[发明专利]一种面向SAR图像的飞机目标自动检测方法及系统

说明书

本发明公开了一种面向SAR图像的飞机目标自动检测方法及系统，本发明面向SAR图像的飞机目标自动检测方法包括：针对机场SAR图像进行机场检测，得到机场掩膜和机场矩形轮廓；针对机场SAR图像的机场矩形轮廓进行飞机检测，得到无掩膜的飞机检测结果；针对无掩膜的飞机检测结果使用机场掩膜去除虚警，得到最终的飞机检测结果。本发明能够快速和精确地定位机场区域，显著地降低了飞机检测的虚警率，而且减少了后续飞机检测的计算量，飞机检测精度和速度上均表现较好。

技术领域

本发明涉及面向SAR图像的图像目标识别技术，具体涉及一种面向SAR图像的飞机目标自动检测方法及系统。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种先进的主动式微波对地观测设备，而且成像几何属于斜距投影类型。它有一定的穿透作用，可以有效探测被伪装的目标。目前高分辨SAR系统的分辨率已经可以达到厘米级，能够清晰的对大型战术目标进行清晰的成像，有效的帮助军事人员对目标进行识别。另外，SAR还具有全天时全天候的工作特点，适合在各种恶劣的战场条件下完成侦查任务。自1978年以来，SAR凭借其独特的成像机制吸引了雷达科学界的无数目光，其在军事和民用领域都得到了广泛的应用。飞机检测可以更加有效地对机场进行管理，而且获取飞机的数量与位置等信息在军事领域具有重要价值。因此，对SAR图像进行飞机目标检测具有重要意义。

传统的SAR图像目标检测方法主要分为两类。(1)基于单特征的方法。这种方法通常利用雷达散射截面积(Radar Cross Section，RCS)信息挑选对比度较亮的部分作为候选目标。其中最常见的检测方法为基于杂波统计与阈值提取的恒虚警率算法(ConstantFalse Alarm Rate，CFAR)。1968年，在CFAR的基础上，Finn等人提出了CA-CFAR算法。1973年，Goldstein[19]将CFAR方法进一步拓展到对数正态分布和Weibull分布的背景噪声即声名卓著的Goldstein检测器。然而，CFAR算法没有考虑目标的结构信息，这样会导致目标定位不精确。(2)基于多特征的方法。将多种特征融合在一起，再检测目标。2015年，Tan Yi-hua等人将梯度纹理显著图与CFAR算法结合检测机场的飞机目标。然而，特征设计起来很复杂，设计时间长，并且同种特征组合不一定适用于所有的场景，不具有高效性。总的来说，传统的SAR图像目标检测方法存在许多难以攻破的问题。

许多研究者开始研究机器学习算法，如SVM(Support Vector Machine)AdaBoost(Adaptive Boosting)等，来进行SAR图像目标检测。虽然机器学习算法与传统目标检测方法相比，检测效果有一定的提升，但它们仅适用于小样本情况，难以设计具有高泛化能力的特征。