基于CNN的复杂背景SAR车辆目标检测方法技术

本发明专利技术公开一种基于CNN的复杂背景SAR车辆目标检测方法，包括步骤：S1，采集图样数据并经处理获得样本数据集；S2，将ResNet和Faster‑RCNN框架进行融合后形成融合框架，在预训练权重的基础上对所述融合框架进行再训练；S3，采用再训练后的所述融合框架对所述图样数据进行目标检测和识别；本发明专利技术通过将ResNet和Faster‑RCNN框架进行融合，利用Faster‑RCNN框架实现端到端的目标检测流程实现全自动化的目标检测，便于工程化应用；同时利用残差网络模型解决深度卷积网络模型中存在的网络模型退化的问题，避免深度卷积网络模型存在的梯度消失的现象。

【技术实现步骤摘要】
基于CNN的复杂背景SAR车辆目标检测方法
本专利技术涉及车辆目标检测
，具体涉及一种基于CNN的复杂背景SAR车辆目标检测方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar，SAR)图像的图像特性会随着不同的成像参数、成像姿态、地物环境等发生较大的变化，使得SAR图像的目标检测和识别变得非常困难。传统的基于恒虚警率(ConstantFalseAlarmRate，CFAR)算法其衍生算法在目标与背景具有较高的对比度且场景简单情况下，检测门限能较好的从背景中分离出目标，当面对种类繁多、散射特性迥异的杂波时，通常检测性能会有所下降。随着人工智能的不断发展，深度学习的方法也被引入到SAR目标检测领域。卷积神经网络模型(ConvolutionalNeuralNetwork，CNN)是人工神经网络模型(ArtificialNeuralNetWork，ANN)的一种，由于其采用权值共享的策略来减少参数，对图像的平移、缩放、倾斜或其他形式的变形具有高度的不变性，因此被广泛的用于二维图像目标的检测和识别中。CNN在不同阶段的学习中可以抽象出不同层次的特征，避免了传统机器学习算法中人工设计特征和分类器的过程。但是其弊端也很明显，其输入图像的大小尺寸需要固定，无法实现端到端的大场景下的目标检测。
技术实现思路
为解决上述技术缺陷，本专利技术采用的技术方案在于，提供一种基于CNN的复杂背景SAR车辆目标检测方法，包括步骤：S1，采集图样数据并经处理获得样本数据集；S2，将ResNet和Faster-RCNN框架进行融合后形成融合框架，在预训练权重的基础上对所述融合框架进行再训练；S3，采用再训练后的所述融合框架对所述图样数据进行目标检测和识别。较佳的，通过不同雷达对同一场景进行成像，经过数据预处理采样到方位向和距离向都为0.3m地距幅度的所述图样数据。较佳的，人工对所述图样数据中车辆样本进行提取，获取原始样本；对所述原始样本进行扩充形成车辆样本，并将所述车辆样本以随机填入的方式与背景样本合成为样本数据集。较佳的，利用大型数据集ILSVRC-2012数据集对ZF网络模型和VGG-16网络模型中的随机初始化参数进行所述预训练，利用ResNet-50数据集对ResNet-50网络模型中的随机初始化参数进行所述预训练。较佳的，在所述预训练后的网络模型特征提取层参数基础上，利用所述样本数据集对所述融合框架中的特征提取层、侯选提取层和分类识别层进行所述再训练。较佳的，在所述步骤S2中，所述Faster-RCNN框架包括特征提取层、区域生成网络、ROI池化层和分类提取层；所述特征提取层通过提取所述图样数据的特征图作为所述分类识别层的输入；所述区域生成网络通过在所述特征提取层输入的最后一层特征图中滑窗提取候选框；所述ROI池化层收集输入的所述特征图和所述候选框，综合所述特征图和所述候选框后提取候选框特征图，所述分类识别层对所述候选框特征图进行分类识别，并进行第二边框回归；所述Faster-RCNN框架采用ZF网络模型或VGG网络模型中的一种。较佳的，所述区域生成网络对所述特征图中的每一个像素点设置9个大小和长宽比不同的锚点并结合第一边框回归初步得到所述候选框。较佳的，在所述步骤S2中，将ResNet-50网络模型和FasterRCNN框架进行融合形成融合框架；所述融合框架对所述图样数据进行处理；所述融合框架根据所述ResNet-50网络模型获取50层残差块，所述残差块包括特征残差块和分类残差块，所述特征残差块设置为40层，所述分类残差块设置为10层。较佳的，所述特征提取层设置为所述特征残差块，所述特征提取层输出的所述特征图大小保持为所述图样数据的1/16。较佳的，在所述ROI池化层之后的所述分类识别层用所述分类残差块替代所述ZF网络模型中的两层全连接层。与现有技术比较本专利技术的有益效果在于：1，本专利技术将ResNet和Faster-RCNN框架进行融合，利用Faster-RCNN框架实现端到端的目标检测流程实现全自动化的目标检测，便于工程化应用；同时利用残差网络模型解决深度卷积网络模型中存在的网络模型退化的问题，避免深度卷积网络模型存在的梯度消失的现象；2，基于Faster-RCNN框架的ResNet-50网络模型不仅可以取得很好的检测效果，在NVIDIA显卡TeslaK40m的支持下，采用CUDA+CUDNN的GPU加速，对于2000*2000左右大小的SAR图像目标检测的平均耗时达到0.46s，也达到了很高的实时性水平。附图说明图1为原始样本的示例图；图2为样本图片和标注位置的示例图；图3为Faster-RCNN的框架图；图4为迁移学习与直接训练的对比图；图5为所述融合框架的训练损失曲线图；图6为目标检测结果和真实标注结果的对比图。图中数字表示：1-原始样本；2-背景样本；3-迁移学习损失曲线；4-直接训练损失曲线。具体实施方式以下结合附图，对本专利技术上述的和另外的技术特征和优点作更详细的说明。实施例一本专利技术基于CNN的复杂背景SAR车辆目标检测方法包括步骤：S1，采集图样数据并经处理获得样本数据集；S2，将ResNet(网络模型深度残差网络模型)和Faster-RCNN框架进行融合后形成融合框架结构，在预训练权重的基础上对所述融合框架进行再训练；S3，采用再训练后的所述融合框架对所述图样数据进行目标检测和识别。步骤S1具体为，通过不同航次的机载X波段雷达对同一场景进行成像，经过数据预处理采样到方位向和距离向都为0.3m地距幅度的图样数据，以128×128(单位为像素)固定大小人工对所述图样数据中车辆样本进行提取，总共采集获得500个包含多种车辆(卡车，公共汽车和吊车)原始样本1的原始样本切片数据集，如图1所示，图1为原始样本的示例图；图1中a、b、c为不同的所述原始样本1。对所述原始样本1以旋转，翻转和加噪(乘性噪声)的方式进行扩充，以增加所述原始样本切片数据集中的样本类型，从而形成包括有若干车辆样本的车辆样本数据集；选取若干幅场景作为背景样本2(包含道路，建筑物等干扰)，将所述车辆样本数据集中的所述车辆样本以随机填入的方式和所述背景样本进行合成，最终制作成车辆样本数据库，即样本数据集，所述车辆样本数据库一般包含有7500幅约2000×2000(单位为像素)大小的样本图片。较佳的，合成过程中，每一幅所述背景样本2随机填入5-15个不同的所述车辆样本。最终获得的所述车辆样本数据库的格式一般采用VOC格式数据，即包括图形(JREGImages)文件夹和注释(Annotations)文件夹；所述图形文件夹包含合成后所述样本图片，所述注释文件夹包含对应的标注boundingbox(矩形选择框)位置的xml文件。图2为样本图片和boundingbox标注位置的示例图；图2中的a和c为不同的样本图片，b为a的boundingbox标注位置的示例图，d为c的boundingbox标注位置的示例图。CNN网络模型的训练需要大量标记样本的支撑，而目前在SAR图像检测和识别领域中，由于数据源的限制，使用较多的是MSTAR数据集和MiniSAR数据集。MSTAR数据集中每一幅图像的尺寸为128×128(单位为像素)，包含3大类本文档来自技高网...

【技术保护点】
1.一种基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，包括步骤：S1，采集图样数据并经处理获得样本数据集；S2，将ResNet和Faster‑RCNN框架进行融合后形成融合框架，在预训练权重的基础上对所述融合框架进行再训练；S3，采用再训练后的所述融合框架对所述图样数据进行目标检测和识别。

【技术特征摘要】
1.一种基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，包括步骤：S1，采集图样数据并经处理获得样本数据集；S2，将ResNet和Faster-RCNN框架进行融合后形成融合框架，在预训练权重的基础上对所述融合框架进行再训练；S3，采用再训练后的所述融合框架对所述图样数据进行目标检测和识别。2.如权利要求1所述的基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，通过不同雷达对同一场景进行成像，经过数据预处理采样到方位向和距离向都为0.3m地距幅度的所述图样数据。3.如权利要求2所述的基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，人工对所述图样数据中车辆样本进行提取，获取原始样本；对所述原始样本进行扩充形成车辆样本，并将所述车辆样本以随机填入的方式与背景样本合成为样本数据集。4.如权利要求1所述的基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，利用大型数据集ILSVRC-2012数据集对ZF网络模型和VGG-16网络模型中的随机初始化参数进行所述预训练，利用ResNet-50数据集对ResNet-50网络模型中的随机初始化参数进行所述预训练。5.如权利要求1所述的基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，在所述预训练后的网络模型特征提取层参数基础上，利用所述样本数据集对所述融合框架中的特征提取层、侯选提取层和分类识别层进行所述再训练。6.如权利要求1所述的基于CNN的复杂背景SAR车辆目标检测方法，其特征在于，在所述步骤S2中，所述Faster-RCNN框架包括特征...

【专利技术属性】
技术研发人员：常沛，夏勇，吴涛，万红林，李玉景，
申请(专利权)人：中国电子科技集团公司第三十八研究所，
类型：发明
国别省市：安徽,34