基于FasterRCNN的高分辨率SAR图像车辆目标关键部位提取方法技术

本发明专利技术提供了一种基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，该方法涉及图像处理技术领域，包括：对多个SAR传感图像进行预处理，得到多个切片图像数据；对切片图像数据进行标注处理，并将标注后的切片图像数据按照预置比例分成训练数据集及测试数据集；基于VGG16网络及RPN网络，构建Faster RCNN网络模型，并设置Faster RCNN网络模型的训练参数及构建Faster RCNN网络模型的损失函数；将训练数据集及测试数据集依次输入至Faster RCNN网络模型中进行训练及测试，并保存测试后的网络模型参数，得到测试后的Faster RCNN网络模型，该测试后的Faster RCNN网络模型用于提取车辆目标关键部位。本发明专利技术还提供了一种基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取装置、电子设备及存储介质。电子设备及存储介质。电子设备及存储介质。

【技术实现步骤摘要】
Networks），构建Faster RCNN网络模型，并设置Faster RCNN网络模型的训练参数及构建Faster RCNN网络模型的损失函数；将训练数据集及测试数据集依次输入至Faster RCNN网络模型中进行训练及测试，并保存测试后的网络模型参数，得到测试后的Faster RCNN网络模型，该测试后的Faster RCNN网络模型用于提取车辆目标关键部位。
[0008]进一步地，构建Faster RCNN网络模型的损失函数，包括：根据L1范数、预测目标的位置结构参数与真实值之间的参数损失及基于观测条件和目标散射特征建立的特征函数，构建Faster RCNN网络模型的损失函数；其中，特征函数通过图像空间变化得到，其表征目标车辆与地面相互作用的强散射特征。
[0009]进一步地，对多个SAR传感图像进行预处理，得到多个切片图像数据，包括：对SAR传感器在同一工作模式下不同拍摄角度采集的多个SAR传感图像进行地理编码几何校正及切片分割处理，得到多个切片图像数据；其中，多个切片图像数据的尺寸大小相同。
[0010]进一步地，对切片图像数据进行标注处理，包括：根据已知类型车辆的三维模型，按照车头与车身所对应的图像区域利用最小外接矩形框及车辆主轴对切片图像数据进行标注处理，得到标注后的切片图像数据。
[0011]进一步地，将标注后的切片图像数据按照预置比例分成训练数据集及测试数据集，包括：将每个标注后的切片图像数据生成对应的xml参数文件，并记录车辆区域的参数信息；将记录参数后的切片图像数据按照预置比例分成训练数据集及测试数据集。
[0012]进一步地，训练参数至少包括：输入通道数量、全连接层输出通道数量、ROI（Region of Interest）特征层尺寸、Classification参数、模型学习率、提取框数目、一次训练所抓取的数据样本数量及总迭代次数。
[0013]进一步地，损失函数Loss满足以下关系：其中，λ1、λ2及λ3均取值0.1；L
para
表示参数估计的L1范数；L
iou
表示预测目标的位置结构参数与真实值之间的参数损失以及预测框与真实框之间的IOU（Intersection overUnion）损失；L
d
表示基于观测条件和目标散射特征建立的特征函数，其中L
d
满足以下关系：其中，N表示样本数量；表示去掉波浪线的参数估计值；θ
i
表示第i个样本数据计算过程的角度值；表示θ
i
计算后的角度值。
[0014]进一步地，预置比例为3:1或4:1。
[0015]进一步地，车辆目标关键部位包括：车头及车身关键部位。
[0016]本专利技术的第二个方面提供了一种基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取装置，包括：图像预处理模块，用于对多个SAR传感图像进行预处理，得到多个切片图像数据；数据集生成模块，用于对切片图像数据进行标注处理，并将标注后的切片图像数据按照预置比例分成训练数据集及测试数据集；模型构建模块，用于基于VGG16网络及RPN网络，构建Faster RCNN网络模型，并设置Faster RCNN网络模型的训练参数及构建
Faster RCNN网络模型的损失函数；模型训练及测试模块，用于将训练数据集及测试数据集依次输入至Faster RCNN网络模型中进行训练及测试，并保存测试后的网络模型参数，得到测试后的Faster RCNN网络模型，该测试后的Faster RCNN网络模型用于提取车辆目标关键部位。
[0017]本专利技术的第三个方面提供了一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本专利技术的第一个方面提供的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法。
[0018]本专利技术的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本专利技术的第一个方面提供的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法。
[0019]本专利技术提供的一种基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法、装置、电子设备、存储介质及程序产品，该方法基于VGG16网络及RPN网络构建Faster RCNN网络模型，通过考虑SAR图像观测的特点，利用了观测角度、车辆目标与地面相互作用的强散射特征，构建了约束条件，实现了网络参数的优化。该方法相比传统的特定特征提取方法提高了自动化水平和效率，同时，该方法是一种新的针对高分辨率SAR图像的车辆目标尾部提取方法。
附图说明
[0020]为了更完整地理解本专利技术及其优势，现在将参考结合附图的以下描述，其中：图1示意性示出了根据本专利技术一实施例的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法的流程图；图2示意性示出了根据本专利技术一实施例的车辆标注及几何关系示意图；图3示意性示出了根据本专利技术一实施例的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取装置的方框图；图4示意性示出了根据本专利技术一实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
[0021]以下，将参照附图来描述本专利技术的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本专利技术实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0022]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本专利技术。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0023]在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0024]在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
[0025]附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，其特征在于，包括：对多个SAR传感图像进行预处理，得到多个切片图像数据；对所述切片图像数据进行标注处理，并将标注后的所述切片图像数据按照预置比例分成训练数据集及测试数据集；基于VGG16网络及RPN网络，构建Faster RCNN网络模型，并设置所述Faster RCNN网络模型的训练参数及构建所述Faster RCNN网络模型的损失函数；将所述训练数据集及所述测试数据集依次输入至所述Faster RCNN网络模型中进行训练及测试，并保存测试后的网络模型参数，得到测试后的Faster RCNN网络模型，该测试后的Faster RCNN网络模型用于提取车辆目标关键部位。2.根据权利要求1所述的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，其特征在于，所述构建所述Faster RCNN网络模型的损失函数，包括：根据L1范数、预测目标的位置结构参数与真实值之间的参数损失及基于观测条件和目标散射特征建立的特征函数，构建所述Faster RCNN网络模型的损失函数；其中，所述特征函数通过图像空间变化得到，其表征目标车辆与地面相互作用的强散射特征。3.根据权利要求1所述的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，其特征在于，所述对多个SAR传感图像进行预处理，得到多个切片图像数据，包括：对SAR传感器在同一工作模式下不同拍摄角度采集的多个SAR传感图像进行地理编码几何校正及切片分割处理，得到所述多个切片图像数据；其中，所述多个切片图像数据的尺寸大小相同。4.根据权利要求1所述的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，其特征在于，所述对所述切片图像数据进行标注处理，包括：根据已知类型车辆的三维模型，按照车头与车身所对应的图像区域利用最小外接矩形框及车辆主轴对所述切片图像数据进行标注处理，得到标注后的所述切片图像数据。5.根据权利要求1所述的基于Faster RCNN的高分辨率SAR图像车辆目标关键部位提取方法，其特征在于，所述将标注后的所述切片图像数据按照预置比例分成训练数据集及测试数据集，包括：将每个标注后的切片图像数据生成对应的xml参数文件，并记录车辆区域的参数信息；将记录参数后的所述切片图像数据按照预置比例分成训练数据集...

【专利技术属性】
技术研发人员：张月婷，胡玉新，郭嘉逸，
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：