一种基于统计特性和结构特性融合的SAR图像目标检测方法技术

本发明专利技术公开了一种基于统计特性和结构特性融合的SAR图像目标检测方法，利用CFAR检测器和Faster

【技术实现步骤摘要】
一种基于统计特性和结构特性融合的SAR图像目标检测方法


[0001]本专利技术属于SAR图像目标检测
，尤其涉及一种基于统计特性和结构特性融合的SAR图像目标检测方法。

技术介绍

[0002]可靠的海洋监测能力，可以有效保障一个国家的海洋权益，同时也可利于海上救援、渔业管理及海上交通控制等任务的开展。在利用星载SAR对陌生海域舰船目标进行监控探测时，标注舰船目标缺乏相应的专家知识(如船舶GPS信息)支撑。由于星载SAR覆盖面积广，目标物位置分布稀疏。仅仅依靠人工视觉标注舰船数据费时费力，而且人为判别目标物容易受到海杂波等因素干扰，舰船目标的标注十分困难。因此，星载SAR舰船目标检测常常会面临无监督信息的情况。
[0003]随着人工智能技术的发展，深度学习在图像目标检测中得到广泛应用。然而，基于深度学习的全监督目标检测算法(如Faster
‑
RCNN、YOLO
‑
V3等)需要大量准确的实例标注。当前大多数无监督目标检测都是基于从视频中挖掘前后帧与帧图像之间的差异获取目标位置信息。而星载SAR通常以单景图像探测为主所以这类方法不适用。基于深度学习的检测器，检测速度快，能够提取利用图像的结构特征，但需要大量实例级标注。
[0004]传统基于SAR特性的方法通常不需要标注信息。例如基于SAR图像极化特征的方法，这类方法主要依据舰船目标物和海洋散射机制不同，极化特征也不同，因此可以用极化特征区分目标物和背景。然而，对于单极化数据，则不适用于上述方法。
[0005]基于SAR的统计特性的方法在舰船检测中占有重要地位，这类算法以恒虚警检测CFAR检测算法以及其派生出的一系列方法为主，如双边CFAR(TP
‑
CFAR)和均值类CFAR(CA
‑
CFAR)等。这类方法先对杂波功率建立数学统计模型，然后通过假设检验方法，在设定一定虚警率条件下，求出接受假设或拒绝假设的阈值T，判断像素点是否是目标物。
[0006]但是，基于恒虚检测的方法需要用检测单元遍历像素点，检测速度较慢，并且容易产生虚警。

技术实现思路

[0007]本专利技术的目的是提供一种基于统计特性和结构特性融合的SAR图像目标检测方法，以降低CFAR虚警率，提升目标检测精度。
[0008]本专利技术采用以下技术方案：一种基于统计特性和结构特性融合的SAR图像目标检测方法，包括以下步骤：
[0009]利用CFAR检测器和Faster
‑
RCNN检测网络交替迭代对待识别SAR图像进行目标识别，直至满足交替迭代终止条件，得到待识别SAR图像的目标识别结果；
[0010]其中，利用CFAR检测器输出的目标识别结果训练Faster
‑
RCNN检测网络，利用Faster
‑
RCNN检测网络输出的目标识别结果更新CFAR检测器的保护区尺寸。
[0011]进一步地，CFAR检测器的统计分布模型选择方法为：
[0012]计算待识别SAR图像与统计分布模型之间的偏差；
[0013]选择偏差最小值对应的统计分布模型作为CFAR检测器的统计分布模型。
[0014]进一步地，统计分布模型的形状参数和尺度参数采用最大似然估计方法计算。
[0015]进一步地，利用CFAR检测器输出的目标识别结果训练Faster
‑
RCNN检测网络包括：
[0016]将CFAR检测器输出的目标识别结果作为权重加入到Faster
‑
RCNN检测网络的二分类交叉熵损失函数中。
[0017]进一步地，利用CFAR检测器对待识别SAR图像进行目标识别包括：
[0018]将待识别SAR图像中相连的目标像素进行组合，得到第一目标框；
[0019]将第一目标框按比例放大，得到第二目标框。
[0020]进一步地，得到第二目标框之后还包括：
[0021]将第二目标框内的所有像素的置信度融合，得到第二目标框的置信度。
[0022]进一步地，利用CFAR检测器输出的目标识别结果训练Faster
‑
RCNN检测网络：
[0023]以第二目标框的置信度作为CFAR检测器输出的目标识别结果。
[0024]进一步地，Faster
‑
RCNN检测网络的损失函数为：
[0025]L＝L
roiHead
+L
RPN
，
[0026]其中，L
RPN
为RPN损失，L
roiHead
为Faster
‑
RCNN检测头损失。
[0027]进一步地，RPN损失为：
[0028][0029]其中，为二分类交叉熵损失，为二分类交叉熵损失，y
j
为第j个目标物的置信度普通标签，为RPN对第j个目标物的置信度预测值，N为目标物的数量，smooth
L1
(T,P
*
)为RPN目标框损失，T为第二目标框的大小，P
*
为RPN候选边界框大小的预测值。
[0030]进一步地，Faster
‑
RCNN检测头损失为：
[0031][0032]其中，为Faster
‑
RCNN检测头的KL散度，为检测头对分类概率预测输出，smooth
L1
(T,T
*
)为检测头目标框损失，T
*
为预测边界框大小的预测值。
[0033]本专利技术的有益效果是：本专利技术将CFAR检测器和Faster
‑
RCNN检测网络进行融合，根据CFAR检测器获得大量虚警边界框(即像素级边界框)，通过像素级到目标级的融合计算，得到边界框软标注，以Faster
‑
RCNN检测网络为基础训练框架，并将Faster
‑
RCNN检测网络输出的边界框作为CFAR检测器的保护区尺寸，减少杂波样本中混入目标样本，使统计分布模型参数估计更加准确。
附图说明
[0034]图1为本专利技术一种基于统计特性和结构特性融合的SAR图像目标检测方法的原理框架图；
[0035]图2为本专利技术实施例中SAR图像的灰度直方图；
[0036]图3为本专利技术实施例中SAR图像在二维坐标上的信号数据示意图；
[0037]图4为本专利技术实施例中CFAR检测器的检测单元示意图；
[0038]图5为本专利技术实施例中概率密度分布函数示意图；
[0039]图6为本专利技术实施例中CFAR检测器检测单元改进前后对比图；
[0040]图7为本专利技术实施例中待识别SAR图像的不同形式的示意图；
[0041]图8为本专利技术实施例中软标签的表现形式示意图；
[0042]图9为本专利技术实施例中采用的Faster
‑
RCNN结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，包括以下步骤：利用CFAR检测器和Faster
‑
RCNN检测网络交替迭代对待识别SAR图像进行目标识别，直至满足交替迭代终止条件，得到所述待识别SAR图像的目标识别结果；其中，利用CFAR检测器输出的目标识别结果训练所述Faster
‑
RCNN检测网络，利用所述Faster
‑
RCNN检测网络输出的目标识别结果更新所述CFAR检测器的保护区尺寸。2.如权利要求1所述的一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，所述CFAR检测器的统计分布模型选择方法为：计算待识别SAR图像与统计分布模型之间的偏差；选择偏差最小值对应的统计分布模型作为所述CFAR检测器的统计分布模型。3.如权利要求2所述的一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，所述统计分布模型的形状参数和尺度参数采用最大似然估计方法计算。4.如权利要求2或3所述的一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，利用CFAR检测器输出的目标识别结果训练所述Faster
‑
RCNN检测网络包括：将CFAR检测器输出的目标识别结果作为权重加入到Faster
‑
RCNN检测网络的二分类交叉熵损失函数中。5.如权利要求4所述的一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，利用CFAR检测器对待识别SAR图像进行目标识别包括：将待识别SAR图像中相连的目标像素进行组合，得到第一目标框；将所述第一目标框按比例放大，得到第二目标框。6.如权利要求5所述的一种基于统计特性和结构特性融合的SAR图像目标检测方法，其特征在于，得到第二目标框之后还包括：将所述第二目标框内的所有像素的置信度融合，得到第二目标框的置信度。7.如权利要求6所...

【专利技术属性】
技术研发人员：文载道，杨涛，刘准钆，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：