[發明專利]基于上下文信息的SAR圖像目標檢測方法

有效

• 申請號: 202110022951.9
• 申請日: 2021-01-08
• 公開（公告）號: CN112766108B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 杜蘭;郭冠博;李璐
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/776;G06V10/82;G06V10/80;G06N3/044;G06N3/0464;G06N3/048;G06N3/082
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于上下文信息的SAR圖像目標檢測方法，其特征在于，包含如下：

(1)生成SAR圖像訓練數據集與驗證集，并對訓練數據進行數據擴充：

1a)對原始SAR圖像數據集中的原始大圖進行裁剪，獲得若干SAR圖像子圖并對其進行標記，從標記后的子圖中選取一部分構成網絡的訓練數據集，剩余部分作為驗證集；

1b)對訓練數據集分別通過加躁、濾波、翻轉、旋轉這四種方式進行數據處理，并將各方式處理之后的新數據與原始數據進行組合，得到擴充后的訓練數據集；

(2)構建基于上下文信息的SAR圖像目標檢測網絡：

2a)建立由循環神經網絡中的由4個雙向GRU、2個卷積層和1個激活函數層構成的上下文信息融合模塊，用以學習特征圖像素之間所蘊含的相互關系，實現融合目標與周圍環境之間的上下文信息；其中構成上下文信息融合模塊的4個雙向GRU、2個卷積層和1個激活函數層的結構關系為：第一雙向GRU網絡與第二雙向GRU網絡并聯后，再與第一卷積層級聯，構成該模塊的第一部分；第三雙向GRU網絡與第四雙向GRU網絡并聯后、再依次與第二卷積層以及激活函數層進行級聯，構成該模塊的第二部分，該第二部分再與第一部分級聯；

所述4個雙向GRU網絡的隱藏單元維度均為512維，時間步設置為動態讀取；

所述卷積層由512個1x1的卷積構成，卷積層步長為1，填充方式為與輸入大小一致；

所述激活函數層為ReLU激活層；

2b)將圖像輸入模塊、特征提取模塊、上下文信息融合模塊、候選區域生成模塊及檢測模塊依次進行級聯，并將上下信息融合模塊的輸出也輸入檢測模塊中，構成基于上下文信息的目標檢測網絡；

(3)對基于上下文信息的SAR圖像目標檢測網絡進行訓練：

3a)將擴充后的訓練數據輸入到基于上下文信息的SAR圖像目標檢測網絡中，計算網絡的輸出損失；

3b)設定最大迭代次數，采用動量Momentum隨機梯度下降法根據輸出損失對目標檢測網絡參數進行優化，降低網絡的輸出損失，當訓練次數達到設置的迭代次數后，訓練完畢；

(4)使用訓練完成的目標檢測網絡對SAR圖像進行測試：

4a)將大場景的SAR測試圖像通過滑窗截取，得到若干測試子圖并記錄子圖在大圖上的位置；

4b)將測試子圖輸入到訓練后的目標檢測網絡中，得到各子圖上的目標檢測結果，根據子圖位置將子圖上的檢測結果映射回測試大圖中，經非極大值抑制NMS去除重復檢測結果，得到最終的測試結果。

2.根據權利要求1所述的方法，其特征在于，1a)中對原始SAR圖像數據集中原始大圖進行裁剪與標記，是指將原始SAR圖像數據集I＝{I_i|1≤i≤s}中的原始大場景SAR圖像裁剪成大小為300×300子圖片，每個子圖中至少要包含一個目標類，且每個目標類中至少包含一個目標，并對目標邊框和類別進行標注，其中，I_i為原始SAR圖像，s為SAR圖像數據集中的圖片數量。

3.根據權利要求1所述的方法，其特征在于，1b)中對訓練數據分別通過加躁、濾波、旋轉、翻轉四種方式進行數據擴充，其加躁方式采用高斯噪聲加躁與椒鹽噪聲加躁；濾波方式采用中值濾波、高斯濾波、均值濾波三種濾波方式；旋轉進行三個角度的旋轉，分別為90°、180°、270°；翻轉方式采用水平翻轉；對水平翻轉后圖片再進行90°、180°、270°三個角度的旋轉。