[发明专利]一种大场景SAR图像细微目标检测方法

摘要

本发明提出了一种大场景SAR图像细微目标检测方法，它是基于卷积神经网络和YOLO算法目标检测原理，将SAR图像目标检测变换成回归问题，引入残差网络结构和构建特征金字塔，利用1×1卷积核实现SAR图像目标不同特征层交互及跨尺度预测，使得神经网络更加有利于大场景SAR目标特征提取及小目标实时检测；同时使用K‑means聚类确定边界框，使得神经网络训练所需的锚点框数量更少、模型表示能力更强、任务更容易学习。本发明具有实现简单、检测效率高、检测精度高、检测速度快、适用性好，能够实现对大场景SAR图像细微目标的精确端到端检测。

主权项

1.一种大场景SAR图像细微目标检测方法，其特征是它包括以下步骤：步骤1、待检测大场景SAR图像进行初始化和预处理：大场景SAR图像预处理，包括：初始化待检测的SAR图像记为X，X的维数记为N₀×N₀；初始化N种滑窗切片，滑窗切片维数大小分别记为将N种滑窗切片按照维数大小从小到大排序，得到一个N层图像金字塔；将待检测SAR图像中飞机、船、车、建筑、道路等待检测人造目标进行人工位置和类别标注，得到目标类别的总数记为K，目标类别的位置记为P_k＝(x_k,y_k,w_k,h_k)，k＝1,2,…,K，其中(x_k,y_k)分别记为第k类目标的中心坐标，(w_k,h_k)分别记为第k类目标的宽和高；采用传统的标准数据增强技术对待检测SAR图像X进行数据增强，得到数据增强后的SAR图像检测数据集，记为Ω，Ω集合中图像总数量记为N_Ω；初始化数据集Ω中训练集和测试集图像数量的比例，记为K₁:K₂；对数据集Ω中的图像按照比例K₁:K₂随机划分训练集和测试集，得到的训练集记为Ω_K1，得到的测试集记为Ω_K2；步骤2、构建和初始化卷积神经分类网络模型：采用传统的标准Darknet‑53网络模型构造方法，构建和初始化标准的卷积神经分类网络模型，记为W₀^c，初始化网络W₀^c的卷积层数，记为N_c，其中卷积核大小为c_i×c_i,i＝1,3,…,n；初始化网络W₀^c的残差块层数，记为其中表示第次下采样后的残差块层数；采用传统的标准通道数加倍方法，将网络W₀^c中池化层后卷积层的通道数加倍，记为采用传统的标准GoogLeNet网络构造方法，将网络中卷积核大小为c_i×c_i,i＝3,…,n之间添加大小为c₁×c₁的卷积核，记为采用传统的标准批量归一化方法，对网络中每一个卷积层后添加批量归一化层，记为采用传统的标准Darknet‑53网络构造方法，对网络添加K个类别的全连接层，记为采用标准的归一化指数函数(softmax)计算类别置信度，记为P_c；步骤3、训练卷积神经分类网络：初始化步骤2得到网络的图像批量处理大小，记为BS；初始化网络训练参数的学习率，记为LR；初始化网络训练参数的权重衰减率和动量，分别记为WDR和MO；对步骤2得到的网络模型进行随机初始化，得到初始化后网络参数，记为W_old^c；采用传统的标准卷积神经分类网络Darknet训练方法，将步骤1中训练集Ω_K1的图片顺序随机打乱后小批量依次通入步骤2得到的卷积神经分类网络模型采用传统标准的小批量梯度下降法，对网络中网络参数W_old^c进行计算，得到计算后的网络参数，记为W_new^c；采用传统标准交叉熵损失函数计算网络的损失函数值，记为Loss_old^c；采用传统的标准卷积神经分类网络Darknet方法，利用步骤1中测试集Ω_K2对网络参数W_new^c进行测试，得到测试集Ω_K2在W_new^c上的损失函数值，记为Loss_new^c；若Loss_new^c≤Loss_old^c，则继续按照传统标准卷积神经分类网络Darknet训练方法继续训练网络并计算网络参数W_new^c和损失值Loss_new^c；若Loss_new^c≥Loss_old^c，则停止训练网络输出当前模型的网络参数W_new^c，该次网络参数W_new^c即为训练得到的卷积神经分类网络的最终网络参数，记为W_F^c；步骤4、初始化和构建卷积神经检测网络：按照标准YOLOv3网络模型构造方法，对步骤2得到的卷积神经分类网络添加检测层，得到卷积神经检测网络，记为W₀；采用步骤4.1至步骤4.4中的方法对卷积神经检测网络W₀进行构建，步骤4.1至步骤4.4具体如下：步骤4.1、跨尺度预测采用标准深度学习特征金字塔构造方法对检测网络W₀添加特征交互层，得到网络W₀的N_F层特征金字塔，特征金字塔记为F_ii×F_ii,ii＝1,2,…,N_F，其中F_ii×F_ii为特征金字塔第ii层的特征图；对步骤2得到的网络中特征图从下到上依次取出N_F层特征图，记为F_ii^c×F_ii^c,ii＝1,2,…,N_F,其中F_ii^c×F_ii^c为第ii层特征图；网络W₀中上采样倍数记为n_Fⁱⁱ,ii＝1,2,…,n_F；按照标准的特征金字塔方法,将网络W₀中的F_ii×F_ii,ii＝1,2,…,N_F与F_ii^c×F_ii^c,ii＝1,2,…,N_F特征图和大小为(c_i×c_i,i＝1,3,…,n)的卷积核进行特征融合，得到的检测网络记为步骤4.2、边界框的预测使用标准k‑means聚类方法对步骤1得到的训练集Ω_K1进行聚类，得到M个聚类中心作为网络的先验锚点框，其中聚类中心记为其中分别为第i₀个聚类中心的坐标；每个边界框预测四个坐标值，坐标值记为(t_x，t_y，t_w，t_h)，对于预测的网格cell_j,j＝1,2,…,S×S,其中S×S为待检测图划分的网格数；根据图像左上角的偏移(c_x,c_y)和边界框的宽和高(pω,ph)，采用公式b_x＝σ(t_x)+c_x，b_y＝σ(t_y)+c_y，计算边界框(b_x,b_yb_ω,b_h)，其中σ(t_x),σ(t_y)为中心点坐标，(b_x,b_y)为偏移后边界框的中心坐标，(b_ω,b_h)为偏移后边界框的宽和高；每个小格cell_j会对应B个边界框，记为边界框的宽高范围为步骤1中得到的M_n×M_n；对第i₁个边界框通过逻辑回归预测一个物体的得分，记为其中代表该处是否有物体及定位准确度；采用传统的YOLOv3网络模型中标准IOU计算方法，计算预测的边界框与真实的边框值的IoU,如果IoU≥α，那么否则预测的边界框步骤4.3、计算损失函数将步骤1中训练集Ω_K1的图像编号随机打乱后排列成一个图像编号向量，记为L_img；按照L_img中图像编号顺序，依次取出一个批量的图像编号，记为L_img^B；按照L_img^B中图像编号读取训练集Ω_K1的图像作为网络的输入，记为S1，其中向量S1的维度大小为(S×S×(B×(5+C)))；采用传统的YOLOv3网络模型方法，将向量S1通过检测网络W₀计算输出的一组结果向量记为S2，其中向量S2的维度大小为(S×S×(B×(5+C)))；其中，S为划分网格数，B为每个网格负责目标个数，C为类别个数；采用损失函数(TSE)公式Loss＝loss_loc+loss_con+loss_class，计算S1和S2的损失函数值，记为Loss，其中loss_loc为定位损失，loss_con为置信度损失，loss_class为分类损失；步骤5、训练和调整卷积神经检测网络：初始化训练卷积神经检测网络的图像批量处理大小，记为BS¹；初始化学习率，记为LR¹；初始化权重衰减率和动量，分别记为WDR¹和MO¹；将步骤3得到的卷积神经分类网络模型的参数W_F^c作为检测网络的初始化参数，得到初始化后的卷积神经检测网络W_old；采用传统标准的卷积神经检测网络Darknet训练技术，将步骤1中训练集Ω_K1的图片顺序随机打乱后小批量依次通入步骤4得到的卷积神经检测网络模型采用传统标准的小批量梯度下降法，对卷积神经检测网络W_old的网络参数进行计算，得到新的网络参数，记为W_new；采用步骤4.3中的损失函数Loss，计算的损失函数值，记为Losso_ld；采用传统的检测网络Darknet训练技术方法，利用步骤1中测试集Ω_K2对W_new进行测试，得到测试集Ω_K2在W_new上的总损失值，记为Loss_new；若Loss_new≤Loss_old，则按照传统的检测网络Darknet训练方法继续训练模型并计算网络参数W_new和损失值Loss_new；若Loss_new≥Losso_ld，则停止训练模型输出当前模型的网络参数W_new，该次网络参数W_new即为训练得到的卷积神经检测网络的最终网络参数；采用传统检测网络Darknet训练技术中的多尺度训练策略，将网络每经过p个批量训练后，随机选择图像变化尺度因子α＝[α₁,α₂,α₃,α₄,α₅]，将步骤1中图像尺度与α相乘，得到网络的输入图像尺度；将训练网络得到的最终检测网络模型和参数记为W_result；步骤6、对待检测大场景SAR图像进行检测：初始化待检测大场景SAR图像，记为Ω_I；采用步骤1中SAR图像预处理方法对待检图像Ω_I进行预处理，得到切片图像，记为Ω_T；把切片图像Ω_T按照切片图像编号顺序送入步骤5得到的卷积神经检测网络W_result进行检测，输出切片图像Ω_T的检测结果，记为Ω_O；采用传统的顺序合并图像方法，将切片图像结果Ω_O按照切片图像编号顺序进行合并；采用标准非极大值抑制方法，消除检测网络W_result中同一目标多次预测及重复框，得到的检测图像结果，记为Ω_R；图像Ω_R即为最终的大场景SAR图像细微目标检测结果。