基于CenterNet2的SAR图像小目标识别方法技术

基于CenterNet2的SAR图像小目标识别方法，属于雷达遥感、目标识别技术领域。它包括以下步骤:1、训练、测试数据集制作；2、设置训练参数，利用训练集的数据，使用CenterNet2网络进行训练；3、用测试集数据对步骤2中训练好的CenterNet2网络模型进行检测；4、将采集的SAR图像输入CenterNet2网络，使用训练得到的模型权重文件作为网络的权重，图像经过网络检测后输出目标检测框、类别和置信度信息，并在SAR图像上显示出来。本发明专利技术将无锚机制的目标检测算法应用于SAR图像小目标识别，将目标检测任务转换为关键点的估计，提高了小目标的检测精度以及检测速度。以及检测速度。以及检测速度。

【技术实现步骤摘要】
基于CenterNet2的SAR图像小目标识别方法


[0001]本专利技术属于雷达遥感、目标识别
，具体涉及基于CenterNet2的SAR图像小目标识别方法。

技术介绍

[0002]合成孔径雷达（Synthetic Aperture Radar ，SAR）是20世纪50年代提出并研制成功的一种微波遥感设备，通过在平台上搭载天线来发射和接收电磁波来探测地面目标对电磁波的调制特性。在对地观测时，能克服云、雾、雨、雪等恶劣天气的干扰以及黑暗条件的影响，其全天时、全天候、强穿透性、高精度、低成本和连续空间覆盖的特点，使其在国民经济诸多领域具有独特的优势，同时在农业、林业、地质和水文等方面具有广泛的应用前景，近年来受到世界各国高度重视并得到迅速发展。
[0003]最新的合成孔径雷达卫星可以提供更高分辨率的 SAR 图像，为了兼顾检测效率，用于目标检测的SAR图像空间分辨率通常在0.5
‑
3m左右，一些常见目标，如车、船等，在图像上的显示区域通常小于32像素
×
32像素，有些区域面积甚至只有几个像素，此时的目标检测属于小目标检测范畴，此类小目标有以下几个特点：1.目标视觉信息，如纹理、形状等丢失严重。2. 小目标更容易出现聚集，不易单独分割。3. 目标本身以及传输介质引起的散射等。此外，SAR图像为灰度图，没有复杂的颜色信息，使得难以根据颜色将目标和背景区分开来。以上特点也是SAR图像目标检测的难点，使得SAR图像小目标检测充满挑战。
[0004]得益于深度学习的巨大驱动，卷积神经网络（CNN）在目标检测领域取得出色的表现。主流的先进目标检测算法如YOLO系列、SSD系列、Faster
‑
RCNN系列等都基于锚框（Anchor）机制。为了平衡召回率与计算成本，基于锚框的模型更加关注大目标，而忽视了小目标的检测。固定尺寸的锚框，不仅限制了检测模型的泛化能力，还使得检测器在处理形变较大的候选对象时比较困难，尤其是对于小目标。此外，面对密集的小目标，会带来大量的锚框重叠，导致许多目标被判定为负样本而舍弃。
[0005]近年来新兴的基于无锚机制的目标检测算法在小目标的检测中取得了比基于锚框的目标检测算法更好的效果。一种无锚机制的思路是将目标检测任务转换为关键点的估计，提高了对于具有任意横纵比的小目标的鲁棒性和泛化能力，也使得密集小目标得到良好的区分，提高了小目标的检精度。因此，将无锚机制的目标检测算法，如CenterNet2，应用于SAR图像小目标识别，是一个新的解决思路。

技术实现思路

[0006]针对现有技术中存在的上述问题，本专利技术的目的在于提供一种有效适用于SAR图像小目标检测，准确性高的基于CenterNet2的SAR图像小目标检测方法。
[0007]本专利技术提供如下技术方案：基于CenterNet2的SAR图像小目标识别方法，包括如下步骤:步骤1，训练、测试数据集制作：采集初始SAR图像，将采集到的图像进行标注，按比
例划分为训练集和测试集；步骤2，设置训练参数，利用训练集的数据，使用CenterNet2网络进行训练；步骤3，用测试集数据对步骤2中训练好的CenterNet2网络模型进行检测，检验识别性能，当识别效果指标达到要求时，则保存并输出模型文件；若不满足要求，则按照步骤2，调整训练参数，对模型进行重新训练；步骤4，将采集的SAR图像输入CenterNet2网络，使用训练得到的模型文件作为网络的权重，图像经过网络检测后，输出目标检测框、类别和置信度信息，并在SAR图像上显示出来。
[0008]优选的，所述步骤2中的CenterNet2是一个基于概率解释的二阶段目标检测算法，其框架组成为：使用CenterNet代替传统二阶段目标检测算法作为第一阶段，第一阶段用于预测可能的目标框，同时区分前后景、输出目标框和目标框内是否为前景的概率，以此作为第二阶段的输入，所述第二阶段负责预测目标框的具体类别、概率和偏移量。
[0009]优选的，所述CenterNet2算法的流程如下：2.1）训练集SAR图像输入网络模型，经过主干网络后输出不同倍率下采样后的特征图；2.2）将主干网络得到的特征图输入检测模块初步预测目标框的中心位置、宽高大小、前景概率，得到带有前景概率的目标框，将其作为感兴趣区域；2.3）将目标框位置、尺寸信息和融合过的特征图进行感兴趣区域校准，其过程具体如下：2.3.1、将目标框和特征图对应起来，形成特征图上的目标框；2.3.2、将特征图上不同尺寸的目标框提取成相同尺寸的特征图；2.4）将感兴趣区域校准ROIAlign输出的特征图，分别经过两个全连接层，预测目标类别、目标为物体的概率以及回归目标框的位置偏移量。
[0010]优选的，所述步骤2.2）中，检测模块用于将主干网络得到的特征图进行特征融合，并将特征融合后的特征图分为三个分支，使用卷积层分别预测目标检测框的宽高、前景概率以及含有目标位置信息的热力图Heatmap；然后结合目标检测框宽高信息以及由热力图得到的目标框的中心位置得到带有前景概率的目标框；其中，热力图上分布关键点Keypoint，关键点Keypoint用以峰值点为圆心，半径为r的高斯圆表示，高斯圆的中心点位置即为目标中心在初始SAR图像上的位置在特征图上的映射，峰值点的值即为检测到的目标为物体的概率；取热力图上概率较高的前n个峰值点为初始目标，对应的目标框作为感兴趣区域。
[0011]优选的，所述识别效果指标包括：精确率P、召回率R、平均精度AP以及平均精度均值mAP。
[0012]通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：本专利技术将无锚机制的目标检测算法应用于SAR图像小目标识别，将目标检测任务转换为关键点的估计，提高了对于具有任意横纵比的小目标的鲁棒性和泛化能力，也使得密集小目标得到良好的区分，提高了小目标的检测精度以及检测速度。
[0013]附图说明
[0014]图1是本专利技术基于CenterNet2的SAR图像小目标识别方法流程图；图2是CenterNet2算法流程图；图3是本专利技术的SAR图像检测输入图；图4是本专利技术的检测输出结果图。
具体实施方式
[0015]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0016]相反，本专利技术涵盖任何由权利要求定义的在本专利技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本专利技术有更好的了解，在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。
[0017]请参阅图1
‑
4，一种基于CenterNet2的SAR图像小目标识别方法，包括如下步骤：步骤1，训练、测试数据集制作：将初始SAR图像进行标注，按一定比例，人为划分为训练集和测试集；步骤2，设置合适的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CenterNet2的SAR图像小目标识别方法，其特征在于：包括如下步骤:步骤1，训练、测试数据集制作：采集初始SAR图像，将采集到的图像进行标注，按比例划分为训练集和测试集；步骤2，设置训练参数，利用训练集的数据，使用CenterNet2网络进行训练；步骤3，用测试集数据对步骤2中训练好的CenterNet2网络模型进行检测，检验识别性能，当识别效果指标达到要求时，则保存并输出模型文件；若不满足要求，则按照步骤2，调整训练参数，对模型进行重新训练；步骤4，将采集的SAR图像输入CenterNet2网络，使用训练得到的模型文件作为网络的权重，图像经过网络检测后，输出目标检测框、类别和置信度信息，并在SAR图像上显示出来。2.根据权利要求1所述的基于CenterNet2的SAR图像小目标识别方法，其特征在于所述步骤2中的CenterNet2是一个基于概率解释的二阶段目标检测算法，其框架组成为：使用CenterNet代替传统二阶段目标检测算法作为第一阶段，第一阶段用于预测可能的目标框，同时区分前后景、输出目标框和目标框内是否为前景的概率，以此作为第二阶段的输入，所述第二阶段负责预测目标框的具体类别、概率和偏移量。3.根据权利要求2所述的基于CenterNet2的SAR图像小目标识别方法，其特征在于所述CenterNet2算法的流程如下：2.1）训练集SAR图像输入网络模型，经过主干网络后输出不同倍率下采样后的特征图；2.2）将主干网络得到的特征图输...

【专利技术属性】
技术研发人员：唐轶峻，庄德文，应琛琛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：