一种星载SAR图像中海面船只的端到端检测与识别方法技术

本发明专利技术属于雷达图像处理技术领域，具体为一种星载SAR图像中海面船只的端到端检测与识别方法。步骤包括：基于Otsu辅助水图文件的精细海陆分割；自适应多尺度CFAR船只目标自动检测，包括全局、大尺度、小尺度三种尺度CFAR，其中用到基于伽马分布的合成孔径雷达图像海面杂波统计分布模型；自动构建SAR船只标记数据库，数据库包括SAR图像的船只与MMSI码的匹配和目标切片数据集；基于卷积神经网络的船只目标鉴别与分类。本发明专利技术精准提取狭窄弯曲河流、海岸线、轮廓等；能很好地解决船只检测虚警率高的问题；通过建立高分辨率船只SAR数据集，为复杂海面船只检测与识别工作提供有力支撑，具有推广应用前景。

【技术实现步骤摘要】
一种星载SAR图像中海面船只的端到端检测与识别方法专利
本专利技术属于雷达图像处理
，具体涉及一种星载SAR图像中海面船只的端到端检测与识别方法。
技术介绍
合成孔径雷达（SAR）凭借全天候全天时的对地观测优势在海洋监测中有广泛的应用前景。高分三号是我国第一颗专门面向海洋监测的星载雷达成像卫星，工作波段为C波段、分辨率最高为0.5m、载荷具有多种成像模式，其中一个关键应用是对海面目标进行监测与识别。海面船只检测识别可用于渔业管理、非法移民监控、海洋救援等民用领域，在国防方面，船只检测与识别及参数估计如位置、类型、航向、时速等，是海上作战的重要军事情报。针对船只检测，船只类金属目标存在大量二面角、三面角结构，后向散射系数高，恒虚警率(CFAR,ConstantFalseAlarmRate)船只检测算法利用船只和海杂波的亮度差异检测潜在的船只目标。其中应用较广泛的有基于高斯分布的双参数CFAR检测算法、基于韦布尔分布的CFAR检测以及最优CFAR设计等。另外，船只的典型特征与海洋杂波存在着较大差距，如尺寸、几何形状、方向、纹理等。典型算法如Landowski和Loe的基于目标聚类的检测算法，方学立、梁甸农等的基于位置相关的SAR图像中分布式检测算法，张锋的基于扩展分形特征(EF)的目标检测算法等。船只在行驶过程中会形成很长的尾迹，部分学者提出可以先识别船只尾迹，然后利用检测到的尾迹寻找船只目标。针对识别算法，传统SAR图像目标识别方法有基于电磁散射特征、其他域变换特征、几何结构特征、局部不变特征等。如袁昕等的基于不变伪线矩算法识别运动船只、席宇阳等的基于支持向量机的极化SAR船只识别，王贵槐等提出基于深度学习的水面无人船前方船只图像识别方法。近几年，神经网络在光学图像的识别，检测和分割取得了巨大的成功，相关技术也被应用到SAR图像的目标识别中来，如Chen等利用CNN（卷积神经网络）对坦克目标进行分类，Ao等提出基于VGG-16提取特征子类目标聚类船只目标和虚警分类算法。本专利技术提出一种基于深度学习的端到端GF3星载SAR海面船只检测与识别算法。输入为GF3图像，输出为船只的位置坐标、类型和轮廓等信息。该算法包括四个步骤：海陆分割、检测、鉴别和分类。海陆分割和自适应多尺度CFAR确定船只位置。鉴别是指利用海洋目标七分类网络进一步滤除虚警，例如码头，岛屿，渔业养殖的建筑物，虚警鉴别的分类精度可达96.15%。分类是指应用船只目标八分类网络对船只种类进行识别，其分类精度达到77.61%。在此基础上与AIS自动匹配建立了FUSARShips高分辨率船只数据集，共有切片10125张。该端到端过程不需要人工进行数据标注准备，而是采取自动化实现数据集构建。
技术实现思路
本专利技术的目的在于提出一种能够实现端到端的高效、准确地检测、鉴别与识别复杂背景SAR图像中船只目标的方法。本专利技术提出的星载SAR海面船只（例如高分三号，记为GF3-SAR船只）的端到端检测与识别方法，具体步骤如下：（1）首先，采用基于Otsu（日本学者OTSU提出的一种对图像进行二值化的高效算法）辅助水图文件的精细海陆分割算法，实现海陆分割；（2）然后，采用自适应多尺度CFAR船只目标自动检测算法，实现对舰船目标进行检测；（3）随后，在步骤（2）的基础上，构建SAR船只标记数据库，为虚警鉴别和分类识别提供数据支持；（4）最后，采用卷积神经网络对船只目标进行鉴别与分类识别，包括卷积神经网络的构建，卷积神经网络的训练，实现虚警鉴别和船只分类。步骤（1）中，所述的基于Otsu辅助水图文件的精细海陆分割算法，包括：针对有精确的经纬度信息情况，采取250m世界海陆数据库掩膜实现像素级分割；针对低分辨率、海陆掩膜绘制不准确或缺少精确成像位置经纬度信息情况，采取基于Otsu的自动海陆分割；步骤（2）中，所述的自适应多尺度CFAR船只目标自动检测算法中，多尺度CFAR船只目标包括：全局、大尺度、小尺度三种尺度CFAR，以及增添AIS（AutomaticIdentificationSystem，船舶自动识别系统）预设条件；步骤（3）中，所述的构建SAR船只标记数据库中，数据库包括：基于AIS信息对SAR图像的船只与水上移动通信业务标识码（MMSI码）的匹配和目标切片数据集；步骤（4）中，所述的卷积神经网络包括：基于CNN的疑似船只目标的虚警鉴别网络和船只类型分类识别网络。步骤（1）中，所述的采用250m世界海陆数据库掩膜实现像素级海陆分割的流程为：利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；所述的采用基于Otsu的自动海陆分割的流程为：对待检测SAR图像进行下采样，降低计算时间，利用均值滤波消除相干斑噪声的影响，用Otsu求取最佳分割阈值并进行二值化。对二值图像进行均值滤波（滤波器半径为5），面积大于普通船只的十倍则认为是水域；步骤（2）中，所述的全局CFAR的流程为，对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近，求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；所述的大尺度CFAR的流程为，对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；所述的小尺度CFAR的流程为，采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标；步骤（3）中，所述构建SAR船只标记数据库的流程为：根据自适应多尺度CFAR船只目标自动检测算法精准提取的海面疑似船只目标，与基于AIS信息对SAR图像自动生成的MMSI码，二者做全局最优匹配，给海面疑似船只目标分配相应类别，最后提取含有类别的船只切片，构成该高分辨率船只标记数据库；步骤（4）中，所述的采用CNN的疑似船只目标的虚警鉴别网络，对船只目标进行鉴别的流程为：根据不同网络层结构具有不同实现功能的原理，合理设计网络层结构，搭建虚警鉴别网络（如图12），对自适应多尺度CFAR船只目标自动检测结果进行虚警鉴别，该虚警鉴别网络共包含13层卷积层、5层池化层、3层全连接层以及若干层激活函数，按照如表5所示的训练参数对该网络进行训练。所述的采用CNN的船只目标分类识别网络，对船只目标进行识别的流程为：根据不同网络层结构具有不同实现功能的原理，应用数据库训练船只类型分类识别网络，实现船只类型识别（如图13），该船只目标分类识别网络共包含38层卷积层、9层池化层、9层归一化层、以及2层全连接层，按照如表6所示的训练参数对该网络进行训练。下面对各步骤的算法作进一步介绍：（1）基于Otsu辅助水图文件的精细海陆分割算法，操作流程为：(1a)判断待检测SAR图像有无准确的成像位置（经纬度信息），海陆掩膜绘制是否准确；(1b)针对有精确的经纬度信息的情况，采取250m世界海陆数据库掩膜实现像素级分割；首先读取待检测SAR图像的经纬度，利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜，利用最本文档来自技高网...

【技术保护点】
1.一种星载SAR海面船只的端到端检测与识别方法，其特征在于，具体步骤如下：（1）首先，采用基于Otsu辅助水图文件的精细海陆分割算法，实现海陆分割；（2）然后，采用自适应多尺度CFAR船只目标自动检测算法，实现对舰船目标进行检测；（3）随后，在步骤（2）的基础上，构建SAR船只标记数据库，为虚警鉴别和分类识别提供数据支持；（4）最后，采用卷积神经网络对船只目标进行鉴别与分类识别，包括卷积神经网络的构建，卷积神经网络的训练，实现虚警鉴别和船只分类；步骤（1）中，所述的基于Otsu辅助水图文件的精细海陆分割算法，包括：针对有精确的经纬度信息情况，采取250m世界海陆数据库掩膜实现像素级分割；针对低分辨率、海陆掩膜绘制不准确或缺少精确成像位置经纬度信息情况，采取基于Otsu的自动海陆分割；步骤（2）中，所述的自适应多尺度CFAR船只目标自动检测算法中，多尺度CFAR船只目标包括：全局、大尺度、小尺度三种尺度CFAR，并增添AIS预设条件；步骤（3）中，所述的构建SAR船只标记数据库中，包括：基于AIS信息对SAR图像的船只与水上移动通信业务标识码（MMSI码）的匹配和目标切片数据集；步骤（4）中，所述的基于卷积神经网络的船只目标鉴别与分类中，卷积神经网络包括：疑似船只目标的虚警鉴别网络和船只类型分类识别网络。...

【技术特征摘要】
1.一种星载SAR海面船只的端到端检测与识别方法，其特征在于，具体步骤如下：（1）首先，采用基于Otsu辅助水图文件的精细海陆分割算法，实现海陆分割；（2）然后，采用自适应多尺度CFAR船只目标自动检测算法，实现对舰船目标进行检测；（3）随后，在步骤（2）的基础上，构建SAR船只标记数据库，为虚警鉴别和分类识别提供数据支持；（4）最后，采用卷积神经网络对船只目标进行鉴别与分类识别，包括卷积神经网络的构建，卷积神经网络的训练，实现虚警鉴别和船只分类；步骤（1）中，所述的基于Otsu辅助水图文件的精细海陆分割算法，包括：针对有精确的经纬度信息情况，采取250m世界海陆数据库掩膜实现像素级分割；针对低分辨率、海陆掩膜绘制不准确或缺少精确成像位置经纬度信息情况，采取基于Otsu的自动海陆分割；步骤（2）中，所述的自适应多尺度CFAR船只目标自动检测算法中，多尺度CFAR船只目标包括：全局、大尺度、小尺度三种尺度CFAR，并增添AIS预设条件；步骤（3）中，所述的构建SAR船只标记数据库中，包括：基于AIS信息对SAR图像的船只与水上移动通信业务标识码（MMSI码）的匹配和目标切片数据集；步骤（4）中，所述的基于卷积神经网络的船只目标鉴别与分类中，卷积神经网络包括：疑似船只目标的虚警鉴别网络和船只类型分类识别网络。2.根据权利要求1所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（1）中：所述的采用250m世界海陆数据库掩膜实现像素级海陆分割的流程为：利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；所述的采用基于Otsu的自动海陆分割的流程为：对待检测SAR图像进行下采样，降低计算时间，利用均值滤波消除相干斑噪声的影响，用Otsu求取最佳分割阈值并进行二值化；对二值图像进行均值滤波，滤波器半径为5，面积大于普通船只的十倍则认为是水域。3.根据权利要求2所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（2）中：所述的全局CFAR的流程为，对基于伽马分布的待检测SAR图像杂波统计分布模型进行建模和参数估计，然后根据伽马分布的参数作为初始值，利用AIS接收到的船只数量作为预设条件反复迭代逐步逼近，求解伽马分布参数的全局最优解或可以达到的最好的局部最优解；所述的大尺度CFAR的流程为，对待检测SAR图像进行二维网格栅格化，针对每个栅格，估计其海面杂波统计分布模型，并对二维阈值曲面进行平滑滤波；所述的小尺度CFAR的流程为，采取双线性插值的方式，构建与SAR图像同尺寸的二维阈值图，精准提取海面疑似船只目标。4.根据权利要求3所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（3）中，所述构建SAR船只标记数据库的流程为：根据自适应多尺度CFAR船只目标自动检测算法精准提取的海面疑似船只目标，与基于AIS信息对SAR图像自动生成的MMSI码，二者做全局最优匹配，给海面疑似船只目标分配相应类别，最后提取含有类别的船只切片，构成该高分辨率船只标记数据库。5.根据权利要求4所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，步骤（4）中：所述采用CNN的疑似船只目标的虚警鉴别网络，对船只目标进行鉴别的流程为：根据不同网络层结构具有不同实现功能的原理，合理设计网络层结构，搭建虚警鉴别网络，对自适应多尺度CFAR船只目标自动检测结果进行虚警鉴别，该虚警鉴别网络共包含13层卷积层、5层池化层、3层全连接层以及若干层激活函数，按照所需训练参数对该网络进行训练；所述采用CNN的船只目标分类识别网络，对船只目标进行识别的流程为：根据不同网络层结构具有不同实现功能的原理，应用数据库训练船只类型分类识别网络，实现船只类型识别（如图13），该船只目标分类识别网络共包含38层卷积层、9层池化层、9层归一化层、以及2层全连接层，按照所需训练参数对该网络进行训练。6.根据权利要求1-5之一所述的星载SAR海面船只的端到端检测与识别方法，其特征在于，基于Otsu辅助水图文件的精细海陆分割算法，操作流程为：判断待检测SAR图像有无准确的成像位置，海陆掩膜绘制是否准确；针对有精确的经纬度信息的情况，采取250m世界海陆数据库掩膜实现像素级分割；首先读取待检测SAR图像的经纬度，利用待检测SAR图像的经纬度信息读取该区域对应的250m世界海陆数据库中的海陆分割掩膜，利用最近邻插值将该掩膜变换为与SAR图像相同的尺寸，有效提取数据库文件中的海陆掩膜；针对低分辨率、海陆掩膜绘制不精确或缺少精确经纬度信息的情况，采取基于Otsu的自动海陆分割：首先对待检测SAR图像进行下采样降低计算时间，利用均值滤波消除相干斑噪声的影响，然后用Otsu求取最佳分割阈值并进行二值化；最后对二值图像进行均值滤波，滤波器半径为5，面积大于普通船只的十倍则认为是水域；对步骤(1b)或(1c)中得到的二值图像进行形态学处...

【专利技术属性】
技术研发人员：徐丰，侯晰月，敖巍，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31