[发明专利]一种复杂场景下的SAR图像目标检测方法

说明书

本发明公开了一种复杂场景下的SAR图像目标检测方法，该方法为：利用YOLOv5网络模型对SAR图像进行特征训练，得到不同场景下目标的初始特征；利用由空间注意力和通道注意力组成的混合注意力模块加强初始特征，得到具有筛选加权特性的特征图，对于重要的目标特征，网络分配更大的处理权重，以此增强网络对目标区域的特征学习能力，提升复杂场景区域的目标检测率；在加强后的特征图上预测目标位置，优化训练损失函数，提升预测框的置信度，并反向更新模型参数，使网络输出的预测框更加接近真实目标，同时加快模型更新的收敛速度。本发明提高了复杂场景下的SAR图像目标检测性能，能够快速检测任意场景下的SAR图像目标。

技术领域

本发明属于雷达图像处理技术领域，特别是一种复杂场景下的SAR图像目标检测方法。

背景技术

在海面监测中，目标检测是极其重要的一环。无论是近海防御，还是远海防卫都需针对特定目标进行位置检测，以此改善战术部署和增强海防预警能力。随着合成孔径雷达高分辨率成像技术的不断发展，大量SAR图像可用于海上船舶检测，SAR图像目标检测随之成为对海监测的重要途径。

目前主流的SAR图像目标检测方法宏观上可以分为三种，包括传统模型计量统计、机器学习特征分类和深度网络学习模型。深度学习凭借高精度、高效率、高鲁棒性等优点，已在SAR图像目标检测中取得了广泛应用，虽然基于深度学习的SAR图像目标检测技术近年来已经取得较大的进展，但是在复杂背景下的SAR图像中由于目标特征难提取，且近海SAR图像易受沿岸港口、陆地、岛屿等影响，导致近海目标检测仍然存在一定瓶颈。因此，如何克服各类干扰，精准快速的检测出海上目标，是SAR图像处理中需解决的关键问题。

发明内容

本发明的目的在于提供一种复杂场景下克服各类干扰、快速预测出目标位置信息的SAR图像目标检测方法。

实现本发明目的的技术解决方案为：一种复杂场景下的SAR图像目标检测方法，包括以下步骤：

步骤1、利用YOLOv5网络模型对SAR图像进行特征训练，得到不同场景下目标的初始特征；

步骤2、利用由空间注意力和通道注意力组成的混合注意力模块加强初始特征，得到具有筛选加权特性的特征图，即加强后的特征图；

步骤3、在加强后的特征图上预测目标位置，优化训练损失函数，并使用优化后的损失函数反向更新模型参数。

本发明与现有技术相比，其显著优点为：(1)使用一阶段检测框架，可以有效保证目标的检测速度；(2)通过注意力机制加强特征后，网络对干扰和目标间的特征差异更敏感，有效提升检测精确度；(3)优化训练损失函数，提升网络预测框的置信度，同时降低额外模块增加所带来的负面影响。

附图说明

图1是本发明复杂场景下的SAR图像目标检测方法的流程图。

图2是本发明中数据增强后的SAR图。

图3是本发明中特征增强后的SAR图。

图4是本发明中模型损失的曲线对比图。

图5是本发明中模型准确度曲线对比图。

图6是传统YOLOv5算法对SAR图像的检测结果图。

图7是本发明对SAR图像的检测结果图。

具体实施方式

本发明一种复杂场景下的SAR图像目标检测方法，首先使用YOLOv5网络训练SAR图像数据集，将提取到的特征送入由空间注意力和通道注意力组成的混合注意力模块中，得到具有筛选加权特性的特征向量。对于重要的目标特征，网络会分配更大的处理权重，从而增强网络对目标区域的特征学习能力。最后优化损失函数，使网络输出的预测框更加接近目标的真实位置，同时加快模型的收敛速度。具体包括以下步骤：