[发明专利]基于部件自适应选择与判别模型的SAR图像目标检测方法

权利要求书

1.基于部件自适应选择与判别模型的SAR图像目标检测方法，其特征在于，包括如下步骤：

步骤1，准备SAR图像训练数据集，并对训练数据集进行预处理，包括以下子步骤，

步骤1.1，对训练数据集中的SAR图像进行裁剪，并采用矩形包围框分别对整体目标及各个子部件进行标注，标注信息包括包围框对应的类别及不同包围框的左上和右下两个角点在图像中的x，y坐标；

步骤1.2，将训练数据集中的图像进行正负样本分类，包含目标的为正样本，其他的为负样本；

步骤2，获得整体模型用于检测得分，所述整体模型包括用于检测整体目标信息的根模型和用于检测子部件的细节信息的部件模型，同时利用步骤1中不同包围框标注信息和正负样本对整体模型进行训练，获得模型参数，包括以下子步骤，

步骤2.1，构建初始根模型和部件模型；

步骤2.2，采用统计学方法获得部件模型中各子部件的锚点位置和标准尺寸，所述锚点位置是指标注的子部件相对于目标的位置；

步骤2.2中采用统计学方法获得部件模型中各子部件的锚点位置和标准尺寸的实现方式如下，

根据标注信息，求出所有正样本中子部件的中心绝对坐标，再计算出子部件中心相对对应子部件包围框高度的坐标然后进行归一化，均值滤波后，同一子部件的平均位置即作为该子部件的锚点位置；

将所有正样本中同一子部件的高宽比用直方图统计出来，包含样本数量最多的直方所对应的高宽比选作为子部件的高宽比aspect；然后计算每个样本这一子部件的包围框面积，按从小到大的顺序排列，取处于第90％位置处的值作为子部件包围框的面积area，最后用得到的aspect和area计算子部件的高Hz和宽Wz，

步骤2.3，根据步骤2.1和步骤2.2构建可变形部件模型的整体得分；

步骤2.4，对根模型和部件模型分别进行训练及更新，设定迭代次数，当收敛到全局最优解时训练完成，获得模型参数；

步骤3，利用上述整体模型检测到的整体目标包围框和n个子部件包围框的坐标，为使整体包围框不至于过大或者过小，利用线性二乘回归方法获取优化的预测器，预测出目标检测框的大小和位置；

步骤4，获取待检测图像的特征金字塔，按照步骤2的方式，在每个尺度上进行滑窗搜索，将其中得分较高的且大于设定阈值的保留为候选结果，得到初步检测框后，采用步骤3的包围框预测器进一步优化，最后对重复检测框进行滤除；

步骤4中采用SANMS方法对重复检测框进行滤除，具体实现方式如下，

将重叠率大于50％的检测框进行滤除，重叠率的计算公式为，

其中，box₁和box₂是任意两个检测框的面积，box₁∩box₂是两个检测框相交部分的面积。

2.如权利要求1所述的基于部件自适应选择与判别模型的SAR图像目标检测方法，其特征在于：步骤2.1的实现方式如下，

获取正样本图像的特征金字塔，令H代表HOG特征金字塔，并用p表示位于金字塔的滑窗区域，大小为w×h，则根模型的得分为滑窗区域的特征φ(H,p,w,h)与其对应权重向量F₀的内积，简化为F₀·φ(H,p₀)，p₀是滑窗区域对应的矩形的左上角点坐标；在滑窗区域特征和权重向量内积的基础上，每个子部件模型的得分还要考虑到其变形损失，a_i和b_i表示变形代价，表示第i个子部件的实际位置相对于锚点位置的偏移，衡量子部件i的变形程度；因此，部件模型的得分用公式表示为：其中，p_i是第i个子部件对应的滑窗矩形的左上角点坐标，F_i为第i个子部件对应的权重向量，i取1～n。