[发明专利]基于场景特性学习的半监督SAR舰船检测方法

说明书

本发明公开了一种基于场景特性学习的半监督SAR舰船检测方法，主要解决现有技术在网络训练时对目标级标注的SAR图像依赖过高，且对复杂场景目标检测虚警过多的问题，其方案为：采集大幅SAR图像生成训练集；构建半监督SAR舰船检测网络，并对其进行训练；将待测试SAR图像输入到训练好的半监督SAR舰船检测网络中，得出不同场景测试子图像的目标框位置和类别；将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。本发明减轻了网络训练对目标级标注的依赖，降低了内陆虚警、近岸虚警和远海漏警，提升了SAR舰船检测性能，可用于从SAR图像中检测出感兴趣的舰船目标。

技术领域

本发明属于雷达图像技术领域，更进一步涉及一种半监督SAR舰船检测方法，可用于从SAR图像中检测感兴趣舰船目标。

背景技术

合成孔径雷达SAR具有在全天时和全天候条件下提供遥感图像的优势，被广泛用于军事和民用领域。随着雷达成像技术的高速发展，SAR自动目标识别领域发展迅速，可获取的高分辨率SAR图像越来越多。而SAR自动目标检测作为SAR自动目标识别的首要阶段，受到了广泛的关注。在SAR自动目标检测领域，一个重要的分支是SAR舰船检测，其对海上船只监视和军事情报获取具有重要的意义。恒虚警率CFAR是使用最广泛、最深入的传统SAR舰船检测方法，该类方法借助于背景杂波统计分布建模来利用背景信息，进而获取自适应的阈值，然后通过滑动窗口将像素的灰度值与自适应阈值进行比较，得到检测结果。因此，确定合适的杂波统计模型对于保证CFAR的检测性能十分重要，而实测SAR图像由于包含大量复杂的背景杂波，难以选择一个适合的杂波统计模型，从而造成检测性能的下降。随着深度学习的发展，许多基于卷积神经网络的方法被提出，并取得了超越传统CFAR方法的性能，这些方法在SAR舰船s检测中取得了重大进展。但是这类方法要求SAR图像全部具有十分精细的目标级标注，然而对SAR图像进行目标级标注需要耗费大量的人力物力，这在实际中很难获取。

专利号为CN201610561587.2的专利文献中公开了一种基于卷积神经网络的SAR图像目标检测方法。其基于卷积神经网络设计SAR目标检测网络，然后使用标记好的训练SAR图像训练目标检测网络，当训练收敛之后，使用训练好的模型对测试SAR图像进行测试，得到测试SAR图像的检测结果。该方法利用了卷积神经网络的特征提取能力和非线性映射能力，具有较好的性能。但是该方法需要大量具有目标级标记的SAR图像作为训练数据，对目标级标记的SAR图像的依赖程度高，在一些目标级标记SAR图像获取困难的情况下，该方法的检测性能较差。

申请号为：CN201910016413.1的专利文献公开了一种“基于半监督CNN的SAR图像目标检测系统和方法”，其设计了利用自学习算法训练SAR目标检测网络，首先使用具有目标级标记的训练SAR图像训练模型；然后使用训练好的模型对不具有目标级标记的训练SAR图像进行预测，并将可信度高的预测结果作为伪目标级标记；最后使用所有具有目标级标记的训练SAR图像再次训练模型；整个过程的后两部多次进行直至收敛。该方法虽说降低了网络的训练对目标级标记样本的依赖程度。但该方法仍然存在两方面的不足：一是由于基于自学习所生成的伪目标级标记会存在错误情况，因而影响网络训练，导致检测性能下降；二是当SAR图像的场景中包含大量复杂背景杂波时，比如在复杂的内陆和近岸场景中，会产生大量的虚警，导致检测精度下降。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于场景特性学习的半监督SAR舰船检测方法，以提高SAR目标检测网络在具有少量目标级标注条件下的检测性能，减小SAR图像在内陆和近岸场景下的虚警，提升检测精度。