论文部分内容阅读
由于合成孔径雷达(SAR)具有全天时、全天候的特点,SAR图像目标检测广泛应用于军事和民用领域。随着SAR图像数据的增加和检测算法复杂度的提高,基于CPU串行计算的传统大场景SAR图像目标检测算法已经无法满足检测实时性和检测准确率的要求。得益于GPU通用计算技术的快速发展,为大场景SAR图像实时目标检测提供了一种可行的解决方案。因此,基于GPU的大场景SAR图像目标检测方法的研究对SAR图像实时目标检测具有重要意义。本文首先对经典的CFAR目标检测算法和基于Haar-like特征的AdaBoost目标检测算法原理进行简要分析,并介绍了GPU平台的CUDA编程的相关理论。然后分别对两种算法进行并行分析,探究算法中影响检测实时性和检测准确率的因素。针对存在的不足,对传统的算法进行改进,最后在GPU平台上对改进后的算法进行并行实现,通过实验对比,验证了改进后算法在SAR图像目标检测方面的准确率和GPU并行实现的实时性。论文的具体工作安排如下:(1)对经典的应用于SAR图像的CFAR目标检测算法和基于Haar-like特征的AdaBoost目标检测算法进行了分析,并对论文中所用到的CUDA编程模型和动态并行等CUDA并行加速的相关理论进行介绍。(2)对现有的CFAR算法进行并行分析和实现,探究其在检测准确率和检测实时性方面的不足,针对存在的不足对CFAR进行改进,提出了CP-CFAR目标检测算法,并对CP-CFAR算法进行并行分析和实现,和现有的CFAR算法进行对比试验,CP-CFAR算法在保证检测准确率的情况下达到了实时目标检测的要求。(3)对基于Haar-like特征的AdaBoost目标检测算法进行分析,探究其在大场景SAR图像目标检测情况下难以达到实时性的原因。分别针对其训练过程和检测过程进行CUDA并行加速。对求Haar-like特征值的部分提出了更适合在GPU平台下并行的改进算法,对训练过程耗时较多的迭代和循环操作使用CUDA的动态并行进行加速,对检测过程使用CUDA并行实现。经过CUDA加速后,训练过程达到了30的加速比,在大场景SAR图像情况下,检测过程也达到了实时检测要求,同时达到了较高的检测准确率。