[發明專利]基于CNN和選擇性注意機制的SAR圖像目標檢測方法

在審

• 申請號: 201710386941.7
• 申請日: 2017-05-26
• 公開（公告）號: CN107247930A
• 公開（公告）日: 2017-10-13
• 發明（設計）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）人: 西安電子科技大學
• 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任公司61200
• 代理人: 徐文權

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于卷積神經網絡(Convolutional Neural Network)與選擇性注意機制的合成孔徑雷達SAR(Synthetic Aperture Rader)圖像目標檢測方法，并且可用于后續合成孔徑雷達SAR圖像的目標分類與識別。

背景技術

合成孔徑雷達作為一種主動式傳感器，其分辨率與觀測距離無關，因此能夠在保證分辨率的情況下完成遠距離的觀測任務，是重要的遙感手段之一。與紅外及光學等被動成像設備相比，其成像過程不受光照、氣候、云層等環境因素的影響，具有對地面全天候、全天時不間斷觀測并且采集數據的能力。目前，SAR已經成為軍事偵察及地理遙感不可或缺的手段之一，其在目標探測、海域監控、漁業管理、環境監視、地形測繪、災害評估等領域得到了一定程度的應用。

SAR圖像的目標檢測是SAR圖像處理與解譯中的重要問題。隨著很多特征提取方法的出現，基于機器學習的目標檢測引起了很大的關注。雖然現在已有很多的特征提取方法，但是由于SAR圖像的噪聲，陰影等影響圖像顯著性的因素存在，SAR圖像的目標檢測依舊是一個具有挑戰的難題。近些年來，深度學習方法，比如卷積網(CNN)、深度堆棧網(DBN)、自編碼(AE)在計算機視覺領域展現出了強大有效的特征表征能力。

目前在SAR圖像的目標檢測方面，很多方法都是像素級處理，要考慮像素的統計信息，計算量大，不適合復雜場景圖。最為廣泛應用的SAR目標檢測算法是恒虛警率(CFAR)檢測算法。CFAR算法簡單、快速、實時性強。然而由于背景雜波的估計需要一定的先驗知識，在先驗信息不足的情況下，背景雜波不一定服從預設的分布，將造成雜波統計模型不夠準確，帶來了檢測不準確、虛警率高的問題。同時，由于是像素級處理，在SAR圖像尺寸較大時，耗時將相當長。

發明內容

本發明的目的在于針對上述問題，提出一種基于CNN(卷積神經網絡)和選擇性注意機制的SAR圖像目標檢測方法，克服了目前很多基于像素級別的SAR目標檢測在復雜場景下，檢測性能差，有很多虛警的問題，提高了目標檢測定位的準確性。

為了實現上述目的，本發明采用的技術方案是，一種基于CNN和選擇性注意機制的SAR圖像目標檢測方法，包括以下步驟：

1)從MSTAR數據集和SAR場景圖中獲取訓練樣本集；

2)對步驟1)中的訓練樣本集進行擴充，得到新訓練樣本集；

3)構建分類網絡模型，選擇一個由卷積層→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網絡實現提取SAR圖像特征及分類；

4)利用步驟2)得到的新訓練樣本集對步驟3)中構建的分類網絡模型進行訓練，得到訓練好的模型；

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行形態學處理后，進行連通域標記，確定每個連通域的質心為中心，提取與各個質心對應的目標候選區，將各個目標候選區在其周圍若干像素點內平移，擴充每個目標候選區的待判斷數量；

7)利用步驟4)中訓練好的模型對步驟6)中的目標候選區進行分類，將每個目標候選區周圍多個候選區域中判斷為目標的檢測數量與閾值對比，大于閾值，則為目標，所有目標對比完成后得到SAR場景圖中的目標定位框；

8)將步驟7)中的目標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場景圖進行標記，得到測試圖像的目標檢測結果。

步驟1)中的訓練樣本集包括正樣本和負樣本：從MSTAR數據集中選取若干SAR圖像作為訓練樣本集的正樣本；從SAR場景圖隨機選取背景塊作為訓練樣本集的負樣本(比如樹木，建筑，草地)。

步驟2)按如下步驟進行：

2a)取訓練樣本集正樣本中每幅SAR圖像的中間88×88的區域部分，得到對應每幅SAR圖像的中間88×88的左上角坐標(x,y)，每幅SAR圖像的中間區域為(x+88,y+88)；

2b)將步驟2a)中每幅SAR圖像的中間區域進行上下左右五個像素單位的平移，得到新左上角坐標(x',y')，其中x'＝x±t_x，y'＝y±t_y，t_x和t_y為平移單位，進而得到每幅SAR圖像的新中間區域為(x'+88,y'+88)，作為訓練樣本集的正樣本。

步驟3)中的卷積神經網絡分類模型的參數如下：