[发明专利]改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法

说明书

本发明公开了一种改进的基于Faster R‑CNN的港口SAR图像近岸舰船检测方法，包括以下步骤：S1、选取SAR图像样本集，构建卷积神经网络；S2、将目标SAR图像输入步骤卷积神经网络提取特征图；S3、生成候选区域建议；S4、目标区域池化；S5、进行二分类：根据S4得到的目标区域特征图计算目标类型，区分目标是舰船还是背景，形成分类分数；S6、边框回归：根据S4得到的目标区域特征图，进行边界框回归细化边界框，最终获得检测框的精确位置；S7、消除虚警，得到最终的存在感兴趣目标的区域。本发明引入深度学习的方法用于合成孔径雷达目标检测，改变了单一的依据阈值选取最终检测框的方式，将基于特征的方法和基于像素的方法相结合，提高了检测率，降低了虚警率。

技术领域

本发明属于雷达目标检测领域，特别涉及一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有全天候、全天时工作能力的高分辨率微波成像雷达，广泛应用于海洋及水文观测、环境及灾害监视以及陆、海追踪与救援等军用和民用领域。港口是军用和民用领域的重要设施，港口船舶探测对港口监视和海上交通具有重要的战略意义。在港口环境下利用SAR图像对感兴趣的舰船目标进行探测和识别是雷达领域的一项富有挑战性的工作。

港口舰船目标检测的关键问题是港口属于海陆混合环境。对于远离口岸的舰船，可以通过局部阈值分割进行粗略定位，但对于停泊在码头附近的船舶，由于船舶与港口之间的灰度相似，无法直接分割提取目标。

SAR图像的舰船检测研究已经开展了很多，也取得了一些有价值的成果。其中恒虚警检测是SAR图像中应用最广泛的舰船检测算法之一，但是，此类方法只能利用基于像素的强度信息，难以提取有效的特征，导致复杂港区的检测率下降，误报率上升。此外，传统的海陆空分割方法对目标进行检测，使用人工特征，在近岸区域效果较差。

最近，随着神经网络对分类任务记录的不断刷新，文献“Girshick R,Donahue J,Darrell T,et al.Rich feature hierarchies for accurate object detection andsemantic segmentation[C].Proceedings of the IEEE conference on computervision and pattern recognition.2014:580-587.”，“Girshick R.Fast R-CNN[J].Computer Science,2015.”，“Ren S,He K,Girshick R,et al.Faster R-CNN:towardsreal-time object detection with region proposal networks[J].2015.”将CNN引入到检测任务中。在光学图像上检测结果达到了前所未有的高水平。同时，可以获得大量的SAR图像。因此，基于深度学习方法的SAR图像目标检测技术应运而生。然而，由于港区环境的复杂性和SAR成像机制的特殊性，港区河堤和建筑物在SAR图像中呈现出相似的特征。这些原因导致了基于深度学习方法的船舶检测系统导致了检测率和虚警率之间的矛盾。

发明内容

本发明的目的在于克服现有技术的不足，提供一种引入深度学习的方法用于合成孔径雷达目标检测，改变了单一的依据阈值选取最终检测框的方式，使用基于像素及区域稳定性的MSER方法作为判决准则，将基于特征的方法和基于像素的方法相结合，提高检测率的同时，能够有效降低虚警率的改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法。

本发明的目的是通过以下技术方案来实现的：一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法，包括以下步骤：

S1、选取近岸场景SAR图像作SAR图像样本集，利用选取的SAR图像样本集构建卷积神经网络；