[发明专利]用于SAR图像的SSD-AEFF自动桥梁检测方法及系统

说明书

本发明公开了一种用于SAR图像的SSD‑AEFF自动桥梁检测方法及系统，本发明方法包括将待检测的SAR图像通过SSD网络模型的主干网络获取多种尺寸的特征图；将得到的多种尺寸的特征图划分为尺寸较大的部分特征图、尺寸较小的部分特征图，将尺寸较大的部分特征图利用自适应高效特征融合模块AEFF基于有效注意力机制和自适应特征融合通过加权的方式进一步提取特征图；将在自适应高效特征融合模块AEFF输出的特征图和尺寸较小的部分特征图上产生的候选框直接分类回归，并经非极大值抑制筛选产生桥梁检测结果。本发明基于有效注意力机制和自适应特征融合通过加权的方式进一步提取特征图，能够突显有效特征，提升网络检测效果。

技术领域

本发明涉及合成孔径雷达(Synthetic Aperture Radar,SAR)图像识别技术，具体涉及一种用于SAR图像的SSD-AEFF自动桥梁检测方法及系统。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种微波主动成像雷达，其穿透性强、作用距离远，具有对大范围区域全天时、全天候观测成像的能力。SAR凭借其成像特性，已广泛应用于国民经济和国防军事等领域。为了获取图像中感兴趣的目标，需要对成像后的SAR图像进行解译。SAR图像目标自动检测是实现SAR图像智能解译的关键技术之一。传统的SAR图像目标检测方法以手动设计的特征为主，通常基于图像的空间、纹理、光谱等信息，例如梯度直方图和纹理描述图。这种方法需要丰富的经验和理论知识支撑，特征维数多且计算复杂。另一种传统的检测方法是基于图像中目标的物理信息构建模型，例如，外形特征和几何结构。模型的构建贴近目标的物理本质，鲁棒性和通用性会更好。但是，物理模型仿真计算复杂，难以实时应用。随着深度学习技术的飞速发展，深度神经网络超越了传统SAR图像目标检测技术，被广泛应用于SAR图像目标自动检测中。深度神经网络不需要提取手动设计的特征，具有优秀的图像数据处理和特征自学习的能力，在SAR图像目标检测中表现出了无可比拟的优越性。

水上桥梁作为重要的交通设施之一，也是交通运输的关键枢纽。因此，SAR图像桥梁目标检测在民用和军事等领域都有着重要的应用，也是近年来研究的热点。

Keiller Nogueira等人选用了经典的深度学习方法——SSD算法(Single ShotMultiBox Detector)来检测光学遥感卫星图像中的桥梁目标，并将其封装到插件中方便使用。SSD网络属于one-stage算法，通过主干网络得到特征图后，生成候选框直接分类回归，一步到位完成检测过程。SSD采用多尺度特征图用于检测，一般是选用6个不同尺度的特征图。由于主干网络输出的特征图较大，算法后续会使用步长为2、卷积核为3的卷积模块来降低特征图的大小用于目标的检测。尺寸较大的特征图负责检测相对较小的目标，尺寸较小的特征图负责检测较大的目标。同时，网络会在特征图的每个位置上生成尺度和长宽比不同的若干个先验框，预测的边界框便是在这些先验框的基础上得到的。不同尺寸和长宽比的先验框的设置是为了适应不同尺寸的检测目标。与其他算法不同的是，SSD算法在得到先验框后，直接使用3×3的卷积层对不同特征图上的先验框进行分类和回归，再使用NMS来生成最终结果。因此，SSD算法相对来说检测速度较快，但在精度和虚警去除上还有较大的提升空间。SSD算法由主干网络VGG生成多尺度特征图后，产生候选框，直接分类回归，因此其检测速度较快。VGG网络结构简单并且卷积层之间采用相同的参数，从而训练速度较快。相反地，网络结构简单和网络深度较浅造成了VGG对图像特征提取能力不强。在SAR图像中提取桥梁目标时，由于SAR图像背景较为复杂，有些桥梁目标不明显及存在很多相似目标，这些都为其特征提取增加了较大难度。因此，SAR图像特征提取的不显著性导致SSD算法在检测桥梁目标时会存在较多的虚警。

发明内容

本发明要解决的技术问题：针对SSD算法特征提取特征的显著性不强的问题，提供一种用于SAR图像的SSD-AEFF自动桥梁检测方法及系统，本发明通过将尺寸较大的部分特征图利用自适应高效特征融合模块AEFF基于有效注意力机制和自适应特征融合通过加权的方式进一步提取特征图，能够突显有效特征，提升网络检测效果。