[发明专利]SAR图像目标检测方法、装置、电子设备和存储介质

说明书

本发明提供一种SAR图像目标检测方法、装置、电子设备和存储介质，通过特征提取模型提取原始SAR图像的多个具有不同分辨率的初始特征，并按照分辨率递增的顺序依次对各初始特征进行融合，使高分辨率特征能够保留目标较为完整的空间信息，高分辨率特征通过多层卷积，使其初步具有高级语义信息，并通过自上而下的融合，将高层语义信息传递至高分辨率特征，得到语义信息与空间信息兼具的高分辨率特征。在得到对应的初始融合特征后，按照分辨率递减的顺序依次对各初始融合特征进行融合，得到多个预测特征图，即通过自下而上的融合，又将目标对象的空间信息传递至低分辨率特征上，提高了目标对象检测的精度，保证了目标对象检测较好的鲁棒性。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种SAR图像目标检测方法、装置、电子设备和存储介质。

背景技术

基于卷积神经网络(Convolutional Neural Network，CNN)的目标检测技术在光学图像上的成功极大地推动了SAR(Synthetic Aperture Radar，合成孔径雷达)图像目标检测方法的研究。基于CNN的检测模型由主干网络、颈部网络和头部网络组成。其中，主干网通过卷积层和池化层从图像中提取特征，所提取的特征被送到颈部网络中进行特征融合和增强。最后，头部网络对每个候选实例进行分类与定位。

通常，在对SAR图像进行目标检测时，存在目标密度大、尺度不同、背景复杂、虚警干扰大、训练样本少等问题，因此传统方法中将恒虚警检测CFAR与Faster R-CNN相结合，将Faster R-CNN获得的低置信度感兴趣区域作为输入，采用恒虚警检测CFAR对疑似虚警区域进行二次判别。此外，与两阶段目标检测网络Faster R-CNN相比，单阶段检测器由于其在速度上的优势也被引入到SAR图像检测中，即采用单阶段目标检测器SSD作为检测网络，通过数据增强和迁移学习解决了小样本训练问题。对于SAR图像中的飞机目标，传统方法还以单阶段检测器YOLO作为检测网络，分别建立飞机目标的整体与部件检测系统，在利用YOLO算法得到目标的整体与部件的检测框后，利用最近邻法将所有的整体与部件检测框进行匹配，最终利用先验知识选择正确的匹配，从而得到飞机检测结果。

然而上述方法中，所选取的经典目标检测模型如Faster R-CNN、YOLO等在实时检测SAR图像中的目标对象(如飞机)时存在明显缺陷：一方面，SAR图像中的目标对象(如飞机)的各个部件在多数情况下呈现分散形态，且目标尺寸较小，而上述检测器采用高层语义特征层进行检测，此类特征含有目标的高级语义信息，但空间分辨率较低，因此目标对象的空间信息被严重损失，从而很大程度上限制了不完整的小目标检测精度。另一方面，两阶段网络由于存在精调阶段，因此在检测速度上无法达到实时的检测效果。近年来，随着YOLO算法的改进，逐渐将FPN、PANet等多尺度融合技术引入至检测方法中，如YOLOV4。YOLOV4采用三种尺度的特征分辨率进行预测，即中分辨率、中低分辨率、低分辨率特征，但其对于尺度不同、目标较小的SAR图像中的飞机目标，仍然在检测精度上表现不佳。

发明内容

本发明提供一种SAR图像目标检测方法、装置、电子设备和存储介质，用以解决现有技术中SAR图像目标检测精度较低且鲁棒性较差的缺陷。

本发明提供一种SAR图像目标检测方法，包括：

将原始SAR图像输入至特征提取模型，得到所述特征提取模型输出的多个预测特征图；各预测特征图的分辨率不同，且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图；

基于预设锚点，以及各预测特征图的分辨率，确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度；所述类别置信度为各目标对象候选边界框存在目标对象的概率；

基于非极大抑制算法，以及各目标对象候选边界框对应的类别置信度，从所有目标对象候选边界框中确定目标边界框，并将所述目标边界框作为所述SAR图像的目标检测结果；