[发明专利]基于改进Faster R-CNN的SAR图像舰船检测方法

说明书

本发明属于雷达SAR图像智能解译技术领域，公开了一种基于改进FasterR‑CNN的SAR图像舰船检测方法，引入了FCN网络，可以对图像中的目标进行准确的分割，提高检测效率，尤其对小目标有很好的检测性能；RBox替代BBox进行回归定位，可以描述任意角度的目标框，获取的局部候选区域边界框存在很少的背景像素，能很好地区分目标和背景，对于倾斜的密集船舶有很好的检测效果；Elus替代Relu，解决梯度消失，加快收敛速度；ROIAlign替代ROIPooling，提高检测的精度，有利于实例分割；soft‑NMS替代NMS，改善缺失检测。

技术领域

本发明涉及雷达SAR图像智能解译技术领域，具体涉及一种基于改进Faster R-CNN的SAR图像舰船检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像传感器，由于微波信号能够穿透云层且不受天气和太阳光照影响，因此具有全天候、全天时的成像特点，目前已经成为人们对地观测的重要手段之一。通过机载和星载SAR，我们能够获得大量的高分辨率SAR海洋图像，舰船目标和舰船的航迹也在这些图像中清晰可见。近年来，利用SAR图像进行舰船检测日益受到军事和民用领域的高度重视，在军事领域，对特定目标进行位置检测，有利于战术部署，提高海防预警能力；在民用邻域，对某些偷渡、非法捕鱼船只进行检测，有助于海运的监测与管理。

传统的SAR图像舰船检测方法以图像像素的统计分析为主，大多是基于阈值的方法，其中最常用的是恒虚警率(Constant False Alarm Rate，CFAR)。但这种方法往往具有较差的鲁棒性，很难在小型船只和近海复杂的场景中表现出良好的性能，而且需要多个操作步骤，十分耗时，难以完全满足舰船检测的实际应用要求。随着计算机硬件和深度学习的发展，深度卷积神经网络在计算机视觉任务上展现了强大的目标特征提取能力。

基于深度学习的目标检测算法主要分为两类：单阶段目标检测算法和两阶段目标检测算法。代表性单阶段算法有YOLO、SSD等，代表性两阶段算法有Faster R-CNN、SPP-Net等。目前，越来越多的学者和研究机构聚焦深度学习在海上目标的检测与定位。但是，由于船只的方向和尺寸变化范围很大，现有的基于矩形框的舰船检测方法获取的局部候选区域边界框存在背景像素，这不利于对候选区域进行分类。在复杂的背景下，上述方法不能很好地区分目标和背景，尤其是密集的小目标，常常无法有效地被检测。

发明内容

针对现有技术中存在的问题，本发明的目的在于一种基于改进Faster R-CNN的SAR图像舰船检测方法，引入了FCN网络，可以对图像中的目标进行准确的分割，提高检测效率，尤其对小目标有很好的检测性能；RBox替代BBox进行回归定位，可以描述任意角度的目标框，获取的局部候选区域边界框存在很少的背景像素，能很好地区分目标和背景，对于倾斜的密集船舶有很好的检测效果；Elus替代Relu，解决梯度消失，加快收敛速度；ROIAlign替代ROIPooling，提高检测的精度，有利于实例分割；soft-NMS替代NMS，改善缺失检测。

为了达到上述目的，本发明采用以下技术方案予以实现。

基于改进Faster R-CNN的SAR图像舰船检测方法，包括以下步骤：

步骤1，获取SAR图像数据集，对所述SAR图像数据集进行纠正，去除错误标签，得到修正的SAR图像数据集；其中，所述修正的SAR图像数据集包含训练集和测试集；

步骤2，预先训练ResNet-101网络，将训练得到的网络参数作为网络提取特征层的参数初始值，得到预先训练好的ResNet-101网络；

步骤3，根据预先训练好的ResNet-101网络搭建改进Faster R-CNN模型；将所述训练集的图像输入所述改进Faster R-CNN模型中进行训练，得到训练好的模型；

步骤4，利用soft-NMS方法得到精炼的检测结果，输出舰船定位区域和分类结果。