[發(fā)明專利]一種基于OTD_Loglogistic的SAR數(shù)據(jù)海洋目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 202110311348.2
• 申請日: 2021-03-24
• 公開（公告）號: CN113158806B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 柳林;李萬武;張繼賢
• 申請（專利權(quán)）人: 山東科技大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島智地領(lǐng)創(chuàng)專利代理有限公司 37252
• 代理人: 陳海濱

本發(fā)明公開了一種基于OTD_Loglogistic的SAR數(shù)據(jù)海洋目標(biāo)檢測方法，屬于海洋目標(biāo)檢測領(lǐng)域，采用基于深度學(xué)習(xí)模型的初檢和基于Loglogistic的CFAR精檢相結(jié)合的檢測方法，首先構(gòu)建了OceanTDA9輕量級深度學(xué)習(xí)模型，基于該深度學(xué)習(xí)模型進(jìn)行海洋目標(biāo)初檢，然后在此基礎(chǔ)上采用基于Loglogistic模型的CFAR方法進(jìn)行海洋目標(biāo)精細(xì)檢測，提取海洋目標(biāo)特征。本發(fā)明將基于深度學(xué)習(xí)的海洋目標(biāo)初檢和基于Loglogistic的CFAR方法結(jié)合，克服了滑動窗口CFAR需要逐一統(tǒng)計(jì)圖像中的像素計(jì)算耗費(fèi)長、無法對圖像邊緣的像素進(jìn)行處理造成邊緣處漏檢等缺陷，提高了海洋目標(biāo)的檢測效率和精度。

技術(shù)領(lǐng)域

本發(fā)明屬于海洋目標(biāo)檢測領(lǐng)域，具體涉及一種基于OTD_Loglogistic的SAR數(shù)據(jù)海洋目標(biāo)檢測方法。

背景技術(shù)

近年來，神經(jīng)網(wǎng)絡(luò)已應(yīng)用在海洋目標(biāo)檢測上，但在應(yīng)用時(shí)深度神經(jīng)網(wǎng)絡(luò)存在維數(shù)災(zāi)難的缺陷，會降低檢測速度。平靜的海面海洋雜波可以近似運(yùn)用高斯模型建模，然而在風(fēng)浪、潮汐等復(fù)雜海況下，SAR后向散射概率分布出現(xiàn)長尾，不再符合高斯分布。傳統(tǒng)CFAR算法基于SAR數(shù)據(jù)中海雜波服從高斯分布的假定，但在復(fù)雜海況中，海雜波分布極其復(fù)雜，此假定不具有科學(xué)性和普遍性。而且，CFAR需要逐一統(tǒng)計(jì)圖像中的像素，計(jì)算耗費(fèi)長，滑動窗口無法對圖像邊緣的像素進(jìn)行處理，會造成邊緣處漏檢的缺陷。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提出了一種基于OTD_Loglogistic的SAR數(shù)據(jù)海洋目標(biāo)檢測方法，采用基于深度學(xué)習(xí)模型的初檢和基于Loglogistic的CFAR精檢相結(jié)合的方法，克服了現(xiàn)有技術(shù)的不足，提高了海洋目標(biāo)檢測效率和精度。

本發(fā)明的技術(shù)方案如下：

一種基于OTD_Loglogistic的SAR數(shù)據(jù)海洋目標(biāo)檢測方法，采用基于深度學(xué)習(xí)模型的初檢和基于Loglogistic的CFAR精檢相結(jié)合的檢測方法，首先，構(gòu)建OceanTDA9輕量級深度學(xué)習(xí)模型，采用所構(gòu)建的輕量級深度學(xué)習(xí)模型進(jìn)行海洋目標(biāo)初檢，在此基礎(chǔ)上采用基于Loglogistic模型的CFAR方法進(jìn)行海洋目標(biāo)精細(xì)檢測，提取海洋目標(biāo)特征。

優(yōu)選地，OceanTDA9模型包含4個卷積層、1個卷積組和3個全連接層；每個卷積層的組織形式是Convolution2D-ReLU-Dropout-Maxpooling；卷積組的組織形式是(Convolution2D-ReLU-Dropout)*2-Maxpooling；3個全連接層中，前兩個全連接層的組織形式是Dense-ReLU-Dropout，最后一個全連接層的組織形式是Dense。

優(yōu)選地，OceanTDA9模型的訓(xùn)練過程為：

S101.對海洋目標(biāo)樣本特征數(shù)據(jù)x進(jìn)行歸一化處理，采用的歸一化公式如下：

其中，μ為特征的期望，σ為方差；

S102.配置訓(xùn)練優(yōu)化算法、損失函數(shù)、監(jiān)控參數(shù)；

S103.加載數(shù)據(jù)集，驗(yàn)證數(shù)據(jù)的合法性；

S104.將數(shù)據(jù)集分為多個周期，每個周期分為多個批次；

S105.將每個周期按批次打混索引，進(jìn)行批次循環(huán)；

S106.計(jì)算交叉熵，采用反向傳播算法和所改進(jìn)的梯度下降算法WinR-Adagrad，以0.01的學(xué)習(xí)速率不斷地修改變量以最小化交叉熵；

S107.對批次指定的樣本數(shù)進(jìn)行訓(xùn)練，學(xué)習(xí)權(quán)重、偏置，計(jì)算損失、精度直到一個周期的批次都循環(huán)結(jié)束，再進(jìn)入下一個周期進(jìn)行批循環(huán)；

S108.直到循環(huán)完所有周期，保存模型及訓(xùn)練損失、精度。

優(yōu)選地，OceanTDA9模型損失函數(shù)采用目標(biāo)分類和模型預(yù)測分類之間的交叉熵，其公式為：