[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

本發明公開了一種基于Group?G0模型的合成孔徑雷達圖像艦船檢測方法，獲取多個訓練用的包含艦船類目標的SAR圖像；其中，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SAR圖像訓練SAR艦船檢測網絡；獲取待檢測SAR圖像，并使用SAR艦船檢測網絡提取待檢測SAR圖像的特征圖；依次使用RPN網絡和Fast RCNN網絡對特征圖進行檢測，得到帶有艦船檢測框的SAR圖像；本發明通過標記了標記框的包含艦船類目標的SAR圖像對SAR艦船檢測網絡進行訓練，并且分別結合模型分支和檢測分支的檢測結果對SAR艦船檢測網絡的網絡參數進行聯合優化，關注區域級信息和像素級信息的特征關聯關系，僅需要較少的訓練樣本即可完成優化，可以提升艦船檢測的召回率，減少漏檢的發生。

技術領域

本發明屬于雷達圖像艦船檢測技術領域，尤其涉及一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法。

背景技術

我國是海事大國，艦船目標檢測是實施海洋監視的重要環節，海域安防至關重要。每日大量船只在我國海域進出活動，因此艦船目標檢測對海洋監測、軍事偵察、情報獲取等具有重要戰略意義。合成孔徑雷達是一種高分辨率成像雷達，它是一種有源主動微波成像傳感器，與傳統被動成像傳感器相比(如紅外、光學傳感器)，其成像過程不受天氣、光線、云等環境因素的影響，可以在全天候、全天時條件下工作，探測隱藏的物體，近年其來在民用和軍用領域得到了廣泛的應用。

隨著深度學習技術和計算力的發展，基于深度學習的目標檢測算法取得了突飛猛進的進展。近年來，基于深度學習的目標檢測算法逐漸應用到SAR圖像艦船檢測領域中，并取得了極大的成功。但是，該檢測方法需要較多的訓練樣本來訓練檢測模型，導致艦船檢測召回率偏低，頻繁出現漏檢現象。

發明內容

本發明的目的是提供一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，以提升艦船檢測的召回率，減少漏檢的發生。

本發明采用以下技術方案：一種基于Group-G0模型的合成孔徑雷達圖像艦船檢測方法，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，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SAR圖像訓練SAR艦船檢測網絡；

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

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

進一步地，通過包含艦船類目標的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。

進一步地，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SAR圖像大小相同的隱變量特征圖；

對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；

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

通過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、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。