1.基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，包括如下步骤：步骤1，对SAR图像进行预处理；

步骤2，对预处理后的图像进行灰度增强和均衡化处理；

步骤3，对步骤2中得到的SAR图像进行区域合并处理；

步骤4，对目标进行特征提取；

步骤5，基于多特征融合进行目标确认，获取特征类型相应的残差；

步骤6，对所有的残差阵列进行归一化处理，把残差阵列组成一个单一的残差序列；

步骤7，基于所有的残差序列对目标的类别进行标记，获取最终的SAR图像车辆检测结果。

2.根据权利要求1所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤1对SAR图像进行预处理的具体步骤为：用非局部均值方法对SAR图像进行滤波，再进行图像阈值分割。

3.根据权利要求1所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤2的具体步骤为：用线性变换方法调整低灰度值，经过拉伸后，[0,αμx]内的灰度值被映射为[0,βμy]，以使这些灰度值在整个灰度空间中占据更大的范围；然后，再对原始图像中的高灰度值进行均衡化处理，使相应的灰度范围从[αμx,X]映射到[βμy,Y]；

其中，μx和μy分别是图像调整前后的灰度平均值；X和Y均表示图像灰度空间的最大值；

这里，参数α和β用于控制调整前后灰度在空间分布中的平衡，其中，参数α的值为2到4，参数β的值为0.5到1.0。

4.根据权利要求1所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤3中的区域合并包括如下步骤：步骤3-1，首先用形态学闭操作算法去除图中的孤立区域，同时增加每个目标的连通性；

步骤3-2，在图像中搜索所有的连通区域；然后，将每个区域的信息，包括面积，最小外接矩形，坐标，尺寸和范围一一记录下来；

步骤3-3，从图像中移除面积大于阈值Aε的区域；

步骤3-4，把每个区域的信息输入到一个存储单元，所有连通区域对应的存储单元构造为一个向量Vs；

步骤3-5，从Vs中选择面积最大的区域，记为R0，并获得其最小外接矩形的宽度(w)和高度(h)；

步骤3-6，如果|w-lw|＜δ，w表示步骤3-5中所得最小外接矩形的宽度，δ表示阈值，lw表示车身宽度，则沿目标前端的垂直方向生成矩形，表示为Rrect；当有一个区域位于此矩形内或与此矩形重叠时，重叠区域则被合并到Rrect中，然后再更新区域Rrect，并从Vs中将其删除；

步骤3-7，如果lw＜w＜2lw，则沿着R0宽度方向均匀地将其分成两个子区域；然后，对每个子区域分别执行步骤3-6；

步骤3-8，迭代步骤3-5至步骤3-7，直到Vs为空集；最后，得到合并结果；其中，参数Aε，lw和δ在处理前通过数据库中收集到的车辆样本来确定。

5.根据权利要求1所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤4的具体步骤为：从已有数据集中，对L类不同的目标进行样本采集，然后运用相干斑抑制算法对所有采集到的样本进行噪声抑制；再针对每类目标的所有样本分别使用灰度直方图、灰度共生矩阵、方向梯度直方图和局部二值图，共四种特征提取方法，对目标进行特征提取，将其组成特征向量，生成相应的字典。因此共有L个字典，组成一个字典集D。然后，对于每一类别的测试样本，均使用上述的4种特征提取方法，进行特征提取，所得特征构成一个特征向量。

6.根据权利要求5所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤5的具体步骤为：在稀疏表示模型中，f表示特征类型，D表示目标类别的字典集；对于第i个特征类型，fi(i＝1,2,...,N)时，其中N＝4，基于L个字典，获取相应的残差ri，即，ri1,ri2,...,riL：

7.根据权利要求6所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤6的具体步骤为：对所有的ri阵列进行归一化处理，使得相应的最大峰值为

1。然后，把ri阵列组成一个单一的残差序列；对于所有的4类特征，生成4个残差序列，表示为：r＝{rij,i＝1,2,...,N；j＝1,2,...,L}。

8.根据权利要求1所述的一种基于特征融合稀疏表示的SAR图像车辆检测方法，其特征在于，所述步骤7的具体步骤为：基于所有r的序列，对目标的类别进行标记，即类别对应最终序列的最小残差：类别：

筛选出类别为车辆的目标，从而获取最终的SAR图像车辆检测结果。