[發明專利]一種基于全卷積神經網絡的SAR圖像目標檢測方法

有效

• 申請號: 201710396167.8
• 申請日: 2017-05-26
• 公開（公告）號: CN107229918B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 焦李成;屈嶸;侯瑤淇;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;G06N3/08
• 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

1.一種基于全卷積神經網絡的SAR圖像目標檢測方法，其特征在于，包括如下步驟：

(1)獲取SAR圖像：從MSTAR數據庫中的數據中選取一部分目標切片作為目標訓練集，另一部分作為目標測試集；從MSTAR數據庫中的數據中隨機選取若干幅場景圖作為場景訓練集，其余的場景圖作為場景測試集；

(2)擴充訓練數據集；

(3)構建全卷積神經網絡：

(4)將步驟(2)中擴充后的訓練數據集輸入到步驟(3)的全卷積神經網絡中，通過自適應學習率調整算法進行訓練，得到訓練好的模型；

(5)將測試圖片輸入到訓練好的模型中進行顯著性檢測，得到輸出的顯著性特征圖；

(6)對顯著性特征圖進行形態學處理，去除孤立點和縫隙；

(7)對步驟(6)處理后的顯著性特征圖進行連通域標記，得到每個連通域的質心；

(8)以每個連通域的質心為中心，提取與各個目標質心對應的檢測切片；

(9)將各個檢測切片在輸入的原始SAR圖像中標記出來，得到測試數據的目標檢測結果；

所述步驟(3)中，構建一個由第一卷積層→第一下采樣層→第二卷積層→第二下采樣層→第三卷積層→第三下采樣層→第四卷積層→第四下采樣層→第五卷積層→第一上采樣層→第六卷積層→第二上采樣層→第七卷積層→第三上采樣層→第八卷積層→第四上采樣層→第九卷積層組成的全卷積神經網絡，給定各組的特征映射圖，并確定各組卷積層、上采樣層、下采樣層的尺寸；

所述全卷積神經網絡的參數如下：

第一卷積層，卷積核數目為16，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第一下采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第二卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第二下采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第三卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第三下采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第四卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第四下采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第五卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第一上采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第六卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第二上采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第七卷積層，卷積核數目為8，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第三上采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第八卷積層，卷積核數目為16，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Relu函數；

第四上采樣層，核窗口大小為2×2個像素，相鄰局部接受域的中心距離為2個像素；

第九卷積層，卷積核數目為1，卷積核窗口大小為3×3個像素，相鄰局部接受域的大小為1，激活函數為Sigmoid函數；

所述步驟(2)中，擴充訓練數據集包括如下步驟：

(2a)從目標訓練集中隨機選取m組目標切片，每組n個切片，m和n為正整數；

(2b)對于步驟(2a)中生成的每組目標切片，隨機選取一張場景圖，將目標切片隨機分布到場景圖中，共生成m幅場景訓練圖；

(2c)對于步驟(2b)中生成的每幅場景訓練圖，生成一幅相對應的特征顯著圖，具體為，首先生成大小等于原圖的全零矩陣，然后將目標切片在圖中的對應位置設置為1，共生成m幅和場景訓練圖一一對應的顯著特征圖，將這些顯著特征圖作為在訓練全卷積神經網絡的訓練類標。

2.根據權利要求1所述的一種基于全卷積神經網絡的SAR圖像目標檢測方法，其特征在于，所述m取值為3000，n取值為15。