[發(fā)明專利]一種聯(lián)合深度學(xué)習(xí)與CFAR的SAR圖像目標(biāo)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(shè)計(jì)）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(xué)
• 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(wù)所(特殊普通合伙) 61218
• 代理人: 惠文軒

本發(fā)明涉及雷達(dá)目標(biāo)識別領(lǐng)域，具體涉及一種聯(lián)合深度學(xué)習(xí)與CFAR的SAR圖像目標(biāo)檢測方法。本發(fā)明使用將CNN網(wǎng)絡(luò)、YOLO V5網(wǎng)絡(luò)和CFAR算法聯(lián)合的方式，顯著提高了對SAR圖像的目標(biāo)檢測率；使用很少的參數(shù)網(wǎng)絡(luò)模型和快速CFAR檢測算法，以及使用CNN網(wǎng)絡(luò)過濾了不含目標(biāo)的復(fù)雜場景切片，使其不加入到Y(jié)OLO V5和CFAR中檢測，檢測過程用時少，提高了整個目標(biāo)識別過程的檢測效率；采用YOLO V5的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并對數(shù)據(jù)集做了歸一化、數(shù)據(jù)增強(qiáng)和自適應(yīng)計(jì)算的預(yù)處理，可以得到SAR圖像的多層特征，相比于傳統(tǒng)的識別方法和Fast RCNN等網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)識別的方法有較強(qiáng)的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)目標(biāo)識別領(lǐng)域，具體涉及一種聯(lián)合深度學(xué)習(xí)與CFAR的SAR圖像目標(biāo)檢測方法。

背景技術(shù)

SAR(Synthetic Aperture Radar，合成孔徑雷達(dá))是一種較高分辨率的相干成像雷達(dá)裝置，具有不依賴太陽光照、可全天時全天候?qū)Φ赜^測的能力，能有效地探測能見度極低的氣象條件下目標(biāo)地物的空間形態(tài)特征。因此，SAR系統(tǒng)在民用和軍用領(lǐng)域的應(yīng)用越來越廣泛。隨著SAR技術(shù)不斷發(fā)展，其成像分辨率不斷提高，SAR圖像目標(biāo)識別領(lǐng)域面臨著越來越多的機(jī)遇的同時，伴隨著許多挑戰(zhàn)。

現(xiàn)有許多針對SAR圖像的目標(biāo)識別方法，可大致分為兩類。一類是傳統(tǒng)的SAR圖像目標(biāo)識別方法，主要以CFAR(Constant False-Alarm Rate，恒虛警率)檢測算法為代表。CFAR算法具有簡單快速和實(shí)用性強(qiáng)的特點(diǎn)，在目標(biāo)識別領(lǐng)域中，CFAR算法可以保持設(shè)定的虛警率，來檢測圖像中的目標(biāo)是否存在。但是，由于SAR圖像成像的特殊性，CFAR算法在檢測SAR圖像過程中的抑制雜波噪聲和控制復(fù)雜區(qū)域虛警方面存在局限性，雖然也有一些改進(jìn)的CFAR算法被提出，但是依然難以解決復(fù)雜區(qū)域上的虛警問題。

另一類是基于深度學(xué)習(xí)的SAR圖像目標(biāo)識別方法。近年來，深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)、工業(yè)和雷達(dá)等多個領(lǐng)域且發(fā)展迅速。CNN網(wǎng)絡(luò)(卷積神經(jīng)網(wǎng)絡(luò))作為深度學(xué)習(xí)中的經(jīng)典網(wǎng)絡(luò)，也成為了當(dāng)前流行且高效的目標(biāo)識別檢測網(wǎng)絡(luò)YOLO V5網(wǎng)絡(luò)的主干。深度學(xué)習(xí)方法的優(yōu)點(diǎn)在于網(wǎng)絡(luò)以多維圖像作為輸入，避免了傳統(tǒng)目標(biāo)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，在目標(biāo)檢測中取得巨大成就。在SAR圖像目標(biāo)識別領(lǐng)域中，根據(jù)SAR圖像上不同類型的目標(biāo)具有不同地空間形態(tài)表征的形式，有相應(yīng)的針對性目標(biāo)識別算法。但現(xiàn)有SAR圖像檢測識別方法，都只是利用SAR圖像局部區(qū)域的統(tǒng)計(jì)特性，即僅能做到像素級別的檢測。或者說，目前深度學(xué)習(xí)的SAR圖像目標(biāo)識別方法要求目標(biāo)與背景有較高的對比度和明顯的判別特征。故其在簡單場景下的檢測性能較好，但在復(fù)雜場景下檢測性能極差。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于一種聯(lián)合深度學(xué)習(xí)與CFAR的SAR圖像目標(biāo)檢測方法。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)。

一種聯(lián)合深度學(xué)習(xí)與CFAR的SAR圖像目標(biāo)檢測方法，包括以下步驟：

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

步驟2，對滑窗切片后的訓(xùn)練集和滑窗切片后的測試集進(jìn)行處理；使用處理后的訓(xùn)練集數(shù)據(jù)對CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的CNN網(wǎng)絡(luò)；再將處理后的測試集數(shù)據(jù)輸入訓(xùn)練好的CNN網(wǎng)絡(luò)，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(biāo)的切片圖像的集合記為保留集；

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