[發明專利]一種基于深度卷積網絡的SAR檢測方法及系統

有效

• 申請號: 201911298117.1
• 申請日: 2019-12-17
• 公開（公告）號: CN111062321B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 袁國文;張彩霞;陳銳;李綱
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/766;G06V10/77;G06V10/774;G06V10/82;G06N3/045;G06N3/0464
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

1.一種基于深度卷積網絡的SAR檢測方法，其特征在于，所述方法包括以下步驟：

S100：輸入SAR圖像作為圖像數據集；

S200：構建RetinaNet目標檢測網絡；

S300：對圖像數據集進行歸一化得到歸一化圖像集；

S400：對歸一化圖像集進行降維得到降維圖像集；

S500：將降維圖像集劃分為訓練集和測試集；

S600：通過訓練集訓練RetinaNet目標檢測網絡并根據準確率調整網絡參數得到目標檢測模型；

S700：測試集通過目標檢測模型進行目標檢測；

所述RetinaNet目標檢測網絡是由Resnet分類網絡作為主干網絡、FPN算法和兩個FCN子網絡組成的統一目標檢測網絡；Resnet分類網絡的作用是通過一系列卷積操作得到整張輸入圖像的特征圖像；分類子網和回歸子網分別基于輸出的特征圖像進行目標分類和位置回歸；Resnet分類網絡的卷積過程用的是ResNet，上采樣和側邊連接還是FPN結構；后面連接分類子網和回歸子網，分別進行分類和回歸；

分類子網為：分類子網對A個錨點，每個錨點中的K個類別，都預測一個存在概率；對于FPN的每一層輸出，對分類子網來說，加上四層3x3x256卷積的FCN網絡，最后一層的卷積用3x3xKA，最后一層維度變為KA表示；在RetinaNet中采用5層的卷積結構；

回歸子網為：與分類子網并行，對每一層FPN輸出接上一個位置回歸子網，回歸子網本質也是FCN網絡；是4層256維卷積，最后一層是4A維度，即對每一個錨點，回歸一個四維向量；

在S300中，對圖像數據集進行歸一化得到歸一化圖像集的方法為：將圖像RGB三個顏色通道中每個通道振幅歸一到[-1?,1]的范圍內，遍歷各個通道數據，找出各通道數據中絕對值最大的數據，與其對應的通道數據都以這個最大值作為基準值進行相應的計算，即己知某采樣點的值為，那么歸一化后的值為，據此歸一化圖像數據集中所有通道數據從而得到歸一化圖像集。

2.根據權利要求1所述的一種基于深度卷積網絡的SAR檢測方法，其特征在于，在S100中，所述SAR圖像由SAR合成孔徑雷達系統產生，SAR圖像只記錄了一個波段的回波信息，以二進制復數形式記錄下來；基于每個像素的復數的數據可變換提取相應的振幅和相位信息。

3.根據權利要求1所述的一種基于深度卷積網絡的SAR檢測方法，其特征在于，在S400中，對歸一化圖像集進行降維得到降維圖像集的方法為：通過PCA主成分分析算法、SVD奇異值分解算法、FA因子分析算法、ICA獨立成分分析算法、LLE局部線性嵌入算法中任意一種降維算法將歸一化圖像集進行降維得到降維圖像集。

4.根據權利要求1所述的一種基于深度卷積網絡的SAR檢測方法，其特征在于，在S500中，將降維圖像集劃分為訓練集和測試集的方法包括：留出法、交叉驗證法、自助法任意一種方法；

留出法為直接將降維圖像集劃分為兩個互斥的集合，其中一個集合作為訓練集，留下的集合作為測試集；

交叉驗證法為將降維圖像集劃分為個大小相等的互斥子集，即每個子集都保持數據分布的一致性，即從中通過分層采樣得到，然后，每次用個子集的并集作為訓練集，剩下的那個子集作為測試集；

自助法為對進行降維圖像集進行采樣產生：每次隨機從中降維圖像集挑選一個樣本，將其拷貝一份放入訓練集中，保持不變的作為測試集，并重復執行直到樣本劃分完成。

5.一種基于深度卷積網絡的SAR檢測系統，其特征在于，所述系統包括：存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序運行在以下系統的單元中：

圖像數據采集單元，用于輸入SAR圖像作為圖像數據集；

檢測網絡構建單元，用于構建RetinaNet目標檢測網絡；

圖像歸一化單元，用于對圖像數據集進行歸一化得到歸一化圖像集；

圖像降維單元，用于對歸一化圖像集進行降維得到降維圖像集；

圖像劃分單元，用于將降維圖像集劃分為訓練集和測試集；

網絡訓練單元，用于通過訓練集訓練RetinaNet目標檢測網絡并根據準確率調整網絡參數得到目標檢測模型；

目標檢測單元，用于測試集通過目標檢測模型進行目標檢測；

所述RetinaNet目標檢測網絡是由Resnet分類網絡作為主干網絡、FPN算法和兩個FCN子網絡組成的統一目標檢測網絡；Resnet分類網絡的作用是通過一系列卷積操作得到整張輸入圖像的特征圖像；分類子網和回歸子網分別基于輸出的特征圖像進行目標分類和位置回歸；Resnet分類網絡的卷積過程用的是ResNet，上采樣和側邊連接還是FPN結構；后面連接分類子網和回歸子網，分別進行分類和回歸；

分類子網為：分類子網對A個錨點，每個錨點中的K個類別，都預測一個存在概率；對于FPN的每一層輸出，對分類子網來說，加上四層3x3x256卷積的FCN網絡，最后一層的卷積用3x3xKA，最后一層維度變為KA表示；在RetinaNet中采用5層的卷積結構；

回歸子網為：與分類子網并行，對每一層FPN輸出接上一個位置回歸子網，回歸子網本質也是FCN網絡；是4層256維卷積，最后一層是4A維度，即對每一個錨點，回歸一個四維向量；

對圖像數據集進行歸一化得到歸一化圖像集的方法為：將圖像RGB三個顏色通道中每個通道振幅歸一到[-1?,1]的范圍內，遍歷各個通道數據，找出各通道數據中絕對值最大的數據，與其對應的通道數據都以這個最大值作為基準值進行相應的計算，即己知某采樣點的值為，那么歸一化后的值為，據此歸一化圖像數據集中所有通道數據從而得到歸一化圖像集。