一种SAR飞机检测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种SAR飞机检测方法、系统、装置及存储介质，方法包括：获取输入的SAR图像；利用飞机检测模型，对输入的SAR图像进行分析，获得飞机检测结果；飞机检测模型通过已标注飞机类别和目标边框的SAR图像数据集训练生成的；飞机检测模型包括分类分支和回归分支，分类分支具有可变形区域关联模块，可变形区域关联模块通过可变形卷积分支和常规卷积分支进行特征加权整合。本发明专利技术通过可变形关联模块构建分类分支，显著提升特征关联能力，并通过已标注飞机类别和目标边框的SAR图像数据集进行模型训练，充分利用SAR飞机散射特征信息的先验知识。本发明专利技术提高了在复杂的SAR图像中检测飞机的性能，实现了精确的飞机检测识别。实现了精确的飞机检测识别。实现了精确的飞机检测识别。

【技术实现步骤摘要】
一种SAR飞机检测方法、系统、装置及存储介质


[0001]本专利技术涉及飞机检测
，尤其是一种SAR飞机检测方法、系统、装置及存储介质。

技术介绍

[0002]合成孔径雷达SAR是一种主动式微波成像传感器，因其具有全天时、全天候的成像观测能力，在自动目标识别领域起到了重要的作用。在自动目标识别领域中，飞机检测是一个极具价值的应用领域。例如，在民用领域中，飞机行径的动态监测有利于机场的有效管理；在军事领域中，快速而准确的飞机探测对于提供军事侦察信息具有重要的意义。因此，在高分辨率的SAR图像中精确检测飞机是一个具有显著价值的课题。
[0003]SAR是通过天线给物体发射电磁波，并接收反射的电磁波，最后通过记录下来的回波信息来成像。由于其独特的成像机制，SAR图片呈现出难以解译的复杂表象。在SAR图像中检测物体的原始方法为恒虚警检测CFAR，其利用了物体回波往往比背景回波更强的性质，从SAR图像中提取出具有强回波的区域视为存在目标。然而在复杂场景下，如具有其它多种设备或建筑的机场，CFAR的检测性能将会受到极大的影响，无法精确识别目标。此外，现有的飞机检测方法还要求能够识别出目标的类别，而这是CFAR无法实现的。
[0004]飞机上具有各种二面角、三面角和顶帽等经典反射结构，在雷达的照射下存在着多种散射机制，如直接散射、多次散射和衍射散射等等。因此，在后来的飞机识别方法中，SAR领域的专家提出利用飞机在SAR图像中的散射特征信息，采用模板匹配的方法来检测，其中用于匹配的特征提取是关键步骤。例如，有方法利用Harris
‑
Laplace角点检测器提取飞机上具有稳定散射特征的显著点，并用显著点向量来描述。还有的方法利用高斯混合模型来提取包括了飞机强散射点与其对应分布的散射结构特征。但由于手工提取特征的不充分，以及将实测图像与多种候选模板匹配过程的低效，此类方法在精度与速度上仍然存在不足。
[0005]随着SAR技术的快速发展，更多高分辨率、高质量的具有专家标注SAR图像可以被获得，这为深度学习方法在SAR目标自动识别中的应用提供了有利条件。近年来，基于卷积神经网络(CNN)的深度学习方法在目标检测方面取得了显著进展，许多CNN方法在SAR目标检测中表现出了优于传统方法的性能，如YOLOX、Cascade R
‑
CNN、CenterNet、RepPoints等等。然而，大多数CNN方法都是为光学目标检测而设计的，在直接引入SAR飞机检测而不考虑飞机散射特性时无法充分发挥其检测性能。飞机的散射特性具体体现在以下两点；1)离散性。由于各种反射结构不规则地分布在飞机上，使飞机各部位的雷达横截面积(Radar Cross Section，RCS)不同，因此SAR图像中的飞机呈现为离散散射点的集合。2)多变性。由于飞机结构复杂，多种散射机制的存在使其成像结果随着入射角和传感器参数的变化而变化，因此在不同的成像条件下，即使是同一目标的散射结果也可能变化很大。在SAR成像机制下，SAR飞机图像呈现出与对应光学图像截然不同的特性。因此，现有的CNN方法通过常规卷积无法充分的提取飞机特征。
[0006]鉴于此，如何利用SAR飞机散射特征信息的先验知识实现高精度飞机检测性能是一个亟需解决的问题。

技术实现思路

[0007]有鉴于此，本专利技术实施例提供一种SAR飞机检测方法、系统、装置及存储介质，能够有效提高网络模型对飞机的检测识别性能。
[0008]一方面，本专利技术的实施例提供了一种SAR飞机检测方法，包括：
[0009]获取输入的SAR图像；
[0010]利用飞机检测模型，对输入的SAR图像进行分析，获得飞机检测结果；
[0011]其中，飞机检测结果包括至少一个目标边框回归结果以及对应的飞机的类别置信度分数；
[0012]飞机检测模型通过已标注飞机类别和目标边框的SAR图像数据集训练生成的；飞机检测模型包括分类分支和回归分支，分类分支具有可变形区域关联模块，可变形区域关联模块通过可变形卷积分支和常规卷积分支进行特征加权整合。
[0013]可选地，还包括：
[0014]基于具有可变形区域关联模块的分类分支和回归分支，创建可变形散射特征关联网络模型；
[0015]其中，可变形散射特征关联网络模型包括Swin Transformer骨干、路径聚合特征金字塔网络和解耦头；解耦头包括具有可变形区域关联模块的分类分支和回归分支。
[0016]可选地，基于具有可变形区域关联模块的分类分支和回归分支，创建可变形散射特征关联网络模型，包括：
[0017]构建YOLOX模型；其中，YOLOX模型包括Darknet
‑
53骨干、路径聚合特征金字塔网络和原解耦头；原解耦头包括原分类分支和回归分支；
[0018]通过引入Swin Transformer骨干替换YOLOX模型的Darknet
‑
53骨干，以及通过引入具有可变形区域关联模块的分类分支替换YOLOX模型的原分类分支，创建得到可变形散射特征关联网络模型；
[0019]其中，Swin Transformer骨干包括24层Swin Transformer层。
[0020]可选地，还包括：
[0021]根据已标注飞机类别和目标边框的SAR图像数据集，确定训练样本；其中，目标边框中标记有预设数量的强散射区域；
[0022]根据训练样本，基于预设训练参数，采用随机梯度下降SGD训练对可变形散射特征关联网络模型进行分类和回归训练，并结合模型损失函数通过损失值反向传播方法优化网络模型参数，获得飞机检测模型。
[0023]可选地，利用飞机检测模型，对输入的SAR图像进行分析，获得飞机检测结果，包括：
[0024]对SAR图像进行分割拼接和线性映射，得到第一特征图；
[0025]通过Swin Transformer骨干，使用连续的Swin Transformer层交替进行常规窗口划分和转移窗口划分，得到预设规格的第二特征图；
[0026]通过路径聚合特征金字塔网络，对第二特征图进行语义特征提取，得到预设规格
的第三特征图；其中，语义特征提取包括上采样、拼接和卷积；
[0027]通过回归分支，对第三特征图进行位置预测，得到目标边框回归结果；其中，目标边框回归结果包括边框的中心点、宽度和高度；
[0028]通过具有可变形区域关联模块的分类分支，使用可变形卷积分支和常规卷积分支对第三特征图进行特征加权整合，得到与目标边框回归结果对应的预设类别的飞机的类别置信度分数。
[0029]可选地，Swin Transformer层包括归一化函数、基于窗口的多头自注意力机制和多层感知机，Swin Transformer层处理特征图的步骤，包括：
[0030]通过归一化函数对目标特征图进行归一化，得到特征图X2；
[0031]根据特征图X2，使用基于窗口的多头自注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR飞机检测方法，其特征在于，包括：获取输入的SAR图像；利用飞机检测模型，对所述输入的SAR图像进行分析，获得飞机检测结果；其中，所述飞机检测结果包括至少一个目标边框回归结果以及对应的飞机的类别置信度分数；所述飞机检测模型通过已标注飞机类别和目标边框的SAR图像数据集训练生成的；所述飞机检测模型包括分类分支和回归分支，所述分类分支具有可变形区域关联模块，所述可变形区域关联模块通过可变形卷积分支和常规卷积分支进行特征加权整合。2.根据权利要求1所述的一种SAR飞机检测方法，其特征在于，还包括：基于具有可变形区域关联模块的所述分类分支和所述回归分支，创建可变形散射特征关联网络模型；其中，所述可变形散射特征关联网络模型包括Swin Transformer骨干、路径聚合特征金字塔网络和解耦头；所述解耦头包括具有可变形区域关联模块的所述分类分支和所述回归分支。3.根据权利要求2所述的一种SAR飞机检测方法，其特征在于，所述基于具有可变形区域关联模块的所述分类分支和回归分支，创建可变形散射特征关联网络模型，包括：构建YOLOX模型；其中，所述YOLOX模型包括Darknet
‑
53骨干、路径聚合特征金字塔网络和原解耦头；所述原解耦头包括原分类分支和所述回归分支；通过引入所述Swin Transformer骨干替换所述YOLOX模型的所述Darknet
‑
53骨干，以及通过引入具有可变形区域关联模块的所述分类分支替换所述YOLOX模型的所述原分类分支，创建得到可变形散射特征关联网络模型；其中，所述Swin Transformer骨干包括24层Swin Transformer层。4.根据权利要求2所述的一种SAR飞机检测方法，其特征在于，还包括：根据所述已标注飞机类别和目标边框的SAR图像数据集，确定训练样本；其中，所述目标边框中标记有预设数量的强散射区域；根据所述训练样本，基于预设训练参数，采用随机梯度下降SGD训练对所述可变形散射特征关联网络模型进行分类和回归训练，并结合模型损失函数通过损失值反向传播方法优化网络模型参数，获得所述飞机检测模型。5.根据权利要求2所述的一种SAR飞机检测方法，其特征在于，所述利用飞机检测模型，对所述输入的SAR图像进行分析，获得飞机检测结果，包括：对所述SAR图像进行分割拼接和线性映射，得到第一特征图；通过所述Swin Transformer骨干，使用连续的Swin Transformer层交替进行常规窗口划分和转移窗口划分，得到预设规格的第二特征图；通过所述路径聚合特征金字塔网络，对所述第二特征图进行语义特征提取，得到所述预设规格的第三特征图；其中，所述语义特征提取包括上采样、拼接和卷积；通过所述回归分支，对所述第三特征图进行位置预测，得到目标边框...

【专利技术属性】
技术研发人员：丛玉来，陈元嘉，张磊，
申请(专利权)人：中山大学，
类型：发明
国别省市：