[發明專利]一種面向SAR圖像的飛機目標自動檢測方法及系統

在審

• 申請號: 202011496837.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112528896A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 肖紅光;王杰嵐;陳立福;潘舟浩;邢進;黃園媛
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T7/00;G06T7/13;G06N3/04;G06N3/08
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

1.一種面向SAR圖像的飛機目標自動檢測方法，其特征在于，包括：

1)針對機場SAR圖像進行機場檢測，得到機場掩膜和機場矩形輪廓；

2)針對機場SAR圖像的機場矩形輪廓進行飛機檢測，得到無掩膜的飛機檢測結果；

3)針對無掩膜的飛機檢測結果使用機場掩膜去除虛警，得到最終的飛機檢測結果。

2.根據權利要求1所述的面向SAR圖像的飛機目標自動檢測方法，其特征在于，步驟1)包括：針對機場SAR圖像首先進行下采樣，然后使用卷積神經網絡CNN提取機場區域，再將提取得到的機場區域通過坐標映射和上采樣得到機場SAR圖像的機場掩膜，最后根據機場掩膜得到機場的矩形輪廓。

3.根據權利要求1所述的面向SAR圖像的飛機目標自動檢測方法，其特征在于，步驟2)包括：

2.1)針對機場SAR圖像的機場矩形輪廓，使用高效加權特征融合與注意力網絡EWFAN以滑窗的方式進行飛機檢測，得到初步的飛機檢測結果；

2.2)使用坐標映射，將滑窗的每個窗口中飛機目標的坐標轉換成它在原機場SAR圖像中的坐標，得到原機場SAR圖像的初步飛機檢測結果；

2.3)過濾重疊框，得到無掩膜的飛機檢測結果。

4.根據權利要求3所述的面向SAR圖像的飛機目標自動檢測方法，其特征在于，所述高效加權特征融合與注意力網絡EWFAN包括：

主干網絡和下采樣網絡，用于提取機場SAR圖像的機場矩形輪廓的五層特征圖；

加權特征融合與空間注意模塊，用于提取五層特征圖得到五層有效特征層；

分類回歸網絡，用于在五層有效特征層中的每一個有效特征層的每一個網格上生成多個尺寸和長寬比不同的框，然后對每一個有效特征層中的先驗框進行分類與回歸來預測結果。

5.根據權利要求4所述的面向SAR圖像的飛機目標自動檢測方法，其特征在于，所述加權特征融合與空間注意模塊包括：

加權雙向特征金字塔網絡BIFPN，包括從下往上的五層，第1層P3層將輸入的特征圖P3與第2～5層自上而下的融合特征圖融合后輸出特征圖P3′，第2層P4層將輸入的特征圖P4與第3～5層自上而下的融合特征圖融合、再與特征圖P3′融合輸出特征圖P4′，第3層P5層將輸入的特征圖P5與第4～5層自上而下的融合特征圖融合后、再與特征圖P5、特征圖P4′融合輸出特征圖P5′，第4層P6層將輸入的特征圖P6與第5層的特征圖P7再融合后、再與特征圖P6、特征圖P5′融合輸出特征圖P6′，第6層P7層將輸入的特征圖P7與特征圖P6′融合輸出特征圖P7′，且加權雙向特征金字塔網絡BIFPN中移除了只有一個輸入來源的點；

自適應有效的特征融合模塊ASFF，包括ASFF-1模塊、ASFF-2模塊和ASFF-3模塊，其中ASFF-1模塊對應加權雙向特征金字塔網絡BIFPN的P5層，ASFF-2模塊對應加權雙向特征金字塔網絡BIFPN的P4層，ASFF-3模塊對應加權雙向特征金字塔網絡BIFPN的P3層，且ASFF-1模塊、ASFF-2模塊和ASFF-3模塊分別將第1～3層輸入的特征圖作為輸出；ASFF-1模塊、ASFF-2模塊和ASFF-3模塊中任意第i個模塊ASFF-i的處理步驟包括：(1)將輸入的第1～3層輸入的特征圖調整尺寸為相同大小；(2)將調整后的三張特征圖分別進行1×1卷積操作將通道數由原來的64降維到16，然后再將三張特征圖拼接在一起，得到一個通道數為48的特征層；(3)將通道數為48的特征層進行1×1卷積操作將通道數降維到3，最后通過softmax激活函數以歸一化，得到最終的權重α³，β³和γ³，將權重α³，β³和γ³分別與調整尺寸為相同大小的特征圖相乘再相加，就得到了新的融合特征ASFF-i。

剩余空間注意模塊RSAM，與加權雙向特征金字塔網絡BIFPN的第4、5層一一對應，用于在通道維度上對特征圖分別進行平均池化和最大池化操作，由原來的一層通道數為64的特征圖變為兩張通道數為1的中間特征圖，再將這兩個結果做連接操作，然后經過一個卷積操作，將通道數降維到1維，接下來經過sigmoid函數進行歸一化，得到空間注意力特征權重，然后將空間注意力特征權重與輸入相乘，再進行跳躍連接，最后使用激活函數relu激活得到最終的結果。