基于视频SAR的目标检测方法、系统及设备技术方案

本发明专利技术过公开了一种基于视频SAR的目标检测方法、系统及设备，采用一个EfficientNet网络对影像中的目标语义特征进行提取，构建多尺度特征金字塔；利用RPN网络在不同尺度特征图上对锚点框进行类别预测与位置回归；最后，利用Bi

【技术实现步骤摘要】
基于视频SAR的目标检测方法、系统及设备


[0001]本专利技术属于测绘
，涉及一种目标检测方法、系统及设备，具体涉及一种基于视频SAR(Synthetic Aperture Radar，合成孔径雷达)的目标检测方法、系统及设备。

技术介绍

[0002]SAR在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面的应用上具有独特的优势，可发挥其他光学成像和遥感手段难以发挥的作用。但是将视频SAR用于目标检测与跟踪方面的研究及方法较少且现有方法精度较低，其主要原因为：
[0003]目标检测是计算机视觉中的经典问题，现有方法主要包括以R
‑
CNN、SPP
‑
net、Fast R
‑
CNN、Faster R
‑
CNN和R
‑
FCN等为代表的基于候选区域的目标检测方法，以及以YOLO、SSD、Retina
‑
net、RFB
‑
net等为代表的基于回归的目标检测方法。上述方法在自然图像上取得了不错的效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频SAR的目标检测方法，其特征在于，包括以下步骤：步骤1：针对待检测的原始视频SAR数据，进行数据增强，获取增强视频SAR数据；步骤2：将原始视频SAR数据和增强视频SAR数据进行叠加，输入多任务CNN网络中，提取SAR影像中的目标语义特征，获得若干不同尺度特征图；所述多任务CNN网络，包括特征提取网络和多尺度特征金字塔网络；所述特征提取网络以EfficientDet网络为基础，包含了四个层级，每个阶段最后一层的输出构成特征金字塔的多个层级，层级间以2为缩放比例；利用EfficientNet中导致分辨率变化的层级2、3、5、6来构建一个分辨率递减、维度递增的特征金字塔{2,3,5,6}，特征金字塔各层与原图的缩放比例依次为{2,4,8,16}；所述多尺度特征金字塔网络以经典FPN网络为基础，搭建4层的多尺度特征金字塔，多尺度特征金字塔以{2,3,5,6}为输入，通过上采样和横向连接的方式构建与自底向上特征金字塔逐级对应的特征图{2,3,5,6,7}，并利用FPN构建多尺度特征金字塔，获得若干不同尺度特征图；步骤3：将步骤2中获得的若干不同尺度特征图，设置相应的面积、像素遍历步长、长宽比生成锚点框，对生成的锚点框进行K分类和边界框回归，用于预测A个锚点框和类在每个空间位置存在目标的概率，概率最大的记为目标检测结果。2.根据权利要求1所述的基于视频SAR的目标检测方法，其特征在于：步骤1中利用平移、亮度调节、随机噪声、中值滤波、水平垂直翻转、旋转中一种或若干种手段将视频SAR数据进行增强处理。3.根据权利要求1所述的基于视频SAR的目标检测方法，其特征在于：步骤2中所述多任务CNN网络是训练好的多任务CNN网络，其训练过程中：所述多任务CNN网络，将网络深度、网络宽度、图像分辨率的不同组合转换为优化问题，具体如下：max
d,w,r
Accuracy((,w,r))；其中，N为多任务CNN网络，Accuracy((,w,r)表示预测值；d,w,r是多任务CNN网络的深度、宽度和图像分辨率的系数，具体如下：其中，i是多任务CNN网络的组件，s是组件的总个数，是预设的网络层结构，是预设的层数，和是预设的分辨率，是预设的通道数，X为将参数按缩放系数调整，
⊙
为将每个组件设置为调整后的参数并搭建的多任务CNN网络；网络的参数量及网络的浮点运算量具有两个约束条件，具体如下：Memory(N)≤target_memory；FLOPS(N)≤target_flops；其中，Memory(N)为网络的参数量，FLOPS(N)为网络的浮点运算量，target_memory为参数量的阈值，target_flops为浮点运算量的阈值，即为求多任务CNN网络的最大精度；通过多任务CNN网络不断调整网络深度、网络宽度和图像分辨率的系数以达到最优的精度，具体如下：depth：d＝α
φ
；
width：w＝β
φ
；resolution：r＝γ
φ
；s.t.α
·
β
·
γ2≈γ
φ
；α≥1，β≥1，γ≥1；其中，d，w，r是三个维度的系数，α、β、γ是是对应维度的资源分配参数，φ是资源控制系数。4.根据权利要求1所述的基于视频SAR的目标检测方法，其特征在于：步骤2中所述多尺度特征金字塔网络为训练好的多尺度特征金字塔网络；所述多尺度特征金字塔网络以多尺度特征融合的形式将高维特征图中的语义信息注入到低层特征图中从而进一步提升网络对小尺度阴影目标的检测能力，具体如下：其中，P
i
是对应C
i
的融合特征映射，Conv
k
×
k
(.)表示卷积运算，k为卷积核大小，Upsample(.)表示上采样，Upsample(.)表示最邻近上采样，表示特征连接操作；C
i
表示特征层；为不同尺度的特征图依次分配单一的锚点框面积超参数以促使各特征图能在尺度上具有专一性；对于不同的特征图设置相应的面积、像素遍历...

【专利技术属性】
技术研发人员：张学志，程宏凯，邱磊，邵春雨，谢存，张帆，郝大为，涂望明，周巧玲，何鹏，展辉辉，唐勉，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：