基于深度学习的SAR图像舰船目标检测识别一体化方法技术

本发明专利技术属于雷达遥感应用技术领域，具体涉及一种基于深度学习的SAR图像舰船目标检测识别一体化方法。SAR图像舰船目标解译的重要部分就是检测和识别，但是目前所有的检测和识别是独立的，检测识别一体化方法是今后SAR图像解译的重要研究方向。目标检测和识别已有的传统方法和深度学习方法均不能实现SAR图像舰船目标的检测识别一体化。本发明专利技术提出了一种SAR图像舰船目标检测识别一体化方法。我们通过已有的深度学习网络框架，提出了一个用于SAR图像舰船目标检测识别一体化的网络。主要是利用网络末端的检测和分类子网络同时进行舰船目标的检测和分类任务，从而实现检测识别一体化的目标。相比传统的ATR技术，本发明专利技术的检测识别过程更加简洁高效。

Integrated method of ship target detection and recognition in SAR image based on deep learning

【技术实现步骤摘要】
基于深度学习的SAR图像舰船目标检测识别一体化方法
本专利技术属于雷达遥感应用
，具体涉及一种基于深度学习的SAR图像舰船目标检测识别一体化方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar，以下简称SAR)是一种利用微波成像的有源传感器，与光学和红外传感器相比，SAR可以全天时全天候工作，并且具有一定的穿透能力。因此，SAR技术已广泛应用于民用和军事领域。随着SAR成像技术的发展，SAR图像目标检测识别领域面临着许多机遇和挑战。SAR图像中舰船目标检测识别是现代海事智能监控系统的重要组成部分，所以说SAR图像中舰船目标解译是目前的研究热点。传统的SAR图像自动目标识别(AutomaticTargetRecognition,以下简称ATR)系统即检测识别一体化系统处理流程分为预处理、检测和识别三个步骤。1)预处理：SAR图像预处理主要包括：图像增强、图像滤波、方位矫正等操作。由于SAR图像特殊的成像方式，使得SAR图像中存在大量的斑点噪声。为了尽可能消除这些斑点噪声对检测和识别的负面影响，加入预处理这一操作是非常必要的。预处理不仅能够消除绝大多数斑点噪声，并且能够保持图像的结构信息，同时也增强SAR图像的可读性，方便后续的SAR图像目标检测与识别。因此，在传统的SARATR系统中，第一个关键环节即是SAR图像预处理。2)检测是SAR图像ATR技术的中间阶段，一般来说是考虑目标与背景的特征差异对目标区域的一个定位过程，SAR图像中常用的检测方法是恒虚警检测技术(CFAR)。然而，CFAR方法在抑制杂波和控制近海岸、岛屿等地域虚警方面存在局限性。近年来，也有一些改进的CFAR方法被提出，但是依然不能很好的解决抑制杂波和控制虚警等问题。3)识别部分包括特征提取和分类两个步骤。常用的特征提取方法有主成分分析(PCA)、小波变换(WT)和独立成分分析(ICA)等。分类方法有支持向量机(SVM)、决策树算法和最近邻分类器等分类模型以及模板匹配方法。传统的SAR图像目标自动识别方法严重依赖人为设计的特征以及糟糕的泛化性能。任何一个阶段出现的微小问题都会对系统的识别精度产生很大的影响。另外，随着SAR成像技术的发展，传统的ATR方法在检测和识别阶段都表现出一定的局限性。深度网络的出现打破了传统SAR图像中目标自动识别的处理流程，能够通过改变网络的设计结构完成检测和分类不同的任务。光学图像中基于深度网络的ATR技术发展迅速，已广泛应用于各个行业。而在相同的条件下，由于SAR图像中的舰船目标比光学图像中的目标具有更少的特征，如目标尺寸较小，开源数据的分辨率较低等问题，使得SAR图像的舰船ATR比较困难。基于深度网络的船舶检测不仅不需要陆海分选，而且具有较高的检测正确率。基于深度网络的舰船切片的正确分类率正在不断提高。然而，基于切片的分类方法在实际场景中的应用并不理想。目前基于SAR图像的舰船目标自动识别方法可以进行船舶目标检测和粗分类一体化，粗分类指根据船舶的大小将船舶分为大型船舶和小型船舶，显然粗分类并不能够达到实用化的要求。所以说基于深度学习的SAR图像舰船目标还不能实现真正意义上的自动识别。SAR图像舰船目标解译的重要部分就是检测和识别，但是目前所有的检测和识别是独立的。检测识别一体化方法是今后SAR图像解译的重要研究方向，目标检测和识别已有的传统方法和深度学习方法均不能实现SAR图像舰船目标的检测识别一体化。
技术实现思路
本专利技术的目的是，基于已有的深度学习方法，实现SAR图像中舰船目标的检测识别一体化。本专利技术采用的技术方案为，基于深度学习的SAR图像舰船目标检测识别一体化方法，其特征在于，包括以下步骤：S1、制作训练数据集：选择具有多类舰船的SAR图像，将其制作成统一大小的SAR图像切片，对切片进行标记，即在切片上用矩形框画出舰船目标的具体位置，并且进行类别的标记，获得训练数据集；S2、构建深度神经网络：以RetinaNet网络作为网络框架，构建的深度神经网络包括ResNet50、特征金字塔网络FPN、分类和回归子网络；ResNet50作为基础网络，SAR图像首先经过ResNet的卷积层1，进行1次7×7卷积和1次最大池化运算；然后进入卷积层2，卷积层2的结构依次包括1×1卷积、3×3卷积、1×1卷积和ReLU激活函数，还包括直连通道将卷积层2的输入直接连接到ReLU激活函数；ResNet卷积层3、卷积层4和卷积层5的结构和卷积核同卷积层2，只是在每层输出通道数有所不同。卷积层2输出通道数为256，卷积层3输出通道数为512，卷积层4输出通道数为1024，卷积层5输出通道数为2048。RetinaNet使用FPN中的第三至第七层，其中第三至第五层是从基础网络中的卷积层3至卷积层5采用自顶向下和横向连接输出的，第六层是通过卷积层5上的3×3卷积获得，第七层是先在第六层上应用ReLU激活函数，然后在第六层上应用3×3卷积获得；在金字塔的第三至第七层中，锚点的面积分别为32×32，64×64，128×128，256×256，512×512，每个金字塔层锚点有3个长宽对比度1:2，1:1，2:1，整个特征金字塔有15种锚点；如果某个锚点和一个给定的目标真值有最高的交并比或者和任意一个目标真值的交并比都大于0.7，则是正样本，如果一个锚点和任意一个目标真值的交并比都小于0.3，则为负样本，交并比IOU计算公式如下：其中area(C)是预测的候选框，area(G)是原目标真值标记框；分类子网络和回归子网络均由4个3×3卷积层构成，在分类子网络的第二层末端加入压缩和激励模块，压缩和激励模块的输出特征信息传递给分类子网络的卷积层3，子网络卷积层4输出的结果用于预测结果；分类和回归子网络的损失函数由分类和回归两部分组成，分类采用的损失函数如下：Lossc＝-αt(1-pt)γlog(pt)其中，pt表示损失概率，γ称为聚焦参数，通常γ＝2，αt是权重因数，通常αt＝0.25。回归任务中的损失函数采用SmoothL1:其中x代表预测框与真实目标之间的差异。则检测识别一体化总的目标是损失函数：Loss＝Lossc+LossrS3、利用步骤S1的训练数据集对步骤S2构建的深度神经网络进行训练，获得训练好的深度神经网络；S4、通过SAR回波获得舰船图像后，将其输入训练好的深度神经网络，获得检测识别结果。本专利技术的有益效果是：在已有的深度学习网络RetinaNet的基础上提出了一种基于深度学习的SAR图像舰船目标检测识别一体化方法,并且在分类子网络中加入了SE模块。本专利技术提出的方法不仅能够实现舰船目标的检测识别一体化，而且极大的提高了舰船的分类正确率。综上所述，较现有的SAR目标识别方法，本专利技术具有了检测识别一体化的能力，并且舰船识别正确率大大提高，并且优于已有的SAR图像舰船目标检测识别方法。附图说明图1为本专利技术检测识别一体化流程；<本文档来自技高网...

【技术保护点】
1.基于深度学习的SAR图像舰船目标检测识别一体化方法，其特征在于，包括以下步骤：/nS1、制作训练数据集：选择具有多类舰船的SAR图像，将其制作成统一大小的SAR图像切片，对切片进行标记，即在切片上用矩形框画出舰船目标的具体位置，并且进行类别的标记，获得训练数据集；/nS2、构建深度神经网络：以RetinaNet网络作为网络框架，构建的深度神经网络包括ResNet50、特征金字塔网络FPN、分类和回归子网络；/nResNet50作为基础网络，SAR图像首先经过ResNet50的卷积层1，进行1次7×7卷积和1次最大池化运算；然后进入卷积层2，卷积层2的结构依次包括1×1卷积、3×3卷积、1×1卷积和ReLU激活函数，还包括直连通道将卷积层2的输入直接连接到ReLU激活函数；ResNet50卷积层3、卷积层4和卷积层5的结构和卷积核同卷积层2，只是在每层输出通道数有所不同，卷积层2输出通道数为256，卷积层3输出通道数为512，卷积层4输出通道数为1024，卷积层5输出通道数为2048；/nRetinaNet使用FPN中的第三至第七层，其中第三至第五层是从基础网络中的卷积层3至卷积层5采用自顶向下和横向连接输出的，第六层是通过卷积层5上的3×3卷积获得，第七层是先在第六层上应用ReLU激活函数，然后在第六层上应用3×3卷积获得；在金字塔的第三至第七层中，锚点的面积分别为32×32，64×64，128×128，256×256，512×512，每个金字塔层锚点有3个长宽对比度1:2，1:1，2:1，整个特征金字塔有15种锚点；如果某个锚点和一个给定的目标真值有最高的交并比或者和任意一个目标真值的交并比都大于0.7，则是正样本，如果一个锚点和任意一个目标真值的交并比都小于0.3，则为负样本，交并比IOU计算公式如下：/n...

【技术特征摘要】
1.基于深度学习的SAR图像舰船目标检测识别一体化方法，其特征在于，包括以下步骤：
S1、制作训练数据集：选择具有多类舰船的SAR图像，将其制作成统一大小的SAR图像切片，对切片进行标记，即在切片上用矩形框画出舰船目标的具体位置，并且进行类别的标记，获得训练数据集；
S2、构建深度神经网络：以RetinaNet网络作为网络框架，构建的深度神经网络包括ResNet50、特征金字塔网络FPN、分类和回归子网络；
ResNet50作为基础网络，SAR图像首先经过ResNet50的卷积层1，进行1次7×7卷积和1次最大池化运算；然后进入卷积层2，卷积层2的结构依次包括1×1卷积、3×3卷积、1×1卷积和ReLU激活函数，还包括直连通道将卷积层2的输入直接连接到ReLU激活函数；ResNet50卷积层3、卷积层4和卷积层5的结构和卷积核同卷积层2，只是在每层输出通道数有所不同，卷积层2输出通道数为256，卷积层3输出通道数为512，卷积层4输出通道数为1024，卷积层5输出通道数为2048；
RetinaNet使用FPN中的第三至第七层，其中第三至第五层是从基础网络中的卷积层3至卷积层5采用自顶向下和横向连接输出的，第六层是通过卷积层5上的3×3卷积获得，第七层是先在第六层上应用ReLU激活函数，然后在第六层上应用3×3卷积获得；在金字塔的第三至第七层中，锚点的面积分别为32×32，64×64，128...

【专利技术属性】
技术研发人员：曹宗杰，候泽生，崔宗勇，杨建宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51