[发明专利]基于融合卷积神经网络的SAR图像目标检测方法

说明书

本发明公开了一种基于融合卷积神经网络的SAR图像目标检测方法，主要解决现有技术中SAR图像中地面机动目标检测率低鲁棒性差的问题。本发明的具体步骤如下：(1)构建卷积神经网络；(2)生成训练集；(3)利用形态学操作对图像进行预处理；(4)利用分水岭算法生成电磁散射特征图；(5)训练卷积神经网络；(6)生成融合卷积神经网络；(7)训练融合卷积神经网络；(8)生成测试集；(9)对测试集进行目标检测。本发明具有提高机动目标检测率和场景适用能力，对不同方位、不同角度及在背景噪声的情况下的目标检测也有很好的鲁棒性的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像目标检测技术领域中的一种基于融合卷积神经网络CNN(Convolutional neural network)的SAR图像目标检测方法。本发明可应用于对合成孔径雷达图像不同区域中的机动目标进行快速有效检测。

背景技术

目标检测技术是计算机视觉领域的核心问题之一，SAR目标检测是以合成孔径雷达捕捉到的影像为数据源，采用图像处理技术对影像中感兴趣目标进行检测。SAR目标检测是雷达应用技术中的重要一环，可以在高科技军事对抗中，精准捕捉攻击目标，在军事领域有至关重要的意义。

电子科技大学在其申请的专利文献“一种SAR图像目标检测识别一体化方法”(专利申请号：201710461303.7，公开号：CN107341488A)中提出了一种基于卷积神经网络融合浅层特征和深层特征的SAR图像目标检测识别方法。该方法利用卷积神经网络自动发掘选择目标特征,将目标的浅层特征和深层特征融合在一起,能够同时完成SAR图像目标的检测和识别任务,实现了SAR图像目标检测识别一体化。相比其他SAR目标检测识别方法,该方法具有更高的检测识别效率和更强的适用性。但是该方法仍然存在的不足之处是：由于该方法没有充分利用SAR图像中目标特有的丰富的电磁散射信息，目标电磁散射中心特征表征着目标的部件、材质、角度、位置等信息，与杂波相比差异很大，且电磁散射信息可保证目标同一个部件像素连续性，弥补了SAR图像中属于同一目标同一部件的像素分散。因此该方法针对SAR图像中复杂目标检测准确率不高。

北京理工大学在其申请的专利文献“基于分割组合的SAR图像自适应恒虚警率目标检测方法”(专利申请号：201010292987.0，公开号：CN10197594OA)中提出了一种基于分割组合的SAR图像自适应恒虚警率目标检测方法。该方法利用参考窗策略得到用来估计背景杂波模型的参数,然后利用虚警概率以及杂波模型之间的关系得到检测器的检测阈值，将当前检测单元的像素值与检测闭值比较,判断目标是否存在。该方法虽然计算量小,操作简单，但是该方法仍然存在的不足之处是：该方法由于要对输入SAR图像建立背景杂波统计模型，此模型建立难度大且适用场景范围小，检测器的检测阈值难以自适应选择,因此该方法中建立SAR图像背景杂波统计模型需要非常强的专业背景知识与经验，而且对于多样性变化的目标并没有很好的鲁棒性。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于融合卷积神经网络的SAR图像目标检测方法。本发明与现有其他SAR图像目标检测方法相比，能够将SAR图像中目标的电磁散射特征与卷积神经网络进行融合以提高检测鲁棒性和准确率。

实现本发明目的的思路是：先构建训练集、电磁散射特征训练集和测试集，再搭建一个共16层的卷积神经网络、设置每层参数并进行预训练得到预训练网络，用训练集和电磁散射特征训练集分别对预训练网络进行训练，得到训练好的两支网络，将这两支网络进行基于深度学习的融合得到一支融合网络并重新训练得到训练好的融合网络，最后将测试集送入训练好的融合网络得到SAR图像的最终检测结果。

本发明的具体步骤包括如下：

(1)构建卷积神经网络：

(1a)搭建一个16层的卷积神经网络；

(1b)设置卷积神经网络的参数；

(2)生成训练集：