SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测与识别具有一定的独特性。在检测与识别的过程中，如何将深度学习和目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，文章并给出了一种基于散射信息与深度学习相结合的飞机目标识别的监测方法。
传统的SAR图像目标检测方法主要基于特征和分类器。一般来讲，目标自动识别包含由检测、鉴别和识别3个阶段，首先通过检测算法将包含目标和虚警的可疑目标检测出来。
今年来，随着深度学习理论和方法的不断发展和推广应用，其在多个领域都取得了较好的效果。目标检测作为图像解译的重要一环，是机器学习的核心问题之一。深度特征具有很强的描述能力，在检测和分类两方面都表现出很好地效果，自此以后在目标检测领域涌现出了很多基于深度学习的方法，也取得了很大的研究进展。现有深度学习目标检测算法主要分为两阶段的监测与单阶段监测两大类。两阶段算法首先生成候选框作为样本，对候选框区域应用图像分类算法；而单阶段检测算法直接对预测的目标物体进行回归。
SAR图像中目标检测识别算法的研究是一项热点，但由于高分辨率SAR图像飞机目标影像较少，飞机检测识别系统相关研究少有公开。SAR图像中目标

检测识别系统通用流程主要分为5个步骤

图像预处理、机场检测、飞机目标检测、虚警剔除及飞机目标识别
1.图像预处理主要包括对图像灰度进行拉伸、直方图调整、斑点噪声去除、目标对比度增强。通过对图像进行预处理，增强目标、抑制背景、消除斑点噪声对检测过程的影响，提高机场目标、飞机目标的监测正确率。
2.机场检测：由于飞机目标只分布在机场区域，对其余的区域不做处理，因此只要先进行机场检测，剔除图像中非机场区域。这样做既可以减小待处理图像的大小，又可以去除背景区域可能产生的虚警目标，从而提升检测速度与检测精度。
3.飞机目标检测：这一步主要是利用各种检测算法将可能的飞机目标从机场区域进行提取，是整个流程的核心步骤。一般情况下，只针对飞机目标本身进行检测，当飞机部件信息清晰时，也可以结合子部件检测，进一步提高检测的准确性。
4.虚警剔除：结合飞机的几何特征和散射特征等先验知识对疑似目标进行鉴别，去除其中的虚警目标。
5.飞机目标识别：在高分辨率SAR图像中，基于检测及虚警剔除结果，利用目标识别算法确定飞机型号，这一步也是流程中的核心步骤。通过对飞机目标典型特征的提取，可有效提高目标识别算法的鲁棒性。

SAR图像飞机检测识别面临的挑战

与光学图像不同，SAR成像波长更长，成像机制更加复杂，成像结果也更难直观解读。最突出的是，目标在SAR图像中是不连续的，也即是由多个离散的不规则的散射中心亮斑组成，而这些散射中心之间却隐含了目标识别的关键语义信息，因此如何将这些离散的亮斑组合成一个整体对目标检测与识别十分关键。
当对SAR图像中飞机目标进行检测与识别时，因陆地杂波分布无规律，大量背景高亮散射点的存在对目标检测造成很大的干扰，故仅基于杂波建模与亮度信息提取目标的CFAR算法并不适用。除此之外，由于SAR图像复杂的成像机制与散射条件的多变性，飞机目标成像呈特征多样性，手动设计的特征难以适用于多种情况。
离散型、多变性、复杂背景影响是SAR飞机目标识别主要困难。
基于目标散射特征的方法主要有：基于目标几何特征、基于灰度统计特征、基于目标纹理特征
检测算法存在的问题：算法的精度、速度、稳定性

发展趋势

SAR专用神经网络的设计、复数图形特征的挖掘、少样本或样本不均衡条件下的算法设计、算法的普适性与不同传感器数据的处理
注：文章选自《SAR飞机目标检测识别进展》郭倩等