的导航技术使得地地导弹的导航精度得到了显著提高。本文对地地导弹末段弹道的GPS/SAR/INS组合导航方法进行研究,主要内容包括如下: 1.结合以往各种常用导航系统的优缺点,提出适用于地地导弹末制导的组合制导方案,即以惯性导航系统为主,分别以卫星导航和合成孔径雷达为辅的组合方式。具体研究工作是设计多传感器信息融合方式,包括INS/GPS子滤波器设计、INS/SAR子滤波器设计和INS/GPS/SAR主滤波器设计,其中两个子滤波器为Kalman滤波器,主滤波器为联邦滤波器。 2.根据美国“潘兴Ⅱ”类型导弹机动弹头末制导段的典型弹道设计了一条合适的地地导弹末段弹道。并且分别介绍了惯导系统的工作原理,捷联式惯导系统导航方程的解算方法;全球卫星导航系统的定位原理和测速方法;以及合成孔径雷达的定位模型和原理。 3.介绍了Kalman滤波与信息融合的基本理论,重点讨论了离散Kalman滤波器的基本方程和必要的技术处理;最后对多传感器信息融合理论进行简单的论述,针对本文所要研究的内容,对联邦卡尔曼滤波器的结构和算法思想进行了分析和研究。 4.对地地导弹末制导的不同组合模式的性能进行仿真计算与结果分析。对纯惯导系统,INS/GPS组合系统,INS/SAR组合系统以及INS/GPS/SAR组合系统的仿真结果表明:纯惯导系统误差随时间增长较快,最终导致发散,不能满足长时间定位精度的要求;INS/GPS和INS/SAR组合系统对位置、速度和姿态分别有较好的校正作用;INS/GPS/SAR组合导航系统对位置、速度和姿态具有良好的校正效果。

基于SAR图像的舰船目标检测算法设计与开发

这是一篇关于合成孔径雷达,斑噪抑制,海陆分割,恒虚警,超像素分割,多核DSP的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)能够在不同的气候条件下,长时间、远距离地对目标区域进行探测,已被广泛应用在海洋监测、灾害监测、测绘和军事应用等领域。目前,基于SAR图像的舰船目标检测技术已成为海洋监测中重要的研究内容,具有极其重要的研究价值和意义。复杂海战场环境中出现的高海情、高海况导致SAR图像中干扰因素过多,影响舰船目标检测性能,传统检测算法存在目标特征提取准确性差、算法执行效率低等问题,针对上述问题,本文开展基于SAR图像的舰船目标检测技术研究,主要工作和创新点总结如下:1.对SAR图像预处理方法开展研究,包括斑噪抑制和海陆分割。首先研究SAR图像斑点噪声的产生机制和噪声模型,介绍了几种经典的基于统计模型的空间域噪声抑制算法和新兴的非局部均值算法,通过实测图像仿真验证各算法的斑噪抑制性能。然后进一步研究海陆分割中常用的最大类间方差算法,本文将二维最大类间方差算法用于无先验知识的自动海陆分割,仿真实验表明,该算法能够得到更纯净的海面区域。本文采用的SAR图像预处理方法可以有效提升图像质量,降低杂波干扰。2.对SAR图像舰船目标检测算法开展研究。首先介绍经典的恒虚警率(CFAR)算法、几种常见的杂波统计模型及对应的参数、阈值估计方法;然后针对传统CFAR检测算法在复杂环境下检测率低、实时性差的问题,研究了基于超像素的两级CFAR检测算法,分为全局检测和局部检测。本文在局部检测中,针对传统杂波窗口尺寸固定,无法自适应地选取杂波区域,造成选取杂波样本数量较大,影响算法运行效率的问题,采用超像素邻域窗口选取待检测目标超像素邻域范围内的超像素块,依据相似性特征分类,从而选取适量杂波样本,有效提升杂波样本的选取效率。仿真实验表明,本文改进的基于超像素的两级CFAR检测算法选取邻域范围内同质超像素单元,使得杂波模型参数估计更准确,有效提升算法检测率和运行效率。3.对基于多核DSP平台的SAR图像斑噪抑制、海陆分割、目标检测模块算法的多核并行实现展开研究。首先针对单核系统处理时间长,系统资源利用率低的问题,本文基于数据流模型,设计了一种多核、多任务并行处理的SAR图像目标检测方案;然后对SAR图像舰船目标检测算法进行任务分配,将其分配在不同内核运行;最后在TMS320C6678的芯片架构上规划并分配各算法占用的系统资源,结合核间同步机制、存储器优化等技术,在TMS320C6678开发板上验证了检测方案的正确性和可行性,与单核处理相比,本文多核处理方案能够有效提升程序运行效率。

合成孔径雷达图像目标检测识别方法研究

这是一篇关于合成孔径雷达,深度学习,目标检测与识别,卷积神经网络的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的相干成像雷达。与红外线、可见光和其他技术相比,SAR可以全天时、全天候工作。传统的SAR图像目标识别方法依赖于人工设计特征的可区分性。对于复杂的SAR图像,传统技术会在图片预处理和特征提取流程中丢失大量的图片信息,整个流程重复且复杂,存在较多的不足之处。深度学习能够自动获取并挖掘不同目标对象的关键特征,提升目标对象的检测识别准确率。为此,本文基于深度学习开展SAR图像目标检测识别的相关研究,其具体内容与研究重点包括:(1)针对卷积神经网络(Convolutional Neural Networks,CNN)存在SAR图像目标特征信息提取不足、复杂背景干扰导致虚假目标和检测性能低等问题,提出了一种非局部通道注意力网络(Non-local Channel Attention Network,NLCANet)。首先,基于Goog Le Net结构,结合非对称金字塔非局部块(Asymmetric Pyramid Non-local Block,APNB),以捕获更多的上下文信息并增强像素和区域之间的相关性。其次,将挤压激励块(Squeeze-and-excitation Block,SEB)添加到Inception结构中,成为Inception-SEB(ISEB)。模型通过ISEB可以获得基于不同尺度融合特征的通道依赖性。最后基于运动和静止目标获取与识别数据集(Moving and Stationary Target Acquisition and Recognition,MSTAR)和SAR舰船检测数据集(SAR Ship Detection Dataset,SSDD)的实验结果表明,所提出的方法提高了复杂背景下目标的检测能力,实现了更好的陆海目标识别性能。(2)针对高分辨率SAR舰船目标检测识别存在准确度偏低和舰船目标漏检数目偏高的问题,我们提出了一种改进YOLOV5算法。首先,通过提高输入SAR图像的大小和优化舰船目标的锚框,更精确地定位小目标舰船。然后,为了减轻海岸背景的干扰,获得舰船目标的准确定位,引入了APNB和Sim AM注意力。然后,将C3输出进行通道混洗来加强通道之间信息流通,使输出的特征信息更多、更丰富。然后,为减少模型训练时的参数量和计算成本,将NECK部分的普通卷积替换成Ghost卷积。最后,在高分辨率SAR图像数据集(High-Resolution SAR Images Datase,HRSID)和SSDD上验证了改进方法比其他先进的方法更具优越性,在AIR-SARShip-1数据集上验证了改进方法的鲁棒性。

合成孔径雷达图像目标检测识别方法研究

这是一篇关于合成孔径雷达,深度学习,目标检测与识别,卷积神经网络的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的相干成像雷达。与红外线、可见光和其他技术相比,SAR可以全天时、全天候工作。传统的SAR图像目标识别方法依赖于人工设计特征的可区分性。对于复杂的SAR图像,传统技术会在图片预处理和特征提取流程中丢失大量的图片信息,整个流程重复且复杂,存在较多的不足之处。深度学习能够自动获取并挖掘不同目标对象的关键特征,提升目标对象的检测识别准确率。为此,本文基于深度学习开展SAR图像目标检测识别的相关研究,其具体内容与研究重点包括:(1)针对卷积神经网络(Convolutional Neural Networks,CNN)存在SAR图像目标特征信息提取不足、复杂背景干扰导致虚假目标和检测性能低等问题,提出了一种非局部通道注意力网络(Non-local Channel Attention Network,NLCANet)。首先,基于Goog Le Net结构,结合非对称金字塔非局部块(Asymmetric Pyramid Non-local Block,APNB),以捕获更多的上下文信息并增强像素和区域之间的相关性。其次,将挤压激励块(Squeeze-and-excitation Block,SEB)添加到Inception结构中,成为Inception-SEB(ISEB)。模型通过ISEB可以获得基于不同尺度融合特征的通道依赖性。最后基于运动和静止目标获取与识别数据集(Moving and Stationary Target Acquisition and Recognition,MSTAR)和SAR舰船检测数据集(SAR Ship Detection Dataset,SSDD)的实验结果表明,所提出的方法提高了复杂背景下目标的检测能力,实现了更好的陆海目标识别性能。(2)针对高分辨率SAR舰船目标检测识别存在准确度偏低和舰船目标漏检数目偏高的问题,我们提出了一种改进YOLOV5算法。首先,通过提高输入SAR图像的大小和优化舰船目标的锚框,更精确地定位小目标舰船。然后,为了减轻海岸背景的干扰,获得舰船目标的准确定位,引入了APNB和Sim AM注意力。然后,将C3输出进行通道混洗来加强通道之间信息流通,使输出的特征信息更多、更丰富。然后,为减少模型训练时的参数量和计算成本,将NECK部分的普通卷积替换成Ghost卷积。最后,在高分辨率SAR图像数据集(High-Resolution SAR Images Datase,HRSID)和SSDD上验证了改进方法比其他先进的方法更具优越性,在AIR-SARShip-1数据集上验证了改进方法的鲁棒性。

合成孔径雷达成像及应用研究

这是一篇关于合成孔径雷达,目标识别,卷积神经网络,混合注意力机制模块,深度学习的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)的用途大多是在军事方面和民用方面,它不仅能够实时的获取遥感数据,而且有穿透力强、分辨率高和全天候等特点,因此SAR成像以及SAR图像目标识别的重要性与日俱增。SAR作为一种特殊的侦察方式,在军事领域里,SAR主要是完成对指定的目标进行检测和识别以及推动战场的现代化与信息化。随着半导体合成材料技术的迅速发展和低功耗高精度的毫米波芯片的不断问世,使得毫米波SAR相关产品得到广泛应用,比如安检领域和车载雷达领域。因此如何使SAR成像技术更加完善、快速和方便以及如何实现对得到的SAR图像进行识别分类具有重要的价值和和意义。本文利用MATLAB软件搭建了一个系统,用户可以在系统中完成对导轨的校准与数据的采集和成像,操作方便。同时,本文为了提高SAR图像目标识别的性能,应用深度学习进行目标特征提取和表征,开展了基于深度学习的SAR图像目标识别实验。主要研究内容如下:(1)针对SAR数据采集、处理以及成像等操作步骤的复杂性,使用AWR1843雷达和二维导轨搭建了一个硬平台,并开发了一个基于MATLAB软件平台的综合系统。该系统能够将上述步骤可视化和易操作化,最终可以获得多种成像算法的二维成像和三维SAR成像。并研究波形参数和毫米波雷达的空间位置是否影响成像的效果。该系统可以用于机场安检或者车载毫米波。(2)针对Res Net50不能对SAR图像目标进行高效识别,本文提出了一个基于Res Net50的改进网络,它引进了1×1短接分支和混合注意力机制模块(Convolutional Block Attention Module,CBAM)。该方法首先对MSTAR数据集在标准条件下的十类军事目标进行目标识别训练,得到了训练模型。然后再用训练模型对十类军事目标的验证集进行目标识别。实验结果表明,相对于几种经典的卷积神经网络(MFCNNS、DCNN、Res Net50)本文网络识别效果有显著提升。