【技术实现步骤摘要】
本专利技术属于遥感图像处理领域，涉及sar遥感图像的目标检测方法，尤其涉及基于多层次采样表征模型的sar舰船目标检测方法和装置。
技术介绍
1、合成孔径雷达(synthetic aperture radar，sar)作为一种主动遥感技术，具有全天时、全天候对目标进行观测的能力。随着sar成像技术的发展和数据量的快速增长，利用高分辨率图像进行典型目标检测引起了广泛的关注。基于sar遥感图像的舰船检测一直是遥感目标识别领域的研究热点，在港口管理和海上安全等领域，舰船均为十分重要的战略目标。与光学遥感图像中表现出的连续线性纹理特征不同，sar遥感图像中舰船目标和背景均表现出具有极低信噪比的乘性非高斯相干斑，在sar独特的成像机理下表现出与自然图像和光学遥感图像巨大的领域差距，使得基于自然图像和光学遥感图像设计的传统舰船目标检测网络性能受到制约。如何针对sar遥感图像成像机理和舰船目标特性设计深度学习目标检测网络，成为sar遥感图像舰船目标检测的重大挑战。
2、传统sar舰船检测算法主要基于统计模型，类似于谱残差、恒虚警率(cfar)及其衍生的改进算法得到了广泛的应用。基于灰度特征的cfar方法充分考虑了舰船目标与其他背景区域的反射能量差异。受这种cfar方法的启发，许多典型的cfar检测器被提出，例如，基于单元平均的cfar(ca-cfar)和基于顺序统计的cfar(os-cfar)。这些基于统计或手工设计的方法在均匀海面或弱杂波下表现良好。然而，对于高分辨率sar图像，孤立岛屿、海岸线、强海浪等复杂背景会导致较高的虚警率
3、与以cfar为代表的传统舰船检测方法相比，基于卷积神经网络(cnn)的方法具有强大的表征能力和自动提取特征的能力，可以在复杂的背景条件下产生更多精确的结果。cnn在光学自然图像处理中表现出了较高的鲁棒性和高效性。近年来，由于许多研究者对深度学习的贡献，出现了多种目标检测方法，主要分为两类：一类是两阶段目标检测器，另一类是单阶段目标检测器。单阶段目标检测器将将检测任务表述成一个统一的、端到端的回归问题，只处理一次图片同时得到位置和分类。由于其检测高效性，近年涌现出如yolo、ssd、retinanet等代表性快速目标检测算法。两阶段目标检测器在流程上，首先检测候选区域生成候选框，然后对候选框进行分类，并进一步回归候选框的准确位置。与单阶段方法的根本区别在于，两阶段方法多了一个候选框提取过程。faster-rcnn的出现是两阶段检测器的一个重要里程碑。它由主干网络、区域建议网络(rpn)和边界框回归网络三部分组成。得益于rpn，检测精度显著提高。相比之下，这也大大增加了检测时间成本。
4、然而，由于自然图像和sar图像之间存在巨大的领域差异，深度学习在舰船检测中的发展受到了制约。虽然这些基于自然场景的目标检测器已经在一定程度上被证明对sar舰船的检测是有效的，但在目标检测方面仍然存在一些局限性。首先，在复杂场景中，背景中的干扰可能与舰船目标具有相似的后向散射强度，使得利用灰度强度等一阶线性特征难以区分舰船目标与背景。深度网络对sar图像统计特征的学习过程依赖于启发式设计的统计特征输入的简单级联。网络学习过程仍然依赖于大量的一阶线性变换来提取多个一阶矩特征，这些特征被用来隐式地拟合高阶统计特征。相干斑现象引入的非线性统计特征难以拟合，学习过程的可解释性较差。其次，叠加了相干斑噪声的舰船目标表现为不规则轮廓的强散射点镞，存在边界不确定性。现有的基于cnn的方法仍然使用固定的矩形预测框来表示船舶目标。对不规则目标散射点的机理表征不准确，难以拟合目标散射点的特征。综上所述，现有的深度学习目标检测方法难以准确提取和表征sar图像独特的机理和sar舰船目标的特性。
技术实现思路
1、本专利技术针对现有技术的不足，提供一种基于多层次采样表征模型的sar舰船目标检测方法。
2、本专利技术的技术方案为一种基于多层次采样表征模型的sar舰船目标检测方法，包括训练阶段和测试阶段，其中训练阶段包括对输入的训练集图像进行预处理，构建构造基于多层次采样表征模型的sar遥感图像舰船目标检测网络，预处理输出的训练集图像输入到舰船目标检测网络中通过预设尺寸的候选框生成预测框，通过预测框参数和标注真实框参数计算损失值，完成单次迭代，并以损失值是否收敛为依据，继续网络训练迭代，当损失值收敛时，获得网络权值参数；
3、所述目标检测网络包括用于提取输入图像特征的卷积特征提取模块，用于获得统计特征学习特征图的统计特征学习模块，用于获得多尺度融合特征图的多尺度特征融合金字塔模块，用于获得舰船目标检测结果参数的目标可变形轮廓检测模块，用于获得筛选检测结果参数的稀疏低秩筛选模块，以及用于获得舰船目标检测结果的后处理模块；
4、测试阶段，目标检测网络导入上述权值参数，对待检测图片进行舰船目标检测。
5、进一步的，所述目标检测网络的构建方式如下；
6、步骤1，构建卷积特征提取模块，所述卷积特征提取模块采用resnet50架构，包括5个子模块，输入图像后获得4张特征图，其中第二子模块、第三子模块、第四子模块、第五子模块的输出分别记为特征图c2、c3、c4、c5；
7、步骤2，根据步骤1所得的特征图c4，构建统计特征学习模块，获得统计特征学习特征图；所述统计特征学习模块包括1个传统卷积层支路、1个二次型统计特征学习层支路，和一个特征融合层；其中，传统卷积层支路和二次型统计特征学习层支路的输入均为特征图c4，随后，将两个支路的输出特征图输入特征融合层，即输出统计特征学习特征图q4；
8、步骤3，根据步骤1所得的特征图c2、c3、c5和步骤2所得的统计特征学习特征图q4构建多尺度特征融合金字塔模块，获得4张多尺度融合特征图；所述多尺度特征融合金字塔模块包括3个结构相同的特征融合子模块，分别记为融合子模块r2、r3、r4和1个由一层传统卷积层组成的特征融合子模块r1；其中：
9、特征融合子模块r1以特征图c5作为输入，输出多尺度融合特征图p5；
10、特征融合子模块r2包括1个传统卷积层支路、1个上采样层支路、1个加和层和1个传统卷积层；传统卷积层支路输入为统计特征学习特征图q4，上采样支路输入为多尺度融合特征图p5，两条支路输出特征图共同进入加和层，加和层输出进入传统卷积层，输出多尺度特征融合图p4；
11、特征融合子模块r3的网络结构与特征融合子模块r2相同，传统卷积层支路输入为卷积特征提取模块特征图c3，上采样支路输入为多尺度融合特征图p4，两条支路输出特征图共同进入加和层，加和层输出进入传统卷积层，输出多尺度特征融合图p3；
12、特征融合子模块r4的网络结构与特征融合子模块r2相同，传统卷积层支路输入为卷积特征提取模块特征图c2，上采样支路输入为多尺度融合特征图p3，两条支路输出特征图共同进入加和层，加和层输出进入传统卷积层，输出多尺度特征融合图p2；
13、步骤4，根据步骤3所得本文档来自技高网...
【技术保护点】
1.基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于，包括训练阶段和测试阶段，其中训练阶段包括对输入的训练集图像进行预处理，构建构造基于多层次采样表征模型的SAR遥感图像舰船目标检测网络，预处理输出的训练集图像输入到舰船目标检测网络中通过预设尺寸的候选框生成预测框，通过预测框参数和标注真实框参数计算损失值，完成单次迭代，并以损失值是否收敛为依据，继续网络训练迭代，当损失值收敛时，获得网络权值参数；
2.如权利要求1所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：所述目标检测网络的构建方式如下；
3.如权利要求2所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：步骤1中构建卷积特征提取模块的具体实现过程如下，
4.如权利要求2所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：步骤2中构建统计特征学习模块的具体实现过程如下，
5.如权利要求2所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：步骤3中构建多尺度特征融合金字塔模块的具体实现过程如下，
6
7.如权利要求2所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：步骤5中构建稀疏低秩筛选模块的具体实现过程如下，
8.如权利要求2所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：步骤6中构建后处理模块的具体实现过程如下，
9.如权利要求7所述的基于多层次采样表征模型的SAR舰船目标检测方法，其特征在于：定义损失函数为为分类损失函数，为第一回归子模块的回归损失函数，为第二回归子模块的回归损失函数，表示分配的真实标签类别，为focal loss函数，Ncls表示点集的总数，Nloc表示正样本点集的总数，表示真实标注的像素位置，为GIOU loss函数，则损失函数为：其中，
10.基于多层次采样表征模型的SAR舰船目标检测装置，其特征在于，包括：
...【技术特征摘要】
1.基于多层次采样表征模型的sar舰船目标检测方法，其特征在于，包括训练阶段和测试阶段，其中训练阶段包括对输入的训练集图像进行预处理，构建构造基于多层次采样表征模型的sar遥感图像舰船目标检测网络，预处理输出的训练集图像输入到舰船目标检测网络中通过预设尺寸的候选框生成预测框，通过预测框参数和标注真实框参数计算损失值，完成单次迭代，并以损失值是否收敛为依据，继续网络训练迭代，当损失值收敛时，获得网络权值参数；
2.如权利要求1所述的基于多层次采样表征模型的sar舰船目标检测方法，其特征在于：所述目标检测网络的构建方式如下；
3.如权利要求2所述的基于多层次采样表征模型的sar舰船目标检测方法，其特征在于：步骤1中构建卷积特征提取模块的具体实现过程如下，
4.如权利要求2所述的基于多层次采样表征模型的sar舰船目标检测方法，其特征在于：步骤2中构建统计特征学习模块的具体实现过程如下，
5.如权利要求2所述的基于多层次采样表征模型的sar舰船目标检测方法，其特征在于：步骤3中构...
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。