一种SAR舰船目标旋转检测方法及系统技术方案

本发明专利技术公开了一种SAR舰船目标旋转检测方法及系统，涉及SAR图像技术领域，包括以下步骤：提取SAR图像中的待检测目标的浅层特征、深层特征；构建FAM模块并利用其将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，构建特征图；利用高斯分布法将特征图中的锚框匹配给SAR图像中的真值框，得到旋转目标；构建的自适应边界增强模块获取旋转目标中的边界增强特征；对边界增强特征进行解耦处理后，利用全连接层预测分类目标，并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度，实现对SAR图像中的目标进行回归检测。本发明专利技术解决了SAR船舶目标检测中小目标、多尺度，以及任意方向造成检测性能较差的问题。及任意方向造成检测性能较差的问题。及任意方向造成检测性能较差的问题。

【技术实现步骤摘要】
一种SAR舰船目标旋转检测方法及系统


[0001]本专利技术涉及SAR图像
，具体为一种SAR舰船目标旋转检测方法及系统。

技术介绍

[0002]合成孔径雷达SAR作为一种主动成像系统，具有全天时、全天候的成像能力，能观测被遮挡物遮挡的目标，因此被广泛应用于民用和军用领域。SAR舰船检测是SAR图像智能解译的一个重要方向，对于海上商业船只监管和军事活动监测具有重要意义。SAR图像目标检测存在以下问题：
[0003](1)目标尺寸较小。由于SAR从空中发射电磁波进行成像，SAR的俯视高度较高，目标距离成像传感器较远，因此图像中目标分辨率较小，小目标检测是SAR舰船检测最具挑战的任务之一。
[0004](2)近岸SAR舰船目标密集排列。舰船分布在港口时，排列较密集。近岸目标由于建筑物的干扰，目标和背景存在视觉难分性的问题，近岸舰船的目标也是舰船检测的难点之一。
[0005](3)目标分布方向杂乱。舰船目标通常以任意方向出现，并且舰船目标的宽长比较大，进一步增加了检测难度。
[0006]目前的研究大多侧重SAR水平框目标检测，这些方法在检测具有大宽长比的船舰目标时往往包含大量的背景，容易导致分类和回归错误，如图2左所示。因此需要提出一种旋转框目标检测算法，减少检测框中的背景，增加算法定位和分类精度，如图2右所示。
[0007]通过详细的调研发现，一些研究员基于光学遥感图像开发了各种基于旋转框的检测算法。但基于光学图像开发的算法没有充分考虑SAR图像的特征，光学目标边缘特征明显，目标和背景视觉可分性高。直接迁移光学目标检测算法无法解决SAR图像特征提取时边缘信息丢失，背景干扰的问题。

技术实现思路

[0008]本专利技术提出了一种SAR舰船目标旋转检测方法及系统，用于解决了SAR船舶目标检测中小目标、多尺度，以及任意方向造成检测性能较差的问题，并通过扩展目标的边界信息，提高目标的位置性能。
[0009]本专利技术提供一种SAR舰船目标旋转检测方法，包括以下步骤：
[0010]获取待检测的SAR图像，并利用ResNet50网络作为骨干网络提取SAR图像中的待检测目标的浅层特征、深层特征；
[0011]构建FAM模块，其为改进后的FPN网络模块，其将所提取的浅层特征、深层特征进行通道压缩后，再利用双线性插值采样调节特征大小，实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，并构建特征图；
[0012]在SAR图像中标注待检测目标的真值框，并以特征图上的每个点映射到图片的中心点为中心生成多尺度水平锚框；
[0013]将真值框以及各个锚框分别模拟生成高斯分布，分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离并进行排序，将排名靠前的多个锚框作为正样本匹配给真值框；
[0014]采用中点平移表示法将多个作为正样本的锚框回归，生成旋转目标Proposal；
[0015]构建自适应边界增强模块，其包括自适应平均池化、两个卷积层、tanh非线性激活函数、注意力机制；将旋转目标Proposal输入到自适应边界增强模块后得到边界增强特征；
[0016]对边界增强特征进行解耦处理后，利用全连接层预测分类目标，并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度，实现对SAR图像中的目标进行回归检测。
[0017]进一步地，利用所述FAM模块将所提取的浅层特征、深层特征进行通道压缩后，再利用双线性插值采样调节特征大小，实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，并构建特征图，包括以下步骤：
[0018]利用两个1
×
1的卷积，将浅层特征、深层特征压缩至相同的通道数，并利用双线性插值采样调节深层特征的大小，使深层特征与浅层特征大小相同，再利用concate操作将浅层特征、深层特征拼接，通过一个3*3的卷积将拼接后的特征映射到通道数为2的特征，该过程通过下述公式描述：
[0019]Δ
l
‑1＝conv
l
(cat(F
l
,F
l
‑1)) (1)
[0020]其中，F
l
‑1表示骨干网络输出的前级特征；
[0021]F
l
表示骨干输出的前级特征的后一级特征；
[0022]Δ
l
‑1表示浅层特征，
[0023]cat(
·
)表示拼接操作；conv
l
(
·
)表示第l级的卷积操作；
[0024]利用两个linspace函数生成和Δ
l
‑1浅层特征分辨率大小相同的变形网格warped grid，Δ
l
‑1浅层特征每个空间位置上的点p
l
‑1和变形网格warped grid通过加法操作被映射到深层特征上的一个点p
l
；
[0025]其中warped grid和深层特征的偏移量的关系为：
[0026][0027]其中，P
l
‑1表示代表浅层特征上的一个点；
[0028]P
l
表示深层特征上的一个点；
[0029]根据浅层特征及变形网格warped grid，采用可微双线性采样机制确定特征图的大小，当输入的浅层特征的特征大小为(N，C，H，W)，变形网格warped grid的大小为(N，H，W，2)，则所输出的特征图的大小为(N，C，H，W)，输出特征图上每一个单元格上的值由变形网格warped grid的最后一维(x，y)确定；
[0030]利用(x，y)找到输入特征图上的采样位置，x、y取值范围为[
‑
1，1]，通过(w
‑
1)*(x+1)/2、(h
‑
1)*(y+1)/2将x、y映射为输入特征图的具体坐标位置；
[0031]将x、y映射到特征图实际坐标后，取该坐标附近四个角点特征值，通过四个特征值坐标与采样点坐标相对关系进行双线性插值，得到采样点的值，其利用数学公式描述为：
[0032][0033]其中，N(p
l
)表示F
l
中的warped点p
l
的临近点；
[0034]w
p
表示变形网格warpedgrid距离估计的双线性核权值。
[0035]进一步地，所述将真值框以及各个锚框分别模拟生成高斯分布，分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离，包括：
[0036]设锚框的水平边界框为(x
a
,y
a
,w
a
,h
a
)，将其模拟生成的二维高斯分布为n
a
＝Ν(μ
a
,∑
a
)，真值框的水平边界框为(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR舰船目标旋转检测方法，其特征在于，包括以下步骤：获取待检测的SAR图像，并利用ResNet50网络作为骨干网络提取SAR图像中的待检测目标的浅层特征、深层特征；构建FAM模块，其为改进后的FPN网络模块，其将所提取的浅层特征、深层特征进行通道压缩后，再利用双线性插值采样调节特征大小，实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，并构建特征图；在SAR图像中标注待检测目标的真值框，并以特征图上的每个点映射到图片的中心点为中心生成多尺度水平锚框；将真值框以及各个锚框分别模拟生成高斯分布，分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离并进行排序，将排名靠前的多个锚框作为正样本匹配给真值框；采用中点平移表示法将多个作为正样本的锚框回归，生成旋转目标Proposal；构建自适应边界增强模块，其包括自适应平均池化、两个卷积层、tanh非线性激活函数、注意力机制；将旋转目标Proposal输入到自适应边界增强模块后得到边界增强特征；对边界增强特征进行解耦处理后，利用全连接层预测分类目标，并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度，实现对SAR图像中的目标进行回归检测。2.根据权利要求1所述的一种SAR舰船目标旋转检测方法，其特征在于：利用所述FAM模块将所提取的浅层特征、深层特征进行通道压缩后，再利用双线性插值采样调节特征大小，实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加，并构建特征图，包括以下步骤：利用两个1
×
1的卷积，将浅层特征、深层特征压缩至相同的通道数，并利用双线性插值采样调节深层特征的大小，使深层特征与浅层特征大小相同，再利用concate操作将浅层特征、深层特征拼接，通过一个3*3的卷积将拼接后的特征映射到通道数为2的特征，该过程通过下述公式描述：Δ
l
‑1＝conv
l
(cat(F
l
,F
l
‑1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，F
l
‑1表示骨干网络输出的前级特征；F
l
表示骨干输出的前级特征的后一级特征；Δ
l
‑1表示浅层特征，cat(
·
)表示拼接操作；conv
l
(
·
)表示第l级的卷积操作；利用两个linspace函数生成和Δ
l
‑1浅层特征分辨率大小相同的变形网格warped grid，Δ
l
‑1浅层特征每个空间位置上的点p
l
‑1和变形网格warped grid通过加法操作被映射到深层特征上的一个点p
l
；其中warped grid和深层特征的偏移量的关系为：其中，P
l
‑1表示代表浅层特征上的一个点；P
l
表示深层特征上的一个点；根据浅层特征及变形网格warped grid，采用可微双线性采样机制确定特征图的大小，
当输入的浅层特征的特征大小为(N，C，H，W)，变形网格warped grid的大小为(N，H，W，2)，则所输出的特征图的大小为(N，C，H，W)，输出特征图上每一个单元格上的值由变形网格warped grid的最后一维(x，y)确定；利用(x，y)找到输入特征图上的采样位置，x、y取值范围为[
‑
1，1]，通过(w
‑
1)*(x+1)/2、(h
‑
1)*(y+1)/2将x、y映射为输入特征图的具体坐标位置；将x、y映射到特征图实际坐标后，取该坐标附近四个角点特征值，通过四个特征值坐标与采样点坐标相对关系进行双线性插值，得到采样点的值，其利用数学公式描述为：其中，N(p
l
)表示F
l
中的warped点p
l
的临近点；w
p
表示变形网格warped grid距离估计的双线性核权值。3.根据权利要求1所述的一种SAR舰船目标旋转检测方法，其特征在于：所述将真值框以及各个锚框分别模拟生成高斯分布...

【专利技术属性】
技术研发人员：陈杰，万辉耀，黄志祥，杜文天，杨延睿，于敬仟，邓英剑，张朝琛，赵坡，
申请(专利权)人：安徽大学，
类型：发明
国别省市：