一种联合深度学习与CFAR的SAR图像目标检测方法技术

本发明专利技术涉及雷达目标识别领域，具体涉及一种联合深度学习与CFAR的SAR图像目标检测方法。本发明专利技术使用将CNN网络、YOLO V5网络和CFAR算法联合的方式，显著提高了对SAR图像的目标检测率；使用很少的参数网络模型和快速CFAR检测算法，以及使用CNN网络过滤了不含目标的复杂场景切片，使其不加入到YOLO V5和CFAR中检测，检测过程用时少，提高了整个目标识别过程的检测效率；采用YOLO V5的神经网络结构，并对数据集做了归一化、数据增强和自适应计算的预处理，可以得到SAR图像的多层特征，相比于传统的识别方法和Fast RCNN等网络结构的目标识别的方法有较强的鲁棒性。的方法有较强的鲁棒性。的方法有较强的鲁棒性。

【技术实现步骤摘要】
一种联合深度学习与CFAR的SAR图像目标检测方法


[0001]本专利技术涉及雷达目标识别领域，具体涉及一种联合深度学习与CFAR的SAR图像目标检测方法。

技术介绍

[0002]SAR(Synthetic Aperture Radar，合成孔径雷达)是一种较高分辨率的相干成像雷达装置，具有不依赖太阳光照、可全天时全天候对地观测的能力，能有效地探测能见度极低的气象条件下目标地物的空间形态特征。因此，SAR系统在民用和军用领域的应用越来越广泛。随着SAR技术不断发展，其成像分辨率不断提高，SAR图像目标识别领域面临着越来越多的机遇的同时，伴随着许多挑战。
[0003]现有许多针对SAR图像的目标识别方法，可大致分为两类。一类是传统的SAR图像目标识别方法，主要以CFAR(Constant False
‑
Alarm Rate，恒虚警率)检测算法为代表。CFAR算法具有简单快速和实用性强的特点，在目标识别领域中，CFAR算法可以保持设定的虚警率，来检测图像中的目标是否存在。但是，由于SAR图像成像的特殊性，CFAR算法在检测SAR图像过程中的抑制杂波噪声和控制复杂区域虚警方面存在局限性，虽然也有一些改进的CFAR算法被提出，但是依然难以解决复杂区域上的虚警问题。
[0004]另一类是基于深度学习的SAR图像目标识别方法。近年来，深度学习应用于医学、工业和雷达等多个领域且发展迅速。CNN网络(卷积神经网络)作为深度学习中的经典网络，也成为了当前流行且高效的目标识别检测网络YOLO V5网络的主干。深度学习方法的优点在于网络以多维图像作为输入，避免了传统目标识别算法中复杂的特征提取和数据重建过程，在目标检测中取得巨大成就。在SAR图像目标识别领域中，根据SAR图像上不同类型的目标具有不同地空间形态表征的形式，有相应的针对性目标识别算法。但现有SAR图像检测识别方法，都只是利用SAR图像局部区域的统计特性，即仅能做到像素级别的检测。或者说，目前深度学习的SAR图像目标识别方法要求目标与背景有较高的对比度和明显的判别特征。故其在简单场景下的检测性能较好，但在复杂场景下检测性能极差。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术的目的在于一种联合深度学习与CFAR的SAR图像目标检测方法。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0007]一种联合深度学习与CFAR的SAR图像目标检测方法，包括以下步骤：
[0008]步骤1，对N张SAR图像进行处理，获得训练集和测试集；对训练集和测试集进行滑窗切片，分别得到滑窗切片后的训练集和滑窗切片后的测试集；
[0009]步骤2，对滑窗切片后的训练集和滑窗切片后的测试集进行处理；使用处理后的训练集数据对CNN网络进行训练，得到训练好的CNN网络；再将处理后的测试集数据输入训练好的CNN网络，得到处理后的测试集数据的分类结果；将测试集中所有空旷场景或含有目标
的切片图像的集合记为保留集；
[0010]步骤3，对滑窗切片后的训练集图像和保留集图像进行预处理；使用预处理后的训练集数据对YOLO V5网络进行训练，得到训练好的YOLO V5网络；再将预处理后的保留集数据输入训练好的YOLO V5网络，得到虚警最少的目标识别结果切片数据集，记为数据集A；
[0011]步骤4，对数据集A数据进行输出框的最大置信度判定和总共检测出的目标数量判定，将所有符合判定条件的数据集A的数据作为一次检测数据集；将一次检测数据集中的数据输入到CFAR检测算法中进行二次检测，得到二次检测数据集；
[0012]步骤5，将二次检测数据集数据和一次检测数据集数据进行合并，得到最终的目标检测结果。
[0013]与现有技术相比，本专利技术的有益效果为：
[0014]第一，目标识别率高：传统方法针对SAR图像数据的目标识别一般只是用传统检测器或者分类器直接对原始数据进行分类检测得到目标识别结果，这并没有提取SAR图像上的高维度特征数据信息，导致传统方法识别率往往都不高，而因为SAR图像数据的特殊性，深度学习方法提取SAR图像的特征信息一般情况下识别效果达不到理想结果。对此，本专利技术使用的CNN和YOLO V5，以及传统方法CFAR检测算法联合的方式，对SAR图像一步一步地识别目标，使得目标识别率有显著提高。
[0015]第二，检测速度快：本专利技术方法在考虑不影响目标识别率的情况下，一方面采用很少的参数网络模型和快速CFAR检测算法，另一方面是使用了CNN网络，过滤了不含目标的复杂场景切片，使其不加入到YOLO V5和CFAR中检测，节省了时间；检测过程用时少，从而提高整个过程的检测效率。
[0016]第三，鲁棒性强：本专利技术方法由于采用YOLO V5的神经网络结构，并对数据集做了归一化、数据增强和自适应计算的预处理，可以得到SAR图像的多层特征，相比于传统的识别方法和Fast RCNN等网络结构的目标识别的方法有较强的鲁棒性。
附图说明
[0017]下面结合附图和具体实施例对本专利技术做进一步详细说明。
[0018]图1为本专利技术联合深度学习与CFAR的SAR图像目标检测方法的流程图。
具体实施方式
[0019]下面将结合实施例对本专利技术的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本专利技术，而不应视为限制本专利技术的范围。
[0020]参考图1，一种联合深度学习与CFAR的SAR图像目标检测方法，包括以下步骤：
[0021]步骤1，对N张SAR图像进行处理，获得训练集和测试集；对训练集和测试集进行滑窗切片，分别得到滑窗切片后的训练集和滑窗切片后的测试集；
[0022]具体的，获取N张SAR图像目标的位置和类别，将SAR图像目标的位置和类别作为标签；将一张SAR图像和对应的标签作为一组数据，得到样本集；将样本集按比例随机划分为训练集和测试集；对训练集和测试集的SAR图像进行滑窗切片，得到每张SAR图像得到固定大小的切片及切片对应的标签，得到滑窗切片后的训练集和滑窗切片后的测试集。
[0023]具体过程如下：
[0024]确定N张SAR图像，用开源图像标注软件LabelImg进行标注，对SAR图像上的目标标注类别和位置信息，这些信息储存在xml格式的文件中；每个SAR图像对应生成一个xml格式的标签文件，则生成N个SAR图像对应的xml标签文件。
[0025]将一张SAR图像和对应的标签作为一组数据，得到样本集；将样本集按比例随机划分为训练集和测试集。
[0026]对SAR图像进行滑窗切片，xml标签信息随着滑窗切片修改其相应信息；滑窗切片后，得到长宽均为I的固定大小切片图像，以及切片图像对应的xml标签；将xml格式的标签文件转换为txt格式的文件保存，每个切片图像对应生成一个txt文件，txt文件中每一行代表该切片图像的一个目标信息，该信息是目标类别和目标框的中心坐标及长宽大小，共计5个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合深度学习与CFAR的SAR图像目标检测方法，其特征在于，包括以下步骤：步骤1，对N张SAR图像进行处理，获得训练集和测试集；对训练集和测试集进行滑窗切片，分别得到滑窗切片后的训练集和滑窗切片后的测试集；步骤2，对滑窗切片后的训练集和滑窗切片后的测试集进行处理；使用处理后的训练集数据对CNN网络进行训练，得到训练好的CNN网络；再将处理后的测试集数据输入训练好的CNN网络，得到处理后的测试集数据的分类结果；将测试集中所有空旷场景或含有目标的切片图像的集合记为保留集；步骤3，对滑窗切片后的训练集图像和保留集图像进行预处理；使用预处理后的训练集数据对YOLO V5网络进行训练，得到训练好的YOLO V5网络；再将预处理后的保留集数据输入训练好的YOLO V5网络，得到虚警最少的目标识别结果切片数据集，记为数据集A；步骤4，对数据集A数据进行输出框的最大置信度判定和总共检测出的目标数量判定，将所有符合判定条件的数据集A的数据作为一次检测数据集；将一次检测数据集中的数据输入到CFAR检测算法中进行二次检测，得到二次检测数据集；步骤5，将二次检测数据集数据和一次检测数据集数据进行合并，得到最终的目标检测结果。2.根据权利要求1所述的联合深度学习与CFAR的SAR图像目标检测方法，其特征在于，步骤1，具体的，获取N张SAR图像目标的位置和类别，将SAR图像目标的位置和类别作为标签；将一张SAR图像和对应的标签作为一组数据，得到样本集；将样本集按比例随机划分为训练集和测试集；对训练集和测试集的SAR图像进行滑窗切片，得到每张SAR图像得到固定大小的切片及切片对应的标签，得到滑窗切片后的训练集和滑窗切片后的测试集。3.根据权利要求1所述的联合深度学习与CFAR的SAR图像目标检测方法，其特征在于，步骤2中对滑窗切片后的训练集和滑窗切片后的测试集进行处理，具体的，对滑窗切片后的训练集和滑窗切片后的测试集的切片图像进...

【专利技术属性】
技术研发人员：陈渤，刘泽涛，曾泽群，沈梦启，王英华，王鹏辉，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：