[发明专利]基于特征细化网络模型的SAR图像舰船目标检测方法

说明书

本发明公开了基于特征细化网络模型的SAR图像舰船目标检测方法，通过在原始YOLOv5特征提取网络中增加注意力机制，实现了对各层特征的自适应融合；通过增加可变性卷积神经网络，对特征图学习偏移量改变采样点位置，通过改变采样点位置使得卷积神经网络的特征提取更加集中于目标本身特征，由此对目标特征进一步地细化，从而使得复杂背景下近岸目标的特征提取降低了海岸背景杂波的影响。

技术领域

本发明属于SAR图像解译技术领域，具体涉及基于特征细化网络模型的SAR图像舰船目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波成像传感器，相比于光学遥感手段不受气候、天气、光照等因素的制约，可以实现全天候、全天时的对地观测。

SAR图像目标检测旨在从复杂的场景中快速有效地提取感兴趣的目标位置，是SAR自动目标识别(SAR-Automatic Target Recognition,SAR-ATR)的重要组成部分。

随着SAR的迅速发展，现有的SAR图像检测技术还难以满足实际数据处理的需求。一方面，SAR系统的广泛应用以及成像分辨率的提高，对SAR图像目标的检测效率提出了更高的要求；另一方面，SAR在不同工作模式下具有不同的极化方式、分辨率以及照射角度，导致目标图像特征变化较大，这也给SAR图像目标的检测带来了更大的挑战。同时传统SAR图像目标检测方法在检测速度上相对较低，无法实现自动端到端的目标检测过程，因此为了提高检测速度和检测率，针对SAR图像端到端的高效自动目标检测是当前亟待解决的问题。

近年来，随着人工智能技术的迅速发展，深度学习的方法开始应用于SAR图像检测任务。卷积神经网络(Convolutional Neural Network,CNN)可以实现对图像高层特征的主动提取，避免了人工选取特征的复杂工作，具有良好的分类准确度和鲁棒性，为SAR图像目标的检测提供了新的途径。

综上所述，现有的基于深度学习的SAR图像目标解译方法大多针对远海舰船目标，通过对深度学习特征提取网络进行训练以及改进，取得了不错的识别效果。然而，在实际的工作环境下，不仅存在远海舰船目标，同时存在近岸舰船目标，远海舰船中背景相对单一，舰船目标提取任务难度略低；而近岸区域舰船目标数量较多，同时存在不同类型舰船目标，但是依据SAR图像成像机制，近岸，岛屿及港口等可能会与舰船形成相似的散射特征，正是由于近岸目标受到背景杂波干扰，地物类型干扰等，对目标特征提取难度和识别的难度相对较大。在这种背景复杂的近岸情况下，现有的深度学习模型检测率相对较低，出现大量的漏检情况。

发明内容

有鉴于此，本发明提供了基于特征细化网络模型的SAR图像舰船目标检测方法，能够实现复杂背景下的近岸目标和小目标的精准检测和定位。

本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法，包括以下步骤：

步骤1、构建SAR图像舰船检测的训练样本数据集；SAR图像作为样本的输入，SAR图像中的舰船目标作为标签；

步骤2、采用注意力机制和可变性卷积神经网络，建立基于特征细化网络的舰船目标检测模型；所述基于特征细化网络的舰船目标检测模型包括相互串联的跨阶段模块1、注意力跨阶段模块1、注意力跨阶段模块2、SPP空间金字塔模块、可变形跨阶段模块、跨阶段模块2和跨阶段模块3，以及跨阶段模块4和跨阶段模块5，其中，所述跨阶段模块2提取的特征作为跨阶段模块4的输入，所述可变形跨阶段模块提取的特征作为所述跨阶段模块5的输入，所述注意力跨阶段模块1提取的特征作为所述跨阶段模块3的输入，所述注意力跨阶段模块2提取的特征作为所述跨阶段模块2的输入；将待检测的SAR图像输入所述跨阶段模块1中；所述跨阶段模块3、跨阶段模块4及跨阶段模块5的输出作为基于特征细化网络的舰船目标检测模型的输出特征；

步骤3、采用步骤1中所述的训练样本，完成所述基于特征细化网络的舰船目标检测模型的训练；