一种制造技术

本发明专利技术公开了一种

【技术实现步骤摘要】
一种SAR车辆小目标快速检测及处理方法


[0001]本专利技术涉及人工智能
，具体涉及一种
SAR
车辆小目标快速检测及处理方法
。

技术介绍

[0002]合成孔径雷达
(Synthetic Aperture Radar
，
SAR)
是一种主动式微波传感器，可以不受光照和气候的影响进行全天时全天候的成像，在军事和民用的对地观测领域均有广泛应用
。
面向高分辨率遥感影像的
SAR
车辆小目标检测广泛应用于交通管理
、
城市规划
、
作战目标精确打击等场景，具有较高的应用价值
。
近年来，随着高分辨率
SAR
遥感平台的数据获取能力不断提升，基于深度学习的
SAR
目标检测识别技术发展迅速，但目前
SAR
车辆小目标检测方法在实际应用场景下还面临以下两方面的困难：
[0003]1.SAR
车辆小目标检测标注样本少
[0004]深度学习模型的训练依赖于大数据驱动，但在
SAR
领域面临以下困难；第一，目前公开的大规模遥感基准数据集包括光学遥感目标检测
、SAR
舰船目标检测等，但面向
SAR
车辆小目标检测任务缺乏大规模训练样本，实际应用场景下获取的
SAR
数据有限，人工标注
SAR
图像成本较高，难以训练具有较强泛化能力的深度神经网络模型；第二，
SAR
图像成像受雷达参数以及成像算法等因素影响较大；
[0005]2.
大幅遥感场景下车辆目标占比小
[0006]车辆目标在大幅
SAR
场景图像中所占像素小于
32*32
，在传统目标检测任务中一般归为小目标，相比于其他目标的检测难度较高，原因在于
(1)
小目标分辨率低，纹理信息较少，特征表达能力弱；
(2)
一般的目标检测网络使用多次下采样来减少计算量，该过程导致小目标信息损失较多，高层特征图定位困难；并且在大幅遥感场景中实时检测车辆小目标会面临大量冗余信息，对算法速度和计算复杂度提出更高的要求；
[0007]3.
大幅遥感场景下
[0008]在
SAR
车辆小目标检测任务中，由于
SAR
独特的成像机理与场景散射特性，网络易将与目标相似的树木
、
建筑等场景地物误检为目标，在大幅
SAR
场景图像中此类虚警现象更是严重；
[0009]针对以上问题，亟需设计一种基于多源传递式迁移学习的
SAR
车辆小目标快速检测及后处理剔除虚警的方法，以解决上述现有技术存在的问题
。

技术实现思路

[0010]针对上述存在的问题，本专利技术旨在提供一种
SAR
车辆小目标快速检测及处理方法，本方法通过基于多源遥感数据的传递式迁移学习算法来在大幅
SAR
场景下进行
SAR
车辆小目标快速检测，以及对大幅
SAR
场景检测结果进行后处理剔除虚警，能够在网络设计方面，针对小目标检测任务设计专门的网络结构，应对大场景下车辆目标快速检测的需求；在算法设计方面，针对标注
SAR
数据不足，网络泛化能力不足的问题采用了多源传递式迁移学习
的方法，在后处理虚警剔除算法方面，针对
SAR
场景特性，结合训练集数据特点，有效应对大幅
SAR
图像检测结果虚警问题严重的现象，具有
SAR
车辆小目标检测和检测结果中的虚警剔除效果好
、
检测结果准确率高的特点
。
[0011]为了实现上述目的，本专利技术所采用的技术方案如下：
[0012]一种
SAR
车辆小目标快速检测及处理方法，包括
[0013]步骤1：基于开源光学遥感数据集和
SAR
舰船数据集构造光学遥感车辆小目标数据集和
SAR
舰船小目标数据集；
[0014]步骤2：根据
SAR
图像构建
SAR
车辆人工数据集；
[0015]步骤3：基于残差模块设计轻量化小目标检测网络结构；
[0016]步骤4：利用步骤1和步骤2得到的数据集对轻量化小目标检测网络进行传递式迁移学习，训练轻量化小目标检测网络；
[0017]步骤5：基于先验
‑
数据融合的后处理虚警剔除算法来剔除步骤4在
SAR
车辆目标人工数据集上进行训练与测试所得的检测结果中的虚警
。
[0018]优选的，步骤1所述的光学遥感车辆小目标数据集和
SAR
舰船小目标数据集的构建过程包括
[0019]步骤
1.1
：构建光学遥感车辆小目标数据集
[0020]筛选出
DOTA
和
DIOR
两个数据集中目标大小范围在
10*10
到
64*64
之间的样本，得到光学遥感小目标检测迁移源数据，并将标注格式统一转为
yolo
标注格式，得到光学遥感车辆小目标数据集；
[0021]步骤
1.2
：构建
SAR
舰船小目标数据集
[0022]筛选
AIR
‑
SARShip
‑
1.0、SSDD/SSDD+、SAR
‑
Ship
‑
Dataset、HRSID
数据集中
10*10
到
64*64
大小的舰船目标得到
SAR
舰船小目标检测数据集，并将标注格式统一转为
yolo
标注格式得到
SAR
舰船小目标数据集
。
[0023]优选的，步骤2所述的
SAR
车辆人工数据集的构建过程包括
[0024]步骤
2.1
：对
MSTAR
数据集中的目标切片进行灰度变换，然后将图片标准化，灰度变换公式为：
[0025][0026]其中，
c
为超参数，
x
与
f(x)
分别表示变换前与变换后的
MSTAR
目标切片；
[0027]步骤
2.2
：对
MSTAR
数据集中的背景进行灰度变换；
[0028]步骤
2.3
：提取目标掩码
。
[0029]优选的，步骤
2.2
所述的对
MSTAR
数据集中的背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
SAR
车辆小目标快速检测及处理方法，其特征在于：包括步骤1：基于开源光学遥感数据集和
SAR
舰船数据集构造光学遥感车辆小目标数据集和
SAR
舰船小目标数据集；步骤2：根据
SAR
图像构建
SAR
车辆人工数据集；步骤3：基于残差模块设计轻量化小目标检测网络结构；步骤4：利用步骤1和步骤2得到的数据集对轻量化小目标检测网络进行传递式迁移学习，训练轻量化小目标检测网络；步骤5：基于先验
‑
数据融合的后处理虚警剔除算法来剔除步骤4在
SAR
车辆目标人工数据集上进行训练与测试所得的检测结果中的虚警
。2.
根据权利要求1所述的一种
SAR
车辆小目标快速检测及处理方法，其特征在于：步骤1所述的光学遥感车辆小目标数据集和
SAR
舰船小目标数据集的构建过程包括步骤
1.1
：构建光学遥感车辆小目标数据集筛选出
DOTA
和
DIOR
两个数据集中目标大小范围在
10*10
到
64*64
之间的样本，得到光学遥感小目标检测迁移源数据，并将标注格式统一转为
yolo
标注格式，得到光学遥感车辆小目标数据集；步骤
1.2
：构建
SAR
舰船小目标数据集筛选
AIR
‑
SARShip
‑
1.0、SSDD/SSDD+、SAR
‑
Ship
‑
Dataset、HRSID
数据集中
10*10
到
64*64
大小的舰船目标得到
SAR
舰船小目标检测数据集，并将标注格式统一转为
yolo
标注格式得到
SAR
舰船小目标数据集
。3.
根据权利要求1所述的一种
SAR
车辆小目标快速检测及处理方法，其特征在于：步骤2所述的
SAR
车辆人工数据集的构建过程包括步骤
2.1
：对
MSTAR
数据集中的目标切片进行灰度变换，然后将图片标准化，灰度变换公式为：其中，
c
为超参数，
x
与
f(x)
分别表示变换前与变换后的
MSTAR
目标切片；步骤
2.2
：对
MSTAR
数据集中的背景进行灰度变换；步骤
2.3
：提取目标掩码
。4.
根据权利要求3所述的一种
SAR
车辆小目标快速检测及处理方法，其特征在于：步骤
2.2
所述的对
MSTAR
数据集中的背景进行灰度变换时以
SAR
图像的动态范围和辐射分辨率衡量合成数据和实测数据的指标，其具体计算过程包括；
(1)
根据
SAR
图像动态范围选取实测数据典型目标区域以及典型背景区域，
SAR
图像动态范围为图像目标区域平均灰度与图像背景区域平均灰度的比值，计算方法为：其中，表示目标区域的灰度均值，表示背景区域的灰度均值；
(2)
选取
MSTAR
背景图片中相同的典型区域，计算实测数据目标切片与典型区域的动态范围与各个典型区域的辐射分辨率，
SAR
图像辐射分辨率
γ
的计算方法为：
所述的剔除检测结果中的虚警的过程包括步骤
5.1
：基于训练样本先验知识通过尺度筛选剔除虚警；步骤
5.2
：基于目标
‑
背景分割阈值算法剔除虚警
(1)
首先根据训练集的所有真实目标框，遍历所有像素值
(0
～
255)
，得到能够使目标部分与背景部分像素均值差最大的阈值，记该最大像素均值差为
P
m
；
(2)
针对检测结果的每一个检测框
B
，首先使用大津阈值算法对其进行二值化，得到预测目标区域的掩码与背景区域的掩码，记为
M
t
,M
...

【专利技术属性】
技术研发人员：黄钟泠，杨昊东，吴冲，韩军伟，张鼎文，李磊，任君，王立鹏，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：