SAR图像目标检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种SAR图像目标检测方法、装置、电子设备和存储介质，通过特征提取模型提取原始SAR图像的多个具有不同分辨率的初始特征，并按照分辨率递增的顺序依次对各初始特征进行融合，使高分辨率特征能够保留目标较为完整的空间信息，高分辨率特征通过多层卷积，使其初步具有高级语义信息，并通过自上而下的融合，将高层语义信息传递至高分辨率特征，得到语义信息与空间信息兼具的高分辨率特征。在得到对应的初始融合特征后，按照分辨率递减的顺序依次对各初始融合特征进行融合，得到多个预测特征图，即通过自下而上的融合，又将目标对象的空间信息传递至低分辨率特征上，提高了目标对象检测的精度，保证了目标对象检测较好的鲁棒性。鲁棒性。鲁棒性。

【技术实现步骤摘要】
SAR图像目标检测方法、装置、电子设备和存储介质


[0001]本专利技术涉及目标检测
，尤其涉及一种SAR图像目标检测方法、装置、电子设备和存储介质。

技术介绍

[0002]基于卷积神经网络(Convolutional Neural Network，CNN)的目标检测技术在光学图像上的成功极大地推动了SAR(Synthetic Aperture Radar，合成孔径雷达)图像目标检测方法的研究。基于CNN的检测模型由主干网络、颈部网络和头部网络组成。其中，主干网通过卷积层和池化层从图像中提取特征，所提取的特征被送到颈部网络中进行特征融合和增强。最后，头部网络对每个候选实例进行分类与定位。
[0003]通常，在对SAR图像进行目标检测时，存在目标密度大、尺度不同、背景复杂、虚警干扰大、训练样本少等问题，因此传统方法中将恒虚警检测CFAR与Faster R
‑
CNN相结合，将Faster R
‑
CNN获得的低置信度感兴趣区域作为输入，采用恒虚警检测CFAR对疑似虚警区域进行二次判别。此外，与两阶段目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR图像目标检测方法，其特征在于，包括：将原始SAR图像输入至特征提取模型，得到所述特征提取模型输出的多个预测特征图；各预测特征图的分辨率不同，且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图；基于预设锚点，以及各预测特征图的分辨率，确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度；所述类别置信度为各目标对象候选边界框存在目标对象的概率；基于非极大抑制算法，以及各目标对象候选边界框对应的类别置信度，从所有目标对象候选边界框中确定目标边界框，并将所述目标边界框作为所述SAR图像的目标检测结果；其中，所述特征提取模型是基于样本SAR图像训练得到的；所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征，并按照分辨率递增的顺序依次对各初始特征进行融合，得到对应的初始融合特征后，按照分辨率递减的顺序依次对各初始融合特征进行融合，得到多个预测特征图。2.根据权利要求1所述的SAR图像目标检测方法，其特征在于，各初始融合特征是基于如下步骤获取的：第一卷积步骤：按照分辨率递增的顺序，对各初始特征进行排序，并对第一个初始特征进行卷积操作，得到第一初始融合特征；第一融合步骤：对所述第一初始融合特征进行上采样后，与所述第一初始融合特征对应的下一初始特征进行融合，得到第二初始融合特征；其中，上采样后的第一初始融合特征与所述第一初始融合特征对应的下一初始特征的维度相同；第一循环步骤：将所述第二初始融合特征作为所述第一初始融合特征，循环执行所述第一融合步骤，直至所述第一初始融合特征不存在对应的下一初始特征。3.根据权利要求1所述的SAR图像目标检测方法，其特征在于，各预测特征图是基于如下步骤获取的：第二卷积步骤：按照分辨率递减的顺序，对各初始融合特征进行排序，并对第一个初始融合特征进行卷积操作，得到第一预测特征图；第二融合步骤：对所述第一预测特征图进行下采样后，与所述第一预测特征图对应的下一初始融合特征进行融合，得到第二预测特征图；其中，下采样后的第一预测特征图与所述第一预测特征图对应的下一初始融合特征的维度相同；第二循环步骤：将所述第二预测特征图作为所述第一预测特征图，循环执行所述第二融合步骤，直至所述第一预测特征图不存在对应的下一初始融合特征。4.根据权利要求1所述的SAR图像目标检测方法，其特征在于，所述预设锚点是基于如下步骤获取的：获取多个SAR训练集图像，并确定各SAR训练集图像中目标对象的边界框；按照预设簇数，对各SAR训练集图像中目标对象的边界框进行尺寸聚类，并将聚类后得到的各簇中心作为所述预设锚点中的各锚点。5....

【专利技术属性】
技术研发人员：潘春洪，张鑫，郑翔，贺剑，
申请(专利权)人：北京机电工程总体设计部，
类型：发明
国别省市：