[发明专利]基于部件自适应选择与判别模型的SAR图像目标检测方法

摘要

本发明涉及一种基于部件自适应选择与判别模型的SAR图像目标检测方法。本发明采用多尺度部件模型对SAR图像进行建模，充分考虑了其结构信息，且部件的自适应选择使得检测到的子部件与其实际尺寸更加符合，更具有实际意义。此外，惩罚因子的引入对模型做了进一步优化，而最终采用的SANMS方法对重复包围框的滤除，也极大地降低了虚警率。本发明在检测方法中考虑了目标结构，可以更加精确地检测到子部件。

主权项

1.基于部件自适应选择与判别模型的SAR图像目标检测方法，其特征在于，包括如下步骤：步骤1，准备SAR图像训练数据集，并对训练数据集进行预处理，包括以下子步骤，步骤1.1，对训练数据集中的SAR图像进行裁剪，并采用矩形包围框分别对整体目标及各个子部件进行标注，标注信息包括包围框对应的类别及不同包围框的左上和右下两个角点在图像中的x，y坐标；步骤1.2，将训练数据集中的图像进行正负样本分类，包含目标的为正样本，其他的为负样本；步骤2，获得整体模型用于检测得分，所述整体模型包括用于检测整体目标信息的根模型和用于检测子部件的细节信息的部件模型，同时利用步骤1中不同包围框标注信息和正负样本对整体模型进行训练，获得模型参数，包括以下子步骤，步骤2.1，构建初始根模型和部件模型；步骤2.2，采用统计学方法获得部件模型中各子部件的锚点位置和标准尺寸，所述锚点位置是指标注的子部件相对于目标的位置；步骤2.3，根据步骤2.1和步骤2.2构建可变形部件模型的整体得分；步骤2.4，对根模型和部件模型分别进行训练及更新，设定迭代次数，当收敛到全局最优解时训练完成，获得模型参数；步骤3，利用上述整体模型检测到的整体目标包围框和n个子部件包围框的坐标，为使整体包围框不至于过大或者过小，利用线性二乘回归方法获取优化的预测器，预测出目标检测框的大小和位置；步骤4，获取待检测图像的特征金字塔，按照步骤2的方式，在每个尺度上进行滑窗搜索，将其中得分较高的且大于设定阈值的保留为候选结果，得到初步检测框后，采用步骤3的包围框预测器进一步优化，最后对重复检测框进行滤除。