[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

本發明公開了一種基于全卷積神經網絡的SAR圖像目標檢測方法，主要解決現有技術檢測速度慢、準確率低的問題，其方案是：獲取SAR圖像；擴充訓練數據集；構建一個九層的全卷積神經網絡；使用擴充后的訓練數據集訓練全卷積神經網絡；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；對顯著性特征圖進行形態學處理；對處理后的特征圖進行連通域標記；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；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。本發明將全卷積神經網絡應用到SAR圖像目標檢測中，提高了SAR圖像目標檢測的檢測速度和準確率，可用于目標識別。

【技術領域】

本發明屬于圖像處理技術領域，具體涉及一種基于全卷積神經網絡的SAR圖像目標檢測方法。

【背景技術】

合成孔徑雷達SAR是一種高分辨率主動式有源微波遙感成像雷達，具有全天候、全天時、分辨率高等優點，不受時間、天氣等的限制，能獲得目標更豐富的信息。在對地觀測和軍事偵查等領域得到了廣泛的應用。

SAR圖像目標檢測是SAR-ATR(自動目標識別)的關鍵步驟，也是SAR圖像解譯應用的熱點。在SAR圖像中，目標體積較小，背景信息復雜，對目標檢測造成了一定的難度。

卷積神經網絡作為應用最為廣泛的深度神經網絡之一，已經成為了語音分析和圖像處理領域的研究熱點。卷積神經網絡的權值共享結構使得參數大大減少，降低了網絡模型訓練的復雜度。此外，卷積神經網絡對于平移、縮放、傾斜等變形具有高度不變性。但是，由于卷積神經網絡的下采樣和全連接層的結構，使得卷積神經網絡的輸入大小必須固定，應用不夠靈活方便。全卷積神經網絡克服了這一缺陷。通過上采樣層，全卷積神經網絡得到了和原圖一樣的大小的輸出特征圖。由于全卷積神經網絡的結構中只有卷積層和采樣層，因此能夠接受任意大小的輸入。

目前最為廣泛應用的SAR目標檢測算法是恒虛警率(Constant False AlarmRate，CFAR)檢測算法。CFAR檢測算法簡單、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CFAR算法是逐像素的計算，在SAR圖像尺寸較大時，耗時將相當長，實用性不高。

目前常見的SAR圖像目標檢測方法都有著檢測時間長、準確率低的缺陷。

【發明內容】

本發明的目的在于針對SAR圖像目標檢測方法檢測時間長、準確率低的問題，提出一種基于全卷積神經網絡的SAR圖像目標檢測方法，通過該方法能夠實現端到端的檢測，提高檢測準確率和檢測速度。

本發明的目的通過如下技術方案實現：

一種基于全卷積神經網絡的SAR圖像目標檢測方法，包括如下步驟：

(1)獲取SAR圖像，選取出目標訓練集和目標測試集；

(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)將步驟(1)的SAR圖像作為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。