基于改进Faster R-CNN的SAR图像飞机检测算法

李广帅，苏娟，李义红

（火箭军工程大学 核工程学院，西安710025）

合成孔径雷达（Synthetic Aperture Radar，SAR）与光学和红外等被动式传感器相比，具有全天时、全天候、高分辨率的独特优势，在战场态势感知、典型目标识别和精确制导等军事领域具有突出的战略意义。飞机作为一种典型的人造目标，军事价值极其重要，高效、准确获取机场、空域等位置的飞机目标信息，对实时获取战场军事情报、制定作战计划具有重要意义。

恒虚警率（Constant False Alarm Rate，CFAR）检测器是传统SAR图像目标检测最常用的检测算法［1］，基于像素级水平进行检测，并衍生出多种改进算法，如平均CFAR算法［2］、双参数CFAR算法［3］等。文献［4］提出一种基于级联CFAR的检测算法，可快速实现对SAR目标的检测，以满足实时要求。文献［5］提出了一种基于可变窗的CFAR算法，采用多尺度局部对比度和可变窗以实现对SAR目标的精确检测。此外，还有基于注意模型的检测算法等。文献［6］提出了一种基于视觉注意和学习策略的SAR图像目标检测算法，文献［7］提出了一种基于多尺度显著性特征的SAR目标检测算法。传统的检测算法能够自适应阈值，为飞机检测提供了较好的思路，缺点是仅利用像素级对比度进行检测，难以适应复杂背景下检测要求，容易造成虚警，影响检测结果。

深度学习具有强大的视觉目标检测能力，基于卷积神经网络（CNN）的目标检测算法成为了当前主流算法［8］。典型检测算法有单阶段检测算法SSD［9］（Single ShotmultiBox Detector）、YOLO［10］（You Only Look Once）、YOLOv2［11］、YOLOv3［12］等，以及双阶段检测算法R-CNN［13］（Region-Convolutional Neural Network）、Fast R-CNN［14］、Faster RCNN［15］等。目前，基于深度学习进行飞机目标检测的算法大多应用于可见光图像。……