[發(fā)明專利]一種聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法

在審

• 申請?zhí)枺?/td>: 202210620293.8
• 申請日: 2022-06-02
• 公開（公告）號: CN115100457A
• 公開（公告）日: 2022-09-23
• 發(fā)明（設計）人: 陳渤;劉澤濤;曾澤群;沈夢啟;王英華;王鵬輝;劉宏偉
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/20;G06N3/04;G06N3/08
• 代理公司: 西安睿通知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，包括以下步驟：

步驟1，對N張SAR圖像進行處理，獲得訓練集和測試集；對訓練集和測試集進行滑窗切片，分別得到滑窗切片后的訓練集和滑窗切片后的測試集；

步驟2，對滑窗切片后的訓練集和滑窗切片后的測試集進行處理；使用處理后的訓練集數(shù)據(jù)對CNN網(wǎng)絡進行訓練，得到訓練好的CNN網(wǎng)絡；再將處理后的測試集數(shù)據(jù)輸入訓練好的CNN網(wǎng)絡，得到處理后的測試集數(shù)據(jù)的分類結(jié)果；將測試集中所有空曠場景或含有目標的切片圖像的集合記為保留集；

步驟3，對滑窗切片后的訓練集圖像和保留集圖像進行預處理；使用預處理后的訓練集數(shù)據(jù)對YOLO V5網(wǎng)絡進行訓練，得到訓練好的YOLO V5網(wǎng)絡；再將預處理后的保留集數(shù)據(jù)輸入訓練好的YOLO V5網(wǎng)絡，得到虛警最少的目標識別結(jié)果切片數(shù)據(jù)集，記為數(shù)據(jù)集A；

步驟4，對數(shù)據(jù)集A數(shù)據(jù)進行輸出框的最大置信度判定和總共檢測出的目標數(shù)量判定，將所有符合判定條件的數(shù)據(jù)集A的數(shù)據(jù)作為一次檢測數(shù)據(jù)集；將一次檢測數(shù)據(jù)集中的數(shù)據(jù)輸入到CFAR檢測算法中進行二次檢測，得到二次檢測數(shù)據(jù)集；

步驟5，將二次檢測數(shù)據(jù)集數(shù)據(jù)和一次檢測數(shù)據(jù)集數(shù)據(jù)進行合并，得到最終的目標檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，步驟1，具體的，獲取N張SAR圖像目標的位置和類別，將SAR圖像目標的位置和類別作為標簽；將一張SAR圖像和對應的標簽作為一組數(shù)據(jù)，得到樣本集；將樣本集按比例隨機劃分為訓練集和測試集；對訓練集和測試集的SAR圖像進行滑窗切片，得到每張SAR圖像得到固定大小的切片及切片對應的標簽，得到滑窗切片后的訓練集和滑窗切片后的測試集。

3.根據(jù)權(quán)利要求1所述的聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，步驟2中對滑窗切片后的訓練集和滑窗切片后的測試集進行處理，具體的，對滑窗切片后的訓練集和滑窗切片后的測試集的切片圖像進行標記：將復雜場景且不含目標的切片圖像的標簽記為0，將含有目標的切片圖像的標簽記為1，其他切片圖像的標簽記為2；

然后將一個滑窗切片后的訓練集中的切片圖像和對應的標簽作為一組數(shù)據(jù)，得到CNN訓練集；將一個滑窗切片后的測試集中的切片圖像和對應的標簽作為一組數(shù)據(jù)，得到CNN測試集。

4.根據(jù)權(quán)利要求1所述的聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，所述CNN網(wǎng)絡，具體的，包括依次連接的4個卷積層和全連接層；卷積層用于對輸入的切片圖像進行卷積和下采樣，全連接層用于對第4層卷積層輸出的特征進行線性變換處理，得到輸入的切片圖像的分類結(jié)果。

5.根據(jù)權(quán)利要求1所述的聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，對滑窗切片后的訓練集圖像和保留集圖像進行預處理，具體的，子步驟如下：

子步驟3a.1，分別對滑窗切片后的訓練集圖像和保留集圖像進行擴增和數(shù)據(jù)增強，得到數(shù)量足夠大且圖像質(zhì)量高的數(shù)據(jù)集；將擴增后的訓練集記為數(shù)據(jù)集a，將擴增后的保留集記為數(shù)據(jù)集b；

子步驟3a.2，計算數(shù)據(jù)集a數(shù)據(jù)和數(shù)據(jù)集b數(shù)據(jù)的默認錨定框的最佳召回率；當最佳召回率大于或等于0.98，則不需要更新錨定框；當最佳召回率小于0.98，則需要重新計算符合此數(shù)據(jù)集的錨定框。

6.根據(jù)權(quán)利要求1所述的聯(lián)合深度學習與CFAR的SAR圖像目標檢測方法，其特征在于，步驟4的子步驟如下：

子步驟4.1，統(tǒng)計數(shù)據(jù)集A中每張切片圖像中的輸出框數(shù)量OBS，以及每張切片圖像的輸出框中最大的置信度MS；

子步驟4.2，當一張切片圖像的輸出框數(shù)量OBN大于或等于輸出框數(shù)量閾值OBN_threshold，且輸出框中最大的置信度MS大于或等于置信度閾值MS_threshold，則該切片圖像符合判定條件；將所有符合判定條件的切片圖像作為一次檢測數(shù)據(jù)集；

子步驟4.3，將一次檢測數(shù)據(jù)集的數(shù)據(jù)輸入到CFAR檢測算法中進行二次檢測，得到二次檢測數(shù)據(jù)集。