基于编码解码器的高效SAR图像船舶目标检测方法技术

本发明专利技术涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。包括：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测的船舶目标。本发明专利技术方法能有效提高船舶小目标的检测效果，显著提高船舶召回率。显著提高船舶召回率。显著提高船舶召回率。

【技术实现步骤摘要】
基于编码解码器的高效SAR图像船舶目标检测方法


[0001]本专利技术涉及图像和视频处理以及计算机视觉领域，具体涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种有源微波传感器，具有全天候对地观测的特点，不受光照、天气影响。通过SAR微波成像技术，能够全天时、全天候获取丰富海洋地区图像，是目前对海洋侦测的重要方式。SAR图像船舶目标检测使目前学术、军事领域热点研究方向，它对偷渡、非法捕鱼以及军事海防等方面有着重要应用，同时也在海洋观测和救灾中也发挥着越来越重要的作用。
[0003]传统的SAR船舶目标检测方法依赖于人工设计的特征，如基于对比度信息统计的恒定虚警率算法、小波分解、陆海分割等方法，但这些方法需要大量先验知识，易受复杂背景干扰，且泛化性能差，普遍检测精度不高。随着合成孔径雷达技术和卫星技术的发展，获取高分辨率的SAR图像数据更加便利，基于大量数据的深度学习方法在SAR图像目标检测领域也有了很大的发展潜力，相较于传统方法，深度学习方法抗干扰能力更强、复杂场景泛化性能优异、检测精度更高。但现有的基于深度学习的研究方法存在着一些弊端：需要设计一个较为复杂的特征提取网络，模型参数量和计算量庞大，严重影响了对实时性要求较高的SAR船舶检测的效率；此外，这些方法主要都是针对光学图像设计的，缺少对SAR船舶图像特点的针对性研究，导致复杂场景下或有干扰的船舶目标检测性能下降。
[0004]考虑到SAR图像的特点，SAR图像由电磁波信号成像，容易受到干涉影响和目标地形等因素干扰，产生大量噪声像素，使目标检测发生漏检和预测质量差的检测框。为了克服噪声的影响，以及提高目标检测网络的检测效率和性能，本专利技术设计了一个高效的编码解码器目标检测网络，该网络采用无锚框、单尺度方法，大大减少了模型参数量和计算量，提高检测效率的同时保证检测性能，同时提出了结合船舶角度信息的检测方法，减少噪声对模型预测的影响，提高船舶检测的召回率。

技术实现思路

[0005]本专利技术的目的在于提供一种基于编码解码器的高效SAR图像船舶目标检测方法，该方法通过高效的编码解码器目标检测网络，以及结合SAR图像船舶目标的角度信息，指导船舶检测网络的训练，该方法能显著提高SAR图像船舶检测性能，提高召回率。
[0006]为实现上述目的，本专利技术的技术方案是：一种基于编码解码器的高效SAR图像船舶目标检测方法，包括如下步骤：
[0007]步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；
[0008]步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；
[0009]步骤C、根据目标检测网络的网络模型设计损失函数，指导网络模型的参数优化；
[0010]步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；
[0011]步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测到的船舶目标。
[0012]在本专利技术一实施例中，所述步骤A具体包括以下步骤：
[0013]步骤A1、划分数据集，按照预定比例划分为训练集和测试集；
[0014]步骤A2、对训练集的图像进行数据增强，以增加训练集的图像数量，包括翻转图像、旋转图像、缩放图像、将多张图像随机裁剪拼接、以及将不同图像进行重叠融合；
[0015]步骤A3、将步骤A2数据增强后的图像进行预处理，转化成目标检测网络的输入数据：先使用像素值114填充图像短边两侧，使图像长宽相等，再将图像缩放到目标检测网络输入的尺寸大小，最后将图像像素值除以255，将整张图像像素值归一化到范围[0，1]；在数据集中，每张图像的对应标签内容是图像中的船舶边界框的坐标位置，在每一步数据增强和图像预处理的同时也对标签进行相应操作，保证标签始终对应图像上的船舶目标位置。
[0016]在本专利技术一实施例中，所述步骤B具体包括以下步骤：
[0017]步骤B1、设计无需大量参数且性能好的编码解码器目标检测网络：先将预处理后的图像进行像素切块重组，设图像尺寸为h
×
w
×
c，在图像中沿水平和垂直方向每隔一个像素提取一个像素的值，重新组成一张图像，大小为这样就能取得四张图像，这四张图像左上角的像素分别是原始图像中第一行第一列的像素、第一行第二列的像素、第二行第一列的像素和第二行第二列的像素；然后将四张图像沿通道维度拼接，得到大小为的特征图，记为F0；接着将特征图F0输入到编码器，编码器由若干编码层组成，每个编码层由标准卷积Conv和瓶颈层BottleneckCSP组成，每经过一层编码层特征的尺寸为原来的一半，记录每个编码层的输出特征为E0、E1、...、E
n
，公式如下所示：
[0018]E0＝BottleneckCSP0(Conv0(F0))
[0019]E
i
＝BottleneckCSP
i
(Conv
i
(E
i
‑1))，i＝1，2，...，n
[0020]其中Conv
i
和BottleneckCSP
i
分别是第i层编码层的卷积层和瓶颈层BottleneckCSP；
[0021]接着将E
n
输入到金字塔池化层SPP，得到特征S＝SPP(E
n
)；接着把S输入到解码器，解码器由若干解码层组成，每个解码层由标准卷积Conv、最近邻上采样Upsample和瓶颈层BottleneckCSP组成，每经过一层解码层特征的尺寸为原来的2倍，每个解码器层同时接收来自同级编码层的输出特征，具体公式如下：
[0022]U
n
＝Upsample(Conv
n
(S))
[0023]D
n
＝BottleneckCSP
n
(U
n
⊙
E
n
)
[0024]U
i
＝Upsample(Conv
i
(U
i+1
))，i＝0，1，...，n
‑1[0025]D
i
＝BottleneckCSP
i
(U
i
⊙
E
i
)，i＝0，1，...，n
‑1[0026]其中U
i
表示上采样后的特征，D
i
表示第i个解码层输出的特征，
⊙
表示沿通道维度拼接，Conv
i
和BottleneckCSP
i
分别是第i层解码层的卷积层和瓶颈层Bottlenec本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编码解码器的高效SAR图像船舶目标检测方法，其特征在于，包括如下步骤：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据目标检测网络的网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测到的船舶目标。2.根据权利要求1所述的一种基于编码解码器的高效SAR图像船舶目标检测方法，其特征在于，所述步骤A具体包括以下步骤：步骤A1、划分数据集，按照预定比例划分为训练集和测试集；步骤A2、对训练集的图像进行数据增强，以增加训练集的图像数量，包括翻转图像、旋转图像、缩放图像、将多张图像随机裁剪拼接、以及将不同图像进行重叠融合；步骤A3、将步骤A2数据增强后的图像进行预处理，转化成目标检测网络的输入数据：先使用像素值114填充图像短边两侧，使图像长宽相等，再将图像缩放到目标检测网络输入的尺寸大小，最后将图像像素值除以255，将整张图像像素值归一化到范围[0,1]；在数据集中，每张图像的对应标签内容是图像中的船舶边界框的坐标位置，在每一步数据增强和图像预处理的同时也对标签进行相应操作，保证标签始终对应图像上的船舶目标位置。3.根据权利要求1所述的一种基于编码解码器的高效SAR图像船舶目标检测方法，其特征在于，所述步骤B具体包括以下步骤：步骤B1、设计无需大量参数且性能好的编码解码器目标检测网络：先将预处理后的图像进行像素切块重组，设图像尺寸为h
×
w
×
c，在图像中沿水平和垂直方向每隔一个像素提取一个像素的值，重新组成一张图像，大小为这样就能取得四张图像，这四张图像左上角的像素分别是原始图像中第一行第一列的像素、第一行第二列的像素、第二行第一列的像素和第二行第二列的像素；然后将四张图像沿通道维度拼接，得到大小为的特征图，记为F0；接着将特征图F0输入到编码器，编码器由若干编码层组成，每个编码层由标准卷积Conv和瓶颈层BottleneckCSP组成，每经过一层编码层特征的尺寸为原来的一半，记录每个编码层的输出特征为E0、E1、...、E
n
，公式如下所示：E0＝BottleneckCSP0(Conv0(F0))E
i
＝BottleneckCSP
i
(Conv
i
(E
i
‑1)),i＝1,2,...,n其中Conv
i
和BottleneckCSP
i
分别是第i层编码层的卷积层和瓶颈层BottleneckCSP；接着将E
n
输入到金字塔池化层SPP，得到特征S＝SPP(E
n
)；接着把S输入到解码器，解码器由若干解码层组成，每个解码层由标准卷积Conv、最近邻上采样Upsample和瓶颈层BottleneckCSP组成，每经过一层解码层特征的尺寸为原来的2倍，每个解码器层同时接收来自同级编码层的输出特征，具体公式如下：
U
n
＝Upsample(Conv
n
(S))D
n
×
BottleneckCSP
n
(U
n
⊙
E
n
)U
i
＝Upsample(Conv
i
(U
i+1
)),i＝0,1,...,n
‑
1D
i
＝BottleneckCSP
i
(U
i
⊙
E
i
),i＝0,1,...,n
‑
1其中U
i
表示上采样后的特征，D
i
表示第i个解码层输出的特征，
⊙
表示沿通道维度拼接，Conv
i
和BottleneckCSP
i
分别是第i层解码层的卷积层和瓶颈层BottleneckCSP；最后将D0进行一次卷积操作，并使输出维度为6，这6个维度分别表示：1个维度的目标置信度，4个维度的船舶坐标以及1个维度的船舶角度；步骤B2、设计基于centerness的样本分配方式：首先将船舶目标边界框内部的像素点定义为正样本，每个正样本像素点位置(x,y)对应的船舶边界框的表现形式定义为(t，b，l，r)，即分别表示当前像素点与上边界、下边界、左边界、右边界的距离，通过位置(x,y)与输入的船舶坐标计算；若两个相邻船舶目标有重叠部分，定义centerness，重叠部分的像素表示的正样本所属边界框由centerness决定；其中一像素位置对于一个船舶的centerness计算公式如下：重叠部分的每个像素分别计算多个边界框在该像素点的centerness，则像素表示的正样本属于最大centerness的边界框，min()表示取最小值，max()表示取最大值；由此可构造一幅船舶id图，id图大小与船舶图像大小一样，首先将id图所有像素点位置(x,y)的值置为0，然后按船舶id顺序把船舶边界框内的所有像素对应位置赋值，如果id图在相应位置值为...

【专利技术属性】
技术研发人员：牛玉贞，黄江艺，林晓锋，
申请(专利权)人：福州大学，
类型：发明
国别省市：