[发明专利]一种SAR动目标检测方法、装置和存储介质

权利要求书

1.一种SAR动目标检测方法，其特征在于，包括：

获取双通道SAR复图像；

对双通道SAR复图像进行预处理获取数据集；

利用复数域残差密集块搭建深度复数域卷积神经网络；

将数据集中的双通道SAR复图像块输入到深度复数域卷积神经网络，获取运动目标图像；

所述深度复数域卷积神经网络包括：

运动目标特征提取模块，用于利用复数域残差密集块RDB提取所述数据集中双通道SAR复图像块的特征图；

特征融合模块，用于对所述SAR复图像块的特征图进行特征融合；

运动目标图像生成模块，用于根据特征融合后的所述SAR复图像块生成SAR运动目标预测图像。

2.根据权利要求1所述的SAR动目标检测方法，其特征在于，所述对双通道SAR复图像进行预处理具体为对图像进行图像切割和幅度归一化处理，包括以下步骤：

利用步长为25、大小为50×50的滑动窗口将双通道SAR复图像裁剪成50×50的图像块，按照不同的信杂噪比SCNR在图像块上叠加多个仿真运动目标信号，获得复图像

对复图像按照通道1图像的最大值和最小值进行幅度归一化，归一化后的复图像I_i表示为：

获取运动目标图像真值对运动目标图像真值按照的最大值和最小值进行幅度归一化，归一化后的运动目标图像O表示为：

根据处理后的多个双通道SAR复图像和相应的运动目标图像对获取数据集。

3.根据权利要求2所述的SAR动目标检测方法，其特征在于，所述获取运动目标图像真值包括：

利用机载光学系统记录成像场景中的真实运动目标的位置和速度，然后从复图像中提取真实的运动目标图像真值；

对于仿真的运动目标，利用运动目标仿真参数生成仿真运动目标图像真值。

4.根据权利要求2所述的SAR动目标检测方法，其特征在于，所述运动目标特征提取模块包括单通道特征提取网络和通道间特征提取网络；

在单通道特征提取网络中，将通道1的SAR复图像块的实部和虚部分开，看成两个独立的通道作为网络的输入，大小为50×50×2，具体包括：

首先利用两个复数域卷积层和复数域ReLU提取浅层特征，每个卷积层包含了32个尺寸为3×3的卷积核，滑动步长设置为1；假设第l个复数域卷积层的输入为包含K个特征图，卷积核表示为：

M为卷积层输出的特征图个数，复数域偏差量为则复数域卷积层表示为：

其中，*为复数卷积操作，复数域ReLU表示为：

其中，和分别表示复数的实部和虚部；

然后应用3个复数域残差密集块RDB从各个卷积层提取分层特征；

在通道间特征提取网络中，将所有通道的SAR复图像块的实部和虚部分开，将所有通道的实部和虚部分别串联，然后将实部部分和虚部部分串联作为网络的输入，大小为50×50×4，应用与单通道特征提取网络相同的结构实现对分层特征的提取。

5.根据权利要求4所述的SAR动目标检测方法，其特征在于，所述应用3个复数域残差密集块RDB从各个卷积层提取分层特征，具体包括：

在每个复数域RDB中，首先利用6个复数域卷积层和复数域ReLU提取局部特征，每个卷积层包含32个大小为3×3的卷积核，先前复数域RDB的输出和当前RDB中前面所有卷积层的输出按照生成顺序串联起来，作为当前RDB的当前卷积层的输入；

然后应用32个大小为1×1的卷积核融合来自先前复数域RDB的特征图和当前复数域RDB中所有卷积层；

最后引入局部残差学习，将先前复数域RDB的特征图与当前复数域RDB经过1×1卷积后的特征图相加。

6.根据权利要求5所述的SAR动目标检测方法，其特征在于，在所述特征融合模块中，将所有复数域RDB的特征图全部串联，应用32个大小为1×1的卷积核融合RDB的特征图；然后利用1个复数域卷积层和复数域ReLU进一步提取特征；该卷积层包含了32个尺寸为3×3的卷积核，滑动步长设置为1；最后引入全局残差学习，实现对所述SAR复图像块的特征图进行特征融合。