[發明專利]一種多維域特征聯合SAR船艦智能檢測方法

有效

• 申請號: 202011562298.7
• 申請日: 2020-12-25
• 公開（公告）號: CN112862748B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 李東;梁全歡;李秀琴;萬俊;陳展野;程婉儒;唐先慧
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/46;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 重慶縱義天澤知識產權代理事務所(普通合伙) 50272
• 代理人: 舒夢來

本發明屬于SAR船艦目標檢測技術領域，公開了一種多維域特征聯合SAR船艦智能檢測方法，目前基于深度學習的合成孔徑雷達(SAR)船艦檢測方法僅僅挖掘利用了船艦目標的空間特征信息，對于復雜背景下的多尺度目標與旋轉目標，無法取得令人滿意的檢測效果。為了克服這些問題，本發明采用特征金字塔網絡來學習船艦目標空間多尺度特征；其次，利用極坐標傅里葉變換，在頻域上得到了SAR船艦目標的旋轉不變特征。在此基礎上，提出了一種新的空間?頻率特征融合網絡以獲得更緊湊的跨域特征表示。本發明有效克服了SAR船艦目標的尺度變換以及旋轉行為，提高了SAR船艦檢測算法的檢測性能。

技術領域

本發明屬于SAR船艦目標檢測技術領域，尤其涉及一種多維域特征聯合SAR船艦智能檢測方法。

背景技術

目前，合成孔徑雷達由于能夠在全天、全天候條件下生成高分辨率的觀測場景微波圖像，在許多民用和軍事領域得到了廣泛的應用。近年來，SAR船舶檢測因其在海上管理、海上交通管制、海洋環境保護等實際應用中的重要價值也日益受到重視。隨著SAR成像技術的快速發展，對船艦目標的觀測水平越來越高，從而實現基于精細信息和高層特征的SAR艦船檢測已經成為可能。

傳統SAR船艦目標檢測方法大多依賴于人工的參與，需要根據人工經驗對目標特征進行挑選；且SAR圖像本身存在的運動模糊以及散斑噪聲等問題，使得傳統的船艦檢測方法很難提取到有效特征，導致SAR船艦目標檢測性能有限。

近年來，隨著人工智能和SAR成像技術的發展，越來越多的學者將深度學習技術應用到SAR船艦目標檢測領域，其能夠自主地學習船艦目標的精細化特征和高層語義信息，有效地減少了人工參與力度和提高船艦目標檢測精度。然而，僅僅利用了SAR船艦目標的空間特征信息，而忽略了船艦目標其他維域的互補特征，使得船艦目標檢測可靠性與分類識別準確率有限。

通過上述分析，現有技術存在的問題及缺陷為：現有單維域的SAR船艦檢測方法僅利用了船舶目標的空間特征信息，尤其在多尺度或旋轉目標以及復雜背景下，無法取得滿意的檢測效果。

解決以上問題及缺陷的難度為：1、如何在深度學習中準確地提取船艦目標的頻域旋轉不變特征；2、如何準確地使得空間特征與頻域特征對齊，以保證特征融合的有效性；3、如何有效的實現多維域特征的跨域融合，得到更好的特征表達。

解決以上問題及缺陷的意義為：1、提出了一種融合多維域特征和深度學習的SAR艦船檢測網絡；2、利用頻域特征解決船艦目標的旋轉問題；3、該方法的艦船檢測性能優于其他主流目標檢測算法。

發明內容

針對現有技術存在的問題，本發明提供了一種多維域特征聯合SAR船艦智能檢測方法。本發明通過探索利用SAR船艦目標的空間多尺度特征與頻域旋轉不變特征，通過空間-頻域特征融合網絡得到更緊湊的跨域特征表示，以提高檢測性能。

本發明是這樣實現的，一種多維域特征聯合SAR船艦智能檢測方法，所述多維域特征聯合SAR船艦智能檢測方法，包括：

步驟一，針對現有SAR船艦目標存在的多尺度問題以及旋轉問題進行分析，通過骨干網絡獲取到自下而上的分層的空間特征，并采用FPN得到多尺度特征；

步驟二，在上述步驟一得到的空間多尺度特征，通過RPN網絡獲取到SAR圖像候選區域的坐標信息與類別信息，并將其分別映射到原始圖像與多尺度特征圖；

步驟三，針對船艦的旋轉行為，聯合時頻域維域進行處理；根據步驟二得到的原始圖像的候選區域，通過對其進行傅里葉-極坐標變換得到SAR船艦目標的旋轉不變信息，并對其進行特征提取獲得SAR船艦目標頻域旋轉不變特征；

步驟四，針對空間-頻域特征融合，設計了一種更精細的特征融合網絡，通過交互地更新不同網絡的參數，以不同的方式獲得更緊湊的特征表達，可以綜合表征各個維域的特征。