本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及合成孔徑雷達SAR圖像目標檢測技術(shù)領(lǐng)域中的一種基于恒虛景CFAR(Constant False Alarm Rate)檢測與深度學習的合成孔徑雷達SAR(Synthetic Aperture Radar)目標檢測方法。本發(fā)明能夠準確的檢測出合成孔徑雷達SAR圖像的目標，并且可用于后續(xù)合成孔徑雷達SAR圖像的目標識別。

背景技術(shù)：

合成孔徑雷達SAR具有全天候、全天時、分辨率高以及穿透力強等特點，廣泛應(yīng)用于軍事偵察和遙感領(lǐng)域。雷達成像技術(shù)在對地面目標特別是地面靜止目標探測方面具有獨特的優(yōu)勢，隨著SAR技術(shù)不斷成熟，成像分辨率不斷提高，使得通過SAR圖像的目標識別技術(shù)受到越來越廣泛的關(guān)注。

卷積神經(jīng)網(wǎng)絡(luò)是深度學習方法的一種，已成為當前語音分析和圖像識別領(lǐng)域的研究熱點。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。該優(yōu)點在網(wǎng)絡(luò)的輸入是多維圖像時表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡(luò)是為識別二維形狀而特殊設(shè)計的一個多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。

目前，已經(jīng)發(fā)展出很多針對SAR圖像的目標檢測算法。其中，恒虛警(Constant False Alarm Rate，CFAR)檢測算法以其簡單、快速、實時性強的特點而被廣泛應(yīng)用于合成孔徑雷達SAR圖像目標檢測中。此外，根據(jù)不同類型的目標在SAR圖像上具有不同的表征形式，也相應(yīng)的具有不同的檢測方法。但這些現(xiàn)有SAR圖像檢測方法僅利用了SAR圖像局部區(qū)域的統(tǒng)計特性，僅能做到像素級別的檢測，不能做到端對端檢測，在復(fù)雜場景下在復(fù)雜場景下，檢測性能較差檢測性能較差。

中國人民解放軍國防科學技術(shù)大學其申請的專利“一種SAR圖像雙邊CFAR艦船目標檢測方法”(專利申請?zhí)?01510011762.6，公布號CN104537675A)中公開了一種SAR圖像雙邊CFAR艦船目標檢測方法。該方法將SAR圖像中的每個像素點的亮度值和空間值聯(lián)合，利用恒虛景CFAR檢測方法對聯(lián)合圖像進行檢測，得到艦船目標檢測結(jié)果。該方法存在的不足之處是，對切片的處理是像素級別的處理，不能做到圖片級別的檢測，檢測門限的設(shè)置不方便。

西安電子科技大學在其申請的專利“基于CFAR和稀疏表示的高分辨SAR艦船檢測方法”(專利申請?zhí)?01310280179.6，公布號CN103400156A)中公開了一種基于CFAR和稀疏表示的高分辨SAR艦船檢測方法。該方法在正常恒虛景CFAR檢測的基礎(chǔ)上，對切片提取特征向量，并通過稀疏表示分類器做鑒別，得到最終的艦船檢測結(jié)果。該方法的不足之處是檢測過程要經(jīng)過檢測、鑒別兩個步驟，不能做到端對端檢測，并且在復(fù)雜場景下，檢測性能較差。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于CFAR檢測與深度學習的SAR目標檢測方法。本發(fā)明克服了現(xiàn)有技術(shù)中的合成孔徑雷達SAR圖像目標檢測方法中僅利用了SAR圖像局部區(qū)域的統(tǒng)計特性，僅能做到像素級別的檢測的問題，同時做到了端對端檢測，提高了復(fù)雜場景下在復(fù)雜場景下，如：強雜波較多，檢測性能較差合成孔徑雷達SAR圖像目標檢測定位的準確性。

為實現(xiàn)上述目的，本發(fā)明具體實現(xiàn)步驟包括如下：

(1)獲取SAR圖像：

(1a)從MiniSAR數(shù)據(jù)集中隨機選取100幅SAR圖像；

(1b)從MiniSAR數(shù)據(jù)集中選取與所選SAR圖像對應(yīng)的目標坐標信息和類別標簽；

(1c)將所選取的SAR圖像以及目標坐標信息和類別標簽組成訓練樣本集；

(2)擴充訓練樣本集：

對訓練樣本集中每幅SAR圖像的待識別目標區(qū)域進行100次的隨機平移，將每次平移后的訓練樣本圖像組成擴充后的訓練樣本集；

(3)構(gòu)建Faster-RCNN模型的網(wǎng)絡(luò)結(jié)構(gòu)：

(3a)構(gòu)建一個三層卷積網(wǎng)絡(luò)，其中，第一層為卷積層，使用96個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為4個像素，輸出96個特征圖，每個特征圖經(jīng)過一個下采樣進行降維，下采樣的核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，將降維后的特征圖輸入到第二層；第二層為卷積層，使用96個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，輸出96個特征圖，每個特征圖經(jīng)過一個下采樣進行降維，下采樣的核窗口大小為個像素3*3，相鄰局部接受域的中心距離為2個像素，將降維后的特征圖輸入到第三層；第三層為卷積層，使用256個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，輸出256個特征圖；

(3b)在步驟(3a)的三層卷積網(wǎng)絡(luò)后引入第四層卷積層，該層使用256個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為1個像素，輸出256個特征圖，特征圖輸入到第五、六層，與此同時，對于每個滑窗，以滑窗中心為中心，分別以128²、256²、512²三種尺寸，2:1,1:1,1:2三種長寬比構(gòu)建9個anchor boxes；第五、六層為同級的全連接層，第五層為18個神經(jīng)元的全連接，第六層為36個神經(jīng)元的全連接層，將以上各層合在一起，得到用于提取圖像的感興趣區(qū)域RPN網(wǎng)絡(luò)；

(3c)在步驟(3a)的三層卷積后引入第四層RoI池化層，第4層為核窗口大小自適應(yīng)于輸出6*6個像素特征圖，相鄰局部接受域的中心距離為2個像素的下采樣層，經(jīng)下采樣得到降維后的特征圖輸入到第五層；第五層為有1000個神經(jīng)元的全連接層，將第五層輸出輸入到第六、七層；第六、七層為同級的全連接層，第六層為2個神經(jīng)元的全連接層，第七層為8個神經(jīng)元的全連接層，將以上各層合在一起，得到用于圖像的檢測和分類Fast-RCNN網(wǎng)絡(luò)；

(4)獲得訓練好的RPN模型：

(4a)將擴充后的訓練樣本集輸入到RPN網(wǎng)絡(luò)，利用隨機梯度下降算法，分別計算RPN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值；

(4b)利用反向傳播算法，計算RPN網(wǎng)絡(luò)中每一層的誤差靈敏度，用每一層的誤差靈敏度更新該層的權(quán)值；

(4c)判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的RPN網(wǎng)絡(luò)模型，執(zhí)行步驟(5)，否則，執(zhí)行步驟(4a)；

(5)獲得訓練好的Fast-RCNN模型：

(5a)將擴充后的訓練樣本集以及訓練好的RPN網(wǎng)絡(luò)模型的anchor boxes輸入到Fast-RCNN網(wǎng)絡(luò)中，利用隨機梯度下降算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值；

(5b)利用反向傳播算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的誤差靈敏度，用每一層的誤差靈敏度更新該層的權(quán)值；

(5c)判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的Fast-RCNN網(wǎng)絡(luò)模型，執(zhí)行步驟(6)，否則，執(zhí)行步驟(5a)；

(6)獲得微調(diào)的RPN網(wǎng)絡(luò)：

(6a)將訓練好的Fast-RCNN網(wǎng)絡(luò)模型的前三層的參數(shù)固定不變，將擴充后的訓練樣本集輸入到RPN網(wǎng)絡(luò)中；

(6b)利用隨機梯度下降算法，計算RPN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值；

(6c)利用反向傳播算法，計算RPN網(wǎng)絡(luò)第四、五、六層的誤差靈敏度，用第四、五、六層的誤差靈敏度更新RPN網(wǎng)絡(luò)的第四、五、六層的權(quán)值；

(6d)判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到微調(diào)的RPN網(wǎng)絡(luò)模型，執(zhí)行步驟(7)，否則，執(zhí)行步驟(6a)；

(7)獲得訓練好的Faster-RCNN模型：

(7a)將訓練好的Fast-RCNN網(wǎng)絡(luò)模型的前三層的參數(shù)固定不變，將擴充后的訓練樣本集以及微調(diào)的RPN網(wǎng)絡(luò)模型的anchor boxes輸入到Fast-RCNN網(wǎng)絡(luò)中；

(7b)利用隨機梯度下降算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值；

(7c)利用反向傳播算法，計算Fast-RCNN網(wǎng)絡(luò)第四、五、六、七層的誤差靈敏度，用第四、五、六、七層的誤差靈敏度更新Fast-RCNN網(wǎng)絡(luò)第四、五、六、七層的權(quán)值；

(7d)判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的Faster-RCNN網(wǎng)絡(luò)的各層網(wǎng)絡(luò)參數(shù)，執(zhí)行步驟(8)，否則，執(zhí)行步驟(7a)；

(8)目標檢測：

(8a)對測試數(shù)據(jù)進行恒虛景CFAR檢測，以恒虛景CFAR二值檢測結(jié)果的各個目標質(zhì)心為中心，提取與各個目標質(zhì)心對應(yīng)的檢測切片；

(8b)用訓練好的Faster-RCNN模型對各個檢測切片進行目標檢測，得到各個切片的目標檢測結(jié)果；

(8c)將各個切片的目標檢測結(jié)果，按照其在原始SAR圖像的相對位置進行合并，得到測試數(shù)據(jù)的目標檢測結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

第一，由于本發(fā)明利用Faster-RCNN模型進行目標檢測，克服了現(xiàn)有技術(shù)對切片的處理是像素級別的處理，不能做到圖片級別的檢測，檢測門限的設(shè)置不方便的問題，使本發(fā)明具有能夠完成圖像級檢測，得到目標區(qū)域的檢測概率，方便后續(xù)的檢測門限調(diào)整的優(yōu)點。

第二，由于本發(fā)明先利用恒虛景CFAR檢測方法進行切片，然后利用Faster-RCNN模型對切片進行目標檢測，克服了現(xiàn)有技術(shù)檢測過程要經(jīng)過檢測、鑒別兩個步驟，不能做到端對端檢測，耗時較長的問題，使本發(fā)明具有能夠完成端對端檢測，將檢測與鑒別集成于一體的優(yōu)點。

第三，由于本發(fā)明利用訓練好的Faster-RCNN模型的各層卷積網(wǎng)絡(luò)參數(shù)，挖掘SAR圖像目標的一些高層特征，克服了現(xiàn)有技術(shù)復(fù)雜場景下在復(fù)雜場景下，檢測性能較差的問題，使本發(fā)明具有在復(fù)雜場景下檢測性能較好的優(yōu)點。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明仿真實驗中輸入的合成孔徑雷達SAR圖；

圖3是本發(fā)明仿真實驗結(jié)果圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步的描述。

參照附圖1，本發(fā)明的具體步驟如下。

步驟1，獲取SAR圖像。

從MiniSAR數(shù)據(jù)集中隨機選取100幅SAR圖像。

從MiniSAR數(shù)據(jù)集中選取與所選SAR圖像對應(yīng)的目標坐標信息和類別標簽。

將所選取的SAR圖像以及目標坐標信息和類別標簽組成訓練樣本集。

步驟2，擴充訓練樣本集。

對訓練樣本集中每幅SAR圖像的待識別目標區(qū)域進行100次的隨機平移，將每次平移后的訓練樣本圖像組成擴充后的訓練樣本集。

第1步，在matlab中讀取訓練樣本集中的每一個SAR圖像，得到對應(yīng)每一個SAR圖像的二維坐標系、以及該SAR圖像中每個像素點在此坐標系下的坐標(x,y)；

第2步，采用圍繞邊界方法，對訓練樣本集中每一個SAR圖像的背景，進行鏡像反射填充，得到填充后的SAR圖像；

第3步，將填充后SAR圖像中的任一像素點的坐標(x,y)沿x軸平移t_x個單位，沿y軸平移t_y個單位，得到(x',y')，其中x'＝x+t_x，y'＝y(tǒng)+t_y，t_x為在正負二分之待識別目標區(qū)域的長的區(qū)間中選取的任一整數(shù)，t_y為在正負二分之待識別目標區(qū)域的寬的區(qū)間中選取的任一整數(shù)；

第4步，以第1步確定的坐標系的橫坐標為二分之待識別目標區(qū)域的長，縱坐標為二分之待識別目標區(qū)域的寬的坐標為起點坐標，從填充、平移后的SAR圖像中截取與原始SAR圖像訓練樣本同樣大小的區(qū)域，得到一個新的訓練樣本圖像；

第5步，判斷平移次數(shù)是否達到100次，若是，則執(zhí)行第6步，否則，執(zhí)行第1步；

第6步，在隨機平移得到的所有新訓練樣本圖像上，標記與原始訓練樣本圖像相同的類別標簽。

第7步，用所有標有類別標簽的新樣本圖像與原始圖像，組成擴充后的訓練樣本集。

步驟3，構(gòu)建Faster-RCNN模型的網(wǎng)絡(luò)結(jié)構(gòu)。

Faster-RCNN模型網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法參見Shaoqing Ren等人于2015發(fā)表在NIPS上的文章《Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks》。Faster-RCNN模型的網(wǎng)絡(luò)結(jié)構(gòu)包括RPN網(wǎng)絡(luò)跟Fast-RCNN網(wǎng)絡(luò)兩部分，具體的構(gòu)建方法是：

構(gòu)建一個三層卷積網(wǎng)絡(luò)，其中，第一層為卷積層，使用96個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為4個像素，輸出96個特征圖，每個特征圖經(jīng)過一個下采樣進行降維，下采樣的核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，將降維后的特征圖輸入到第二層；第二層為卷積層，使用96個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，輸出96個特征圖，每個特征圖經(jīng)過一個下采樣進行降維，下采樣的核窗口大小為個像素3*3，相鄰局部接受域的中心距離為2個像素，將降維后的特征圖輸入到第三層；第三層為卷積層，使用256個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為2個像素，輸出256個特征圖。

構(gòu)建一個用于提取圖像的感興趣區(qū)域RPN網(wǎng)絡(luò)，在第1步的三層卷積網(wǎng)絡(luò)后引入第四層卷積層，該層使用256個卷積核，卷積核窗口大小為3*3個像素，相鄰局部接受域的中心距離為1個像素，輸出256個特征圖，特征圖輸入到第五、六層，與此同時，對于每個滑窗，以滑窗中心為中心，分別以128²、256²、512²三種尺寸，2:1,1:1,1:2三種長寬比構(gòu)建9個anchor boxes；第五、六層為同級的全連接層，第五層為18個神經(jīng)元的全連接，第六層為36個神經(jīng)元的全連接層。

構(gòu)建用于圖像的檢測和分類Fast-RCNN網(wǎng)絡(luò)，在第1步的三層卷積后引入第四層RoI池化層，第4層為核窗口大小自適應(yīng)于輸出6*6個像素特征圖，相鄰局部接受域的中心距離為2個像素的下采樣層，經(jīng)下采樣得到降維后的特征圖輸入到第五層；第五層為有1000個神經(jīng)元的全連接層，將第五層輸出輸入到第六、七層；第六、七層為同級的全連接層，第六層為2個神經(jīng)元的全連接層，第七層為8個神經(jīng)元的全連接層。

步驟4，獲得訓練好的RPN模型。

第1步，將擴充后的訓練樣本集輸入到RPN網(wǎng)絡(luò)，利用隨機梯度下降算法，分別計算RPN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值。

第2步，利用反向傳播算法，計算RPN網(wǎng)絡(luò)中每一層的誤差靈敏度，用每一層的誤差靈敏度更新該層的權(quán)值。

第3步，判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的RPN網(wǎng)絡(luò)模型，執(zhí)行步驟5，否則，執(zhí)行第1步。

步驟5，獲得訓練好的Fast-RCNN模型。

第1步，將擴充后的訓練樣本集以及訓練好的RPN網(wǎng)絡(luò)模型的anchor boxes輸入到Fast-RCNN網(wǎng)絡(luò)中，利用隨機梯度下降算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值。

第2步，利用反向傳播算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的誤差靈敏度，用每一層的誤差靈敏度更新該層的權(quán)值。

第3步，判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的Fast-RCNN網(wǎng)絡(luò)模型，執(zhí)行步驟6，否則，執(zhí)行第1步。

步驟6，獲得微調(diào)的RPN網(wǎng)絡(luò)。

第1步，將訓練好的Fast-RCNN網(wǎng)絡(luò)模型的前三層的參數(shù)固定不變，將擴充后的訓練樣本集輸入到RPN網(wǎng)絡(luò)中。

第2步，利用隨機梯度下降算法，計算RPN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值。

第3步，利用反向傳播算法，計算RPN網(wǎng)絡(luò)第四、五、六層的誤差靈敏度，用第四、五、六層的誤差靈敏度更新RPN網(wǎng)絡(luò)的第四、五、六層的權(quán)值。

第4步，判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到微調(diào)的RPN網(wǎng)絡(luò)模型，執(zhí)行步驟7，否則，執(zhí)行第1步。

步驟7，獲得訓練好的Faster-RCNN模型。

第1步，將訓練好的Fast-RCNN網(wǎng)絡(luò)模型的前三層的參數(shù)固定不變，將擴充后的訓練樣本集以及微調(diào)的RPN網(wǎng)絡(luò)模型的anchor boxes輸入到Fast-RCNN網(wǎng)絡(luò)中。

第2步，利用隨機梯度下降算法，計算Fast-RCNN網(wǎng)絡(luò)中每一層的代價函數(shù)的梯度值，用每一層的梯度值更新該層的權(quán)值。

第3步，利用反向傳播算法，計算Fast-RCNN網(wǎng)絡(luò)第四、五、六、七層的誤差靈敏度，用第四、五、六、七層的誤差靈敏度更新Fast-RCNN網(wǎng)絡(luò)第四、五、六、七層的權(quán)值。

第4步，判斷更新前的權(quán)值與更新后的權(quán)值是否相等，若是，則網(wǎng)絡(luò)訓練完畢，得到訓練好的Faster-RCNN網(wǎng)絡(luò)的各層網(wǎng)絡(luò)參數(shù)，執(zhí)行步驟8，否則，執(zhí)行第1步。

步驟8，目標檢測。

對測試數(shù)據(jù)進行恒虛景CFAR檢測，以恒虛景CFAR二值檢測結(jié)果的各個目標質(zhì)心為中心，提取與各個目標質(zhì)心對應(yīng)的檢測切片。具體做法是：

第1步，對輸入的SAR圖像進行滑窗處理，得到一個對應(yīng)的中心像素點，滑窗內(nèi)部為保護區(qū)域，滑窗周圍為雜波區(qū)域；

第2步，按照下式，計算每次滑窗的中心像素點周圍雜波區(qū)域像素的均值和方差：

${\mathrm{\μ}}_i=\frac{{\mathrm{\Σ}}_{j=1}^N{x}_j}{N}$

${\mathrm{\σ}}_i=\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{j=1}^N{(x_j-{\mathrm{\μ}}_i)}^2}$

其中，μ_i表示第i次滑窗的中心像素點周圍雜波區(qū)域像素的均值，∑表示求和操作，N表示每次滑窗的中心像素點周圍雜波區(qū)域像素的個數(shù)，j表示每次滑窗的中心像素點周圍雜波區(qū)域中的第j個像素，x_j表示每次滑窗的中心像素點周圍雜波區(qū)域中的第j個像素的強度，σ_i表示第i次滑窗的中心像素點周圍雜波區(qū)域像素的方差，表示開方操作；

第3步，按照下式，計算每次滑窗的中心像素點的檢測統(tǒng)計量：

$D_i=\frac{X_i-{\mathrm{\μ}}_i}{{\mathrm{\σ}}_i}$

其中，D_i表示第i次滑窗的中心像素點的檢測統(tǒng)計量，X_i表示第i次滑窗的中心像素點的強度，μ_i表示第i次滑窗的中心像素點周圍雜波區(qū)域像素的均值，σ_i表示第i次滑窗的中心像素點周圍雜波區(qū)域像素的方差；

第4步，在[0,0.2]的范圍內(nèi)，隨機設(shè)定一個檢測閾值；

第5步，判斷檢測統(tǒng)計量是否大于檢測閾值，若是，將該像素點作為目標點，否則，將該像素點作為雜波點；

第6步，判斷是否遍歷輸入的SAR圖像的所有的中心像素點，若是，則得到恒虛景CFAR二值檢測結(jié)果，否則，執(zhí)行第1步。

第7步，將所有的目標點合并為區(qū)域目標；

第8步，以區(qū)域目標的質(zhì)心為中心，用矩形框框出，得到目標質(zhì)心對應(yīng)的檢測切片。

用訓練好的Faster-RCNN模型對各個檢測切片進行目標檢測，得到各個切片的目標檢測結(jié)果。具體做法是：

第1步，將恒虛景CFAR檢測后所得的切片輸入到訓練好的Faster-RCNN模型中，每一個切片中的每一個anchor box得到一個概率值；

第2步，在[0.6,1]的范圍內(nèi)，隨機選取一個概率值作為閾值；

第3步，判斷anchor box的概率值是否大于閾值，若是，將該anchor box作為目標，否則，將該anchor box作為非目標。

第4步，判斷是否遍歷輸入的所有切片，若是，則得到測試數(shù)據(jù)的目標檢測結(jié)果，否則，執(zhí)行第1步。

將各個切片的目標檢測結(jié)果按在原始SAR圖像的位置進行合并，得到整個測試數(shù)據(jù)的目標檢測結(jié)果。

下面結(jié)合仿真圖對本發(fā)明做進一步的描述。

1.仿真條件：

本發(fā)明的仿真實驗中原始訓練樣本集為MiniSAR數(shù)據(jù)集中隨機選取的100幅SAR圖像，測試樣本為一副場景SAR圖像，如附圖2所示。圖像的大小為2510×1638，其中包含了車輛類人工目標，也包含了樹木、田野等自然目標，仿真實驗的目的是檢測和定位出圖像中所有類型的人工目標。

本發(fā)明的仿真實驗的計算機環(huán)境：操作系統(tǒng)為Linux 14.04版本，處理器為Intel(R)Core(TM)i7-4790k處理器的主頻率為4.00GHz；軟件平臺為：MatlabR2012a、caffe。

2.仿真內(nèi)容與結(jié)果分析：

本發(fā)明的仿真實驗是對合成孔徑雷達SAR圖像中的人工目標進行檢測，首先，利用原始訓練樣本集中的100幅SAR圖像對Faster‐RCNN模型進行訓練，得到訓練好的模型。

然后，將測試樣本輸入到訓練好的Faster‐RCNN模型中，分別以0.6，0.7，0.8的概率閾值進行篩選檢測，檢測完畢后統(tǒng)計檢測率與虛景率對檢測結(jié)果進行量化，其中，

附圖3是本發(fā)明仿真實驗結(jié)果，反映了恒虛景CFAR檢測與本發(fā)明的性能比較，其中圖3中的橫坐標表示虛景率，縱坐標表示檢測率，帶三角的折線表示恒虛景CFAR檢測的性能折線，帶圓形的折線表示本發(fā)明在概率閾值0.6下的性能折線，帶菱形的折線表示本發(fā)明在概率閾值0.7下的性能折線，帶正方形的折線表示本發(fā)明在概率閾值0.6下的性能折線。

通過附圖3性能比較結(jié)果可以看到，本發(fā)明能夠正確的檢測出合成孔徑雷達SAR圖像中人工目標，且在復(fù)雜場景下檢測性能較好，虛景率低，比恒虛景CFAR檢測有明顯的提高，使用本發(fā)明方法對合成孔徑雷達SAR圖像進行人工目標檢測能夠獲得較精確的結(jié)果。