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