基于数值散射模拟与机器学习的SAR自动目标识别研究

Automatic target recognition (ATR) is required to process huge amount SAR data. Based on the electromagnetic (EM) scattering simulation and machine learning technique, this project will study ATR algorithms suitable for SAR images. Hybrid multiscale numerical approaches are going to be firstly studied, and target image database can be constructed by EM modeling, scattering computing and imaging. With machine learning algorithms, such as deep learning, the rules of database construction and machine learning algorithms suitable for SAR images will be studied. The aim of this project is to overcome some key problems in SAR ATR field, and build a complete chain from target modeling, EM computing, SAR imaging simulation, data processing, and machine learning to automatic recognition.

海量SAR数据对目标自动识别的研究提出了更高的要求。本项目拟以电磁散射模拟与机器学习算法为切入点，研究适合SAR图像的目标自动识别算法。研究多尺度快速混合电磁散射数值计算方法，通过建模、散射计算与成像，建立目标图像数据库，结合深度学习等机器学习算法，研究SAR图像的数据库建立原则、以及适合SAR图像的机器学习算法。研究旨在克服SAR目标自动识别中的几个关键问题，建立完整的目标建模、散射计算、成像模拟、数据处理、机器学习、自动识别的技术链。

目标识别作为SAR研究领域中的一个重要分支，在军事和民用领域都占有非常重要的地位和广泛的应用，如军事领域中飞机、坦克、军舰、军事基地等的监测与识别，民用领域中建筑物、道路、桥梁等的识别等。近年来，人工智能技术的蓬勃发展为海量SAR数据的处理提供了新思路，但基于光学图像发展起来的深度学习算法在SAR图像领域的应用面临很多问题与挑战：与光学图像相比，SAR图像不直观、噪声高，并且很多目标在图像中不再连续，表现为目标由一个或多个散射中心构成。SAR图像样本量不够丰富，并且受成像条件影响比较大。基于以上原因，项目提出利用电磁散射建模仿真SAR图像以此来扩充样本，并研究融合目标电磁特性的智能目标识别算法。通过高精度电磁仿真算法，仿真了地面坦克目标SAR图像，在此基础上提出了零样本目标识别算法，即通过仿真图像训练神经网络模型，再对实测数据进行识别。此外，SAR图像为复数数据，为了充分利用其相位信息，将实数域卷积神经网络扩展到复数域。与实数卷积网络相比，复数卷积网络具有更高的分类性能与更低的计算复杂度。项目研究了端到端的目标检测与识别算法，应用于海面舰船目标、机场飞机目标，均能取得优异的性能。项目成果形成了SAR图像智能解译软件，申请了软件著作权，发表了高水平学术论文，并总结成专著。