[发明专利]增强舰船目标检测SAR图像数据的方法

说明书

本发明公开的一种增强舰船目标检测SAR图像数据的方法，训练稳定、模式稳健。可以通过下述技术方案实现：以舰船位置为中心，将图像形式的舰船位置作为SAR图像增强的约束条件，通过两个全连接层后将得到的高维特征向量重构为条件特征图，条件特征图与隐变量特征图级联后输入到转置卷积层得到综合特征图，逐层上采样提高特征分辨率，生成新的SAR舰船图像，将目标框对应转换成所生成SAR图像的标签，构建数据‑标签对；判别器通过卷积层提取数据‑标签对的特征，判别生成SAR图像的真假和图像与标签的匹配程度，通过生成器与判别器的对抗，激励生成器生成更高质量的SAR图像新数据；最后通过对抗网络与目标检测网络的协同学习，增强SAR图像数据。

技术领域

本发明涉及人工智能领域的数据增强，具体涉及基于生成对抗网络的图像数据智能增强技术，尤其是面向舰船目标检测的SAR图像数据增强方法。

背景技术

在海洋监测、地质勘探等领域中，合成孔径雷达(SAR)具有全天时、全天候、高分辨、宽测绘带等特点。强穿透的主动式微波遥感技术，是海洋信息获取与监测中不可或缺的重要手段合。由于SAR图像反映的是目标的电磁散射特性，其中包含的匀质杂波和人造杂波降低了传统目标检测方法的准确率。除了常见的杂波虚警之外，由舰船目标自身所导致的方位向模糊也是舰船目标检测中的一个难点问题。船只的方位向模糊主要是由船只的单次或者二次散射导致的。传统的舰船目标检测所利用的数据是单通道SAR数据，这类数据只包含舰船的强度信息，因此不能全面地反映船只目标与海面杂波间的散射信息差异。目前在SAR图像船舶检测领域应用最为广泛的是CFAR及其各种改进算法。它通过对背景杂波进行统计分布建模来检测舰船目标。由于SAR系统的相干成像特点以及海面状况的复杂性，导致SAR图像中杂波分布具有较强的时变性、非平稳性、非高斯性等特征，使得CFAR检测算法具有较高的虚警率。并且，CFAR检测算法在很大程度上依赖于对杂波模型、虚警率、目标窗口、保护窗口和背景窗口的准确估计，使得检测性能在实际应用中存在较大的不确定性。识别的数据集需要收集各类舰船目标的大量的样本，难度较大。数据集SSDD是通过在网上下载公开的SAR图像，并将目标区域裁剪成大小为500×500左右像素，并通过人工标注舰船目标位置而得的。SSDD是国内外公开的第一个专门用于SAR图像舰船目标检测的数据集，它可以用于训练和测试检测算法，使研究人员在同一个条件下对比算法性能。对于每个舰船，检测算法预测舰船目标的边框，并给出是舰船目标的置信度。SSDD是借鉴PASCAL VOC数据集的制作过程来制作的，这是因为PASCAL VOC在目标检测领域应用较多，数据格式较规范，可以直接使用现有的算法在SSDD数据集上处理，对代码改动较小。传统的以CFAR为主的检测算法能适应这类场景。复杂背景(靠岸区域)下的舰船目标尺寸小，这些目标背景复杂，传统方法要进行海陆分割才能进行检测，相比于基于深度学习的方法，会存在漏警和虚警的问题。靠近码头密集排列的大尺寸的舰船目标，此时传统检测方法难以检测到这些目标，而深度学习方法可以检测到它们。舰船目标长或者宽度所占图像尺寸的比例在0.04到0.24范围内，比PASCAL VOC的0.2到0.9要小很多。这为改进现有的深度学习目标检测算法提供了参考。通常，垂直边框中的很多像素不属于船的像素，这对于区分背景和舰船区域十分不利，尤其是密集排列的交叠非常大的舰船目标。舰船大多数是在45度左右的倾斜方向，其它几个方向基本上呈现的是均匀的分布，即各种旋转角度都会存在。通过对数据集中目标尺寸的统计分析可以看到相比于计算机视觉领域的数据集，SSDD中的目标尺寸很小，小尺寸检测一直是比较困难的(MS COCO中大尺寸的准确率比小尺寸高两倍左右)，因为它包含的信息少，不易提取的特征。随着深度学习技术的发展，其在SAR舰船检测领域的成功应用证明了深度神经网络模型挖掘目标特征的能力。然而，不可避免的问题是，深度神经网络模型需要大量数据支撑训练，而SAR数据的标注过于昂贵且耗时。