基于多级增强网络的SAR目标检测识别方法技术

本发明专利技术公开了一种基于多级增强网络的SAR目标检测识别方法，主要解决现有技术在复杂环境下稳健性差、虚警率及漏检率高和检测识别精度低的问题。其实现方案为：对SAR实测数据进行标注和划分，获得训练集和测试集；构建由数据级增强模块、特征级增强模块、区域建议模块和决策级增强模块级联组成的多级增强网络；基于随机梯度下降算法，使用训练集训练多级增强网络；将测试集图像输入到训练好的多级增强网络，获得SAR目标的检测识别结果。本发明专利技术显著提升了复杂环境下SAR目标的检测识别性能，可用于战场侦察和态势感知。于战场侦察和态势感知。于战场侦察和态势感知。

【技术实现步骤摘要】
基于多级增强网络的SAR目标检测识别方法


[0001]本专利技术属于雷达遥感
，更进一步涉及一种SAR目标检测识别方法，可用于战场侦察和态势感知。

技术介绍

[0002]合成孔径雷达SAR是一种主动式微波成像传感器，通过发射大时宽
‑
带宽积信号并利用孔径合成获得二维高分辨图像。与光学和红外传感器相比，SAR具有全天时、全天候、作用距离远、穿透力强等独特优势，成为对地观测的重要手段，并广泛应用于军事和民用领域。随着SAR系统的不断完善和SAR成像水平的不断提高，SAR图像解译技术逐渐受到相关领域学者及研究人员的关注。作为其中的难点和关键步骤，对重点目标的精确检测和识别具有重要意义和研究价值。
[0003]传统的SAR目标检测识别方法主要采用三级处理流程，包括目标检测、目标鉴别和目标识别。其中，目标检测主要基于恒虚警率CFAR算法，在假设背景杂波满足某种概率分布模型的前提下，该算法通过在SAR图像上进行滑窗并将选定值与自适应阈值进行比较来实现目标检测，然而，由于难以对非均匀强杂波背景进行有效建模，该算法在复杂场景中适应性较差，检测精度较低。目标鉴别和目标识别主要依据图像的统计信息和物理特性进行手工特征设计和分类器构建，然而，这需要较强的专业知识和专家经验，且算法的精度和灵活性较差，难以在实际应用中达到理想的效果。此外，传统的三级处理流程中各环节之间的低效连接也极大地降低了算法的运算效率，亟需开发新的架构体系。
[0004]近年来，随着深度学习技术的不断发展，以深度神经网络为主体的目标检测识别方法在计算机视觉领域取得了重大突破。得益于深度网络的特殊结构，这些算法能够同时预测目标的位置和类别信息，而无需进行多级处理，显著提高了检测识别的性能和效率。目前，主流的检测识别算法可分为单阶段和双阶段两种模式，前者直接将网络所提特征进行解码来实现目标的检测识别，具有更快的推理速度，代表算法有YOLO、SSD和RetinaNet等；后者则增加了候选区域提取阶段，即首先通过深度网络从图像中提取可能包含重点目标的候选区域，然后再对候选区域的位置进一步修正，并得到识别结果，代表算法有R
‑
CNN、Faster R
‑
CNN和Cascade R
‑
CNN等。相比于单阶段算法，双阶段算法具有更高的检测识别精度。
[0005]虽然上述基于深度学习的方法为SAR目标检测识别提供了可行的途径，然而，与光学图像相比，SAR图像场景更为复杂、不同类别目标的相似性较高，且受相干斑噪声的影响，目标的边缘不清晰，因此依然存在复杂环境不稳健、相似类别难以区分的问题。
[0006]申请号为201710461303.7的专利文献公开了“一种SAR图像目标检测识别一体化方法”，其首先通过卷积神经网络提取SAR图像特征，然后基于该特征生成可能包含目标的候选区域，最后利用全连接网络预测感兴趣区域的类别和位置信息来实现SAR目标的检测识别。由于该方法未针对SAR图像的特性进行相关优化，因此在复杂环境中不稳健，预测边界框不准确，虚警率和漏检率高，且难以对目标的细粒度特征进行有效挖掘，导致检测识别
准确率较低。

技术实现思路

[0007]本专利技术的目的在于针对上述现有技术的不足，提出一种基于多级增强网络的SAR目标检测识别方法，以提高复杂环境中检测识别的稳健性，降低虚警率和漏检率，增强特征的可分性，显著提升SAR目标检测识别精度。
[0008]本专利技术的技术思路是，通过设计多级增强网络，提升复杂环境下SAR目标检测识别性能，其实现步骤包括如下：
[0009](1)获取具有多类目标的SAR图像，对每幅SAR图像中的目标位置和目标类别进行标记，并将标记好的SAR图像进行随机划分，得到训练集和测试集；
[0010](2)构建多级增强网络：
[0011](2a)建立依次进行多尺度变换、随机翻转、随机旋转、幂次变换、随机噪声操作的数据级增强模块；
[0012](2b)建立由主干网络A、特征优选金字塔网络F、递归主干网络Q和递归特征优选金字塔网络E级联组成的特征级增强模块；
[0013](2c)选用现有区域建议网络组成区域建议模块G，并选用交叉熵损失和CIOU损失作为其分类和回归损失；
[0014](2d)建立由三个决策器d1,d2,d3级联组成的决策级增强模块D，并选用交叉熵损失和CIOU损失作为其分类和回归损失；
[0015](2e)将数据级增强模块、特征级增强模块、区域建议模块、决策级增强模块依次级联，构成多级增强网络；
[0016](3)对多级增强网络进行训练：
[0017](3a)从训练集中随机采样一组SAR图像输入到多级增强网络中，计算损失，基于该损失，通过随机梯度下降算法更新网络参数；
[0018](3b)重复(3a)过程，直至网络收敛，得到训练好的多级增强网络；
[0019](4)将测试集中的SAR图像输入到训练好的多级增强网络中，得到检测识别结果。
[0020]本专利技术与现有技术相比，具有以下优点：
[0021]第一，本专利技术通过设计数据级增强模块，模拟目标的尺度和方位变化以及杂波噪声干扰，提高了复杂环境中算法的稳健性，降低虚警率和漏检率。
[0022]第二，本专利技术通过设计特征级增强模块，充分挖掘SAR图像中目标的细粒度特征，增强了相似类别目标的可分性；
[0023]第三，本专利技术通过设计决策级增强模块，对预测结果进行多次微调，以逐步缩小目标预测位置与真实值之间的偏差，有效抑制了SAR目标边缘模糊对检测精度的影响。
附图说明
[0024]图1为本专利技术的实现流程图；
[0025]图2为本专利技术中构建的多级增强网路模型图；
[0026]图3为本专利技术的仿真结果图。
具体实施方式
[0027]下面结合附图对本专利技术的实例和效果作进一步详细说明。
[0028]参考图1，本实例中基于多级增强网络的SAR目标检测识别方法依次包括数据标注和划分、构建多级增强网络、训练多级增强网络、获取SAR目标检测识别结果，具体实现如下：
[0029]步骤一，数据标注和划分。
[0030]获取具有多类目标的SAR图像，对每幅SAR图像中的目标位置和目标类别进行标注，并将标注好的SAR图像按照7:3进行随机划分，得到训练集和测试集。
[0031]在本专利技术的实施例中，SAR图像来自高分3号卫星上的星载雷达，SAR图像尺度包括600
×
600、1024
×
1024、2048
×
2048三种，共七类飞机目标，训练集图像数量为1400张，测试集图像数量为600张。
[0032]步骤二，构建多级增强网络。
[0033]参考图2，本步骤构建的多级增强网络包括依次级联的数据级增强模块、特征级增强模块、区域建议模块和决策级增强模块，其构建步骤如下：
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多级增强网络的SAR目标检测识别方法，其特征在于，包括以下步骤：(1)获取具有多类目标的SAR图像，对每幅SAR图像中的目标位置和目标类别进行标注，并将标注好的SAR图像进行随机划分，得到训练集和测试集；(2)构建多级增强网络：(2a)建立依次进行多尺度变换、随机翻转、随机旋转、幂次变换、随机噪声操作的数据级增强模块；(2b)建立由主干网络A、特征优选金字塔网络F、递归主干网络Q和递归特征优选金字塔网络E级联组成的特征级增强模块；(2c)选用现有区域建议网络组成区域建议模块G，并选用交叉熵损失和CIOU损失作为其分类和回归损失；(2d)建立由三个决策器d1,d2,d3级联组成的决策级增强模块D，并选用交叉熵损失和CIOU损失作为其分类和回归损失；(2e)将数据级增强模块、特征级增强模块、区域建议模块、决策级增强模块依次级联，构成多级增强网络；(3)对多级增强网络进行训练：(3a)从训练集中随机采样一组SAR图像输入到多级增强网络中，计算损失，基于该损失，通过随机梯度下降算法更新网络参数；(3b)重复(3a)过程，直至网络收敛，得到训练好的多级增强网络；(4)将测试集中的SAR图像输入到训练好的多级增强网络中，得到检测识别结果。2.根据权利要求1所述的方法，其特征在于，步骤(2b)中的主干网络A，包括5个级联的卷积模块a1,a2,a3,a4,a5；所述第一个卷积模块a1由7
×
7标准卷积层、批归一化层、ReLU激活层以及最大池化下采样层级联组成；所述第二个卷积模块a2由3个残差块级联组成；所述第三个卷积模块a3由4个残差块级联组成；所述第四个卷积模块a4由6个残差块级联组成；所述第五个卷积模块a5由3个残差块级联组成；整个主干网络的输出特征图，表示为其中Y
i
为第i个卷积模块a
i
的输出特征图，为宽和高分别为W和H的输入SAR图像。3.根据权利要求1所述的方法，其特征在于，步骤(2b)中的特征优选金字塔网络F，包括4个并联分支f1,f2,f3,f4，每个分支f
i
由特征优选模块f
is
和特征融合模块f
iu
级联组成；所述每个特征优选模块f
is
,由两个并联子分支和1
×
1标准卷积层级联组成，第一子分支的结构依次包括全局平均池化层、1维卷积层、Sigmoid激活层；第二子分支为恒等分支；所述每个特征融合模块f
iu
由3
×
3标准卷积层组成；整个特征优选金字塔网络F的输出特征图表示为：
其中U
i
为第i个特征融合模块f
iu
的输出特征图，Conv3
×
3(
·
)表示3
×
3标准卷积，Up(
·
)表示双线性插值上采样函数，S
i
为第i个特征优选模块f
is
的输出特征图，表示为：其中Y
i+1
为主干网络第i+1个卷积模块a
i+1
的输出特征图，
⊙
表示逐通道相乘操作，GAP(
·
)表示全局平均池化，Conv1d(
·
)表示1维卷积，σ(
·
)表示Sigmoid函数，Conv1
×
1(
·
)表示1
×
1标准卷积。4.根据权利要求1所述的方法，其特征在于，步骤(2b)中的递归主干网络Q，包括5个级联的卷积模块q1,q2,q3,q4,q5；所述第1个卷积模块q1由7
×
7标准卷积层、批归一化层、ReLU激活层以及最大池化下采样层级联组成；所述第2个卷积模块q2由3个级联的残差块和一个1
×
1标准卷积层并联组成；所述第3个卷积模块q3由4个级联的残差块和一个1
×
1标准卷积层并联组成；所述第4个卷积模块q4由6个级联的残差块和一个1
×
1标准卷积层并联组成；所述第5个卷积模块q5由3个级联的残差块和一个1
×
1标准卷积层并联组成；整个递归主干网络A的输出特征图表示为：其中Z
i
为第i个卷积模块q
i
的输出特征图，为宽和高分别为W和H的输入SAR图像，U
i
‑1为特征优选金字塔网络第i
‑
1个特征融合模块的输出特征图，Conv1
×
1(
·
)表示1
×
1标准卷积。5.根据权利要求1所述的方法，其特征在于，步骤(2b)中的递归特征优选金字塔网络E与特征优选金字塔网络F的结构、参数相同，其输出特征图表示如下：其中P
i
为第i个特征融合模块f
iu
的输出特征图，Conv3
×
3(
·
)表示3
×
3标准卷积，Up(
·
)表示双线性插值上采样函数，W
i

【专利技术属性】
技术研发人员：白雪茹，鲜要胜，杨敏佳，孟昭晗，周峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：