[發(fā)明專利]用于船舶識別的層次化的大場景SAR圖像目標快速檢測方法在審
| 申請?zhí)枺?/td> | 202310284317.1 | 申請日： | 2023-03-22 |
| 公開（公告）號： | CN116485723A | 公開（公告）日： | 2023-07-25 |
| 發(fā)明（設計）人： | 張靜;郁文賢;張錦;郭煒煒;王濤 | 申請（專利權(quán)）人： | 中國人民解放軍軍事科學院系統(tǒng)工程研究院;上海交通大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06V10/80;G06T7/13 |
| 代理公司： | 北京律譜知識產(chǎn)權(quán)代理有限公司 11457 | 代理人： | 黃云鐸 |
| 地址： | 100141*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 用于 船舶 識別 層次 場景 sar 圖像 目標 快速 檢測 方法 | ||
本發(fā)明提供了一種用于船舶識別的層次化的大場景SAR圖像目標快速檢測方法，大場景SAR圖像目標快速檢測分為高效的感興趣區(qū)域提取和高精度目標檢測兩個階段，步驟1、完成感興趣區(qū)域的目標提取，即對大場景SAR圖像以固定比例α下采樣，然后再對圖像切片，切片大小根據(jù)圖像寬高設置，通過一個分類器判定切片是否包含待檢測目標，并以α比例映射回大場景SAR圖像獲取感興趣區(qū)域索引；步驟2、對感興趣區(qū)域索引處的高分辨圖像切片進行目標精細檢測；本發(fā)明提出的方法需要計算資源少，魯棒性高、計算速度快，從而實現(xiàn)場景SAR圖像中高效、高精度的目標檢測。
技術(shù)領(lǐng)域
本發(fā)明涉及雷達遙感圖像目標檢測方法，尤其涉及一種用于船舶識別的層次化的大場景SAR圖像目標快速檢測方法。
背景技術(shù)
近年來，深度神經(jīng)網(wǎng)絡(Deep?Neural?Networks，DNNs)被引入到各種合成孔徑雷達(Synthetic?Aperture?Radar，SAR)解釋任務中，如圖像分類和自動目標識別(AutomaticTarget?Recognition，ATR)、目標檢測等。目前，隨著SAR圖像成像技術(shù)的發(fā)展，SAR圖像分辨率逐漸提高，大場景目標快速檢測成為一個問題。
傳統(tǒng)的SAR圖像檢測方法，首先需要對SAR圖像進行預處理以增強目標的可視性。然后再提取手工設計的特征，但是這些特征通常在簡單的場景中性能較好，在復雜的場景下的檢測效果表現(xiàn)不佳。除此之外，手工設計的特征在不同的場景中需要重新建模提取，因此，檢測效率低且誤檢率高。目前，眾多研究人員將DNN應用到SAR圖像目標檢測中，并實現(xiàn)了最先進的性能。雖然顯著提升了SAR圖像目標檢測的準確率，但是其有效性僅在局部SAR圖像上進行了驗證。由于在大場景SAR圖像中的檢測目標非常小，且大多數(shù)區(qū)域并不包含待檢測目標。因此，若直接將基于DNN目標檢測方法應用于大場景中，往往一方面會超出計算能力，檢測效率也比較低。
大場景SAR圖像目標檢測存在以下問題：
(1)主流DNNs對大場景SAR圖像目標檢測效率較低，若利用滑動搜索窗口以局部窗口形式檢測目標，存在大量的計算冗余，勢必降低算法的運行效率。
(2)檢測目標的大小差異較大，較小的待檢測目標所用擁有的像素較少，反之，較大的待檢測目標所包含像素較多。由于待檢測目標尺度大小不一致，因此如何對目標提取有效特征尤為重要。
發(fā)明內(nèi)容
本發(fā)明提出了一種層次化的大場景SAR圖像目標檢測框架，實現(xiàn)感興趣目標區(qū)域辨別和高分辨圖像切片的目標精細檢測，最終在大場景SAR圖像中實現(xiàn)快速目標檢測。本方案減少計算資源需求，提高了大場景下目標檢測的效率和精度，最終達到高精度、快速的目標檢測目的。
本發(fā)明的技術(shù)方案是提供一種用于船舶識別的層次化的大場景SAR圖像目標快速檢測方法，大場景SAR圖像目標快速檢測分為高效的感興趣區(qū)域提取和高精度目標檢測兩個階段，其特征在于：
步驟1、完成感興趣區(qū)域的目標提取，即對大場景SAR圖像以固定比例α下采樣，然后再對圖像切片，切片大小根據(jù)圖像寬高設置，通過一個分類器判定切片是否包含待檢測目標，并以α比例映射回大場景SAR圖像獲取感興趣區(qū)域索引；
步驟2、對感興趣區(qū)域索引處的高分辨圖像切片進行目標精細檢測；采用改進的特征金字塔網(wǎng)絡方法提取目標多個尺度的特征并融合，從而檢測尺度大小不一致的目標；
步驟2.1、基于無描點目標檢測框架，對目標物體框中的所有點進行邊界框預測，以中心點到物體框的左邊距、上邊距、右邊距、下邊距之間的距離(l，t，r，b)以及目標方向角θ進行回歸；
步驟2.2、利用特征金字塔網(wǎng)絡FPN進行圖像多尺度特征融合和預測；
步驟2.3、完成目標邊界框中心度回歸，并抑制低質(zhì)量的檢測框；
步驟2.4、完成檢測器網(wǎng)絡訓練。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國人民解放軍軍事科學院系統(tǒng)工程研究院;上海交通大學，未經(jīng)中國人民解放軍軍事科學院系統(tǒng)工程研究院;上海交通大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202310284317.1/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
