[发明专利]一种基于深度强化学习的SAR图像目标检测方法

说明书

本发明涉及一种基于深度强化学习的SAR图像目标检测方法，包括以下步骤：S1：设置迭代次数，每次迭代过程中，对训练集中图像依次进行处理；S2：从训练集中输入图像，利用马尔科夫决策过程生成训练样本；S3：随机地选取一定数目的样本，采用梯度下降法对Q‑network进行训练，获取缩小后的观测区域的状态，生成下一个样本，直到满足预先设置的终止条件，该图像的处理过程结束；S4：返回步骤S2，继续从训练集中输入下一图像，直至所有图像处理结束，本次迭代过程结束；S5：继续下一次迭代过程，直至满足设置的迭代次数，Q‑network的网络参数确定；S6：通过已训练好的Q‑network，对测试集中的图像进行目标检测，输出检测结果。本发明在SAR图像目标检测上取得了良好的检测精度。

技术领域

本发明属于SAR图像处理领域，涉及一种基于深度强化学习的SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)利用微波感知的主动式传感器，不受天气、光照等条件限制，可对感兴趣目标进行全天候、全天时的侦察，在军事及民用领域得到广泛应用。在SAR图像解译应用领域，自动目标识别(Automatic targetrecognition,ATR)一直是该领域的研究重点和热点。SAR图像目标检测是SAR图像自动目标识别的关键步骤，然而由于SAR成像机理较为复杂，目标由较少的散射点组成，而且图像中存在大量的噪声，增大了目标检测的难度。

SAR图像目标检测的本质是根据目标和杂波的散射特性的不同所表现的特征差异来完成目标检测。传统的SAR图像目标检测方法可以分为三类：基于单特征的方法，基于多特征的方法，基于先验的方法。基于单特征的方法通常使用恒虚警率(CFAR)算法对图像进行目标定位；基于多特征的方法通常融合几何结构、扩展分形、小波系数等来检测目标；基于先验的方法将成像参数、经纬度信息等先验知识加入检测流程。这些传统方法在一定程度上取得一定的效果，但是这些方法需要过多借助专家的经验才能较好地提取SAR图像目标的特征，因此限制了检测的精度。

随着深度学习理论的发展，卷积神经网络(CNN)模型开始应用于目标检测中，CNN模型不需要人为提取图像特征，而是利用卷积层等网络自动提取图像的相关特征，这在前期图像特征提取上省去了很大的人力物力。强化学习(RL)是一种重要的机器学习方法，它通过智能体与动态环境之间的交互进行决策，通过不断地尝试来积累经验，从而得到最优的策略，已成功地应用在了图像分割、边缘检测等计算机视觉领域中。基于深度学习与强化学习的优势，深度强化学习(DRL)将二者结合在一起，成为了当下的研究热点，因此目前迫切需要提出一种基于深度强化学习的SAR图像目标检测方法，进一步提升检测精度。

发明内容

本发明要解决的技术问题是：提供一种基于深度强化学习的SAR图像目标检测方法，利用马尔科夫决策过程(MDP)生成训练样本,采用梯度下降法对Q-network进行训练；最后通过训练好Q-network，对图像进行目标检测。获得较高的检测精度，具有良好的推广性。

本发明解决其技术问题所采用的技术方案为：一种基于深度强化学习的SAR图像目标检测方法，其训练过程包括以下几个步骤：

(1)设置一定的迭代次数，每次迭代的过程中，对训练集中图像依次进行处理；

(2)从训练集中输入图像，利用马尔科夫决策过程(MDP)生成训练样本，具体过程为：