[发明专利]一种基于深度学习的SAR图像铁塔目标检测方法

说明书

本发明涉及一种基于深度学习的SAR图像铁塔目标检测方法，包括：从SAR数据集中随机抽取多幅SAR图像，分割获取样本切片，为每张样本切片设置样本标签后构建训练样本集；对训练样本集中的每张样本切片进行处理，生成出多张不同的人工样本切片，并在加注样本标签后加入训练样本集实现扩充；构建SSD模型；将扩充后的训练样本集输入构建的SSD模型，采用梯度下降法对SSD模型进行训练；将待测数据图切割为多个与样本切片尺寸相同的待检测切片，输入训练好的SSD模型，得到待测数据图的目标检测结果。本发明的优点在于：鲁棒性强、运行速度快、检测性能高且易迁移，检测时无需目标与背景有较高的对比度，可用于复杂场景下检测。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的SAR图像铁塔目标检测方法。

背景技术

星载合成孔径雷达(SAR)属于一种微波成像雷达，其特点是不受天气、气候的影响，能够全天时、全天候、高分辨率、大区域对地观测，因此在军事目标侦查、海洋监测、资源探测、农业和林业等诸多领域得到广泛应用。

卷积神经网络(CNN)是一种常用的深层、前置反馈的人工神经网络，是深度学习方法的一种，目前已经被成功应用在计算机视觉领域。随着深度学习技术的复苏，基于深度学习的目标检测方法在近几年来发展迅速。基于候选区域的R-CNN方法，及其改进版本FastR-CNN方法和Faster R-CNN，以及基于端对端思想的YOLO方法和SSD方法先后被提出，并且已经得到了广泛应用。但Faster R-CNN模型实时性能较差，YOLO模型准确率较差的不足。

目前，已经发展出许多针对SAR图像的目标检测方法。其中，恒虚警率CFAR检测方法以其简单、快速、实时性强的特点而被广泛应用于SAR图像目标检测中。根据不同类型的目标在SAR图像上具有不同的表征形式，也相应的具有不同的检测方法。但这些现有SAR图像检测方法仅利用了SAR图像局部区域的统计特性，仅能做到像素级别的检测，要求目标与背景有较高的对比度，在简单场景下检测性能较好，但在复杂场景下检测性能较差。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是解决现有技术中针对SAR图像的目标检测方法要求目标与背景有较高的对比度，在复杂场景下检测性能较差的问题。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于深度学习的SAR图像铁塔目标检测方法，以提高在复杂场景下的检测性能，包括：

S1、从SAR数据集中随机抽取多幅SAR图像，分割获取样本切片，为每张样本切片设置样本标签后构建训练样本集，样本标签包括该样本切片内目标的坐标信息和类别信息；

S2、对训练样本集中的每张样本切片进行处理，生成出多张不同的人工样本切片，并在加注样本标签后加入所述训练样本集实现扩充；

S3、构建SSD模型，包括：

15层卷积神经网络，用于对输入图像的图像特征进行初步提取；

8层卷积神经网络，用于进一步提取不同尺度的图像特征；

多尺度检测网络，对提取到的不同尺度的图像特征进行检测；

S4、将所述步骤S2中扩充后的训练样本集作为输入图像输入所述步骤S3构建的SSD模型，采用梯度下降法对所述SSD模型进行训练；

S5、将待测数据图切割为多个与样本切片尺寸相同的待检测切片，输入所述步骤S4训练好的SSD模型，得到待测数据图的目标检测结果。

优选地，所述步骤S1包括：

S1-1、从MiniSAR数据集中随机抽取100幅SAR图像；