[发明专利]一种基于深度学习的轻量型SAR图像目标检测方法

说明书

本发明涉及雷达技术技术领域，具体涉及一种基于深度学习的轻量型SAR图像目标检测方法，包括以下步骤：数据集的准备和处理，将SSDD+数据集中的标签中四角点坐标进行minAreaRect函数得到目标最小外接矩形的斜框坐标值，将坐标值替换原本标签中的四角点坐标值，此时获得的数据集记为SSDD1数据集；本发明利用残差网络提取原始SAR图像的高维特征，通过Ghostnet进行多次卷积提取高维特征，同时进行反卷积进行上采样到四倍下采样后的特征图后通过三个分支进行预测，实现了无锚点框的端到端的基于中心点预测SAR图像的斜框目标检测方法，本发明实现简单，检测精度高，适用场景广泛的特点。

技术领域

本发明涉及雷达技术技术领域，具体涉及一种基于深度学习的轻量型SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种先进的主动式微波对地观测设备具有全天候、全天时工作的特点对地面植被有一定穿透能力，能获得类似光学照片的目标图像在国民经济和军事应用领域有着十分重要的作用。

随着深度学习的近几年的快速发展，SAR图像船舰目标检测也由传统的方法过渡到深度学习上，目前由于缺少全面和准确的baseline，也只公开了少数的数据集，但是没有统一的检测效果。而且大多算法都是基于可见光图像的目标检测，没有全面考虑到SAR图像船舰目标的特性，SAR图像是单通道，而可见光图像是三通道，将SAR图像复制为三通道输入网络必导致大量的重复计算，造成参数冗余。现在对SAR图像的目标检测都是基于锚点框的检测方法，这就导致在网络预测时需要生成大量的锚点框，然后通过NMS(非极大值抑制算法)筛选锚点框，生成大量的锚点框会加重网络的计算量。

通用目标检测方法用垂直的边框定位图像中的目标(例如人和车等)。一个垂直边框可以用(x,y,w,h)。而旋转边框最初用于场景文字检测，因为基于旋转边框的检测算法能够适应文字角度多变的情况。遥感中的目标也同样具有这类特性，因此旋转边框在遥感目标检测中也得到了很多应用。

发明内容

本发明要解决的技术问题为提供一种基于深度学习的轻量型SAR图像目标检测方法，来实现SAR图像斜框目标检测的准确性。本发明解决了现有技术中SAR图像基于中心点得到斜框检测的方法，同时解决了速度慢，网络参数量大的问题。

为了方便描述本发明的内容，首先作以下术语定义：

定义1：SSDD+数据集

SSDD是用于SAR图像舰船目标检测的数据集，用于训练和测试检测算法，一共有1160幅图像和2456艘船只平均每幅图像有2.12艘船，使研究人员在同一个条件下对比算法性能。

SSDD+数据集是对SSDD的标签进行了改进，将传统的水平坐标标注(x_min,y_min,x_max,y_max)改为四个角点的坐标值(x1,y1,x2,y2,x3,y3,x4,y4)。详见网站“https://zhuanlan.zhihu.com/p/143794468”

定义2：PASCAL VOC数据集格式

PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，其目标检测的标注是xml文件，里面记录了目标的类别，大小和位置信息。详见网站“https://zhuanlan.zhihu.com/p/33405410”。

定义3：Ghost网络

GhostNet可以在同样精度下，速度和计算量均少于SOTA方法。该模块将原始的卷积层分成两部分，先使用更少的卷积核来生成少量内在特征图，然后通过简单的线性变化操作来进一步高效地生成ghost特征图。详见网站“https://arxiv.org/abs/1911.11907”。