[發明專利]一種基于全卷積網絡的探地雷達目標檢測方法

在審

• 申請號: 201810651121.0
• 申請日: 2018-06-22
• 公開（公告）號: CN108830331A
• 公開（公告）日: 2018-11-16
• 發明（設計）人: 侯興松;郭晉燕
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01V3/12;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，搭建一個三層的全卷積網絡對探地雷達數據集進行訓練，對圖像進行縮放得到不同尺度，然后輸入網絡進行卷積運算，輸出熱度特征圖，對該熱度圖進行映射計算后，定位目標的位置完成目標檢測。

2.根據權利要求1所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，包括以下步驟：

S1、準備探地雷達數據集，準備相關正樣本和負樣本；

S2、設計全卷積網絡，在樣本上進行訓練，得到一組對目標有極大響應的卷積核；

S3、利用準備好的數據集在該全卷積網絡上進行訓練；

S4、使用探地雷達圖片進行圖像縮放，形成圖片金字塔輸入全卷積網絡進行檢測，根據獲得的熱度圖計算對應的目標框；

S5、目標框是密集響應，對同概率目標框進行位置平均，實現第一次篩選；

S6、采用非極大值抑制算法對目標框進行第二次篩選，得到最終檢測結果。

3.根據權利要求2所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，步驟S1中，正樣本的選擇與預處理如下：

在收集到的探地雷達頻域圖片中，在處理過雜波干擾后，保留能夠看到目標的圖片作為制作正樣本的材料，使用重復多次截取正樣本的策略，保證多次截取到的包含同一個目標的正樣本之間具有差異性，做到對數據集正樣本的擴充；

負樣本的選取及預處理如下：

輸入圖片時，將圖片上下四個邊緣存在的坐標和柱體裁掉，只輸入有目標的中間區域作為負樣本，裁剪好的圖片首先刪掉包含了目標的圖片，之后刪除掉沒有紋理的圖片。

4.根據權利要求2所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，步驟S2中，全卷積網絡分為3層，第一層卷積層使用32個5×5的卷積核對60×60的圖像進行卷積；第二層卷積層使用64個5×5的卷積核對上層的特征圖進行卷積；前兩個卷積層之后均接pooling層和ReLU層；第三層卷積層使用64個3×3的卷積核進行卷積，然后再接64個10×10的卷積核，對上一層的特征圖進行卷積，得到一個1×1×2的輸出向量，輸出向量代表輸入的60×60圖像的分類結果。

5.根據權利要求2所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，步驟S3中，在Windows下的caffe框架中對該網絡進行訓練，定義參數如下：base_lr為基礎學習率，lr_policy為學習率改變方式，stepsize為學習率采用stepsize改變方式時改變的間隔，gamma為學習率變化比例，max_iter為訓練過程總迭代次數，batch_size為訓練時一次迭代輸入圖像數量，test_interval為測試驗證集的迭代次數間隔，Test_batch_size為測試驗證集時一次迭代輸入圖像數量，test_iter為測試驗證集時需要迭代的次數；

使用step學習策略結合stepsize和gamma參數，得到學習率的變化公式，再引入epoch概念，一個epoch指訓練過程中將全部訓練圖像訓練了一遍的迭代次數，當訓練經過一個epoch后進行驗證集上的測試，batch_size越大，單次迭代輸入的圖像越多，訓練的效果就越能擬合整個訓練集上的數據分布。

6.根據權利要求5所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，在訓練時利用畫出訓練loss和accuracy的結果圖判斷網絡是否訓練到位和如何調整訓練參數，從0.1開始，從大到小每次變化為之前的0.5倍，依次實驗學習率變化后loss的變化情況，若loss很快向上升直到NAN，則學習太大；若loss下降劇烈后保持不變，說明學習率仍然高；接著再將學習率調小，若loss如直線一般下降，則說明學習率過小；通過觀察訓練loss下降的幅度找到合適的學習率，將網絡訓練完全。

7.根據權利要求6所述的一種基于全卷積網絡的探地雷達目標檢測方法，其特征在于，學習率的變化公式為：

其中，base_lr為訓練時的基礎學習率，iter為當前迭代次數，stepsize為學習率改變間隔，為對進行向下取整。