[发明专利]一种SAR图像目标检测方法

说明书

本发明公开了一种SAR图像目标检测方法，涉及图像处理技术领域，其技术方案要点是：所述检测方法是通过DC‑YOLOX网络结构实现的，所述DC‑YOLOX网络结构是在YOLOX的基础上，利用空洞卷积进行改进的网络。所述DC‑YOLOX网络结构包括以下三个部分：特征提取骨干网络部分、特征融合网络部分和预测头部分。DC‑YOLOX在YOLOX的基础上引入空洞卷积模块，可以扩大特征图的感受野，有效提升网络特征提取的性能。在复杂场景SAR图像中完成检测任务的同时可以有效降低虚警。

技术领域

本发明涉及图像处理技术领域，更具体地说，它涉及一种SAR图像目标检测方法。

背景技术

与传统的光学传感器成像不同，SAR作为一种微波成像传感器，能够处于全天时、全天候主动探测的工作状态，具有抵抗天气、光照等外部因素干扰的能力和远距离观测等优势。随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像能力的快速发展，SAR图像目标检测与识别成为遥感信息处理领域重要的组成部分，而复杂遥感图像场景中车辆目标检测正是其中一项关键性技术。

在SAR图像目标检测的任务中，传统目标检测方法如恒虚警率检测(ConstantFalse Alarm Ration，CFAR)及其一些改进算法在复杂场景的SAR目标检测问题上具有检测效果较差、检测时间长、检测效率低的缺点。随着人工智能技术的深入发展，深度学习技术在图像处理领域得到了迅速的发展。相应的，计算机视觉领域中的目标检测算法不断被改进并成功应用于SAR图像目标检测领域。

深度学习模型往往依赖于大规模数据集进行训练，但SAR目标的标准数据集较少。在实际应用情况下，复杂场景中大多数待检测目标往往是非合作目标，非合作目标前期SAR成像机会少，数据稀缺，且通过电磁仿真生成的车辆目标仿真图像难以精确描述真实目标特性。从已有目标数据中选择提取同类型目标的相似特征，完成对非合作目标的检测已经成为一个亟需解决的问题。

发明内容

本发明的目的是提供一种SAR图像目标检测方法，其设计DC-YOLOX在YOLOX的基础上引入空洞卷积模块，可以扩大特征图的感受野，有效提升网络特征提取的性能。在复杂场景SAR图像中完成检测任务的同时可以有效降低虚警。

本发明的上述技术目的是通过以下技术方案得以实现的：一种SAR图像目标检测方法，所述检测方法是通过DC-YOLOX网络结构实现的，所述DC-YOLOX网络结构是在YOLOX的基础上，利用空洞卷积进行改进的网络。

本发明进一步设置为：所述DC-YOLOX网络结构包括以下三个部分：特征提取骨干网络部分、特征融合网络部分和预测头部分。

本发明进一步设置为：所述特征提取骨干网络部分包括Focus、CBS、CSP和SPP模块，所述特征提取骨干网络部分对输入的图像进行多尺度特征提取，最后将输出的三种不同尺度的特征图输入到特征融合网络部分。

本发明进一步设置为：所述特征融合网络部分采用PA-FPN结构进行特征融合，所述特征融合网络部分将骨干网络部分输出的三种不同尺度的特征图进行信息交互和融合，最后将融合的三种不同尺度的特征图输入到预测头部分。

本发明进一步设置为：所述预测头部分对输入的特征图进行分类回归，最终得到目标检测的结果。

本发明进一步设置为：所述Focus模块是在骨干网开头添加的，用于将高分辨率特征图分割为多个低分辨率特征图。

本发明进一步设置为：所述CBS模块包含空洞卷积、批归一化和激活函数SiLU三个操作，空洞卷积可以在不增加参数的同时有效扩大特征层的感受野。

本发明进一步设置为：所述CSP模块能够在降低计算量的情况下保持甚至提高特征骨干网络的特征提取能力，可以将梯度信息整合到特征图中从而减少梯度信息的重复计算。