[发明专利]基于卷积神经网络的极化合成孔径雷达图像舰船检测方法

说明书

本发明公开了一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括：S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络；S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，利用双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。本发明能够大大地提升网络的鉴别能力以及从复杂的近岸远海场景中有效地检测出舰船。

技术领域

本发明涉及人工智能与合成孔径雷达目标检测的技术领域，更具体地说，特别涉及一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法。

背景技术

作为一种主动的微波成像设备，合成孔径雷达在军用和民用领域有着广泛的应用前景。尤其在海上监测领域，极化合成孔径雷达在舰船检测任务中意义非凡。SAR影像中的极化信息由于其反映了目标的空间结构与纹理信息以及与背景杂波的散射特性差异，因此，在舰船目标检测中具有巨大的优势。近年来，基于极化特性驱动的舰船检测研究已经成为当前领域的前沿话题。

目前广泛使用的传统SAR舰船检测算法是恒虚警率算法，该类算法基于舰船目标比杂波像素拥有更高的强度值以及更大的雷达反射截面的假设，对融合的极化信息进行统计建模，设置阈值，将舰船像素视为异常点而检出，例如PMF、OPD等。然而，这些恒虚警率算法在构造人工特征上耗费了巨大的时间成本，而且检测性能极易受到统计建模以及场景的影响，已经无法满足当前SAR影像舰船目标快速精确提取的需求。

随着卫星技术的不断发展，多极化模式下的SAR影像不断积累，使得基于深度学习卷积神经网络(CNN)的SAR影像舰船检测成为可能，卷积神经网络采用深层结构来表征原始数据，在目标检测领域已经成为一种普适的方法。大量改进的CNN算法例如Faster RCNN、YoLo系列，在SAR舰船检测任务中已经取得了显著的效果。然而，卷积神经网络算法应用于(Pol)SAR影像舰船目标检测，目前仍然存在以下问题：(1)由于合成孔径雷达独特的成像机制，极化SAR影像与光学影像的差异性十分显著，现有的基于卷积神经网络的舰船检测算法更加适用于光学影像；(2)舰船目标在极化SAR影像中表现为离散的散射点分布，容易受到周围散射体的干扰，旁瓣与鬼影时常出现，现有的算法很难提取不变的特征；(3)极化SAR影像中缺乏精细结构特征的舰船目标极易与陆地背景以及似船散射体混淆，导致现有的算法产生较高的虚警率。总之，依赖提取强度特征进行目标检测的卷积神经网络算法限制了检测器的性能，因此，迫切需要构建一种适用于极化SAR影像的卷积神经网络进行极化特性的有效提取，并级联舰船目标几何特征，以解决以上存在的问题。

发明内容

本发明的目的在于提供一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，以克服现有技术所存在的缺陷。

为了达到上述目的，本发明采用的技术方案如下：

基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括：

S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；

S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络，所述分类回归任务子网络用于对提取的不同分辨率的融合特征图进行分类回归；

S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，并利用训练好的双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。

进一步地，所述步骤S1包括：

S10、利用极化散射矩阵S求取基于泡利基的矢量化散射矩阵基于计算极化相干矩阵T；