一种SAR图像目标检测方法技术

本发明专利技术公开了一种SAR图像目标检测方法，涉及图像处理技术领域，其技术方案要点是：所述检测方法是通过DC

【技术实现步骤摘要】
一种SAR图像目标检测方法


[0001]本专利技术涉及图像处理
，更具体地说，它涉及一种SAR图像目标检测方法。

技术介绍

[0002]与传统的光学传感器成像不同，SAR作为一种微波成像传感器，能够处于全天时、全天候主动探测的工作状态，具有抵抗天气、光照等外部因素干扰的能力和远距离观测等优势。随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像能力的快速发展，SAR图像目标检测与识别成为遥感信息处理领域重要的组成部分，而复杂遥感图像场景中车辆目标检测正是其中一项关键性技术。
[0003]在SAR图像目标检测的任务中，传统目标检测方法如恒虚警率检测(Constant False Alarm Ration，CFAR)及其一些改进算法在复杂场景的SAR目标检测问题上具有检测效果较差、检测时间长、检测效率低的缺点。随着人工智能技术的深入发展，深度学习技术在图像处理领域得到了迅速的发展。相应的，计算机视觉领域中的目标检测算法不断被改进并成功应用于SAR图像目标检测领域。
[0004]深度学习模型往往依赖于大规模数据集进行训练，但SAR目标的标准数据集较少。在实际应用情况下，复杂场景中大多数待检测目标往往是非合作目标，非合作目标前期SAR成像机会少，数据稀缺，且通过电磁仿真生成的车辆目标仿真图像难以精确描述真实目标特性。从已有目标数据中选择提取同类型目标的相似特征，完成对非合作目标的检测已经成为一个亟需解决的问题。

技术实现思路

[0005]本专利技术的目的是提供一种SAR图像目标检测方法，其设计DC
‑
YOLOX在YOLOX的基础上引入空洞卷积模块，可以扩大特征图的感受野，有效提升网络特征提取的性能。在复杂场景SAR图像中完成检测任务的同时可以有效降低虚警。
[0006]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种SAR图像目标检测方法，所述检测方法是通过DC
‑
YOLOX网络结构实现的，所述DC
‑
YOLOX网络结构是在YOLOX的基础上，利用空洞卷积进行改进的网络。
[0007]本专利技术进一步设置为：所述DC
‑
YOLOX网络结构包括以下三个部分：特征提取骨干网络部分、特征融合网络部分和预测头部分。
[0008]本专利技术进一步设置为：所述特征提取骨干网络部分包括Focus、CBS、CSP和SPP模块，所述特征提取骨干网络部分对输入的图像进行多尺度特征提取，最后将输出的三种不同尺度的特征图输入到特征融合网络部分。
[0009]本专利技术进一步设置为：所述特征融合网络部分采用PA
‑
FPN结构进行特征融合，所述特征融合网络部分将骨干网络部分输出的三种不同尺度的特征图进行信息交互和融合，最后将融合的三种不同尺度的特征图输入到预测头部分。
[0010]本专利技术进一步设置为：所述预测头部分对输入的特征图进行分类回归，最终得到
目标检测的结果。
[0011]本专利技术进一步设置为：所述Focus模块是在骨干网开头添加的，用于将高分辨率特征图分割为多个低分辨率特征图。
[0012]本专利技术进一步设置为：所述CBS模块包含空洞卷积、批归一化和激活函数SiLU三个操作，空洞卷积可以在不增加参数的同时有效扩大特征层的感受野。
[0013]本专利技术进一步设置为：所述CSP模块能够在降低计算量的情况下保持甚至提高特征骨干网络的特征提取能力，可以将梯度信息整合到特征图中从而减少梯度信息的重复计算。
[0014]本专利技术进一步设置为：SPP模块采用四种不同大小的最大池化方法来增加感受野，最大池化的池化核大小分别为13
×
13、9
×
9、5
×
5、1
×
1。
[0015]综上所述，本专利技术具有以下有益效果：
[0016]1.在检测任务中需要标注训练数据集的目标真实框，使其可以通过网络学习目标的特征，而切片数据包含小部分背景，本专利技术提出了一种基于CFAR算法和形态学滤波的目标标定算法对目标进行标定，并使用Mosaic数据增强算法丰富训练数据。
[0017]2.基于锚框的目标检测技术为了匹配真实的目标框，需要生成大量的待选锚框，在训练时会造成正负样本不平衡的问题。对此本专利技术使用基于无锚框的YOLOX网络作为主体算法，采用无锚框机制的YOLOX网络，无锚框机制带来的超参数更少，使算法更加高效，检测速度和精度显著提高，相对于原有的YOLO网络具有很大的优势。
[0018]3.本专利技术的目的是提取已有切片目标与待检测目标之间的相似性特征，而不是全部细节特征，需要训练的网络不需要过度学习目标切片的细节信息。YOLOX通过调整卷积的步长进行下采样，这有助于防止由池化导致的低级特征丢失。然而，没有池化层会导致特征图感受野的降低，从而降低了网络全局语义信息的表达能力，这不利于提取目标的相似信息。对此本专利技术将空洞卷积(Dilated Convolution)引入到YOLOX算法中，使网络的感受野增大，增大全局信息的提取能力。
[0019]4.DC
‑
YOLOX在YOLOX的基础上引入空洞卷积模块，可以扩大特征图的感受野，有效提升网络特征提取的性能。使用MSTAR数据集作为训练集，采用X波段和Ku波段的复杂大场景SAR数据进行测试，结果表明本专利技术提出的目标检测方法在复杂场景SAR图像中完成检测任务的同时可以有效降低虚警。
附图说明
[0020]图1是本专利技术空洞卷积示例图；
[0021]图2是本专利技术DC
‑
YOLOX网络结构图；
[0022]图3是本专利技术Focus结构图；
[0023]图4是本专利技术CBS结构图；
[0024]图5是本专利技术CSP结构图；
[0025]图6是本专利技术SPP结构图；
[0026]图7是本专利技术PA
‑
FPN示意图；
[0027]图8是本专利技术解耦头结构图；
[0028]图9是本专利技术MSTAR数据集标注示例图；
[0029]图10是本专利技术Mosaic数据增强示例图；
[0030]图11是本专利技术X波段全数据集DC
‑
YOLOX_2检测结果示例图。
具体实施方式
[0031]以下结合附图1
‑
11对本专利技术作进一步详细说明。
[0032]实施例：一种SAR图像目标检测方法，DC
‑
YOLOX是在YOLOX的基础上，利用空洞卷积进行改进的网络。DC
‑
YOLOX网络结构可分为三个部分：特征提取骨干网络部分、特征融合网络部分和预测头部分。特征提取骨干网络部分对输入的图像进行多尺度特征提取，最后将输出的三种不同尺度的特征图输入到特征融合网络部分；特征融合网络部分将骨干网络部分输出的三种不同尺度的特征图进行信息交互和融合，最后将融合的三种不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR图像目标检测方法，其特征是：所述检测方法是通过DC
‑
YOLOX网络结构实现的，所述DC
‑
YOLOX网络结构是在YOLOX的基础上，利用空洞卷积进行改进的网络。2.根据权利要求1所述的一种SAR图像目标检测方法，其特征是：所述DC
‑
YOLOX网络结构包括以下三个部分：特征提取骨干网络部分、特征融合网络部分和预测头部分。3.根据权利要求2所述的一种SAR图像目标检测方法，其特征是：所述特征提取骨干网络部分包括Focus、CBS、CSP和SPP模块，所述特征提取骨干网络部分对输入的图像进行多尺度特征提取，最后将输出的三种不同尺度的特征图输入到特征融合网络部分。4.根据权利要求2所述的一种SAR图像目标检测方法，其特征是：所述特征融合网络部分采用PA
‑
FPN结构进行特征融合，所述特征融合网络部分将骨干网络部分输出的三种不同尺度的特征图进行信息交互和融合，最后将融合的三种不同尺度的特征图输入到预测头部分。5.根据权利...

【专利技术属性】
技术研发人员：唐涛，崔雨婷，张思乾，赵凌君，计科峰，雷琳，熊博莅，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：