MSTAR数据库结合深度学习（SAR图像目标检测与识别）

    MSTAR数据库作为SAR图像自动目标识别（SAR ATR）研究的一个通用库，被很多学者广泛采用。从现有的SAR ATR系统处理流程来看，目标检测作为该系统的前端，很大程度上影响系统后续识别性能，在较好的检测性能下获得的目标区域可以直接进行分类识别，避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分，是整个系统的重点也是难点。

    深度学习作为当前图像处理领域的前沿热点，其在特征提取方面具有无可比拟的优越性。深度学习利用深层网络结构进行逐层的非线性变换，能够实现对复杂函数的逼近，通过分层的网络获取分层次的特征信息，有效解决了以往需要手工设计特征的难题。优秀的特征自学习能力使深度学习受到了学术界及工业界的广泛关注，在短短的几年时间里，深度神经网络已在图像分割、目标检测和识别等领域显示出了优越的性能。数据库作为深度神经网络学习的驱动力，完备的数据库至关重要，这里主要介绍MSTAR数据库如何与深度学习结合。

一、SAR目标检测

    MSTAR数据集中包含大量地面目标切片和少量大场景图像，分辨率为0.3m×0.3m，可用于检测网络的训练和测试。利用目标切片和背景切片对网络的训练，完成对复杂大场景中机动目标的检测。训练样本如下：

（a）目标原图	（b）目标阴影标签图	（c）标签边缘提取
图3‑4　SAR目标标签仿真结果

图3‑5　MSTAR复杂场景切片图

验证网络的检测性能采用的数据如下：

也可采用MiniSAR数据进一步的验证网络的有效性：

二、目标识别

识别网络的训练和测试所用数据集来源于MSTAR数据库中的目标切片，其中的目标切片含有不同目标类型、方位角、俯仰角、外形配置变化和型号变种的SAR目标图像，图像分辨率为0.3m×0.3m，大小为128×128。本文中SAR图像目标识别实验所用数据来自该数据集中10类军事目标图像，分别为2S1、BRDM2、BTR60、D7、T62、T72、ZIL131、ZSU234、BMP2、BTR70、T72（坦克：T62，T72；装甲车：BMP2，BRDM2，BTR60，BTR70；火箭发射车：2S1；防空单元：ZSU234；军用卡车：ZIL131；推土机：D7）。目标切片的方位角为0°~360°，每个方位角间隔约1°~2°。俯仰角方面，数据集中包含上述十类目标在15°和17°俯仰角下的数据，其中对于2S1、BRDM2、T72、ZSU234四类目标含有俯仰角在30°和45°的数据。对于同一目标型号，BMP2和T72含有不同的变体型号，其中BMP2含有SN9563、SNC21和SN9566三种变体型号，T72则含有10种变体型号。图4‑8给出了十类目标的SAR图像和对应光学图像示例。

（a）2S1	（b）BRDM_2	（c）BTR60	（d）D7	（e）T62
（f）ZIL131	（g）BMP2	（h）ZSU_23_4	（i） T72	（j）BTR70

图4‑8　十类目标光学图像与SAR图像示例

为了全面评价识别网络的准确性以及泛化性，这里分别在标准操作条件（Standard Operating Conditions，SOC）下和扩展操作条件（Extended Operating Conditions，EOC）下对网络进行测试，分别设计两类数据库：

（1）SOC数据集

标注操作条件指的是训练集和测试集中目标图像差异较小，这里的差异指训练集和测试集中目标成像的俯仰角和方位角不一样，目标的外形配置和型号相同。因而在SOC数据集中采用十类目标在17°俯仰角的图像为训练集，在15°俯仰角的图像为测试集，具体目标型号和图像数量详见表4-1。SOC数据集主要用来验证识别网络的准确性。

 

 

 

 

 

表4‑1　SOC数据集

目标类别	2S1	BMP2	BRDM2	BTR60	BTR70	D7	T62	T72	ZIL131	ZSU234
目标型号	B01	SN9563	E-71	Kloyt7532	C71	92v13015	A51	SN132	E12	D08
训练集17°	299	233	298	256	233	299	299	232	299	299
测试集15°	274	196	274	195	196	274	273	196	274	274

（2）EOC数据集

扩展操作条件指的是训练集和测试集中目标图像差异相比标准操作条件要大很多，主要体现在俯仰角发生的变化大、外形配置有变化、训练集和测试集中同一目标的型号不同。这里主要设置了两个EOC数据集，第一个EOC数据集采用2S1、BRDM2、T72和ZSU234四类目标在30°俯仰角的图像作为测试集，其中训练集数据为这四类目标在SOC中的数据，该数据集简称为ECO1，其中测试集具体设置如表4-2所示；第二个EOC数据集为同一目标不同变体型号进行识别，其中训练集为BMP2、BRDM2、BTR70和T72在15°和17°俯仰角的数据，测试集为BMP2和T72不同变体型号的数据，该数据集简称为ECO2，其中BMP2和T72同一目标不同型号的具体情况如表4-3所示。ECO数据集主要用来验证识别网络的泛化性。

表4‑2　EOC1数据集

目标类别	目标型号	俯仰角	样本数量
2S1	Bo1	30°	288
BRDM2	E-71	30°	287
T72	A64	30°	288
ZSU234	D08	30°	288

表4‑3　EOC2数据集

目标类型	BMP2		T72
目标型号	9566	C21	S7	SN812	A04	A05	A07	A10	A32	A62	A63	A64
样本数量	428	429	419	426	573	573	573	567	572	573	573	573
俯仰角	15°，17°

 

三、检测识别结果

注：毕业论文主要对基于卷积神经网络的SAR图像目标检测与识别进行了研究，当时最头疼的就是数据库的构建，国内公开的SAR图像数据少之又少，为了有效训练网络，花费了很多精力构建数据库，其中包括原始数据的转换，大场景数据的构建，以及数据的整理。目标分类数据https://download.csdn.net/download/zyzyzyzyzyzyzyzyzy/10956188