一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法技术

本发明专利技术提供一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，方法包括以下步骤：步骤1，使用AEE对SAR目标切片图像数据扩展；步骤2，对SAR目标切片图像数据和SAR目标切片扩展图像数据进行自动打标；步骤3，分割SAR目标切片图像数据中的阴影部分融合到大场景SAR图像数据中；步骤4，把SAR目标切片扩展图像数据和SAR大场景图像数据库中的图像数据作为训练样本送入YOLOv3网络进行训练。本发明专利技术使用AEE对SAR目标切片图像数据进行扩展，增加了训练样本的数量，同时和经过阴影融合处理过的SAR大场景图像数据一起送入YOLOv3网络进行训练，提升了SAR大场景图像目标检测和识别效果。此外，运用了自动打标技术，使得SAR大场景图像目标可以更清楚地被识别。目标可以更清楚地被识别。目标可以更清楚地被识别。

A SAR large scene target detection method based on AEE data expansion and multi-scale fusion training

【技术实现步骤摘要】
一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法


[0001]本专利技术涉及雷达
，特别是涉及一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法。

技术介绍

[0002]自20世纪50年代，合成孔径雷达(Synthetic Aperture Radar，SAR)的概念第一次被提出后。世界各国政府和研究机构开始关注SAR相关的理论和技术的研究与开发。尤其是进入21世纪以来，由于雷达成像技术的飞跃发展，SAR领域也取得了突飞猛进的长足进步。由于SAR是一种主动式微波传感器，可以获取到大面积的高分辨率雷达图像，且与光学等传感器不同，SAR所具备的特殊的成像机制使其不受天气、光照强度等条件的影响，对感兴趣目标的侦察可以全天时、全天候进行。目前，SAR不仅可运用于军事侦察，同时在民用领域，如农林监测、水资源利用，以及地形勘探、海洋应用等科学研究有广泛的运用。
[0003]目前，人们已投入了大量的精力致力于发展SAR成像系统，随着SAR成像技术迅猛发展，相应的数据量也随之急剧增加。现有的SAR传感器大致可以分为三大类：星载SAR、机载SAR以及地面SAR。即使是同类的SAR传感器，也可存在不同的传感器属性，例如：频率/波长，天线尺寸，分辨率以及聚焦算法等。这些因素同时也增加了SAR图像的独特性。如果要充分利用上获取到的SAR图像，使其发挥出对应的价值，那么就必须对其进行解译，以从所研究的相关区域获取到相应的信息。然而，传统的人工判读SAR图像的方法具有非常大的局限，该方法受到人为主观性的影响，易出现误判，且人工难以完成如此庞大的工作量。另一方面，由于SAR特殊的成像机制，于是，获取到的SAR图像中所存在的目标对方位角十分敏感，同时存在SAR图像中所具备的特有的相干斑噪声，导致SAR图像和光学图像之间存在巨大的差异，从而进一步提升解译及判读SAR图像的难度。
[0004]因此，需要通过设计专门的目标特征提取方法以及识别技术，以提升SAR图像的处理速度以及目标检测与识别的准确度。除此之外，现有的成像技术已经非常成熟，相比之下，SAR图像解译系统较为落后，从而导致SAR图像中的许多重要信息被丢失。
[0005]为了实现快速自动解译SAR图像，对于SAR图像的自动目标识别(Automatic target recognition,ATR)作为目前SAR领域的一个重要研究方向，已成为国际焦点，可在没有人工干扰的情况下，通过计算机运行相关算法自动进行SAR图像目标的检测与识别。
[0006]SAR
‑
ATR系统通过分而治之的方式解译相应的SAR图像，这种多级系统通常可以划分为几个独立的部分：预处理、检测、特征提取与目标识别。同时，传统的SAR
‑
ATR方法在很大程度上依赖于手工制作的特征，并且具有较大的计算开销或较差的泛化性能。如果没有合理且正确地设计SAR
‑
ATR的任何阶段，那么系统的识别精度就会受到非常大的影响。除此之外，大多数现有的SAR目标检测和识别研究也仅集中于SAR
‑
ATR的某一特定阶段，并在该阶段获得了改进的结果，如场景分割，目标识别，特征提取，分类器设计等。然而，可靠且有用的系统需要实现检测和识别之间的有效连接。麻省理工学院林肯实验室的L.M.Novak和
加拿大国际发展研究中心的RA提出了端对端(End
‑
to
‑
End)模型。尽管这些端到端的SAR自动目标识别模型可以实现三个阶段之间的连接，但仍然没有我们预期的那么高效。
[0007]近年来，深度学习(Deep Learning)相关算法理论取得了重大的发展。大量的实验及应用表明，深度学习算法在探索发现高维数据中的复杂结构具有强大的能力，因此适用于大量的科学研究以及商业应用领域，例如物体识别、图像识别、电商产品推荐系统、社交网络内容过滤、文本预测及自然语言处理等。为了快速准确地从SAR大场景图像中检测识别出感兴趣的目标，本文在充分考虑SAR图像独特特征的基础上，将光学图像检测中的方法和策略应用于SAR目标检测识别领域，结合深度神经网络，实现了检测和识别的整合，并获得了能高效处理SAR大场景图像目标检测和识别一体化的系统。

技术实现思路

[0008]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，用于解决现有技术中SAR大场景图像目标检测和识别效果差的问题。
[0009]为解决上述技术问题，本专利技术是按如下方式实现的：一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，所述方法包括以下步骤：
[0010]步骤1，使用AEE中的自编码器进行对抗学习，对SAR目标切片图像数据扩展；
[0011]步骤2，对SAR目标切片图像数据和SAR目标切片扩展图像数据进行自动打标；
[0012]步骤3，分割所述SAR目标切片图像数据中的阴影部分融合到SAR大场景图像数据中，完成SAR大场景图像数据库的建立；
[0013]步骤4，把所述SAR目标切片扩展图像数据和SAR大场景图像数据库中的图像数据作为训练样本送入YOLOv3网络进行训练。
[0014]进一步地，所述自动打标包括以下步骤：
[0015]步骤2.1，将SAR目标切片图像数据和SAR目标切片扩展图像数据进行二值化；
[0016]步骤2.2，设置白色像素点的阈值，遍历计算对每行每列白色像素点数值，当达到阀值时停止遍历计算；
[0017]步骤2.3，根据计算的结构画出四边形，并且进行四边形扩展操作。
[0018]进一步地，四边形扩展的量为原始四边形大小的50％。
[0019]进一步地，所述步骤3中，包括对所述SAR目标切片图像数据中的阴影部分依次进行降低灰度值、otsu处理、形态学处理，对SAR大场景图像数据依次进行高斯迷糊操作、阀值计算、形态学处理。
[0020]进一步地，所述步骤3中，还包括对所述SAR大场景图像数据库中的图像数据利用滑动窗框进行图像切片切割。
[0021]进一步地，所述SAR大场景图像数据库中的图像数据进行图像切片切割后使用基于重叠切片非极大值抑制方法；所述基于重叠切片非极大值抑制方法包括以下步骤：
[0022]步骤3.1，在图像切片切割的过程中，记录每张图像切片的位置信息，分别计算出各个图像切片上的候选框在原始SAR大场景图像数据库中的图像数据上对应的位置；
[0023]步骤3.2，将候选框集合中的候选框的置信度得分进行排序，并计算所有边界框的面积；
Autoencoders(AEE)提出了一个使用autoencoder(自编码器)进行对抗学习。把SAR目标切片图像数据输入一个正常的autoencoder，让编码器对其编码，生成一个变量z(这里假设该变量满足概率分布q(z))，然后解码器会尝试对这个变量进行解码，重新生成图像数据。判别器会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，所述方法包括以下步骤：步骤1，使用AEE中的自编码器进行对抗学习，对SAR目标切片图像数据扩展；步骤2，对SAR目标切片图像数据和SAR目标切片扩展图像数据进行自动打标；步骤3，分割所述SAR目标切片图像数据中的阴影部分融合SAR大场景图像数据中，完成SAR大场景图像数据库的建立；步骤4，把所述SAR目标切片扩展图像数据和SAR大场景图像数据库中的图像数据作为训练样本送入YOLOv3网络进行训练。2.根据权利要求1所述的一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，所述自动打标包括以下步骤：步骤2.1，将SAR目标切片图像数据和SAR目标切片扩展图像数据进行二值化；步骤2.2，设置白色像素点的阈值，遍历计算对每行每列白色像素点数值，当达到阀值时停止遍历计算；步骤2.3，根据计算的结构画出四边形，并且进行四边形扩展操作。3.根据权利要求2所述的一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，四边形扩展的量为原始四边形大小的50％。4.根据权利要求1所述的一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，所述步骤3中，包括对所述SAR目标切片图像数据中的阴影部分依次进行降低灰度值、otsu处理、形态学处理，对SAR大场景图像数据依次进行高斯迷糊操作、阀值计算、形态学处理。5.根据权利要求1所述的一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，所述步骤3中，还包括对所述SAR大场景图像数据库中的图像数据利用滑动窗框进行图像切片切割。6.根据权利要求5所述的一种基于AEE数据扩展和多尺度融合训练的SAR大场景目标检测方法，其特征在于，所述SAR大场景图像数据库中的图像数据进行图像切片切割后使用基于重叠切片非极大值抑制方法；所述基于重叠切片非极大...

【专利技术属性】
技术研发人员：李思妍，
申请(专利权)人：上海奥湾信息技术有限公司，
类型：发明
国别省市：