面向遥感图像的目标检测和识别方法研究.pdf

面向遥感图像的目标检测和识别方法研究

摘要

目标检测与识别技术是计算机视觉领域中的关键基础科学问题，目标检测技术侧

重于对目标在空间中的精准发现，而目标识别技术侧重于对目标类型的准确判别，该

类技术在民用和军用领域有着迫切的需求和巨大的应用前景。自动目标识别技术是对

传感器获取的目标特征进行精准发现和分类的智能化技术。随着人工智能技术的发展，

自动目标识别的需求也在不断地扩展和细化，如何实现在广大区域内目标的精准发现、

细粒度分类和身份级识别是自动目标识别技术的发展方向。当前自动目标识别技术主

要包含三个阶段的研究：图像目标检测、图像目标鉴别、图像目标识别。因此，本文

瞄准上述需求，结合合成孔径雷达（SAR）可全天时、全天候成像和光学图像纹理丰

富等特点，提出了联合多层次空间信息（高层空间信息：SAR图像；低层空间信息：

光学图像）的自动目标身份级识别技术。深度剖析了该技术在应用过程中所面临的现

实问题，如目标检测中的高虚警问题、目标分类中的小样本问题、目标识别中背景杂

波干扰问题、目标重识别中的跨视角特征差异大等问题，并提出了创新性的解决方法。

本文具体的研究内容如下：

（1）提出基于多通道推理融合的SAR图像目标检测方法，实现对大规模SAR图

像中目标的精准检测。通道定义为一种特定的处理方式，该处理方式可以是不同的图

像处理方法，亦可以是使用不同智能模型进行处理。该方法首先针对大规模SAR图像

的特征多尺度问题，提出了多尺寸切片器模块，将大规模SAR图像切割成大小不同的

切片图集，并放入不同通道。其次构建一个模型库，通过使用不同参数训练的模型对

不同尺寸的切片图集进行处理，得到差异化检测结果。然后针对漏检和虚警问题，提

出多通道融合的虚警抑制方法和基于像素特征过滤的虚警抑制方法，通过融合不同通

道输出的检测结果，同时度量目标区域像素与背景区域像素值差异来辨别检测结果中

真伪目标，实现在提高目标检测检测率的同时，降低检测虚警率。通过开展大量实验

证明了所提出的方法在大规模SAR图像目标检测数据集具有优秀的性能表现。

（2）提出基于微调策略的小样本SAR图像目标识别方法，实现小样本条件下的

SAR图像目标准确识别。该方法针对SAR图像目标标注样本少，导致用于深度神经网

络模型可训练数据不充足的问题，提出基于数据引擎模块和微调策略的小样本目标识

别方法。在数据引擎模块中通过引入图像风格迁移模型，将具有标注信息的光学图像

目标识别数据集转化为类SAR图像风格的目标识别数据集，并作为深度神经网络模型

哈尔滨工程大学博士学位论文

的预训练数据集，该预训练模型可学习到同样适用于SAR图像目标识别的良好的基础

网络参数，具备良好的泛化性能。考虑目标轮廓信息的重要性，在小样本目标识别模

型中引入了DeepBDC表征层，使得目标轮廓特征的表达更加显著。最后，引入少量标

注的SAR图像目标样本对模型进行微调，使得模型对新类样本具有可靠的识别能力。

实验结果证明本文所提出的方法在SAR图像的小样本目标识别任务中表现出有竞争力

的性能。

（3）提出基于可变形卷积神经网络的SAR图像目标识别方法，实现SAR图像目

标的高精准识别。针对SAR图像背景杂波干扰以及相同目标因成像方位角不同造成的

SAR图像差异等问题，提出了基于形态学的目标区域提取方法。该方法对SAR图像目

标区域提取，显著的保留了目标的长宽信息。在主干网络模型的选择方面，引入可变

形卷积神经网络，使得模型对于SAR图像的特征提取更加聚焦于图像中目标的有效区

域，特征采样位置可随目标的方位角自适应变化，进一步减弱了因成像方位角不同造

成目标图像差异的影响。通过实验结果的分析可知，该方法中所提出的模块具有较高

的有效性，且该方法整体性能优秀。

（4）提出基于图匹配的光学图像目标重识别方法，实现跨视角目标的精准匹配。

针对目标重识别中存在的跨视角目标特征差异大问题，提出目标关键点识别算法以构

建目标的拓扑结构特征，进而利用图卷积以及关键点局部特征补齐策略，减弱由于视

角盲区以及局部遮挡造成的目标特征不完全表达。最后利用图匹配方法对目标间的拓

扑结构特征进行软匹配，从而克服了由于目标图像视角跨度较大造成的目标图像难以

匹配的问题。通过对实验结果的分析可知，该方法有效地解决了跨视角目标重识