[发明专利]一种多维域特征联合SAR船舰智能检测方法

说明书

本发明属于SAR船舰目标检测技术领域，公开了一种多维域特征联合SAR船舰智能检测方法，目前基于深度学习的合成孔径雷达(SAR)船舰检测方法仅仅挖掘利用了船舰目标的空间特征信息，对于复杂背景下的多尺度目标与旋转目标，无法取得令人满意的检测效果。为了克服这些问题，本发明采用特征金字塔网络来学习船舰目标空间多尺度特征；其次，利用极坐标傅里叶变换，在频域上得到了SAR船舰目标的旋转不变特征。在此基础上，提出了一种新的空间‑频率特征融合网络以获得更紧凑的跨域特征表示。本发明有效克服了SAR船舰目标的尺度变换以及旋转行为，提高了SAR船舰检测算法的检测性能。

技术领域

本发明属于SAR船舰目标检测技术领域，尤其涉及一种多维域特征联合SAR船舰智能检测方法。

背景技术

目前，合成孔径雷达由于能够在全天、全天候条件下生成高分辨率的观测场景微波图像，在许多民用和军事领域得到了广泛的应用。近年来，SAR船舶检测因其在海上管理、海上交通管制、海洋环境保护等实际应用中的重要价值也日益受到重视。随着SAR成像技术的快速发展，对船舰目标的观测水平越来越高，从而实现基于精细信息和高层特征的SAR舰船检测已经成为可能。

传统SAR船舰目标检测方法大多依赖于人工的参与，需要根据人工经验对目标特征进行挑选；且SAR图像本身存在的运动模糊以及散斑噪声等问题，使得传统的船舰检测方法很难提取到有效特征，导致SAR船舰目标检测性能有限。

近年来，随着人工智能和SAR成像技术的发展，越来越多的学者将深度学习技术应用到SAR船舰目标检测领域，其能够自主地学习船舰目标的精细化特征和高层语义信息，有效地减少了人工参与力度和提高船舰目标检测精度。然而，仅仅利用了SAR船舰目标的空间特征信息，而忽略了船舰目标其他维域的互补特征，使得船舰目标检测可靠性与分类识别准确率有限。

通过上述分析，现有技术存在的问题及缺陷为：现有单维域的SAR船舰检测方法仅利用了船舶目标的空间特征信息，尤其在多尺度或旋转目标以及复杂背景下，无法取得满意的检测效果。

解决以上问题及缺陷的难度为：1、如何在深度学习中准确地提取船舰目标的频域旋转不变特征；2、如何准确地使得空间特征与频域特征对齐，以保证特征融合的有效性；3、如何有效的实现多维域特征的跨域融合，得到更好的特征表达。

解决以上问题及缺陷的意义为：1、提出了一种融合多维域特征和深度学习的SAR舰船检测网络；2、利用频域特征解决船舰目标的旋转问题；3、该方法的舰船检测性能优于其他主流目标检测算法。

发明内容

针对现有技术存在的问题，本发明提供了一种多维域特征联合SAR船舰智能检测方法。本发明通过探索利用SAR船舰目标的空间多尺度特征与频域旋转不变特征，通过空间-频域特征融合网络得到更紧凑的跨域特征表示，以提高检测性能。

本发明是这样实现的，一种多维域特征联合SAR船舰智能检测方法，所述多维域特征联合SAR船舰智能检测方法，包括：

步骤一，针对现有SAR船舰目标存在的多尺度问题以及旋转问题进行分析，通过骨干网络获取到自下而上的分层的空间特征，并采用FPN得到多尺度特征；

步骤二，在上述步骤一得到的空间多尺度特征，通过RPN网络获取到SAR图像候选区域的坐标信息与类别信息，并将其分别映射到原始图像与多尺度特征图；

步骤三，针对船舰的旋转行为，联合时频域维域进行处理；根据步骤二得到的原始图像的候选区域，通过对其进行傅里叶-极坐标变换得到SAR船舰目标的旋转不变信息，并对其进行特征提取获得SAR船舰目标频域旋转不变特征；

步骤四，针对空间-频域特征融合，设计了一种更精细的特征融合网络，通过交互地更新不同网络的参数，以不同的方式获得更紧凑的特征表达，可以综合表征各个维域的特征。