基于CFAR與深度學(xué)習(xí)的SAR圖像艦船目標(biāo)檢測研究.pdf

1、隨著海洋勘探、海上運輸、海底資源開發(fā)的發(fā)展，海洋船只活動越來越頻繁。準(zhǔn)確快速地檢測海上艦船的位置對國家海洋經(jīng)濟發(fā)展和權(quán)益維護有著十分重要的現(xiàn)實意義和戰(zhàn)略意義。
　　SAR具有全天時、全天候等探測特點，是艦船檢測重要的實現(xiàn)手段。CFAR算法是目前艦船檢測領(lǐng)域中應(yīng)用最廣泛的一類算法，但是隨著衛(wèi)星遙感技術(shù)的迅速發(fā)展，遙感數(shù)據(jù)逐步呈現(xiàn)“大數(shù)據(jù)”的特征，艦船檢測還需要結(jié)合大數(shù)據(jù)分析來提高其精度和速度。深度學(xué)習(xí)在利用大數(shù)據(jù)進行計算機模式識別方

2、面取得了突破性進展，其中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）靜態(tài)圖像識別效果最好。本文基于經(jīng)典CFAR思想和CNN模型，分別研究實現(xiàn)了以下三種海上SAR圖像艦船檢測方案：
　　首先，針對艦船快速檢測研究實現(xiàn)了基于多線程技術(shù)的多級 CFAR檢測算法。對比研究分析了 CFAR檢測中經(jīng)常用到的統(tǒng)計模型，并從中篩選出最適合海雜波分布的模型；基于經(jīng)典 CFAR檢測思想及原理和多線程技術(shù)，提出了

3、CFAR算法優(yōu)化方案，并應(yīng)用于艦船檢測。
　　其次，針對檢測準(zhǔn)確度研究實現(xiàn)了基于CNN的艦船檢測算法。在分析CNN模型結(jié)構(gòu)、原理及整個訓(xùn)練過程的基礎(chǔ)上，結(jié)合CNN模型在圖像分類中的經(jīng)典案例，研究提出了基于深層次CNN的艦船檢測方案，并開展了艦船檢測的實驗研究。
　　最后，針對檢測速度和準(zhǔn)確度開展了CFAR和CNN相結(jié)合的艦船檢測算法研究。分析對比前面兩種艦船檢測方案的檢測結(jié)果，多線程多級 CFAR算法檢測速度得到提升，CNN