SAR运动舰船目标检测方法及装置制造方法及图纸

本发明专利技术提供一种SAR运动舰船目标检测方法及装置，涉及合成孔径雷达图像目标检测技术领域。该方法包括获取合成孔径雷达的单视复图像及其幅度图像数据集；对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。本发明专利技术将多普勒中心频移特征与深度学习模型结合，采用多普勒域融合预测，提升运动舰船目标的检测效果。提升运动舰船目标的检测效果。提升运动舰船目标的检测效果。

SAR moving ship target detection method and device

【技术实现步骤摘要】
SAR运动舰船目标检测方法及装置


[0001]本专利技术涉及合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标检测
，尤其涉及一种SAR运动舰船目标检测方法及装置。

技术介绍

[0002]合成孔径雷达是一种高分辨率微波成像雷达，通过主动发射电磁波信号，接收地物反射回波，并利用复杂相干信号处理来获取地物影像信息。与光学遥感图像不同，SAR图像中所体现的地物特征信息十分丰富，也更加复杂，这给SAR图像的解译造成了较大的困难，也一定程度上限制了SAR图像在各领域的应用。尤其海洋遥感具有观测面积广阔、天气环境变化快等特点，提升SAR系统的海洋遥感应用效能具有十分重要意义。SAR运动舰船检测是SAR海洋遥感的热点研究方向之一，目前SAR舰船目标检测方法主要分为传统方法的舰船目标检测算法和基于深度学习的舰船目标检测算法。
[0003]传统舰船目标检测算法的代表性算法是恒虚警检测算法（Constant False Alarm Rate，CFAR），CFAR检测算法主要通过对信号建立杂波统计模型，利用恒虚警率自适应调整判决门限来对船舶和背景进行区分，并对目标进行检测。但是，CFAR检测算法针对特定场景设定模型，再根据自适应或固定的阈值判别区域中是否存在目标，算法本身只能提取到浅层特征，在复杂背景下检测的准确率不高。并且，后续的各种改进也大都针对某种具体场景，算法不具备良好的鲁棒性。此外，该算法无法适用于各个环境，需要针对不同的场景设计不同模型，费时费力。
[0004]此外，基于机器学习的算法也是传统舰船目标检测算法的一个重要分支，这类算法大都采用人工设计的特征，如SIFT、HOG等特征点提取算法得到旋转不变或者变换不变的船舶特征，再将这些特征与设计好的模版匹配。但是，在实际应用中过于依赖目标的几何特性，在噪声较多、船舶外观被破坏的情况下会产生漏检。
[0005]基于深度学习的舰船目标检测算法主要使用深度卷积网络，利用对卷积核参数的学习和多层网络的结构设计提取SAR图像中的深层语义特征。该算法对于各种场景都有着良好的鲁棒性。但是，应用到SAR舰船检测领域时，由于SAR数据本身包含了除幅度以外的相位、极化等各种信息，数据本身没有充分利用制约了模型的上限，在复杂场景下只依靠幅度信息无法达到理想的效果。

技术实现思路

[0006]鉴于上述问题，本专利技术提供了一种SAR运动舰船目标检测方法及装置。
[0007]本专利技术一方面提供了一种SAR运动舰船目标检测方法，包括：获取合成孔径雷达的单视复图像及其幅度图像数据集；对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；以及将融
合特征图送入目标检测模块，输出运动舰船目标的检测结果。
[0008]根据本专利技术的实施例，获取单视复图像的幅度图像数据集，具体包括：对单视复图像进行取模值，得到多个幅度图像，构成幅度图像数据集。
[0009]根据本专利技术的实施例，对单视复图像进行取模值的步骤之后，还包括：对取模值后的单视复图像进行数据增广。
[0010]根据本专利技术的实施例，深度学习模型基于特征金字塔网络来搭建，空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息。
[0011]根据本专利技术的实施例，根据空间变换信息，估算单视复图像的多普勒中心频移矩阵，具体包括：对单视复图像进行距离向切片，得到多个切片图像；对每个切片图像进行方位向傅里叶变换，得到切片矩阵；将切片矩阵经过零频点移，得到方位向频谱；在同一切片图像内的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线；对频谱曲线进行多阶拟合，将拟合出的峰值点作为每个切片图像的多普勒中心频移估计值；将多普勒中心频移估计值代入每个切片图像，将所有切片图像重新拼接得到多普勒矩阵；根据空间变换信息对多普勒矩阵进行空间变换，得到与各个尺度的特征图空间对齐的多普勒中心频移矩阵。
[0012]根据本专利技术的实施例，对单视复图像进行距离向切片，得到多个切片图像，具体包括：根据预设切片长度和预设重叠率，沿距离向对单视复图像进行滑窗，将单视复图像切分成多个切片图像，其中，切片图像的个数为：式中，d为单视复图像的距离向长度；overlap为预设重叠率，取值范围为[0，1]；r为预设切片长度；n为切片图像的个数。
[0013]根据本专利技术的实施例，在同一切片图像内的方位向频谱进行非相干叠加，具体包括：在同一切片图像内，对方位向频谱进行距离向分块；将分块后的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线。
[0014]根据本专利技术的实施例，多阶拟合的阶数为6。
[0015]根据本专利技术的实施例，从幅度图像数据集随机选取90%的数据作为训练集，10%的数据作为测试集，将融合特征图送入目标检测模块，输出运动舰船目标的检测结果，具体包括：使用测试集来测试目标检测模块的有效性；将待检测的合成孔径雷达的单视复图像输入训练后的目标检测模块，输出运动舰船目标的检测结果。
[0016]本专利技术另一方面提供了一种SAR运动舰船目标检测装置，包括：数据获取模块，用于获取合成孔径雷达的单视复图像及其幅度图像数据集；训练集选取模块，用于对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；空间特征训练模块，用于使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；频移特征估算模块，用于根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；特征融合模块，用于将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；以及舰船目标检测模块，用于将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。
[0017]与现有技术相比，本专利技术提供的SAR运动舰船目标检测方法及装置，至少具有以下有益效果：（1）本专利技术充分利用了SAR数据的原始特性，提出了特征融合的方法解决运动场景下的舰船目标检测问题；并且，由于SAR数据的多普勒中心频移特征能够描述目标的运动状态，本专利技术将多普勒中心频移特征与深度学习模型进行结合，采用多普勒域融合预测，提升了运动舰船目标的检测效果；（2）SAR数据包含表征物体运动状态的多普勒信息，适合作为特征进行目标检测。且多普勒频移的估计不需要根据不同场景设计模型，泛用性强，比较适合工程实现；（3）本专利技术同时结合了频率和空间信息，利用深度神经网络能够提取到深层语义信息，因此在复杂场景下也有着较好的检测效果；（4）运动舰船目标检测一直是遥感目标检测领域的一大难题，在目标几何特征不显著的情况下，本专利技术利用多普勒中心频移特征在目标运动时的突变性自适应调整判决门限，提升检测运动舰船目标的准确率。
附图说明
[0018]通过以下参照附图对本专利技术实施例的描述，本专利技术的上述以及其他目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR运动舰船目标检测方法，其特征在于，包括：获取合成孔径雷达的单视复图像及其幅度图像数据集；对所述幅度图像数据集进行数据标注，从所述幅度图像数据集随机选取训练集；使用深度学习模型对所述训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据所述空间变换信息，估算所述单视复图像的多普勒中心频移矩阵；将所述多普勒中心频移矩阵与各个尺度的所述特征图进行特征融合，得到带有目标运动信息的融合特征图；以及将所述融合特征图送入目标检测模块，输出运动舰船目标的检测结果。2.根据权利要求1所述的SAR运动舰船目标检测方法，其特征在于，所述获取所述单视复图像的幅度图像数据集，具体包括：对所述单视复图像进行取模值，得到多个幅度图像，构成所述幅度图像数据集。3.根据权利要求2所述的SAR运动舰船目标检测方法，其特征在于，所述对所述单视复图像进行取模值的步骤之后，还包括：对取模值后的单视复图像进行数据增广。4.根据权利要求1所述的SAR运动舰船目标检测方法，其特征在于，所述深度学习模型基于特征金字塔网络来搭建，所述空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息。5.根据权利要求1所述的SAR运动舰船目标检测方法，其特征在于，所述根据所述空间变换信息，估算所述单视复图像的多普勒中心频移矩阵，具体包括：对所述单视复图像进行距离向切片，得到多个切片图像；对每个切片图像进行方位向傅里叶变换，得到切片矩阵；将所述切片矩阵经过零频点移，得到方位向频谱；在同一切片图像内的所述方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线；对所述频谱曲线进行多阶拟合，将拟合出的峰值点作为每个切片图像的多普勒中心频移估计值；将多普勒中心频移估计值代入每个切片图像，将所有切片图像重新拼接得到多普勒矩阵；根据所述空间变换信息对所述多普勒矩阵进行空间变换，得到与各个尺度的所述特征图空间对齐的多普勒中心频移矩阵。6.根据权利要求5所述的SA...

【专利技术属性】
技术研发人员：周玉成，韩冰，胡玉新，杨俊鑫，王晓晨，仲利华，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：