[发明专利]一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

说明书

本发明公开了一种基于CFAR与Fast‑RCNN融合的SAR图像舰船目标检测方法。该方法基于Fast‑RCNN目标检测框架，利用SAR图像中舰船目标亮度高于背景这一显著特征，首先通过CFAR算法获得疑似目标点，然后基于多组结构元素进行形态学滤波得到候选建议框，在缩减候选区域数量提升算法效率的同时还保证了建议框的有效性，克服了采用单一滤波因子组带来的同一目标被分为多个部分，以及相近的目标被误认为同一目标的不足；在提取的候选建议框的基础上完成Fast‑RCNN网络模型的训练，并基于所得模型实现对任意输入图像的目标分类以及标定框回归，通过采用CNN特征提取网络克服了人工特征提取的不足，并提高了数据利用率。

技术领域

本发明属于目标检测领域，涉及SAR图像的基于CFAR与Fast-RCNN融合的舰船目标检测算法。

背景技术

舰船检测对于国家海洋安全、海洋管理、监控非法捕捞等具有突出作用。雷达探测具有全天时、全天候的特点，随着SAR成像技术的进步，SAR图像分辨率不断提升、信息量越来越丰富。基于SAR图像的舰船目标检测成为当今的一大研究热点。基于SAR图像中舰船目标比背景较亮这一显著特征，通常的SAR图像舰船目标检测算法大多采用基于CFAR的目标检测方法得到候选区域，然后再通过人工特征提取并结合机器学习方法进行目标分类鉴别，从而得到最终的检测结果。

近些年来，随着数据量的井喷式增长以及计算能力的不断提升，基于深度卷积神经网络的目标检测算法成为一大主流。主要包含：1)以RCNN、Fast-RCNN、Faster-RCNN为代表的基于候选区域提取的目标检测算法；2)以YOLO、SSD为代表的基于回归的目标检测算法。以上方法均基于数据驱动进行特征提取，被广泛应用于自然图像处理领域，较传统方法检测性能更优。

基于CFAR的传统目标检测中，候选区域的提取的难点在于分割阈值、形态学滤波结构元素等的选择，之前的研究大多关注前者，而对于后者的研究较少，然而采用不合适的滤波结构元素会导致同一目标被分为多个部分，或相近的目标误判为同一目标，从而影响后续的检测性能。SAR图像源于其成像机理其解译较为困难，采用传统的人工特征提取需要专家经验，且较为困难，而基于深度神经网络的目标检测中以数据为驱动，通过网络自动学习特征，可有效解决这一难题。

发明内容

为了融合SAR图像舰船目标中，舰船目标亮于背景的特点，并发挥基于候选区域提取的深度神经网络无需人工特征提取的优势，提出了一种基于CFAR与Fast-RCNN融合SAR图像舰船目标检测方法。通过CFAR算法获得疑似目标点，然后通过多结构元素组合的形态学滤波得到候选建议框，不但有效克服了单一结构元素的不足而且充分利用了SAR图像的特征使得建议框数量减少的同时不损失检测性能；采用Fast-RCNN框架进行目标分类以及标定框回归，克服人工特征提取的不足。

本发明所述基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，包括如下步骤：

(1)候选建议框提取：通过CFAR算法获得原图像的疑似目标点；对疑似目标点进行多结构元素组合的形态学滤波处理，得到候选区域，最后生成候选建议框；

(2)Fast-RCNN网络训练：对步骤(1)中得到的候选建议框进行Fast-RCNN网络训练，得到网络模型；

(3)基于Fast-RCNN网络模型的目标检测：对任意输入图片采用步骤(1)方法获取候选建议框；同时将其输入步骤(2)训练好的网络模型得到特征图；根据候选建议框到特征图的映射关系，在特征图中找到每个候选建议框对应的特征框，并在RoI池化层中将每个特征框池化到一定尺寸，经全连接层得到特征框的特征向量，再将该特征向量经全连接层，得到softmax的二分类得分输出向量和标定窗口的修正偏移量输出向量；剔除类别得分低于阈值的舰船检测窗口，并对剩余的舰船检测窗口进行非极大值抑制，剔除重叠建议框，最终得到经回归修正后的舰船检测窗口。