[發明專利]基于深度學習的在線SAR目標檢測方法

有效

• 申請號: 201710667304.7
• 申請日: 2017-08-07
• 公開（公告）號: CN107563411B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 陳渤;鮑志業
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

本發明公開了一種基于深度學習的在線SAR目標檢測方法，主要解決現有技術在復雜SAR場景下檢測性能低的問題，其實現方案為：1.從MiniSAR數據集中獲取訓練樣本切片；2.通過隨機平移對訓練樣本切片進行擴充，用擴充后的訓練樣本訓練基于端到端實時檢測模型YOLO；3.對待測SAR圖像進行雙參數恒虛警CFAR檢測得到待檢測切片；4.用訓練好的模型對各個待檢測切片進行檢測，將檢測結果合并到原圖得到SAR圖像檢測結果；5.用在線更新的SAR圖像和樣本庫中的核心集Coreset對模型不斷更新，提升模型的檢測性能。本發明提升了在復雜SAR場景下對目標的檢測性能，可用于災害檢測、環境檢測以及資源勘查。

技術領域

本發明屬于雷達技術領域，特別涉及一種深度學習中端到端的實時檢測模型(YOLO)的在線SAR目標檢測方法，可用于災害檢測、環境檢測以及資源勘查等。

背景技術

合成孔徑雷達SAR是一種高分辨率成像雷達，可以在能見度極低的氣象條件下得到類似光學照相的高分辨雷達圖像。利用雷達與目標的相對運動把尺寸較小的真實天線孔徑用數據處理的方法合成較大的等效天線孔徑的雷達。合成孔徑雷達的特點是分辨率高，能全天時，全天候實時工作，廣泛應用于軍事偵察和遙感領域。隨著SAR技術不斷成熟，成像分辨率不斷提高，使得通過SAR圖像的目標檢測技術受到越來越廣泛的關注。

基于深度學習的目標檢測方法近年來發展十分迅速。卷積神經網絡作為深度學習中的一種，成為當前語音分析和圖像識別領域的研究熱點。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。該優點在網絡的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程。卷積網絡是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。目前卷積神經網絡在目標檢測中的研究十分活躍，先后出現基于區域卷積神經網絡檢測(R-CNN)、基于區域卷積神經網絡的快速檢測(Fast RCNN)、基于區域卷積神經網絡的實時檢測(FasterRCNN)、和基于端到端的實時檢測(YOLO)等方法。這些方法都是將傳統的視覺領域方法和卷積神經網絡方法結合起來，在目標檢測中取得巨大突破。

目前，已經發展出許多針對SAR圖像的目標檢測算法。其中，恒虛警率CFAR檢測算法以其簡單、快速、實時性強的特點而被廣泛應用于合成孔徑雷達SAR圖像目標檢測中。根據不同類型的目標在SAR圖像上具有不同的表征形式，也相應的具有不同的檢測方法。但這些現有SAR圖像檢測方法僅利用了SAR圖像局部區域的統計特性，僅能做到像素級別的檢測，要求目標與背景有較高的對比度，在簡單場景下檢測性能較好，但在復雜場景下檢測性能較差。

發明內容

本發明目的在于針對現有技術的不足，提出一種基于深度學習的在線SAR目標檢測方法，以提高復雜SAR場景下的檢測性能。

本發明的技術思路是：通過微小合成孔徑雷達數據集訓練端到端的實時檢測模型YOLO，用訓練好的模型實現對SAR目標的檢測，其實現方案包括如下：

(1)獲取SAR圖像樣本：

(1A)從微小合成孔徑雷達MiniSAR數據集中隨機選取100張SAR圖像，

其中20張作為初始訓練SAR圖像，60張作為在線更新時的SAR圖像，20張作為測試SAR圖像；

(1B)從每張訓練SAR圖像中獲取樣本切片，并對樣本切片中SAR目標的坐標信息和類別信息進行標注，將所有獲取到的SAR目標樣本切片組成訓練樣本集；

(2)擴充訓練樣本集：

對訓練樣本集中每個SAR目標切片中的待識別目標區域進行多次的隨機平移，并用每次平移后的訓練樣本切片和原始訓練樣本切片組成擴充后的訓練樣本集，再將所有的訓練樣本集放在一起組成訓練樣本庫；