一种基于统一网络的SAR图像目标训练和预测方法技术

本申请涉及深度学习和SAR图像识别检测领域，为一种基于统一网络的SAR图像目标训练和预测方法，通过建立统一图像尺寸的SAR图像多类型目标训练集来降低训练时间，而后通过对多类型的训练集进行深度学习网络训练，得到适用于所有待检测图像的深度学习网络和网络权重，而后再通过重叠分块的方式对待监测图像进行重叠分块，对每个图像子块分别进行检测，得到对应的目标信息，最后再对所有图像子块进行合并处理，对检测后的目标信息进行合并处理，得到所需的目标信息集，检测速度快、检测准确率高。高。高。

【技术实现步骤摘要】
一种基于统一网络的SAR图像目标训练和预测方法


[0001]本申请属于深度学习和SAR图像识别检测领域，特别涉及一种基于统一网络的SAR图像目标训练和预测方法。

技术介绍

[0002]随着卷积神经网络技术在光学图像目标识别领域的飞速发展，涌现出大量基于深度神经网络的SAR图像目标识别算法。然而，将光学领域应用成熟的深度神经网络算法移植到SAR图像目标识别工程应用中存在如下问题：
[0003]一、SAR图像的分辨率是已知的，且样本的分辨率可能是不同的，因此分辨率信息可以用于预处理，且需要对不同分辨率进行归一化处理。
[0004]二、工程应用中，SAR图像相比常规光学图像的尺寸大得多，且存在不同尺寸的问题，导致势必需要考虑输入图像分割和结果合并的影响。
[0005]三、SAR图像关注的目标大小差异非常大，需要考虑较大尺度差异目标的处理。
[0006]因此，考虑到上述不同图像分辨率、不同图像尺寸、不同目标类型的SAR图像目标识别问题，需要提供一种新的训练与预测方法来减少训练时间、增加识别率。

技术实现思路

[0007]本申请的目的是提供了一种基于统一网络的SAR图像目标训练和预测方法，以解决现有技术中SAR图像训练时间长、识别率低的问题。
[0008]本申请的技术方案是：一种基于统一网络的SAR图像目标训练和预测方法，包括，依据不同类型SAR图像数据库，建立统一图像尺寸的SAR图像多类型目标训练集；对训练集采用合适的深度学习网络训练，得到训练网络权重；实时接收图像，将待检测图像重叠划分多个图像子块，记录每个图像子块的目标参数，对每个图像子块分别用深度学习网络进行预测；对战略目标和战术目标图像分别合并处理，对检测后的目标信息合并处理。
[0009]优选地，对应不同类型的所述SAR图像数据库的目标训练集生成方法包括，统一图像基准尺寸；对数据库图像按照大小进行分类，分成战略目标图像和战术目标图像，对战略目标图像和战术目标图像进行分别处理；对训练集内所有图像样本进行目标的位置和类型标定，生成训练需要的目标信息集。
[0010]优选地，对所述战略目标图像和战术目标图像进行处理的方法包括，采用随机目标方式生成战略目标训练集，在原始图像数据库内随机截取为基准尺寸的整数倍的子图，生成第一训练集；采用真实目标定位方式生成战略目标训练集，在原始图像数据库内针对战略目标截取为基准尺寸整数倍的子图，子图内战略目标尺寸至少占整图的1/3，生成第二训练集；采用随机目标方式生成战术目标训练集，在原始图像数据库内截图与基准尺寸相同的子图，生成第三训练集；采用真实定位方式生成战术目标训练集，在原始图像数据库内截取与基准尺寸相同的子图，生成第四训练集；对所述第一训练集和第二训练集内的所有图像进行平滑下采样处理，生成新的第一训练集和第二训练集，图像尺寸统一为基准尺寸。
[0011]优选地，判断检测的目标为战术目标或战略目标，根据目标的不同分别设置分块参数，读取网络参数，对所述图像进行实时检测的方法包括，接收图像并对待检测图像进行能够重叠分块，子块图像为正方形，子图重叠大小overlap>＝子块图像尺寸的1/8；对每个图像子块按照已经训练完成的深度学习网络进行检测；对图像子块进行归一化处理，将子块目标信息转化为全局图像信息。
[0012]优选地，对所述图像子块进行归一化处理的方法包括，将每个图像子块的目标位置信息转化为全局的目标位置信息；存储所有图像子块的目标检测结果，得到该幅图像的目标信息集。
[0013]优选地，对所述图像子块进行检测的具体方法包括，对图像子块、检测网络和网络训练权重的输入情况进行检测；通过深度学习网络的前向传播对每个图像子块进行处理；通过目标在图像子块的位置、目标类型、置信度建立目标信息集。
[0014]优选地，对战略目标进行合并处理时，目标集中任意两个战略目标类型相同，且IOU交集>10％，则合并为一个目标加入合并后目标集；对战术目标进行合并处理时，目标集中任意两个战术目标类型相同，且IOU交集>60％，则选择置信度大的目标加入合并后目标集，并从源目标信息集中删除置信度小的目标。
[0015]优选地，目标合并处理的具体步骤为，初始化合并后目标集，并设置该目标集数量为0；循环查询源目标信息集，获取目标类型参数，将该目标与合并后目标集中的每个目标进行比较，并根据目标类型参数执行对应的目标合并策略；如果源目标信息集查询到的目标在合并后目标集未检测到相关目标可以合并，则将该目标加入合并后目标集；轮巡完成源目标信息集，生成合并后的新目标信息集。
[0016]本申请的一种基于统一网络的SAR图像目标训练和预测方法，通过建立统一图像尺寸的SAR图像多类型目标训练集来降低训练时间，而后通过对多类型的训练集进行深度学习网络训练，得到适用于所有待检测图像的深度学习网络和网络权重，而后再通过重叠分块的方式对待监测图像进行重叠分块，对每个图像子块分别进行检测，得到对应的目标信息，最后再对所有图像子块进行合并处理，对检测后的目标信息进行合并处理，得到所需的目标信息集，检测速度快、检测准确率高。
附图说明
[0017]为了更清楚地说明本申请提供的技术方案，下面将对附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例。
[0018]图1为本申请整体流程示意图；
[0019]图2为本申请训练集建立流程示意图；
[0020]图3为本申请待检测图像训练流程示意图；
[0021]图4为本申请图像子块合并流程示意图。
具体实施方式
[0022]为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
[0023]一种基于统一网路的SAR图像目标训练和预测方法，如图1、图2所示，包括以下步
骤：
[0024]步骤S100，依据不同类型SAR图像数据库，建立统一图像尺寸的SAR图像多类型目标训练集；
[0025]其具体训练方法包括：
[0026]步骤S110，统一图像基准尺寸N_Base
×
N_Base，基准尺寸作为所有图像的标准尺寸大小，本方法中训练集中图像样本尺寸统一为N_Base
×
N_Base(N_Base可调，需为32的整数倍)；
[0027]步骤S120，对数据库图像按照大小进行分类，分成战略目标图像和战术目标图像，战略目标图像对大尺寸图像，战术目标图像为小尺寸图像，两者的分辨率不同，因此需要对战略目标图像和战术目标图像进行分别处理；
[0028]由于同一目标的样本数量有多有少，对于数量较少的样本，如果采用直接对目标进行定位的方式进行训练，难以得到满意的训练结果，因此对于样本数量较少的图像数据库，采用随机定位的方式来增大样本数量，以期能够得到满意的训练结果：
[0029]对样本数量较少的战略目标图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统一网络的SAR图像目标训练和预测方法，其特征在于：包括，依据不同类型SAR图像数据库，建立统一图像尺寸的SAR图像多类型目标训练集；对训练集采用合适的深度学习网络训练，得到训练网络权重；实时接收图像，将待检测图像重叠划分多个图像子块，记录每个图像子块的目标参数，对每个图像子块分别用深度学习网络进行预测；对战略目标和战术目标图像分别合并处理，对检测后的目标信息合并处理。2.如权利要求1所述的基于统一网络的SAR图像目标训练和预测方法，其特征在于：对应不同类型的所述SAR图像数据库的目标训练集生成方法包括，统一图像基准尺寸；对数据库图像按照大小进行分类，分成战略目标图像和战术目标图像，对战略目标图像和战术目标图像进行分别处理；对训练集内所有图像样本进行目标的位置和类型标定，生成训练需要的目标信息集。3.如权利要求2所述的基于统一网络的SAR图像目标训练和预测方法，其特征在于：对所述战略目标图像和战术目标图像进行处理的方法包括，采用随机目标方式生成战略目标训练集，在原始图像数据库内随机截取为基准尺寸的整数倍的子图，生成第一训练集；采用真实目标定位方式生成战略目标训练集，在原始图像数据库内针对战略目标截取为基准尺寸整数倍的子图，子图内战略目标尺寸至少占整图的1/3，生成第二训练集；采用随机目标方式生成战术目标训练集，在原始图像数据库内截图与基准尺寸相同的子图，生成第三训练集；采用真实定位方式生成战术目标训练集，在原始图像数据库内截取与基准尺寸相同的子图，生成第四训练集；对所述第一训练集和第二训练集内的所有图像进行平滑下采样处理，生成新的第一训练集和第二训练集，图像尺寸统一为基准尺寸。4.如权利要求1所述的基于统一网络的SAR图像目标训练和预测方法，其特征在于：对所述图像进行实时检测的方法包括，判断检测的目标为战术目标或战略目标，根据目标的不同分别设置分块参...

【专利技术属性】
技术研发人员：何涛，芦达，杨峰，
申请(专利权)人：中国航空工业集团公司雷华电子技术研究所，
类型：发明
国别省市：