許宜明，李東生，楊 浩

（國防科技大學(xué)電子對抗學(xué)院，合肥 230031）

0 引言

視頻SAR 是一種新型的雷達(dá)系統(tǒng)，不僅具備傳統(tǒng)SAR 全天時、全天候的觀測優(yōu)勢，還具備傳統(tǒng)SAR 所不具備的高幀率和高分辨率成像特性，可以對目標(biāo)區(qū)域?qū)崿F(xiàn)持續(xù)不間斷的監(jiān)測。美國桑迪亞國家實(shí)驗(yàn)室（SNL）利用子孔徑重疊，首次實(shí)現(xiàn)了Ku波段的高幀率成像，并成功將視頻SAR 模塊集成到多部系統(tǒng)中。美國國防部高級研究計(jì)劃局（DARPA）采用提高工作頻率實(shí)現(xiàn)了高幀率成像的太赫茲雷達(dá)，并于2018 年公開了工作在235 GHz 頻段的Video SAR的成像結(jié)果［1］。

由于SAR 圖像中多普勒頻移會使得動目標(biāo)在真實(shí)位置處形成陰影，而視頻SAR 高幀率、高分辨率的特性使得陰影的成像效果較佳，因此，近年來國內(nèi)外學(xué)者提出了很多基于陰影的檢測算法。文獻(xiàn)［2］將尺度不變特征變換和隨機(jī)抽樣一致性算法相結(jié)合，從而實(shí)現(xiàn)幀間圖像配準(zhǔn)，然后利用閾值分割、背景差分等圖像處理方法實(shí)現(xiàn)陰影的檢測。文獻(xiàn)［3］利用目標(biāo)尺寸、速度等先驗(yàn)信息，提出了一種基于知識輔助的陰影檢測算法。文獻(xiàn)［4］分析了Video SAR 運(yùn)動目標(biāo)陰影與目標(biāo)速度的關(guān)系，給出了陰影檢測速度限制的表達(dá)式，并在單幀圖像上實(shí)現(xiàn)了基于陰影的動目標(biāo)的檢測。

傳統(tǒng)圖像處理方法在對陰影進(jìn)行檢測時流程較為復(fù)雜，處理時間較久，不利于實(shí)時檢測。而深度學(xué)習(xí)方法則可以實(shí)現(xiàn)端到端的檢測，但當(dāng)前可用于訓(xùn)練的數(shù)據(jù)集較為稀少，且動目標(biāo)的檢測對于模型性能的要求較高。文獻(xiàn)［5-6］基于SNL 官方公布的視頻SAR 數(shù)據(jù)，提出一種Faster RCNN+滑窗密度聚類+Bi-LSTM 的動目標(biāo)檢測方法來抑制虛警和漏警。文獻(xiàn)［7］使用雙重Faster R-CNN 算法，對Video SAR 圖像中的陰影和多普勒能量分別進(jìn)行檢測，并共享兩個獨(dú)立RPN 生成的建議框，有效降低了虛警和漏檢。文獻(xiàn)［8］針對傳統(tǒng)視頻SAR 運(yùn)動目標(biāo)檢測中存在的幀間配準(zhǔn)難、陰影特征不明顯等問題，利用K-means 聚類和FPN 結(jié)構(gòu)，提出一種改進(jìn)Faster R-CNN 的檢測算法對運(yùn)動目標(biāo)的“亮線”進(jìn)行檢測，所用數(shù)據(jù)集為自研的Mini-SAR 系統(tǒng)數(shù)據(jù)。文獻(xiàn)［9］提出一種用于Video SAR 陰影檢測的深度網(wǎng)絡(luò)ShadowDENet，該算法使用直方圖均衡化、變換自注意機(jī)制等方法對Faster R-CNN 方法進(jìn)行改進(jìn)，但算法稍微犧牲了一些檢測速度。文獻(xiàn)［10］針對SAR目標(biāo)檢測訓(xùn)練樣本不足的問題，提出一種改進(jìn)SSD的目標(biāo)檢測算法，主要是對模型結(jié)構(gòu)進(jìn)行優(yōu)化和小樣本增強(qiáng)。文獻(xiàn)［11］通過利用K-means聚類和添加注意力模塊，對RetinaNet進(jìn)行改進(jìn)并用于SAR圖像檢測，在不損失精度的前提下降低了模型復(fù)雜度。

針對Video SAR 數(shù)據(jù)集缺少的現(xiàn)狀，本文利用SNL官方網(wǎng)站發(fā)布的真實(shí)視頻SAR數(shù)據(jù)制作了數(shù)據(jù)集［12］，并在改進(jìn)模型上實(shí)現(xiàn)了視頻SAR 動目標(biāo)端到端的檢測。主要對Faster R-CNN 檢測模型進(jìn)行改進(jìn)，在預(yù)處理環(huán)節(jié)加入S 曲線增強(qiáng)方法來增強(qiáng)圖像中目標(biāo)的對比度，利用K-means聚類+遺傳算法自適應(yīng)地計(jì)算先驗(yàn)框尺寸，并使用截取后的殘差網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)來提取視頻SAR 的深層特征，有效提升了視頻SAR動目標(biāo)的檢測率，也抑制了虛警和漏檢。

1 圖像增強(qiáng)方法

一般SAR 圖像整體偏暗，對比度較低，對于人眼的可視性不強(qiáng)。在對視頻SAR 圖像的像素值進(jìn)行直方圖統(tǒng)計(jì)發(fā)現(xiàn)，如圖1（a）所示，灰度值主要集中在［30，70］之間，呈現(xiàn)單峰狀態(tài)，不利于目標(biāo)和背景的分離。本文在數(shù)據(jù)集的預(yù)處理環(huán)節(jié)增加圖像增強(qiáng)步驟，以此來增強(qiáng)圖像的對比度，提高陰影的檢測概率。傳統(tǒng)空間域的對比度增強(qiáng)方法有線性變換、直方圖均衡化、直方圖規(guī)定化等［13］。本文利用一種S型曲線增強(qiáng)方法來對原圖像幀進(jìn)行增強(qiáng)處理，從而對陰影區(qū)域?qū)嵤┯嗅槍π缘卦鰪?qiáng)。如圖1（c）所示，S 型曲線的斜率不斷變化，呈現(xiàn)先緩后抖再緩的趨勢，從而實(shí)現(xiàn)“重點(diǎn)區(qū)間強(qiáng)拉伸，非重點(diǎn)區(qū)間弱拉伸”的效果。其常見的數(shù)學(xué)形式為：

其中，k代表函數(shù)在x→∞時的函數(shù)極限值；a決定了曲線的單調(diào)性；b是曲線沿x軸平移距離。a為正時，曲線單調(diào)遞增，a為負(fù)時，曲線單調(diào)遞減，且|a|值越大，曲線越抖，|a|值越小，曲線越平緩。

這種非線性拉伸辦法模糊了圖像增強(qiáng)的灰度區(qū)間，可以將陰影有效地從背景中突顯出來。如圖1（b），經(jīng)過S曲線增強(qiáng)后，目標(biāo)區(qū)間能夠較為平滑地被拉伸，從而實(shí)現(xiàn)了針對目標(biāo)區(qū)域的對比度增強(qiáng)。

為了更直觀地察看增強(qiáng)效果，本文引入直方圖均衡化方法作為對比。由于SAR 圖像中相干斑的存在，實(shí)驗(yàn)在圖像增強(qiáng)前加入中值濾波技術(shù)來對圖像進(jìn)行降噪處理。如圖2所示，從顯示效果來看，兩種方法都能實(shí)現(xiàn)原圖的對比度增強(qiáng)，且目標(biāo)區(qū)域陰影的增強(qiáng)效果較為明顯。其中，直方圖均衡化方法增強(qiáng)效果更為明顯，但可能對于原圖的像素信息有了一定程度破壞，而S 曲線增強(qiáng)方法既能對原圖陰影信息進(jìn)行有效地增強(qiáng)，又能較好地保留原圖的信息，具體的對比驗(yàn)證詳見下章相關(guān)實(shí)驗(yàn)。

圖2 不同圖像增強(qiáng)方法后的效果圖Fig.2 Effects with different image enhancement methods

2 基于改進(jìn)Faster R-CNN 的檢測算法

深度學(xué)習(xí)目標(biāo)檢測算法主要分為兩類，一類是基于回歸的一階段算法，一類是基于候選區(qū)域二階段算法。一階段算法直接提取特征進(jìn)行目標(biāo)分類與位置回歸，速度較快，代表的有SSD、YOLO 和RetinaNet等。而二階段需要經(jīng)過候選區(qū)域生成和目標(biāo)精確檢測兩個步驟，準(zhǔn)確度較高，代表的有RCNN系列。其中，F(xiàn)aster R-CNN［14］作為經(jīng)典高效的二階段算法，創(chuàng)新性地提出候選區(qū)域網(wǎng)絡(luò)結(jié)構(gòu)（RPN），大大提高了目標(biāo)檢測的精度。本文以Faster R-CNN 算法作為檢測模型的基本框架，來進(jìn)行視頻SAR 動目標(biāo)的檢測，下頁圖3 為改進(jìn)的Faster R-CNN 檢測算法流程圖。本文使用ROI Align 來替換ROI Pooling［15］，從而保證了目標(biāo)信息最大程度的保留，提高算法的檢測精度。在數(shù)據(jù)預(yù)處理環(huán)節(jié)加入訓(xùn)練數(shù)據(jù)的歸一化操作，以此來消除樣本的共性特征，凸顯個體差異，提高訓(xùn)練的穩(wěn)定性，加快模型的收斂。

圖3 基于改進(jìn)Faster R-CNN 的視頻SAR動目標(biāo)檢測流程圖Fig.3 Flow chart of moving target detection in video SAR based on improved Faster R-CNN

2.1 自適應(yīng)錨框計(jì)算

在Faster R-CNN 中，錨框（anchor box）的大小由人為設(shè)定，原始算法是根據(jù)PASCAL VOC 數(shù)據(jù)集經(jīng)驗(yàn)所得，遷移至其他數(shù)據(jù)集上使用時效果不是很好，而初始設(shè)定的先驗(yàn)框?qū)τ诰W(wǎng)絡(luò)的收斂和精度提升非常關(guān)鍵。基于此，本文使用一種自適應(yīng)錨框大小的計(jì)算方法來獲取最適合數(shù)據(jù)集的先驗(yàn)框尺寸。算法的思路是首先利用K-means 聚類算法，初步獲取數(shù)據(jù)集中的邊界框聚類，然后利用遺傳算法對聚類結(jié)果進(jìn)行變異擇優(yōu)，擇優(yōu)過程由適應(yīng)度函數(shù)來評估，召回率較高，則說明此次突變效果好，最后輸出最優(yōu)結(jié)果。具體的算法步驟如下：

1）載入數(shù)據(jù)集，獲取數(shù)據(jù)集中所有邊界框的尺寸，根據(jù)輸入模型圖像前后的縮放比例，等比例縮放邊界框，得到縮放后的尺寸w*h；

2）隨機(jī)選取K個邊界框的（wc，hc）作為初始質(zhì)心，根據(jù)IoU 距離度量對樣本集進(jìn)行K-means 聚類，將所有邊界框劃歸最近的質(zhì)心，距離度量公式和IoU計(jì)算如式（2）：

其中，A、B分別為兩個矩形框；SA∩B、SA∪B為兩者相交、相并部分面積；

3）利用中值法更新每個簇的質(zhì)心，并利用新質(zhì)心重新聚類所有樣本；

4）重復(fù)迭代過程，直至各簇樣本質(zhì)心不再變化；

5）使用遺傳算法對邊界框進(jìn)行隨機(jī)變異n次，若變異后效果變好，則更新質(zhì)心，效果不好，則跳過，輸出最終變異結(jié)果。

2.2 特征提取網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)（backbone）為檢測模型的特征提取部分，本文使用經(jīng)典的ResNet50 網(wǎng)絡(luò)作為backbone 來提取圖像的深度特征。由于視頻SAR 數(shù)據(jù)的特殊性，圖像上的動目標(biāo)大部分為陰影，目標(biāo)的信息比較簡單（形狀、大小較為固定），且由于視頻SAR 所在平臺為飛行單元，故對于檢測器模型性能不僅僅考慮精度的高低，還需要將網(wǎng)絡(luò)的復(fù)雜度、參數(shù)量以及推理時間等因素列入考慮。因此，本文基于實(shí)用性角度出發(fā)，對ResNet50 結(jié)構(gòu)進(jìn)行部分截取，以達(dá)到模型輕量化的目的，如圖4所示。

圖4 截取后的ResNet50結(jié)構(gòu)Fig.4 Intercepted structure of ResNet50

3 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)平臺為配備NVIDIA GeForce RTX 3070 GPU（8G）、Intel（R）Core（TM）i9-10900K CPU的個人計(jì)算機(jī)，開發(fā)環(huán)境為python3.8，Torch-1.10.2和Torchvision-0.11.3，以及CUDA-11.3 和CuDNN-8.2.1用于GPU加速。

3.1 數(shù)據(jù)集制作與處理

實(shí)驗(yàn)選取的數(shù)據(jù)集為美國Sandia國家實(shí)驗(yàn)室在官網(wǎng)公布的實(shí)測視頻SAR 數(shù)據(jù)，該數(shù)據(jù)采集于柯特蘭空軍基地的尤班克大門前一段實(shí)時監(jiān)控片段，被處理為視頻格式。通過提取，可以得到900 幀數(shù)據(jù)用于實(shí)驗(yàn)。圖5為Sandia國家實(shí)驗(yàn)室視頻SAR的工作現(xiàn)場環(huán)境。實(shí)驗(yàn)選用前600 張用于訓(xùn)練，后300張用于測試，所有數(shù)據(jù)均已進(jìn)行人工標(biāo)注。由于深度學(xué)習(xí)需要大量的數(shù)據(jù)，因此，對用于訓(xùn)練的600幀進(jìn)行數(shù)據(jù)增強(qiáng)處理以擴(kuò)充數(shù)據(jù)集，常用的數(shù)據(jù)增強(qiáng)方法有平移、鏡像、旋轉(zhuǎn)、加噪、縮放、錯切等，擴(kuò)充后數(shù)據(jù)集為12 600張。

圖5 SNL視頻SAR雷達(dá)工作現(xiàn)場照片和SAR成像圖Fig.5 SNL video SAR radar work site photo and SAR imaging picture

3.2 評估指標(biāo)

采用PASCAL VOC 2012 評價(jià)標(biāo)準(zhǔn)作為算法評估指標(biāo)，常用的有檢測率（p）、召回率（r）、虛警率（f）和漏檢率（m）。另外，要想得知在高置信度閾值條件下模型的檢測性能，通常利用繪制Precision-Recall 曲線，來觀察p、r值的變化規(guī)律，結(jié)果可用曲線下方的面積來描述，即平均精度（AP）：

同時，為了更好地在檢測率和召回率之間進(jìn)行權(quán)衡，這里需要引入F1分?jǐn)?shù)：

最后為了評估模型的實(shí)時性能，引入幀率FPS（frames per second），即單位時間內(nèi)模型能夠檢測的圖像數(shù)：

本文中，N取100；T為模型預(yù)測100張圖像所需要的總時間。

3.3 訓(xùn)練細(xì)節(jié)

本文實(shí)驗(yàn)中，模型訓(xùn)練皆采用warm up+學(xué)習(xí)率衰減方法，初始學(xué)習(xí)率設(shè)置為0.005，學(xué)習(xí)率衰減步長為3，衰減系數(shù)為0.33，動量為0.9，權(quán)值衰減為0.000 5。網(wǎng)絡(luò)采用SGD 優(yōu)化器，受限于硬件水平，batch size 設(shè)為2。在經(jīng)過實(shí)驗(yàn)觀察后發(fā)現(xiàn)，網(wǎng)絡(luò)大多在10 輪左右開始收斂，如圖6 所示。因此，將本文中的對比實(shí)驗(yàn)epochs都設(shè)置為15，每輪迭代6 300次。極大值抑制所用的IoU閾值為0.7，F(xiàn)aster RCNN計(jì)算誤差時采集正負(fù)樣本的IoU閾值為0.5。

圖6 訓(xùn)練損失與學(xué)習(xí)率的變化曲線Fig.6 The curve of training loss and learning rate

4 實(shí)驗(yàn)結(jié)果與分析

4.1 圖像增強(qiáng)實(shí)驗(yàn)

為了驗(yàn)證所提出圖像增強(qiáng)方法對于動目標(biāo)檢測的有效性，本文進(jìn)行了不同圖像增強(qiáng)方法的對比實(shí)驗(yàn)，主要引入直方圖均衡化（HE）和直方圖規(guī)定化（HP）兩種方法，與本文的S 曲線增強(qiáng)方法（SE）形成對比。實(shí)驗(yàn)基線為以原始ResNet50 結(jié)構(gòu)作為backbone 的Faster R-CNN 檢測模型，為更好地發(fā)揮算法的檢測性能，縮短模型的推理時間，將先驗(yàn)框尺寸更改為［16，32，64］，寬高比保持不變（［0.5，1，2］）。

表1 實(shí)驗(yàn)結(jié)果表明，本文所提出的S 曲線增強(qiáng)方法帶來了最高性能提升，其中，與基線模型相比，AP提升約為9%，F(xiàn)1分?jǐn)?shù)提升約為5%。而直方圖規(guī)定化方法也能帶來較好的性能提升，F(xiàn)1 分?jǐn)?shù)提升與本文方法持平，但AP的提升約為7%，不足S 曲線增強(qiáng)方法。直方圖均衡化由于選擇的是限制對比度的自適應(yīng)直方圖均衡化（CLAHE）方法，盡管增強(qiáng)的顯示效果較好，但對于圖像的原始信息有了一些破壞，并不適用于Video SAR 圖像，所以導(dǎo)致最終的檢測結(jié)果反而變差了。

表1 不同圖像增強(qiáng)方法的Faster R-CNN 檢測結(jié)果Table 1 Faster R-CNN detection results with different image enhancement methods

4.2 定量分析

為了量化每項(xiàng)改進(jìn)方法對于檢測器性能的提升效果，本文進(jìn)行了相關(guān)的消融實(shí)驗(yàn)。實(shí)驗(yàn)基線與4.3節(jié)保持一致，在這基礎(chǔ)上依次施加自適應(yīng)錨框計(jì)算、網(wǎng)絡(luò)截取、圖像增強(qiáng)（SE）3 種改進(jìn)方法，以此來查看每項(xiàng)改進(jìn)措施對于模型的檢測性能增益，具體實(shí)驗(yàn)結(jié)果如下頁表2所示。

表2 消融實(shí)驗(yàn)Table 2 Ablation experiment

消融實(shí)驗(yàn)表明本文提出的模型無論是檢測率還是檢測速度都相較基線有極大的提升，其中，平均精度（AP）提升為10.7%，F(xiàn)1 分?jǐn)?shù)提升為12.1%，檢測速度（FPS）提升為13.9%。其中，自適應(yīng)錨框計(jì)算、網(wǎng)絡(luò)優(yōu)化、圖像增強(qiáng)帶來不同程度的性能提升，F(xiàn)1 分?jǐn)?shù)的提升分別為2.5%、7.2%、2.4%。由于在數(shù)據(jù)預(yù)處理環(huán)節(jié)增加了S 曲線增強(qiáng)項(xiàng)，導(dǎo)致模型檢測速度略微有所下降（FPS下降約為3.1f∕s），但帶來AP與F1 的提升卻是明顯的（AP提升為2.9%，F(xiàn)1 提升為2.4%）。從虛警率（f）和漏檢率（m）一項(xiàng)可以看出，改進(jìn)后的Faster R-CNN 模型對于視頻SAR 動目標(biāo)的檢測中存在的誤檢和漏檢問題，也得到有效的改善，其中，虛警率下降為12.7%，漏檢率下降為8.4%。為了更好地分析模型改進(jìn)和圖像增強(qiáng)對于檢測性能提升的具體貢獻(xiàn)，分別將實(shí)驗(yàn)5 和實(shí)驗(yàn)3與基線進(jìn)行對比，可以得出圖像增強(qiáng)對原始Faster R-CNN 檢測模型也有提高（AP提升為5.9%，F(xiàn)1 提升為4.9%），但相比之下，模型改進(jìn)帶來的提升更為顯著（AP提升為7.8%，F(xiàn)1提升為9.7%）。

4.3 定性分析

為了更加直觀地感受本文方法對于視頻SAR動目標(biāo)的檢測性能的提升，本文選取驗(yàn)證集第603、774、806、900 幀作為測試圖像，對改進(jìn)后的Faster R-CNN 模型進(jìn)行動目標(biāo)檢測的定性實(shí)驗(yàn)，預(yù)測結(jié)果如圖7 所示，其中，圖7（a）為真實(shí)目標(biāo)所在位置（綠色框），圖7（b）為以ResNet50 網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)的原始Faster R-CNN 檢測結(jié)果（粉色框），圖7（c）為改進(jìn)后但不增加圖像增強(qiáng)環(huán)節(jié)的Faster R-CNN 檢測結(jié)果（橙色框），圖7（d）為模型改進(jìn)+圖像增強(qiáng)的Faster R-CNN 檢測結(jié)果（青色框），檢測框上面的數(shù)字為該框的置信度。為增強(qiáng)可視效果，檢測結(jié)果圖中的漏檢目標(biāo)用紅色橢圓形進(jìn)行了標(biāo)記，誤檢目標(biāo)用黃色三角形進(jìn)行了標(biāo)記。

圖7 視頻SAR動目標(biāo)的檢測結(jié)果對比Fig.7 Comparison of detection results of moving targets in video SAR

從圖7（b）可以看出，基于Faster R-CNN 的檢測器能夠有效實(shí)現(xiàn)視頻SAR 動目標(biāo)端到端的檢測，在目標(biāo)陰影較為清晰時，能夠較好地進(jìn)行檢測（如603幀），但當(dāng)目標(biāo)速度過快，導(dǎo)致陰影成像不佳時，便會出現(xiàn)較多的漏檢目標(biāo)（如774 幀和900 幀），且運(yùn)動目標(biāo)距離過近也會導(dǎo)致檢測器誤認(rèn)為一個目標(biāo)而發(fā)生漏檢。圖中一些靜態(tài)目標(biāo)產(chǎn)生的陰影與相干斑雜波導(dǎo)致背景的對比度發(fā)生異常，也會造成檢測器發(fā)生誤檢，形成虛警目標(biāo)。而本文所提出的改進(jìn)方法則能夠有效提升模型的檢測性能，如圖7（c）和圖7（d）所示。4 幀圖像動目標(biāo)總個數(shù)為27 個，原始Faster R-CNN 模型誤檢個數(shù)為8，漏檢個數(shù)為6，本文方法誤檢個數(shù)為3，漏檢個數(shù)為3，可以看出，虛警和漏檢都得到了有效抑制。

4.4 與其他檢測算法的對比

為了更進(jìn)一步評估算法對于精度與速度之間的權(quán)衡，除原始Faster R-CNN算法外，本文還加入一階段經(jīng)典算法SSD和RetinaNet作為對比。為確保實(shí)驗(yàn)公平，實(shí)驗(yàn)訓(xùn)練策略保持不變，且均以ResNet50作為主干網(wǎng)絡(luò)，其中，先驗(yàn)框尺寸的設(shè)置保持原始值。

實(shí)驗(yàn)結(jié)果如表3 所示，SSD 和RetinaNet 算法無論是檢測精度還是檢測速度都要優(yōu)于原始Faster R-CNN 算法，其中，SSD 模型由于對原圖像進(jìn)行了縮放處理（300×300），因此，數(shù)據(jù)處理速度較快，幀率達(dá)到91.7 f∕s，同為一階段的RetinaNet模型則速度提升不太明顯，這與其自身擁有的FPN 結(jié)構(gòu)有關(guān)。而改進(jìn)后的Faster R-CNN 算法精度和速度較原算法都得到大幅度提升，虛警和漏檢得到了有效抑制。其中，檢測精度方面，AP的提升為10.7%，F(xiàn)1 分?jǐn)?shù)的提升為12.1%，超過SSD算法和RetinaNet算法；檢測速度方面，F(xiàn)PS提升為17.9 f∕s，僅次于低分辨率下的SSD算法。

表3 對比實(shí)驗(yàn)Table 3 Contrast experiment

5 結(jié)論

視頻SAR 作為一種高幀率、高分辨率的SAR 系統(tǒng)，為基于深度學(xué)習(xí)方法的目標(biāo)檢測算法提供了實(shí)現(xiàn)途徑。本文基于SNL 官方數(shù)據(jù)制作了視頻SAR數(shù)據(jù)集，通過改進(jìn)Faster R-CNN 算法，有效實(shí)現(xiàn)了視頻SAR 動目標(biāo)端到端的檢測。利用自適應(yīng)錨框計(jì)算、網(wǎng)絡(luò)截取等，對Faster R-CNN 模型進(jìn)行優(yōu)化，并使用S 增強(qiáng)方法來增強(qiáng)圖像的對比度，實(shí)驗(yàn)結(jié)果表明，模型對于視頻SAR 動目標(biāo)的檢測性能得到有效提升，改善了虛警和漏檢問題，且在檢測速度方面也有不錯的表現(xiàn)，從實(shí)驗(yàn)結(jié)果來看，檢測精度優(yōu)于SSD 和RetinaNet 算法，檢測速度僅次于低分辨率下的SSD算法。由于傳統(tǒng)信號域方法中閾值設(shè)定不當(dāng)會導(dǎo)致虛警與漏檢的矛盾對立，本文在圖像域?qū)走_(dá)目標(biāo)進(jìn)行檢測，IoU 閾值設(shè)定同樣存在此類狀況，但本文引入F1 分?jǐn)?shù)和平均精度AP作為均衡檢測率與召回率兩者矛盾的評價(jià)指標(biāo)，旨在找到最佳CNN 網(wǎng)絡(luò)模型，因此，可以在同等IoU 閾值條件下通過一系列改進(jìn)措施來不斷提升預(yù)測結(jié)果，從而起到同時改善虛警和漏檢的效果。