一种背景与尺度感知的SAR舰船目标检测方法技术

本申请公开了一种背景与尺度感知的SAR舰船目标检测方法，该方法包括：根据预设空洞卷积扩张率和预设卷积核大小，组成多组并行的背景特征提取模块，任一组背景特征提取模块的输入端连接于金字塔型卷积神经网络的第一层卷积层，背景特征提取模块的输出端与金字塔卷积神经网络的输出端串接，以生成初始检测模型；根据待识别舰船目标的边界框和锚定框，确定初始检测模型的尺度感知损失函数，并基于尺度感知损失函数与多尺度图像集，对初始检测模型进行迭代训练，确定训练好的检测模型；利用训练好的检测模型，检测SAR图像中的舰船。通过本申请中的技术方案，充分利用背景信息，有效降低了SAR图像监测的虚警率，提升了SAR图像中小目标的检测率。标的检测率。标的检测率。

【技术实现步骤摘要】
一种背景与尺度感知的SAR舰船目标检测方法


[0001]本申请涉及合成孔径雷达目标检测的
，具体而言，涉及一种背景与尺度感知的SAR舰船目标检测方法。

技术介绍

[0002]海面舰船目标检测在海洋监管、渔业管理、船只搜救、海洋军事等领域有着广泛应用。合成孔径雷达(SAR，Synthetic Aperture Radar)具有全天时、全天候和大幅宽的特性，使得其在复杂的环境下也能对广阔海域进行成像，是海洋监控和海洋情报提取的重要信息来源。随着星载SAR和机载SAR传感器越来越多，对海SAR数据日益增加，急需一种快速实现SAR舰船目标检测的智能算法。得益于高速并行计算硬件(GPU、TPU、DPU等)和深度学习算法的快速发展，实现快速高精度舰船检测算法成为可能。
[0003]然而，现有的SAR图像舰船目标检测面临两个主要难点：
[0004]1)在海岸线、港口和岛礁附近对舰船进行检测时，陆地上的强散射物会形成强杂波，带来高虚警率。
[0005]2)中小渔船在海洋总船只数量中占比最大，而中小渔船尺寸较小，在SAR图像中占据较少像素，而小尺寸目标在神经网络传输过程中，信息容易丢失，造成较高的漏检率。

技术实现思路

[0006]本申请的目的在于：针对现有SAR舰船目标检测方法在陆地上虚警率高，以及对小尺寸舰船目标漏检率高的难题，提供一种背景与尺度感知的SAR舰船目标检测方法，该方法可以为基于SAR的海洋监管和海洋态势信息获取提供核心技术支撑。
[0007]本申请的技术方案是：提供了一种背景与尺度感知的SAR舰船目标检测方法，该方法适用于合成孔径雷达，方法包括：步骤1，根据预设空洞卷积扩张率和预设卷积核大小，组成多组并行的背景特征提取模块，任一组背景特征提取模块的输入端连接于金字塔型卷积神经网络的第一层卷积层，背景特征提取模块的输出端与金字塔卷积神经网络的输出端串接，以生成初始检测模型；步骤2，根据待识别舰船目标的边界框和锚定框，确定初始检测模型的尺度感知损失函数，并基于尺度感知损失函数与多尺度图像集，对初始检测模型进行迭代训练，确定训练好的检测模型；步骤3，利用训练好的检测模型，检测SAR图像中的舰船。
[0008]上述任一项技术方案中，进一步地，步骤2中，根据待识别舰船目标的边界框和锚定框，确定初始检测模型的尺度感知损失函数，具体包括：步骤201，通过计算真值框与锚定框的重叠率确定正负样本；步骤202，对预测框参数和真值框参数进行参数转换；步骤203，根据待识别舰船目标在SAR图像上的尺寸，计算目标在损失函数中的权重；步骤204，结合选择参数，确定尺度感知损失函数，其中，选择参数的取值由边界框与锚定框的重叠率确定。
[0009]上述任一项技术方案中，进一步地，选择参数包括第一选择参数和第二选择参数，选择参数取值的确定方法，具体包括：判断边界框与锚定框之间的重叠率是否为最大值，若是，将第一选择参数的取值设定为1，否则，将第一选择参数的取值设定为0；判断边界框与
锚定框之间的重叠率是否小于重叠阈值且第一选择参数的取值为1，若是，将第二选择参数的取值设定为1，否则，将第二选择参数的取值设定为0。
[0010]上述任一项技术方案中，进一步地，选择参数包括第一选择参数和第二选择参数，尺度感知损失函数的计算公式为：
[0011][0012][0013]式中，L为尺度感知损失函数，i是锚定框的序号，M是锚定框的数量，j是SAR图像中待识别舰船目标的序号，N是SAR图像中待识别舰船目标的数量，为第一选择参数，为第二选择参数，σ()为坐标值转换函数，为第i个锚定框的x坐标，为第i个锚定框的y坐标，为第i个锚定框中经过坐标值转换的x坐标，为第i个锚定框中经过坐标值转换的y坐标，为第j个边界框中经过参数值转换的x轴坐标，为第j个边界框中经过参数值转换的y轴坐标，为第i个锚定框中的宽度参数，为第j个边界框中经过参数值转换的宽度参数，为第i个锚定框中的高度参数，为第j个边界框中经过参数值转换的高度参数，为第i个锚定框中的置信度参数，p
j
为第j个待识别舰船目标的权重。
[0014]上述任一项技术方案中，进一步地，待识别舰船目标的权重的计算公式：
[0015][0016]式中，p
j
为权重，w
j
为待识别舰船目标在SAR图像上的宽度参数，h
j
为待识别舰船目标在SAR图像上的高度参数，W为SAR图像的宽度参数，H为SAR图像的高度参数，j为待识别舰船目标的边界框的标号。
[0017]上述任一项技术方案中，进一步地，多尺度图像集中包括多张图像尺寸一致的样本图像和尺寸参数集，尺寸参数集中设置有多个图像尺寸，步骤2中，基于尺度感知损失函数与多尺度图像集，对初始检测模型进行迭代训练，具体包括：步骤211，在每一次迭代训练中，随机在尺寸参数集中抽取任一图像尺寸，并根据抽取出的图像尺寸，在原始SAR图像上
随机位置处按照抽取的图像尺寸进行裁剪，得到样本图像；步骤212，将裁剪后的样本图像缩放至预设图像尺寸；步骤213，根据预设的批大小(batch size)，迭代上述步骤，得到一批次训练图像；步骤214，基于尺度感知损失函数与一批次训练图像，采用迭代训练方法，对初始检测模型进行训练。
[0018]上述任一项技术方案中，进一步地，初始检测模型中包含至少三个背景特征提取模块，每个背景特征提取模块由至少三路空洞卷积通道组成，每路空洞卷积通道包含卷积核大小为1
×
9和9
×
1的两个卷积层，至少三路空洞卷积通道的扩张率分别为1、5、9，至少三路空洞卷积的输出先相互串接后再与各自对应的金字塔型卷积神经网络卷积特征串接。
[0019]本申请的有益效果是：
[0020]本申请中的技术方案，设计了具有背景感知功能的检测模型，作为舰船检测网络模型，充分利用SAR图像中的背景信息，有效降低了SAR图像中舰船目标检测的虚警率，并提高了在SAR图像中舰船目标检测的检测率，为基于SAR图像的海洋监管和海洋态势信息获取提供核心技术支撑。
[0021]在本申请的一个优选实现方式中，还根据不同的选择参数取值，设计了独特的尺度感知损失函数，使得检测模型在训练过程中能够更加关注小目标的检测，进而提升SAR图像中小目标检测率；并采用了不同于常规的多尺度训练策略，在保证多尺度训练的同时，使每次输入检测网络的图像尺寸大小固定，保证每次迭代所需时间以及所需硬件资源保持一致，优化了SAR图像的检测性能。
附图说明
[0022]本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0023]图1是根据本申请的一个实施例的背景与尺度感知的SAR舰船目标检测方法的示意流程图；
[0024]图2是根据本申请的一个实施例的初始检测模型的示意框图；
[0025]图3是根据本申请的一个实施例的多路并行的空洞卷积通道的示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种背景与尺度感知的SAR舰船目标检测方法，其特征在于，该方法适用于合成孔径雷达，所述方法包括：步骤1，根据预设空洞卷积扩张率和预设卷积核大小，组成多组并行的背景特征提取模块，任一组背景特征提取模块的输入端连接于金字塔型卷积神经网络的第一层卷积层，所述背景特征提取模块的输出端与所述金字塔卷积神经网络的输出端串接，以生成初始检测模型；步骤2，根据待识别舰船目标的边界框和锚定框，确定初始检测模型的尺度感知损失函数，并基于尺度感知损失函数与多尺度图像集，对初始检测模型进行迭代训练，确定训练好的检测模型；步骤3，利用所述训练好的检测模型，检测SAR图像中的舰船。2.如权利要求1所述的背景与尺度感知的SAR舰船目标检测方法，其特征在于，所述步骤2中，根据待识别舰船目标的边界框和锚定框，确定所述初始检测模型的尺度感知损失函数，具体包括：步骤201，通过计算真值框与锚定框的重叠率确定正负样本；步骤202，对预测框参数和真值框参数进行参数转换；步骤203，根据待识别舰船目标在SAR图像上的尺寸，计算目标在损失函数中的权重；步骤204，结合选择参数，确定尺度感知损失函数，其中，所述选择参数的取值由所述边界框与所述锚定框的重叠率确定。3.如权利要求2所述的背景与尺度感知的SAR舰船目标检测方法，其特征在于，所述选择参数包括第一选择参数和第二选择参数，所述选择参数取值的确定方法，具体包括：判断所述边界框与所述锚定框之间的重叠率是否为最大值，若是，将所述第一选择参数的取值设定为1，否则，将所述第一选择参数的取值设定为0；判断所述边界框与所述锚定框之间的重叠率是否小于重叠阈值且所述第一选择参数的取值为1，若是，将所述第二选择参数的取值设定为1，否则，将所述第二选择参数的取值设定为0。4.如权利要求2所述的背景与尺度感知的SAR舰船目标检测方法，其特征在于，所述选择参数包括第一选择参数和第二选择参数，所述尺度感知损失函数的计算公式为：
式中，L为所述尺度感知损失函数，i是所述锚定框的序号，M是所述锚定框的数量，j是SAR图像中所述待识别舰船目标的序号，N是SAR图像中所述待识别舰船目标的数量，为所述第一选择参数，为所述第二选择参数，σ()为所述坐标值转换函数，为第i个锚定框的x坐标，为第i个锚定框...

【专利技术属性】
技术研发人员：郭杰，庄龙，李品，林幼权，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：