[发明专利]基于FCN图像序列模型的SAR视频目标检测方法

权利要求书

1.一种基于全卷积神经网络FCN图像序列模型的合成孔径雷达SAR视频目标检测方法，其特征在于，搭建由基础卷积层、步长为2的卷积层、转置卷积层组成的嵌套型全卷积神经网络FCN模型，利用该模型得到每个测试样本中所有像素点可能含有机动车辆特征信息的置信度，根据所有测试样本中机动车辆目标的几何中心计算最终的检测结果；该方法的具体步骤包括如下：

(1)搭建全卷积神经网络FCN：

搭建一个由7层基础卷积层、2层步长为2的卷积层、3层转置卷积层组成的嵌套型全卷积神经网络FCN模型；

所述的嵌套型全卷积神经网络FCN模型的结构依次为：输入层→第一个基础卷积层→第二个基础卷积层→第一个步长为2的卷积层→第三个基础卷积层→第四个基础卷积层→第二个步长为2的卷积层→第五个基础卷积层→第六个基础卷积层→第七个基础卷积层→第一个转置卷积层→第二个转置卷积层→第三个转置卷积层；

所述的嵌套型全卷积神经网络FCN各层的参数设置如下：

将输入层的特征映射图的总数设置为1；

将七个基础卷积层的特征映射图的总数依次设置为64、64、128、128、256、256、256个，每个基础卷积层的卷积核的尺度均设置为3*3个节点；

将第七个基础卷积层的卷积核的感受野设置为27*27；

将两个步长为2的卷积层的特征映射图的总数依次设置为128、256个，每个步长为2的卷积层的卷积核的尺度均设置为3*3个节点；

将三个转置卷积层的特征映射图的总数依次设置为128、64、1个，每个转置卷积层的转置卷积核的尺度均设置为5*5个节点；

所述的步长为2的卷积层的卷积核步长参数设置为[0,2,2,0]；

(2)选取训练样本和测试样本：

(2a)从机载合成孔径雷达SAR上实时接收的合成孔径雷达SAR视频中，随机选取150帧含有机动车辆目标的合成孔径雷达SAR图像，作为训练样本，从剩余的合成孔径雷达SAR图像中选取6帧连续的合成孔径雷达SAR图像序列，作为测试样本；

(2b)对每个训练样本中的所有机动车辆进行标注，得到150张标注图；

(3)训练全卷积神经网络FCN模型：

将150个训练样本和150张标注图，分别输入到全卷积神经网络FCN中进行迭代训练，直至全卷积神经网络FCN的损失函数值小于10^-4，得到训练好的全卷积神经网络FCN；

(4)计算测试样本中机动车辆目标的几何中心：

(4a)将6个测试样本分别输入到训练好的全卷积神经网络FCN中，得到合成孔径雷达SAR图像序列的高维特征，将训练好的全卷积神经网络FCN的每个输出，分别作为每个测试样本中所有像素点可能含有机动车辆特征信息的置信度，得到每个测试样本的检测结果图；

(4b)将每个测试样本中相邻且置信度大于0.5的所有像素点合并为区域；

(4c)利用质心计算公式，分别计算每个检测结果图中每个区域的几何中心在平面坐标系中对应的坐标值；

(5)根据所有测试样本中机动车辆目标的几何中心计算最终的检测结果：

(5a)将第6个测试样本中所有机动车辆目标的几何中心，在平面坐标系中对应的坐标值组成参照坐标值集；

(5b)将第1到第5个测试样本中所有机动车辆目标的几何中心，在平面坐标系中对应的坐标值组成对比坐标值集；

(5c)分别计算每个参照坐标值与对比坐标值集中的每个对比坐标值的欧式距离，将小于500的欧式距离的对比坐标数量小于3的参照坐标值舍弃；

(5d)将参照坐标值集中未被舍弃的参照坐标值作为合成孔径雷达SAR图像序列中的机动车辆目标在平面坐标系中对应的坐标值输出。

2.根据权利要求1所述的基于全卷积神经网络FCN图像序列模型的合成孔径雷达SAR视频目标检测方法，其特征在于，步骤(2b)中所述的对每个训练样本中的所有机动车辆进行标注的步骤如下：

第一步，创建一个与每个训练样本大小相同的全0二值图像；

第二步，将训练样本中每个包含机动车辆特征信息的像素在二值图像中对应位置的像素值赋值为1；

第三步，将标注后的二值图像作为训练样本的标注图输出。