用于船舶识别的层次化的大场景SAR图像目标快速检测方法技术

本发明专利技术提供了一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法，大场景SAR图像目标快速检测分为高效的感兴趣区域提取和高精度目标检测两个阶段，步骤1、完成感兴趣区域的目标提取，即对大场景SAR图像以固定比例α下采样，然后再对图像切片，切片大小根据图像宽高设置，通过一个分类器判定切片是否包含待检测目标，并以α比例映射回大场景SAR图像获取感兴趣区域索引；步骤2、对感兴趣区域索引处的高分辨图像切片进行目标精细检测；本发明专利技术提出的方法需要计算资源少，鲁棒性高、计算速度快，从而实现场景SAR图像中高效、高精度的目标检测。目标检测。目标检测。

【技术实现步骤摘要】
用于船舶识别的层次化的大场景SAR图像目标快速检测方法


[0001]本专利技术涉及雷达遥感图像目标检测方法，尤其涉及一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法。

技术介绍

[0002]近年来，深度神经网络(Deep Neural Networks，DNNs)被引入到各种合成孔径雷达(Synthetic Aperture Radar，SAR)解释任务中，如图像分类和自动目标识别(Automatic Target Recognition，ATR)、目标检测等。目前，随着SAR图像成像技术的发展，SAR图像分辨率逐渐提高，大场景目标快速检测成为一个问题。
[0003]传统的SAR图像检测方法，首先需要对SAR图像进行预处理以增强目标的可视性。然后再提取手工设计的特征，但是这些特征通常在简单的场景中性能较好，在复杂的场景下的检测效果表现不佳。除此之外，手工设计的特征在不同的场景中需要重新建模提取，因此，检测效率低且误检率高。目前，众多研究人员将DNN应用到SAR图像目标检测中，并实现了最先进的性能。虽然显著提升了SAR图像目标检测的准确率，但是其有效性仅在局部SAR图像上进行了验证。由于在大场景SAR图像中的检测目标非常小，且大多数区域并不包含待检测目标。因此，若直接将基于DNN目标检测方法应用于大场景中，往往一方面会超出计算能力，检测效率也比较低。
[0004]大场景SAR图像目标检测存在以下问题：
[0005](1)主流DNNs对大场景SAR图像目标检测效率较低，若利用滑动搜索窗口以局部窗口形式检测目标，存在大量的计算冗余，势必降低算法的运行效率。
[0006](2)检测目标的大小差异较大，较小的待检测目标所用拥有的像素较少，反之，较大的待检测目标所包含像素较多。由于待检测目标尺度大小不一致，因此如何对目标提取有效特征尤为重要。

技术实现思路

[0007]本专利技术提出了一种层次化的大场景SAR图像目标检测框架，实现感兴趣目标区域辨别和高分辨图像切片的目标精细检测，最终在大场景SAR图像中实现快速目标检测。本方案减少计算资源需求，提高了大场景下目标检测的效率和精度，最终达到高精度、快速的目标检测目的。
[0008]本专利技术的技术方案是提供一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法，大场景SAR图像目标快速检测分为高效的感兴趣区域提取和高精度目标检测两个阶段，其特征在于：
[0009]步骤1、完成感兴趣区域的目标提取，即对大场景SAR图像以固定比例α下采样，然后再对图像切片，切片大小根据图像宽高设置，通过一个分类器判定切片是否包含待检测目标，并以α比例映射回大场景SAR图像获取感兴趣区域索引；
[0010]步骤2、对感兴趣区域索引处的高分辨图像切片进行目标精细检测；采用改进的特
征金字塔网络方法提取目标多个尺度的特征并融合，从而检测尺度大小不一致的目标；
[0011]步骤2.1、基于无描点目标检测框架，对目标物体框中的所有点进行边界框预测，以中心点到物体框的左边距、上边距、右边距、下边距之间的距离(l，t，r，b)以及目标方向角θ进行回归；
[0012]步骤2.2、利用特征金字塔网络FPN进行图像多尺度特征融合和预测；
[0013]步骤2.3、完成目标边界框中心度回归，并抑制低质量的检测框；
[0014]步骤2.4、完成检测器网络训练。
[0015]进一步地，步骤2.1中：直接在特征图上的每一点进行回归操作，对目标物体框中的所有点进行边界框预测，以中心点到物体框的左边距、上边距、右边距和下边距之间的距离(l，t，r，b)进行回归。
[0016]假设(x0，y0)和(x1，y1)分别表示目标物体框的左上角和右下角的坐标值，对于目标框中任意一点(x，y)则有，
[0017][0018]其中，l
*
，t
*
，r
*
和b
*
分别表示目标框中任意一点(x，y)与目标边界框左上角(x0，y0)和右下角(x1，y1)之间的偏移量。
[0019]进一步地，步骤2.2中：
[0020]特征金字塔网络PFN结构主要包括自底向上和自顶向下两个过程，自底向上过程利用卷积、池化对输入图像进行逐级的特征抽象，形成一个分辨率递减、维度递增的降采样特征金字塔{C2,C3,C4,C5}。自顶向下过程则以自底向上的每一个特征层{C2,C3,C4,C5}进行上采样，并与下一级特征层通过横向连接的方式进行融合，形成与自底向上特征金字塔逐级对应的特征图{P2,P3,P4,P5,P6,P7}。
[0021]进一步地，步骤2.4中：
[0022]网络训练采用多任务方式进行训练，训练损失函数由L
cls
和L
reg
两部分组成，即L
cls
为网络模型分类损失，L
reg
表示坐标回归损失，使用IOU损失，公式定义为，
[0023][0024]其中，L(
·
)表示总的损失函数，p
x，y
位置(x,y)处预测的目标类别概率，为对应的目标类别真值，t
x，y
＝(l,t,r,b)为在(x,y)处预测的中心点偏移量，为对应的中心点偏移量真值，为指示函数，λ为损失函数权重系数，N
pos
为正样本个数。
[0025]本专利技术的有益效果在于：通过首先提取大场景SAR图像的感兴趣区域索引，舍弃大量不包含检测目标的背景区域，大幅度地减少了计算需求，提升目标检测效率和对大场景
中的小目标检测能力。根据获得地感兴趣区域索引，针对索引处对应的高分辨图像切片进行目标精细检测，采用无描点目标检测方法，通过并通过多尺度融合特征网络来增强对多尺度目标的检测能力，实现高精度目标类别和包围框估计。本专利技术提出的方法需要计算资源少，鲁棒性高、计算速度快，从而实现场景SAR图像中高效、高精度的目标检测。
附图说明
[0026]图1是感兴趣区域辨别示意图；
[0027]图2是目标包围盒回归流程图；
[0028]图3是目标精细检测网络架构图；
[0029]图4是中心度回归示意图；
[0030]图5是层次化目标检测流程。
具体实施方式
[0031]以下结合附图1
‑
5对本专利技术的技术方案进行详细说明。
[0032]该实施例提供了一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法，大场景SAR图像目标快速检测分为高效的感兴趣区域提取和高精度目标检测两个阶段，具体包括：
[0033]步骤1、完成感兴趣区域的目标提取，即对大场景SAR图像以固定比例α下采样，然后再对图像切片，切片大小根据图像宽高设置，如500
×
500，通过一个分类器判定该切片是否包含待检测目标，并以α比例映射回大场景SAR图像获取感兴趣区域索引；...

【技术保护点】

【技术特征摘要】
1.一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法，大场景SAR图像目标快速检测分为高效的感兴趣区域提取和高精度目标检测两个阶段，其特征在于：步骤1、完成感兴趣区域的目标提取，即对大场景SAR图像以固定比例α下采样，然后再对图像切片，切片大小根据图像宽高设置，通过一个分类器判定切片是否包含待检测目标，并以α比例映射回大场景SAR图像获取感兴趣区域索引；步骤2、对感兴趣区域索引处的高分辨图像切片进行目标精细检测；采用改进的特征金字塔网络方法提取目标多个尺度的特征并融合，从而检测尺度大小不一致的目标；步骤2.1、基于无描点目标检测框架，对目标物体框中的所有点进行边界框预测，以中心点到物体框的左边距、上边距、右边距、下边距之间的距离(l，t，r，b)以及目标方向角θ进行回归；步骤2.2、利用特征金字塔网络FPN进行图像多尺度特征融合和预测；步骤2.3、完成目标边界框中心度回归，并抑制低质量的检测框；步骤2.4、完成检测器网络训练。2.根据权利要求1所示的一种用于船舶识别的层次化的大场景SAR图像目标快速检测方法，其特征在于，步骤2.1中：直接在特征图上的每一点进行回归操作，对目标物体框中的所有点进行边界框预测，以中心点到物体框的左边距、上边距、右边距和下边距之间的距离(l，t，r，b)进行回归，假设(x0，y0)和(x1，y1）分别表示目标物体框的左上角和右下角的坐标值，对于目标框中任意一点(，y)则有，其中，l
*
，t
*
，r
*
和b
*
分别表示目标框中任意一点...

【专利技术属性】
技术研发人员：张静，郁文贤，张锦，郭炜炜，王涛，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：