[發(fā)明專利]基于CNN和選擇性注意機(jī)制的SAR圖像目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 201710386941.7
• 申請日: 2017-05-26
• 公開（公告）號: CN107247930A
• 公開（公告）日: 2017-10-13
• 發(fā)明（設(shè)計(jì)）人: 焦李成;屈嶸;汶茂寧;馬文萍;楊淑媛;侯彪;劉芳;尚榮華;張向榮;張丹;唐旭;馬晶晶
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司61200
• 代理人: 徐文權(quán)

1.基于CNN和選擇性注意機(jī)制的SAR圖像目標(biāo)檢測方法，其特征在于，包括以下步驟：

1)從MSTAR數(shù)據(jù)集和SAR場景圖中獲取訓(xùn)練樣本集；

2)對步驟1)中的訓(xùn)練樣本集進(jìn)行擴(kuò)充，得到新訓(xùn)練樣本集；

3)構(gòu)建分類網(wǎng)絡(luò)模型，選擇一個(gè)由卷積層→池化層→卷積層→池化層→卷積層→池化層→卷積層→池化層→卷積層→全連接層→softmax分類器組成的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)提取SAR圖像特征及分類；

4)利用步驟2)得到的新訓(xùn)練樣本集對步驟3)中構(gòu)建的分類網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；

5)用圖像視覺顯著注意模型對待檢測SAR場景圖進(jìn)行顯著性檢測，得到顯著特征圖；

6)對步驟5)得到的顯著特征圖進(jìn)行形態(tài)學(xué)處理后，進(jìn)行連通域標(biāo)記，確定每個(gè)連通域的質(zhì)心為中心，提取與各個(gè)質(zhì)心對應(yīng)的目標(biāo)候選區(qū)，將各個(gè)目標(biāo)候選區(qū)在其周圍若干像素點(diǎn)內(nèi)平移，擴(kuò)充每個(gè)目標(biāo)候選區(qū)的待判斷數(shù)量；

7)利用步驟4)中訓(xùn)練好的模型對步驟6)中的目標(biāo)候選區(qū)進(jìn)行分類，將每個(gè)目標(biāo)候選區(qū)周圍多個(gè)候選區(qū)域中判斷為目標(biāo)的檢測數(shù)量與閾值對比，大于閾值，則為目標(biāo)，所有目標(biāo)對比完成后得到SAR場景圖中的目標(biāo)定位框；

8)將步驟7)中的目標(biāo)定位框用非極大值抑制的方法去除多余的框，選出分類得分最大的定位框并在SAR場景圖進(jìn)行標(biāo)記，得到測試圖像的目標(biāo)檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于CNN和選擇性注意機(jī)制的SAR圖像目標(biāo)檢測方法，其特征在于，步驟1)中的訓(xùn)練樣本集包括正樣本和負(fù)樣本：從MSTAR數(shù)據(jù)集中選取若干SAR圖像作為訓(xùn)練樣本集的正樣本；從SAR場景圖隨機(jī)選取背景塊作為訓(xùn)練樣本集的負(fù)樣本。

3.根據(jù)權(quán)利要求2所述的基于CNN和選擇性注意機(jī)制的SAR圖像目標(biāo)檢測方法，其特征在于，步驟2)按如下步驟進(jìn)行：

2a)取訓(xùn)練樣本集正樣本中每幅SAR圖像的中間88×88的區(qū)域部分，得到對應(yīng)每幅SAR圖像的中間88×88的左上角坐標(biāo)(x,y)，每幅SAR圖像的中間區(qū)域?yàn)?x+88,y+88)；

2b)將步驟2a)中每幅SAR圖像的中間區(qū)域進(jìn)行上下左右五個(gè)像素單位的平移，得到新左上角坐標(biāo)(x',y')，其中x'＝x±t_x，y'＝y(tǒng)±t_y，t_x和t_y為平移單位，進(jìn)而得到每幅SAR圖像的新中間區(qū)域?yàn)?x'+88,y'+88)，作為訓(xùn)練樣本集的正樣本。

4.根據(jù)權(quán)利要求3所述的基于CNN和選擇性注意機(jī)制的SAR圖像目標(biāo)檢測方法，其特征在于，步驟4)的分類模型訓(xùn)練按如下步驟進(jìn)行：MSTAR數(shù)據(jù)平移擴(kuò)充后的數(shù)據(jù)集作為網(wǎng)絡(luò)的訓(xùn)練正樣本，從SAR場景圖中選取的背景圖像塊作為網(wǎng)絡(luò)的訓(xùn)練負(fù)樣本輸入到構(gòu)建的分類模型，訓(xùn)練數(shù)據(jù)集的正負(fù)類別作為分類模型的輸出，通過求解模型輸出類別與給定正確類別之間的誤差并對誤差進(jìn)行反向傳播，來優(yōu)化分類模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型。