【技术实现步骤摘要】
本专利技术涉及船舰检测领域，具体涉及一种基于特征平衡网络的sar图像船舰目标检测方法及系统。
技术介绍
1、合成孔径雷达(synthetic aperture radar, sar)具有在全天候、全天时条件下构建雷达图像的优势，目前sar图像船舰检测技术能够广泛地应用于海运船只管理、地质检测以及目标检测与预警等领域，具有非常重要的应用价值。
2、传统sar船舰检测技术通常采用滑动窗口与阈值筛选的方法进行检测，阈值的选择非常依赖数据集分布建模，具有较差的泛化性。基于深度学习模型的检测技术能够自主学习数据的分布与船舰目标的特征，可以有效地提高检测精度与泛化性。但sar船舰检测问题主要有以下难点：
3、1、近岸场景下，船舰停靠密集，港口岸边建筑会对船舰检测造成干扰；
4、2、海上船舰包含了各种大中小型的民船，船舰的尺度大小变化非常大；
5、3、sar图像通常是鸟瞰视觉图像，船舰角度姿态多种多样，采用水平框的表示学习会带来更多的特征干扰。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的基于特征平衡网络的sar图像船舰目标检测方法及系统解决了现有sar船舰目标检测算法精度与泛化性差的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、提供一种基于特征平衡网络的sar图像船舰目标检测方法，其包括以下步骤：
4、s1、获取待检测sar图像并对其进行预处理，得到预处理后的sar图像
5、s2、通过特征平衡网络对预处理后的sar图像进行特征提取，得到多层级特征；
6、s3、将多层级特征输入fpn网络中，得到多尺度特征图；
7、s4、将多尺度特征图输入rpn网络，获取船舰目标的水平候选框的坐标信息；
8、s5、将步骤s4得到的船舰目标的水平候选框的坐标信息映射到多尺度特征图中，并通过roi align算法计算候选框区域特征，将计算结果池化生成第一目标框特征向量；
9、s6、采用第一rcnn检测头对第一目标框特征向量进行预测，得到第一目标类别信息、第一目标旋转框坐标信息以及第一目标旋转框的角度信息；
10、s7、将步骤s6得到第一目标旋转框映射到多尺度特征图中，并通过roi align算法计算候选框区域特征，将计算结果池化生成第二目标框特征向量；
11、s8、采用第二rcnn检测头对第二目标框特征向量进行预测，得到第二目标类别信息、第二目标旋转框坐标信息以及第二目标旋转框的角度信息；
12、s9、输出第二目标类别信息和第二目标旋转框作为当前船舰目标检测结果。
13、进一步地，步骤s1的具体方法包括以下子步骤：
14、s1-1、通过预先设定的图像数据的均值和方差，对待检测sar图像进行标准化；
15、s1-2、对标准化后的待检测sar图像进行归一化；
16、s1-3、对归一化后的待检测sar图像进行零值填充，使填充后的图像的宽和高均为32的整数倍，得到预处理后的sar图像。
17、进一步地，步骤s2中特征平衡网络包括依次连接的第一特征平衡模块、第二特征平衡模块、第三特征平衡模块和第四特征平衡模块；每个特征平衡模块均包括依次连接的第一卷积层、第二卷积层、可变形卷积层、空间注意力层、特征拼接层和通道注意力层；特征平衡模块对输入图像进行特征提取的具体方法包括以下子步骤：
18、s2-1、分别通过第一卷积层和第二卷积层对输入图像进行不同的卷积运算，分别得到通道维度为输入图像的二分之一的第一卷积结果和第二卷积结果；
19、s2-2、通过可变形卷积层对第二卷积结果进行可变形卷积运算；
20、s2-3、通过空间注意力层对可变形卷积运算结果进行空间注意力运算；
21、s2-4、通过特征拼接层将空间注意力运算结果和第一卷积结果进行拼接，将拼接结果作为通道注意力层的输入；
22、s2-5、通过通道注意力层对拼接结果沿通道维度进行权重调整，得到单层级特征；
23、其中四个特征平衡模块对应的单层级特征组成特征平衡网络对应的多层级特征。
24、进一步地，步骤s3中fpn网络包括四个1×1卷积层，分别为第一1×1卷积层、第二1×1卷积层、第三1×1卷积层和第四1×1卷积层；第一1×1卷积层的输入为第一特征平衡模块输出的单层级特征；第二1×1卷积层的输入为第二特征平衡模块输出的单层级特征；第三1×1卷积层的输入为第三特征平衡模块输出的单层级特征；第四1×1卷积层的输入为第四特征平衡模块输出的单层级特征；其中：
25、第四1×1卷积层的输出为第一尺度特征图；
26、第一尺度特征图通过2倍上采样后与第三1×1卷积层的输出的拼接结果为第二尺度特征图；
27、第二尺度特征图通过2倍上采样后与第二1×1卷积层的输出的拼接结果为第三尺度特征图；
28、第三尺度特征图通过2倍上采样后与第一1×1卷积层的输出的拼接结果为第四尺度特征图；
29、第一尺度特征图、第二尺度特征图、第三尺度特征图和第四尺度特征图共同组成多尺度特征图。
30、进一步地，在步骤s4中，若船舰目标的水平候选框的置信度低于0.05，则将该船舰目标的水平候选框删去。
31、进一步地，第一目标框特征向量和第二目标框特征向量的尺寸均为7×7。
32、进一步地，在步骤s6和步骤s8中，若目标旋转框的置信度低于0.05，则将该目标旋转框删去。
33、提供一种基于特征平衡网络的sar图像船舰目标检测系统，其包括图像预处理模块、特征平衡网络、fpn网络、rpn网络、第一目标框特征向量计算模块、第一rcnn检测头、第二目标框特征向量计算模块和第二rcnn检测头；其中：
34、图像预处理模块，用于对待检测sar图像进行预处理，得到预处理后的sar图像；
35、特征平衡网络，用于对预处理后的sar图像进行特征提取，得到多层级特征；
36、fpn网络，用于获取多层级特征对应的多尺度特征图；
37、rpn网络，用于对多尺度特征图进行处理，获取船舰目标的水平候选框的坐标信息；
38、第一目标框特征向量计算模块，用于将rpn网络得到的船舰目标的水平候选框的坐标信息映射到多尺度特征图中，并通过roi align算法计算候选框区域特征，将计算结果池化生成第一目标框特征向量；
39、第一rcnn检测头，用于对第一目标框特征向量进行预测，得到第一目标类别信息、第一目标旋转框坐标信息以及第一目标旋转框的角度信息；
40、第二目标框特征向量计算模块，用于将第一rcnn检测头得到的第一目标旋转框映射到多尺度特征图中，并通过roi align算法计算候选框区域特征，将计算结果池化生成第二目标框特征向量；
41、第二本文档来自技高网...
【技术保护点】
1.一种基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，步骤S1的具体方法包括以下子步骤：
3.根据权利要求1所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，步骤S2中特征平衡网络包括依次连接的第一特征平衡模块、第二特征平衡模块、第三特征平衡模块和第四特征平衡模块；每个特征平衡模块均包括依次连接的第一卷积层、第二卷积层、可变形卷积层、空间注意力层、特征拼接层和通道注意力层；特征平衡模块对输入图像进行特征提取的具体方法包括以下子步骤：
4.根据权利要求3所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，步骤S3中FPN网络包括四个1×1卷积层，分别为第一1×1卷积层、第二1×1卷积层、第三1×1卷积层和第四1×1卷积层；第一1×1卷积层的输入为第一特征平衡模块输出的单层级特征；第二1×1卷积层的输入为第二特征平衡模块输出的单层级特征；第三1×1卷积层的输入为第三特征平衡模块输出的单层级特征；第四1×1卷积层的输
5.根据权利要求1所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，在步骤S4中，若船舰目标的水平候选框的置信度低于0.05，则将该船舰目标的水平候选框删去。
6.根据权利要求1所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，第一目标框特征向量和第二目标框特征向量的尺寸均为7×7。
7.根据权利要求1所述的基于特征平衡网络的SAR图像船舰目标检测方法，其特征在于，在步骤S6和步骤S8中，若目标旋转框的置信度低于0.05，则将该目标旋转框删去。
8.一种基于权利要求1~7任意所述的基于特征平衡网络的SAR图像船舰目标检测方法的系统，其特征在于，包括图像预处理模块、特征平衡网络、FPN网络、RPN网络、第一目标框特征向量计算模块、第一RCNN检测头、第二目标框特征向量计算模块和第二RCNN检测头；其中：
...【技术特征摘要】
1.一种基于特征平衡网络的sar图像船舰目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征平衡网络的sar图像船舰目标检测方法，其特征在于，步骤s1的具体方法包括以下子步骤：
3.根据权利要求1所述的基于特征平衡网络的sar图像船舰目标检测方法，其特征在于，步骤s2中特征平衡网络包括依次连接的第一特征平衡模块、第二特征平衡模块、第三特征平衡模块和第四特征平衡模块；每个特征平衡模块均包括依次连接的第一卷积层、第二卷积层、可变形卷积层、空间注意力层、特征拼接层和通道注意力层；特征平衡模块对输入图像进行特征提取的具体方法包括以下子步骤：
4.根据权利要求3所述的基于特征平衡网络的sar图像船舰目标检测方法，其特征在于，步骤s3中fpn网络包括四个1×1卷积层，分别为第一1×1卷积层、第二1×1卷积层、第三1×1卷积层和第四1×1卷积层；第一1×1卷积层的输入为第一特征平衡模块输出的单层级特征；第二1×1卷积层的输入为第二特征平衡模块输出的单层级特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。