[發明專利]一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法

在審

• 申請號: 202011418137.0
• 申請日: 2020-12-07
• 公開（公告）號: CN112597815A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 文載道;王琳;陸昱廷;王小旭;潘泉
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 李明全

1.一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，包括以下步驟：

獲取多個訓練用的包含艦船類目標的SAR圖像；其中，所述SAR圖像中每個艦船均被標記了標記框；

通過包含艦船類目標的所述SAR圖像訓練SAR艦船檢測網絡；

獲取待檢測SAR圖像，并使用所述SAR艦船檢測網絡提取所述待檢測SAR圖像的特征圖；

依次使用RPN網絡和Fast RCNN網絡對所述特征圖進行檢測，得到帶有艦船檢測框的SAR圖像。

2.如權利要求1所述的一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，通過包含艦船類目標的所述SAR圖像訓練SAR艦船檢測網絡包括：

通過SAR艦船檢測網絡對包含艦船類目標的所述SAR圖像進行多尺度特征提取，得到特征圖；

依次使用RPN網絡和Fast RCNN網絡對所述特征圖進行分類和回歸；

根據分類和回歸結果，結合第二損失函數對SAR艦船檢測網絡的參數進行優化，得到訓練好的SAR艦船檢測網絡。

3.如權利要求2所述的一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，得到特征圖后還包括：

采用由卷積神經網絡構成的編碼器生成與所述SAR圖像大小相同的隱變量特征圖；

對所述隱變量特征圖進行二值化，生成艦船類掩碼圖和非艦船類掩碼圖；

將所述艦船類掩碼圖和非艦船類掩碼圖分別與所述SAR圖像相乘后，輸入到由卷積神經網絡組成的解碼器；

通過所述解碼器對相乘后的圖像進行解碼，得到每個像素點的G0分布參數值；

基于分類和回歸結果、第二損失函數、所述G0分布參數值及第一損失函數對SAR艦船檢測網絡進行交替優化，得到訓練好的SAR艦船檢測網絡。

4.如權利要求3所述的一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，依次使用RPN網絡和Fast RCNN網絡對所述特征圖進行分類和回歸包括：

基于所述特征圖，采用RPN網絡在所述SAR圖像中預測若干個可能為前景的候選目標區域；

基于Fast RCNN網絡對所述候選目標區域進行分類和回歸，得到所述SAR圖像中艦船的目標框。

5.如權利要求4所述的一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，所述第一損失函數為：

其中，x_i為SAR圖像中某一像素點；z_k為像素點x_i對應的類別隱變量，取值范圍為{0，1}，z₁＝1且z₂＝0時，表示像素點x_i為非艦船類像素點，z₁＝0且z₁＝1時，表示像素點x_i為艦船類像素點；N_k為SAR圖像中兩類像素點的樣本個數，N₁為SAR圖像中艦船類像素點個數，N₂為SAR圖像中非艦船類像素點個數，α_i表示形狀參數，γ_i表示尺度參數，Γ表示Gamma函數。

6.如權利要求5所述的一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，其特征在于，所述第二損失函數為：

其中，Loss_2表示第二損失函數，包括RPN網絡的損失函數Loss_RPN和Loss_FastRCNN兩部分，Loss_rpn_cla表示RPN網絡的分類損失，Loss_rpn_loc表示RPN網絡的回歸損失，Loss_fast_rcnn_cla表示Fast RCNN網絡的分類損失，Loss_fast_rcnn_cla表示Fast RCNN網絡的回歸損失。