基于CFAR与深度学习的SAR图像舰船目标检测研究

摘要

随着海洋勘探、海上运输、海底资源开发的发展，海洋船只活动越来越频繁。准确快速地检测海上舰船的位置对国家海洋经济发展和权益维护有着十分重要的现实意义和战略意义。
　　SAR具有全天时、全天候等探测特点，是舰船检测重要的实现手段。CFAR算法是目前舰船检测领域中应用最广泛的一类算法，但是随着卫星遥感技术的迅速发展，遥感数据逐步呈现“大数据”的特征，舰船检测还需要结合大数据分析来提高其精度和速度。深度学习在利用大数据进行计算机模式识别方面取得了突破性进展，其中，卷积神经网络（Convolutional Neural Network, CNN）静态图像识别效果最好。本文基于经典CFAR思想和CNN模型，分别研究实现了以下三种海上SAR图像舰船检测方案：
　　首先，针对舰船快速检测研究实现了基于多线程技术的多级 CFAR检测算法。对比研究分析了 CFAR检测中经常用到的统计模型，并从中筛选出最适合海杂波分布的模型；基于经典 CFAR检测思想及原理和多线程技术，提出了CFAR算法优化方案，并应用于舰船检测。
　　其次，针对检测准确度研究实现了基于CNN的舰船检测算法。在分析CNN模型结构、原理及整个训练过程的基础上，结合CNN模型在图像分类中的经典案例，研究提出了基于深层次CNN的舰船检测方案，并开展了舰船检测的实验研究。
　　最后，针对检测速度和准确度开展了CFAR和CNN相结合的舰船检测算法研究。分析对比前面两种舰船检测方案的检测结果，多线程多级 CFAR算法检测速度得到提升，CNN算法检测准确率得到提高；借鉴多线程多级CFAR算法中的全局检测和CNN算法中的最佳模型，设计实现了结合CFAR和CNN的舰船检测方案。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 研究主要内容

2 国内外研究现状

2.1 基于CFAR的SAR图像舰船检测研究现状

2.2 基于深度学习的图像识别研究现状

2.2.1 深度学习与图像模式识别的结合

2.2.2 CNN在图像识别领域的研究现状

2.2.3 深度学习在舰船识别领域的研究现状

3 基于多线程的多级CFAR舰船检测算法

3.1 统计模型分析与比较

3.1.1 常用统计模型原理与分析

3.1.2 G0和K分布拟合性比较

3.2 基于多线程的多级CFAR算法

3.2.1 算法的设计和原理

3.2.2 算法的流程

3.2.3 并行计算优化方法

3.3 实验结果分析

3.3.1 检测性能判定准则

3.3.2 检测结果比较与分析

4 CNN和CFAR在舰船检测中的联合应用

4.1 CNN算法分析

4.1.1 CNN介绍

4.1.2 CNN结构

4.1.3 CNN训练

4.2 基于CNN的舰船检测算法与实验分析

4.2.1 基于CNN的舰船检测算法方案设计

4.2.2 CNN模型在舰船检测中的训练与应用

4.2.3 检测结果分析与比较

4.3 结合CFAR与CNN的舰船检测算法与实验分析

4.3.1 基于CFAR与CNN的舰船检测方案设计

4.3.2 结合CNN和CFAR的算法在舰船检测中的应用

4.3.3 检测结果分析及比较

5 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读硕士学位期间主要成果