【技术实现步骤摘要】
本申请涉及isar图像目标识别，特别是涉及一种面向空间目标isar图像的特征点检测方法、装置和设备。
技术介绍
1、逆合成孔径雷达可以全天时全天候工作，目前已被广泛应用于空间目标监视领域。通过对空间目标进行观测，逆合成孔径雷达可以获得目标的高分辨率isar图像。在isar成像过程中，增加传输信号带宽可以提高isar图像的径向分辨率，通过长时间观测积累较大的转角可以提高isar图像的横向分辨率。isar图像是目标在雷达成像平面上的二维投影，反映了目标的轮廓形状和散射特性。因此，从isar图像中检测特征点是一项非常重要的任务，可以为后续的空间目标姿态估计、三维重建提供技术支撑。
2、传统的特征点检测方法在面对isar图像的低纹理和明暗不均等特性时表现不佳。神经网络由于其非线性映射能力，能够有效地学习空间目标isar图像中的特征，从而提升特征点检测的性能。
3、然而，现有的已标注空间目标isar图像数据相对匮乏，为利用神经网络进行目标特征点的检测带来了挑战。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够解决已标注空间目标isar图像数据相对匮乏问题的一种面向空间目标isar图像的特征点检测方法、装置和设备。
2、一种面向空间目标isar图像的特征点检测方法，所述方法包括：
3、基于多种不同的空间目标基元结构以及空间目标，采用物理光学法进行仿真得到多张基元结构isar仿真图像以及空间目标isar仿真图像，并分别构建对应的is
4、利用所述isar基元图像数据集对基础特征点检测模型进行训练，得到训练后的基础特征点检测模型；
5、对所述空间目标isar数据集中的每一张空间目标isar仿真图像进行多次仿射变换后，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标isar仿真图像的伪真值标签；
6、利用所述空间目标isar数据集以及对应的伪真值标签对特征点检测模型进行训练，得到训练后的特征点经检测模型；
7、获取空间目标的isar图像，将所述isar图像输入至所述训练后的特征点经检测模型中进行特征点检测，得到所述isar图像中空间目标的多个特征点。
8、在其中一实施例中，在采用物理光学法基于空间目标基元结构进行仿真时：
9、所述空间目标基元结构包括圆柱体结构、立方体结构以及平面结构，且所述空间目标基元结构包括多个尺度；
10、并对仿真得到的各张所述基元结构isar仿真图像标注特征点位置真值。
11、在其中一实施例中，所述基础特征点检测模型为全卷积神经网络，所述基础特征点检测模型中的卷积核大小为3×3，采用批归一化进行数据归一化处理，非线性激活函数采用relu函数，全连接卷积层为1×1卷积。
12、在其中一实施例中，在对所述空间目标isar数据集中的每一张空间目标isar仿真图像进行多次仿射变换包括平移、旋转、缩放操作。
13、在其中一实施例中，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标isar仿真图像的伪真值标签包括：
14、将一张空间目标isar仿真图像进行不同仿射变换后的图像的基础特征点检测结果，进行聚合得到该张空间目标isar仿真图像的伪真值标签。
15、在其中一实施例中，所述特征点检测模型包括一个共享编码器和两个独立的解码器，其中，两个所述解码器分别为用于检测图像中的特征点的特征点检测解码器，以及计算特征点描述子的特征点描述子解码器；
16、所述共享编码器包括依次连接的卷积层、下采样池化层和非线性激活函数；
17、所述特征点检测解码器采用显示解码结构，输出为特征点概率图像；
18、所述特征点描述子解码器采用ucn网络结构生成稀疏描述子，再对所述稀疏描述子进行双三次插值和l2标准化得到统一长度的单位像素描述子。
19、在其中一实施例中，在对所述特征点检测模型进行训练时，采用的损失函数为通过权重系数对特征点检测解码器损失以及特征点描述子解码器损失两个部分进行平衡后的总损失函数。
20、本申请还提供了一种面向空间目标isar图像的特征点检测装置，所述装置包括：
21、isar数据集构建模块，用于基于多种不同的空间目标基元结构以及空间目标，采用物理光学法进行仿真得到多张基元结构isar仿真图像以及空间目标isar仿真图像，并分别构建对应的isar基元图像数据集以及空间目标isar数据集；
22、基础特征点检测模型训练模块，用于利用所述isar基元图像数据集对基础特征点检测模型进行训练，得到训练后的基础特征点检测模型；
23、伪真值标签得到模块，用于对所述空间目标isar数据集中的每一张空间目标isar仿真图像进行多次仿射变换后，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标isar仿真图像的伪真值标签；
24、特征点经检测模型训练模块，用于利用所述空间目标isar数据集以及对应的伪真值标签对特征点检测模型进行训练，得到训练后的特征点经检测模型；
25、特征点检测模块，用于获取空间目标的isar图像，将所述isar图像输入至所述训练后的特征点经检测模型中进行特征点检测，得到所述isar图像中空间目标的多个特征点。
26、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
27、基于多种不同的空间目标基元结构以及空间目标，采用物理光学法进行仿真得到多张基元结构isar仿真图像以及空间目标isar仿真图像，并分别构建对应的isar基元图像数据集以及空间目标isar数据集；
28、利用所述isar基元图像数据集对基础特征点检测模型进行训练，得到训练后的基础特征点检测模型；
29、对所述空间目标isar数据集中的每一张空间目标isar仿真图像进行多次仿射变换后，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标isar仿真图像的伪真值标签；
30、利用所述空间目标isar数据集以及对应的伪真值标签对特征点检测模型进行训练，得到训练后的特征点经检测模型；
31、获取空间目标的isar图像，将所述isar图像输入至所述训练后的特征点经检测模型中进行特征点检测，得到所述isar图像中空间目标的多个特征点。
32、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
33、基于多种不同的空间目标基元结构以及空间目标，采用物理光学法进行仿真得本文档来自技高网...
【技术保护点】
1.一种面向空间目标ISAR图像的特征点检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的面向空间目标ISAR图像的特征点检测方法，其特征在于，在采用物理光学法基于空间目标基元结构进行仿真时：
3.根据权利要求2所述的面向空间目标ISAR图像的特征点检测方法，其特征在于，所述基础特征点检测模型为全卷积神经网络，所述基础特征点检测模型中的卷积核大小为3×3，采用批归一化进行数据归一化处理，非线性激活函数采用ReLU函数，全连接卷积层为1×1卷积。
4.根据权利要求3所述的面向空间目标ISAR图像的特征点检测方法，其特征在于，在对所述空间目标ISAR数据集中的每一张空间目标ISAR仿真图像进行多次仿射变换包括平移、旋转、缩放操作。
5.根据权利要求4所述的面向空间目标ISAR图像的特征点检测方法，其特征在于，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标ISAR仿真图像的伪真值标签包括：
6.根据权利要求1-5任一项所述的面向空间目标ISAR图像的特
7.根据权利要求1-5任一项所述的面向空间目标ISAR图像的特征点检测方法，其特征在于，在对所述特征点检测模型进行训练时，采用的损失函数为通过权重系数对特征点检测解码器损失以及特征点描述子解码器损失两个部分进行平衡后的总损失函数。
8.一种面向空间目标ISAR图像的特征点检测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种面向空间目标isar图像的特征点检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的面向空间目标isar图像的特征点检测方法，其特征在于，在采用物理光学法基于空间目标基元结构进行仿真时：
3.根据权利要求2所述的面向空间目标isar图像的特征点检测方法，其特征在于，所述基础特征点检测模型为全卷积神经网络，所述基础特征点检测模型中的卷积核大小为3×3，采用批归一化进行数据归一化处理，非线性激活函数采用relu函数，全连接卷积层为1×1卷积。
4.根据权利要求3所述的面向空间目标isar图像的特征点检测方法，其特征在于，在对所述空间目标isar数据集中的每一张空间目标isar仿真图像进行多次仿射变换包括平移、旋转、缩放操作。
5.根据权利要求4所述的面向空间目标isar图像的特征点检测方法，其特征在于，利用所述训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，并根据多个检测结果得到对应空间目标isar仿真图像的伪真值标签包括：...
【专利技术属性】
技术研发人员：王粲雨，姜胜腾，王壮，蒋李兵，任笑圆，殷寰宇，蒋亿金，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。