一种SAR舰船旋转目标检测方法技术

本发明专利技术涉及一种SAR舰船旋转目标检测方法，包括：获取待检测SAR图像舰船数据；将待检测SAR图像舰船数据输入训练好的旋转目标检测模型进行推理，得到舰船目标的角度、位置及类别信息；旋转目标检测模型基于卷积块注意力机制的YOLOv5网络和旋转矩形框的中点偏移量表示法构建得到；训练好的旋转目标检测模型为基于预先构建的训练集、并采用适应于旋转检测的多任务联合网络损失函数对旋转目标检测模型进行训练得到；预先构建的训练集基于原始SAR图像舰船样本数据和标注有待检测船舰目标所在旋转矩形框的标签文件构建得到。该方法能避免损失边界不连续性，具备轻量级网络参数量少的优点，可以实现SAR图像舰船目标的任意方向检测，并获得舰船相应的角度信息。并获得舰船相应的角度信息。并获得舰船相应的角度信息。

【技术实现步骤摘要】
一种SAR舰船旋转目标检测方法


[0001]本专利技术属于图像目标检测
，具体涉及一种SAR舰船旋转目标检测方法。

技术介绍

[0002]目标检测是计算机视觉领域的重要任务之一。近年来，随着深度卷积神经网络(Convolutional Neural Network，CNN)的快速发展，基于CNN的目标检测网络逐渐成为研究热点，介于其能自主抽取丰富的图像特征信息的优点，基于CNN的目标检测方法在很大程度上提升了自然场景图像中目标检测的性能，改进了传统目标检测方法的不足。一般来说，目前基于CNN的目标检测方法分为双阶段和单阶段两类。其中，基于双阶段的目标检测网络包括RCNN、Fast RCNN、Faster RCNN等，在得到大量候选区域后进行感兴趣区域特征提取并二次分类和回归。基于单阶段的目标检测网络包括SSD和YOLO等，能直接回归目标的边界框和位置信息，从而提升目标检测的速度。
[0003]然而，合成孔径雷达(Synthetic Aperture Radar，SAR)图像与自然场景图像差异较大，SAR图像解译面临较大的困难与挑战。SAR图像通常是鸟瞰视角，场景复杂表征不直观，图像尺寸较大而目标尺寸较小，不同于自然图像中物体一般是水平分布的特点，SAR图像中物体如舰船、车辆等目标常常以任意方向排列，尤其存在密集场景中多目标相邻排列的现象。因此，通用的水平目标检测在遥感图像目标检测领域存在天然的局限性而阻碍其直接应用，引入角度参数的旋转目标检测由于更适合任意姿态的目标而在遥感图像目标检测领域引起广泛关注与讨论，这进一步增加了精确检测的难度。
[0004]如Jianqi Ma于2018年在Faster RCNN的基础上提出了基于旋转候选框实现任意方向的场景文本检测，然而基于旋转候选框的设计增加了大量网络参数的计算和内存的占用。如Jian Ding于2019年提出了RoI Transformer结构，旨在直接从水平感兴趣区域学习旋转感兴趣区域，然而RoI Transformer结构相对厚重复杂。如Xingxing Xie在2021年提出一种以旋转框的中点偏移量表示法为基础的两阶段旋转目标检测器，然而其相较于单阶段网络速度更慢。
[0005]同时，由于引入角度参数，当前旋转目标检测存在诸如角度周期性、边的交换性此类损失边界不连续问题。如何进行又快又好的检测，是当前旋转目标检测领域亟需解决的课题。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种SAR舰船旋转目标检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术实施例提供了一种SAR舰船旋转目标检测方法，包括步骤：
[0008]获取待检测SAR图像舰船数据；
[0009]将所述待检测SAR图像舰船数据输入训练好的旋转目标检测模型进行推理，得到舰船目标的角度、位置及类别信息；
[0010]其中，所述旋转目标检测模型基于卷积块注意力机制的YOLOv5网络和旋转矩形框的中点偏移量表示法构建得到；所述训练好的旋转目标检测模型为基于预先构建的训练集、并采用适应于旋转检测的多任务联合网络损失函数对旋转目标检测模型进行训练得到；所述预先构建的训练集基于原始SAR图像舰船样本数据和标注有待检测船舰目标所在旋转矩形框的标签文件构建得到。
[0011]在本专利技术的一个实施例中，所述训练集的构建方法包括：
[0012]获取原始SAR图像舰船样本数据；
[0013]对所述原始SAR图像舰船样本数据按照预设重叠比例进行裁剪，得到若干切片图像；
[0014]对每个切片图像标注待检测船舰目标所在的旋转矩形框，得到所述旋转矩形框的顶点坐标值、类别和检测难度，形成标签文件；
[0015]所述若干切片图像和所述标签文件划分为训练集和测试集。
[0016]在本专利技术的一个实施例中，所述旋转目标检测模型包括依次连接的输入端、骨干网络、颈部网络和预测端，其中，
[0017]所述输入端用于在训练阶段，对所述若干切片图像进行数据增强处理，并将所述标签文件转化为旋转矩形框的长边表示和旋转矩形框的中点偏移量表示，得到处理后的数据，在推理阶段，将所述待检测SAR图像舰船数据进行数据增强处理，得到处理后的数据；
[0018]所述骨干网络用于对所述处理后的数据进行特征提取，得到不同尺度特征信息；
[0019]所述颈部网络用于融合来自所述骨干网络的浅层图形信息和深层语义信息，构建具有局部细节和区域语义表征能力的特征信息；
[0020]所述预测端用于对所述颈部网络输出的特征信息进行处理输出三种不同尺度的特征图，以对不同尺度的目标进行分类和基于旋转矩形框的中点偏移量表示的定位。
[0021]在本专利技术的一个实施例中，所述骨干网络中插入卷积块注意力机制模块。
[0022]在本专利技术的一个实施例中，所述旋转矩形框的中点偏移量表示包括旋转矩形框的包络矩形的中心点坐标、旋转矩形框的包络矩形的宽、旋转矩形框的包络矩形的高、旋转矩形框上角点对应包络矩形上边中点的偏移量、旋转矩形框右角点对应包络矩形右边中点的偏移量。
[0023]在本专利技术的一个实施例中，所述预测端输出的每张特征图中，每个位置的预测格式为：
[0024]n
a
×
(6+conf+n
c
)；
[0025]其中，n
a
表示不同尺度锚框的数量，conf表示预测框内有物体的置信度，n
c
表示目标类别的数量，6维向量t
i
＝(t
x
，t
y
，t
w
，t
h
，t
α
，t
β
)表示旋转矩形框中点偏移量表示法下预测旋转矩形框相对于锚框的偏移量。
[0026]在本专利技术的一个实施例中，所述多任务联合网络损失函数为：
[0027]L＝λ1L
cls
+λ2L
obj
+λ3L
box
[0028]其中，λ1、λ2、λ3为网络适配权重参数，L
cls
为分类损失，L
obj
为置信度损失，L
box
为适应于旋转检测的回归损失；
[0029]L
box
用于计算预测旋转矩形框与对应的真实标注旋转矩形框的定位损失：
[0030]L
box
(t
′
i
，σ(t
i
))＝L
smooth
‑
l1
(t
′
i
，σ(t
i
))
[0031]其中，回归损失采用smooth
‑
L1函数，t
i
＝(t
x
，t
y
，t
w
，t
h
...

【技术保护点】

【技术特征摘要】
1.一种SAR舰船旋转目标检测方法，其特征在于，包括步骤：获取待检测SAR图像舰船数据；将所述待检测SAR图像舰船数据输入训练好的旋转目标检测模型进行推理，得到舰船目标的角度、位置及类别信息；其中，所述旋转目标检测模型基于卷积块注意力机制的YOLOv5网络和旋转矩形框的中点偏移量表示法构建得到；所述训练好的旋转目标检测模型为基于预先构建的训练集、并采用适应于旋转检测的多任务联合网络损失函数对旋转目标检测模型进行训练得到；所述预先构建的训练集基于原始SAR图像舰船样本数据和标注有待检测船舰目标所在旋转矩形框的标签文件构建得到。2.根据权利要求1所述的SAR舰船旋转目标检测方法，其特征在于，所述训练集的构建方法包括：获取原始SAR图像舰船样本数据；对所述原始SAR图像舰船样本数据按照预设重叠比例进行裁剪，得到若干切片图像；对每个切片图像标注待检测船舰目标所在的旋转矩形框，得到所述旋转矩形框的顶点坐标值、类别和检测难度，形成标签文件；所述若干切片图像和所述标签文件划分为训练集和测试集。3.根据权利要求2所述的SAR舰船旋转目标检测方法，其特征在于，所述旋转目标检测模型包括依次连接的输入端、骨干网络、颈部网络和预测端，其中，所述输入端用于在训练阶段，对所述若干切片图像进行数据增强处理，并将所述标签文件转化为旋转矩形框的长边表示和旋转矩形框的中点偏移量表示，得到处理后的数据，在推理阶段，将所述待检测SAR图像舰船数据进行数据增强处理，得到处理后的数据；所述骨干网络用于对所述处理后的数据进行特征提取，得到不同尺度特征信息；所述颈部网络用于融合来自所述骨干网络的浅层图形信息和深层语义信息，构建具有局部细节和区域语义表征能力的特征信息；所述预测端用于对所述颈部网络输出的特征信息进行处理输出三种不同尺度的特征图，以对不同尺度的目标进行分类和基于旋转矩形框的中点偏移量表示的定位。4.根据权利要求3所述的SAR舰船旋转目标检测方法，其特征在于，所述骨干网络中插入卷积块注意力机制模块。5.根据权利要求3所述的SAR舰船旋转目标检测方法，其特征在于，所述旋转矩形框的中点偏移量表示包括旋转矩形框的包络矩形的中心点坐标、旋转矩形框的包络矩形的宽、旋转矩形框的包络矩形的高、旋转矩形框上角点对应包络矩形上边中点的偏移量、旋转矩形框右角点对应包络矩形右边中点的偏移量。6.根据权利要求3所述的SAR舰船旋转目标检测方法，其特征在于，所述预测端输出的每张特征图中，每个位置的预测格式为：n
a
×
(6+conf+n
c
)；其中，n
a
表示不同尺度锚框的数量，conf表示预测框内有物体的置信度，n
c
表示目标类别的数量，6维向量t
i
＝(t
x
，t
y
，t
w
，t
h
，t
α
，t
β
)表示旋转矩形框中点偏移量表示法下预测旋转矩形框相对于锚框的偏移量。7.根据权利要求3所述的SAR舰船旋转目标检测方法，其特征在于，所述多任务联合网
络损失函数为：L＝λ1L
cls
+λ2L
obj
+λ3L
box
其中，λ1、λ2、λ3为网络适配权重参数，L
cls
为分类损失，L
obj
为置信度损失，L
box
为适应于旋转检测的回归损失；L
box
用于计算预测旋转矩形框与对应的真实标注旋转矩形框的定位损失：L
box
...

【专利技术属性】
技术研发人员：陈渤，王玮，张婷，王鹏辉，王英华，纠博，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：