基于半监督CNN的SAR图像目标检测系统和方法技术方案

本发明专利技术公开了一种基于半监督CNN的SAR图像目标检测系统和方法，解决了现有技术对切片级标记的训练图像依赖程度高，及检测准确率低的问题。检测系统中增设的切片挑选模块和负包模块提供丰富的目标和杂波切片，候选切片保存模块将输入切片处理并保存为候选切片集，为网络提供充足的训练样本。目标检测方法实现是：生成训练、验证和测试数据集；设计并构建加入切片挑选模块和负包模块的半监督目标检测网络；对半监督目标检测网络训练及测试。本发明专利技术先使用少量切片级标记的图像训练网络，再使用迭代挑选候选切片训练网络。本发明专利技术对切片级标记的训练图像依赖程度低；在少量切片级标记图像的情况下具有较高准确率；应用于SAR图像目标检测。

【技术实现步骤摘要】
基于半监督CNN的SAR图像目标检测系统和方法
本专利技术属于雷达图像处理
，更进一步涉及合成孔径雷达(SAR，SyntheticApertureRadar)图像自动目标识别，具体是一种基于半监督卷积神经网络(CNN，ConvolutionalNeuralNetwork)的SAR图像目标检测系统和方法，可以用于SAR图像车辆目标检测。
技术介绍
合成孔径雷达具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段，合成孔径雷达图像自动目标识别受到越来越广泛的关注。现有的SAR图像目标检测方法中，双参数CFAR检测算法是一种传统的SAR图像目标检测方法，该方法要求SAR图像中目标与背景杂波具有较高的对比度，并且假设背景杂波的统计分布模型是高斯分布。该算法首先根据给定的虚警概率计算检测阈值；然后计算待检测像素点的统计检测量；最后将统计检测量与检测阈值进行对比，如果大于阈值就被判定为目标像素点，否则被判定为杂波像素点，进而得到基于像素水平的检测结果。由于该算法需要对图像的每个像素点执行相同的操作，所以检测时间较长。该方法需要根据SAR图像目标的先验信息设置本文档来自技高网...

【技术保护点】
1.一种基于半监督卷积神经网络的SAR图像目标检测系统，按照基于卷积神经网络的目标检测的处理顺序，依次包括有图像数据输入模块，切片提取网络模块，候选切片保存模块，鉴别网络模块，以及检测结果处理模块；其特征在于，还包括有切片挑选模块和负包模块；切片挑选模块将检测结果处理模块中的检测结果切片进行挑选，送入候选切片保存模块；负包模块获取杂波SAR子图像的杂波切片并送入候选切片保存模块。

【技术特征摘要】
1.一种基于半监督卷积神经网络的SAR图像目标检测系统，按照基于卷积神经网络的目标检测的处理顺序，依次包括有图像数据输入模块，切片提取网络模块，候选切片保存模块，鉴别网络模块，以及检测结果处理模块；其特征在于，还包括有切片挑选模块和负包模块；切片挑选模块将检测结果处理模块中的检测结果切片进行挑选，送入候选切片保存模块；负包模块获取杂波SAR子图像的杂波切片并送入候选切片保存模块。2.根据权利要求1所述的基于半监督卷积神经网络的SAR图像目标检测系统，其特征在于，所述图像数据输入模块将原始SAR图像分类并标记为切片级标记的SAR子图像和图像级标记的SAR子图像；所述候选切片保存模块中分别设有切片级标记图像切片保存单元、负包切片保存单元和图像级标记图像切片保存单元；切片级标记图像切片保存单元将切片级标记的SAR子图像输入切片提取网络模块得到的切片直接保存为切片集A；负包切片保存单元将负包模块输出的切片直接保存为切片集B；图像级标记图像切片保存单元将切片挑选模块输出的切片中与已有切片不重复的切片迭代保存为切片集C，每次迭代都将切片挑选模块输出的切片中不重复的切片保存为切片集C；最后将切片集A、切片集B和切片集C合并加入候选切片集，然后将候选切片集送入到鉴别网络模块中。3.一种基于半监督卷积神经网络的SAR图像目标检测方法，在权利要求1-2所述的任一基于半监督卷积神经网络的SAR图像目标检测系统上实现，其特征在于，先使用少量切片级标记的图像训练目标检测网络，然后使用迭代挑选候选切片的方式对网络进行训练，包括如下步骤：(1)生成训练数据集、验证数据集和辅助数据集：(1.1)生成训练数据集：输入原始训练SAR图像，裁剪得到尺寸为M×N的含有目标的子图像；对其中少量的子图像进行目标边框标记，作为切片级标记的训练数据集；剩余的子图像不进行目标边框标记，作为图像级标记的训练数据集；另外对原始训练SAR图像裁剪得到一些不含目标的子图像，作为杂波子图像数据集；(1.2)生成验证数据集：输入原始测试SAR图像，裁剪得到尺寸为M×N的含有目标的子图像；对子图像进行目标边框标记，作为验证数据集；(1.3)生成辅助数据集：使用MSTAR3类7型数据集作为预训练的数据集；对MSTAR数据集填充到尺寸为M×N，并进行目标边框标记，得到辅助数据集；(2)设计并构建半监督目标检测网络：设计并构建半监督目标检测网络，包括图像数据输入模块，切片提取网络模块，鉴别网络模块，候选切片保存模块，切片挑选模块，以及负包模块；切片提取网络模块对SAR子图像进行切片提取处理得到候选切片；鉴别网络模块对候选切片剔除杂波并得到检测结果；切片挑选模块对图像级标记的SAR子图像的检测结果进行挑选并得到候选切片；负包模块从杂波SAR子图像得到杂波切片；候选切片保存模块接收来自切片提取网络模块输出的候选切片，切片挑选模块输出的候选切片，以及负包模块输出的候选切片，合并保存加入候选切片集，然后将候选切片集送入鉴别网络模块；(3)对半监督目标检测网络进行训练：使用少量切片级标记的训练数据集和辅助数据集训练目标检测网络，得到训练好的模型；通过训练好的模型得到切片级标记的图像对应的候选切片和杂波子图像对应的杂波切片，并保存为候选切片集；将图像级标记的图像输入训练好的模型，挑选检测结果中置信度高于预先设定阈值的切片，将挑选的切片中与已有切片不重复的切片加入到候选切片集中，使用候选切片集再次训练鉴别网络；当鉴别网络训练收敛之后，再次进行切片挑选，并将不重复的切片再次加入到候选切片集中；多次迭代挑选切片并训练鉴别网络，当满足收敛条件时，训练完成，得到收敛的目标检测模型；(4)对半监督目标检测网络进行测试：(4.1)使用滑动窗口的方式，对原始测试SAR图像进行裁剪，得到大量子图像，将子图像输入到收敛的目标检测模型中，得到子图像的检测结果，按照子图像在原始测试SAR图像中的位置，将子图像的检测结果恢复到原始测试SAR图像上，得到原始测试SAR图像的初始检测结果；(4.2)对初始检测结果，使用非极大值抑制方法，去除重复的检测结果；(4.3)选择分类置信度大于T的检测结果，作为输入SAR图像的最终检测结果。4.根据权利要求3所述的基于半监督卷积神经网络的SAR图像目标检测方法，其特征在于，步骤(2)中所述的设计并构建半监督目标检测网络，具体包括有如下步骤：(2.1)半监督目标检测网络，包括图像数据输入模块，切片提取网络模块，鉴别网络模块，候选切片保存模块，切片挑选模块，以及负包模块；(2.2)设计切片提取网络Net_E，包括输入层，卷积层，批归一化层，池化层，输出层；该网络的输入是SAR子图像，输出是其对应的候选切片；目的是从输入图像中提取候选切片；(2.3)设计鉴别网络Net_D，包括输入层，卷积层，批归一化层，池化层，全连接层，输出层；该网络的输入是切片提取网络得到的候选切片，输出是最终检测结果；目的是对候选切片剔除杂波，并得到最终检测结果；其中鉴别网络和切片提取网络的基础网络共享参数；(2.4)设计切片挑选模块，目的是挑选置信度高的检测结果，并加入到切片集中；切片提取网络模块的输入是检测结果处理模块中图像级标记的SAR子图像的检测结果，输出是挑选好的切片，挑选的方法是选择置信度高于TS的候选切片，候选切片包括目标切片和杂波切片；(2.5)设计负包模块：负包模块的输入是杂波SAR子图像，输出是子图像的杂波切片；杂波切片的获取方式是从检测结果处理模块中的杂波SAR子图像的切片得到，挑选杂波SAR子图像的检测结果的置信...

【专利技术属性】
技术研发人员：杜兰，魏迪，解韦桐，何浩男，李璐，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61