基于改进YOLOv3的SAR图像目标检测方法技术

本发明专利技术涉及基于改进YOLOv3的SAR图像目标检测方法，属于雷达目标检测技术领域。所述方法包括：采集SAR图像；对SAR图像数据进行预处理，得到预处理后SAR图像数据并进行人工标注，得到SAR图像数据集并划分为训练数据集和测试数据集；建立改进YOLOv3模型，即在YOLOv3的主干网络Darknet53后增加SPP结构；简化原有YOLOv3的FPN层得FPN

【技术实现步骤摘要】
基于改进YOLOv3的SAR图像目标检测方法


[0001]本专利技术涉及一种基于改进YOLOv3的SAR图像目标检测方法，属于雷达目标检测


技术介绍

[0002]雷达图像目标检测是近年来众多学者研究关注的领域，根据有无候选框生成的阶段，目前基于深度学习的主流目标检测算法主要有单阶段和两阶段两类。单阶段的目标检测算法与两阶段的目标检测算法相比检测速度更快，但检测精度相对较低。近来，随着一些改进方案的加入，其检测精度已经可适应场景的需求甚至超越两阶段模型。
[0003]YOLO系列算法是目前单阶段检测模型的代表，仅通过端到端的训练即可完成模型的构建。因YOLO的实时性优点，已逐渐成为雷达图像目标检测领域的研究重点。而目前较前沿的YOLO系列算法——YOLOv5和YOLOv4采用的方法较多且复杂，它们的部分组件并不能起到改善SAR图像检测效果的作用，同时YOLOv5和YOLOv4是在YOLOv3上引入普适性方法而来的算法。因此本专利技术对更基础的YOLOv3算法进行改进，并将其应用于SAR图像目标检测中。
[0004]SAR图像船舰检测难点在于不同分辨率下，海岸边的信息和舰船信息具有一定的相似性，所以单单靠后处理和数据增强的方式无法提升SAR图像的检测性能，因此需提高特征的表达程度以提取更多有用信息。SAR场景下的图像为简单的灰度图，其信息较简单，使用过于复杂的结构反而会导致学习到的舰船特征更加混乱。因此本专利技术改进YOLOv3算法并引入并行辅助模块来增强主干网络的舰船特征提取能力，以达提升SAR图像检测性能的目的。

技术实现思路

[0005]本专利技术的目的在于针对现有SAR图像识别方法在舰船靠岸的场景下，存在特征泛化能力差、舰船识别率低、海岸和舰船特征学习不足导致无法有效区分海岸边信息和目标信息的技术缺陷，提出了一种基于改进YOLOv3的SAR图像目标检测方法，该方法能获取SAR图像中目标的浅层和深层特征。
[0006]为了达到上述目的，本专利技术采取如下技术方案。
[0007]所述SAR图像目标检测方法，包括如下步骤：
[0008]步骤1：传感器采集HH、HV、VV和VH四种极化方式下的SAR图像；
[0009]步骤2：对获得的SAR图像数据进行预处理，得到预处理后SAR图像数据；
[0010]其中，所述SAR图像数据预处理包括SAR图像去噪以及数据增强；
[0011]步骤3：对步骤2得到的预处理后SAR图像数据进行人工标注，得到SAR图像数据集，再将该数据集划分为训练数据集和测试数据集；
[0012]步骤4：建立改进YOLOv3模型；
[0013]其中，改进YOLOv3模型包括改进主干网络、改进瓶颈层以及构建深层网络的特征融合结构；
[0014]所述改进主干网络具体为：在YOLOv3的主干网络Darknet53后增加SPP结构；
[0015]所述改进瓶颈层是指对原有YOLOv3的FPN层进行简化后得到FPN
‑
light结构；
[0016]所述构建深层网络的特征融合结构是指选取Resnet50的N1模块和N2模块作为并行辅助结构，并将其与主干网络Darknet53进行融合得到深层网络的特征融合结构；
[0017]其中深层网络的特征融合结构的具体描述为：将主干网络Darknet53的残差模块C2的输出特征输入到辅助网络N1和主干网络Darknet53的残差模块C3中；辅助网络N1的输出特征输出到辅助网络N2中，同时对辅助网络N1的输出特征进行上采样，对辅助网络N1输出的特征上采样后与主干网络Darknet53的残差模块C3的输出特征按累加形式融合后输入到主干网络Darknet53的残差模块C4中；对辅助网络N2的输出特征进行上采样，然后再与主干网络Darknet53中的残差模块C4的输出特征按累加形式融合后输入到主干网络Darknet53的残差模块C5中；主干网络Darknet53的残差模块C5的输出特征则依然送入Spp层和FPN
‑
light瓶颈层；
[0018]步骤5：将步骤3得到的训练数据集输入步骤4改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；
[0019]步骤6：将步骤3的测试数据集输入步骤5训练好的改进YOLOv3模型进行测试验证，得到识别结果；
[0020]至此，从步骤1到步骤6，实现了一种基于改进YOLOv3的SAR图像目标检测方法。
[0021]有益效果
[0022]本专利技术提出的一种基于改进YOLOv3的SAR图像目标检测方法，具有如下有益效果：
[0023]1、所述方法应用在海岸边场景的识别舰船时，可有效地提取到海岸边和舰船的特征并能区分出海岸边和舰船信息，对海岸边舰船有较好的识别率；
[0024]2、所述方法可较为准确地识别出SAR图像中的小型、中型和大型舰船，与现有算法相比性能更优越，对舰船有更高的识别率，提升了对海探测目标识别效率。
附图说明
[0025]图1是本专利技术一种基于改进YOLOv3的SAR图像目标检测方法的流程图；
[0026]图2是本专利技术一种基于改进YOLOv3的SAR图像目标检测方法的算法瓶颈层FPN
‑
light的结构图；
[0027]图3是本专利技术一种基于改进YOLOv3的SAR图像目标检测方法的算法深层网络特征融合结构图；
[0028]图4是实施例中对SAR图像数据进行数据预处理——图像去噪后的效果图；
[0029]图5是实施例中对SAR图像数据进行数据预处理——填鸭式数据增强后的效果图；
[0030]图6是实施例中运用一种基于改进YOLOv3的SAR图像目标检测方法识别海岸边舰船的结果和运用Darkenet
‑
YOLOv3识别海岸边舰船的结果对比图；
[0031]图7是实施例2中一种基于改进YOLOv3的SAR图像目标检测平台的示意图。
具体实施方式
[0032]下面结合附图及具体实施例对本专利技术所述的一种基于改进YOLOv3的SAR图像目标检测方法进行详细阐述。
[0033]实施例1
[0034]在SAR图像的舰船识别中，若采用本专利技术提出的基于改进YOLOv3的算法，可较好地学习到SAR图像中舰船的浅层和深层特征以达更高的SAR图像识别性能。结合附图1基于改进YOLOv3的SAR图像目标检测方法的流程图，本实施例阐述如何实施。
[0035]本实例实施的平台为ubuntu18.04系统，GPU为K80显卡且内存为12G，显卡驱动型号为396.82的服务器，实验环境配置了CUDA10.1，python3.7.0以及torch1.4.0。
[0036]步骤1：传感器采集HH、HV、VV和VH四种极化方式下的SAR图像；
[0037]步骤2：对获得的SAR图像数据进行预处理，得到预处理后SAR图像数据；
[0038]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3的SAR图像目标检测方法，其特征在于：包括如下步骤：步骤1：传感器采集HH、HV、VV和VH四种极化方式下的SAR图像；步骤2：对获得的SAR图像数据进行预处理，得到预处理后SAR图像数据；步骤3：对步骤2得到的预处理后SAR图像数据进行人工标注，得到SAR图像数据集，再将该数据集划分为训练数据集和测试数据集；步骤4：建立改进YOLOv3模型；其中，改进YOLOv3模型包括改进主干网络、改进瓶颈层以及构建深层网络的特征融合结构；所述改进主干网络为：在YOLOv3的主干网络Darknet53后增加SPP结构；所述改进瓶颈层是指对原有YOLOv3的FPN层进行简化后得到FPN
‑
light结构；所述构建深层网络的特征融合结构是指选取Resnet50的N1模块和N2模块作为并行辅助结构，并将其与主干网络Darknet53进行融合得到深层网络的特征融合结构；步骤5：将步骤3得到的训练数据集输入步骤4改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；步骤6：将步骤3的测试数据集输入步骤5训练好的基于改进YOLOv3的模型进行测试验证，得到识别结果。2.依据权利要求1所述的SAR图像目标检测方法，其特征在于：步骤2中，所述SAR图像数据预处理包括SAR图像去噪以及数据增强。3.依据权利要求1所述的SAR图像目标检测方法，其特征在于：步骤4中，深层网络的特征融合结构的具体描述为：将主干网络Darknet53的残差模块C2的输出特征输入到辅助...

【专利技术属性】
技术研发人员：傅雄军，郎平，吴编，冯程，苏沁宁，卢继华，谢民，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：