[发明专利]基于深度学习的SAR遥感图像水面目标检测方法

说明书

本发明公开了一种基于深度学习的SAR遥感图像水面目标检测方法，主要解决现有SAR图像水面目标检测方法中检测速度慢和定位准确率低的问题。具体实现方式为：首先设计并预训练一个图像分类模型，然后基于该模型设计并训练目标检测模型，包括RPN区域建议网络和Fast R‑CNN目标检测器，最后利用训练得到的模型对SAR图像水面目标进行检测。本发明具有检测速度快、检测准确率高等优点，可用于大幅面SAR图像的水面目标检测。

技术领域

本发明属于计算机视觉识别技术领域，具体地说，是一种涉及合成孔径雷达SAR图像目标检测技术领域中的基于深度学习的SAR图像水面目标检测方法。

背景技术

合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，广泛应用于军事侦察和遥感领域。

近年来，随着卫星遥感技术以及传感器技术、计算机技术、通信技术的飞速发展，空间遥感技术的应用进入了全新的发展阶段，一批高分辨率、短访问周期的成像卫星的出现，为SAR图像目标识别与检测提供了大量的数据。舰船作为海上主要的运输载体和军事目标，其自动检测和识别技术在军用和民用领域有着广泛的应用前景。在不远的将来，随着天基、空基搭载平台的快速发展，未来将不断出现分辨率更高、性能更好、重访时间更短的对地观测卫星，应用空间遥感技术对海面舰船目标进行检测已经成为SAR图像目标识别与检测技术的重点研究方向。

传统目标检测的方法一般分为三个阶段：首先进行区域选择，即在给定的图像上选择一些候选的区域，然后对这些区域进行人工特征提取，最后使用训练的分类器进行分类。但是这种检测方法存在两个主要问题：一个是区域选择使用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度和长宽比，这种区域选择策略没有针对性，而且时间复杂度高；另一个是目标特征是人工设计的，这种方法对于特征多样性的变化没有很好的鲁棒性。

卷积神经网络(Convolutional Neural Networks,CNN)是如今最热门的深度神经网络之一，将人工神经网络和深度学习技术相结合，具有局部感受野、结构层次、特征抽取与分类结合的全局训练特征。它的权值共享网络结构降低了网络模型的复杂度，减少了权值的数量，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。因此，基于深度学习卷积神经网络的目标检测技术是近年来的热门研究领域，其中，又以基于区域建议(RegionProposal)的卷积神经网络目标检测方法和基于回归的卷积神经网络目标检测方法作为主要代表。

CN103400156A公开了一种基于CFAR和稀疏表示的高分辨SAR舰船检测方法。该方法在正常恒虚警CFAR检测的基础上，对切片提取特征向量，并通过稀疏表示分类器做鉴别，得到最终的舰船检测结果。该方法的不足之处是检测过程要经过检测、鉴别两个步骤，不能做到端对端检测，检测速度慢，并且在复杂场景下，检测性能较差。

发明内容

本发明的目的在于提出一种基于深度学习的SAR遥感图像水面目标检测方法，克服现有技术中SAR图像目标检测速度慢、准确率低的问题，实现了对SAR图像水面目标的精确端到端检测。

为了实现上述目的，本发明采用如下技术方案：

基于深度学习的SAR图像水面目标检测方法，包括步骤如下：

S1、采集SAR图像，并扩充数据集；

S2、对SAR图像数据集进行标注和打标签，构建训练样本集，所述标注是指记录SAR图像水面目标在一整张图像中的左上角点和右下角点的坐标，所述标签是指标注的水面目标的类别标记；

S3、设计一个卷积神经网络分类模型C0，采用“迁移学习”方法对C0预训练，基于该模型设计RPN区域建议网络模型和Fast R-CNN目标检测网络模型；