[发明专利]一种大场景SAR图像舰船目标检测方法

说明书

本发明属于雷达遥感应用技术领域，具体涉及一种大场景SAR图像舰船目标检测方法。本发明首先采用海陆粗分类，来对大场景图像进行预处理，然后将基于中心点的anchor‑free目标检测方法应用于SAR图像舰船目标检测领域。通过关键点估计，回归来获得目标的其它信息，如大小，位置等信息。将预筛选和基于中心点的检测方法结合，获得了更好的检测效果，同时加快了检测速度。

技术领域

本发明属于雷达遥感应用技术领域，具体涉及一种大场景SAR图像舰船目标的检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)不受天气和光照条件的影响，具有全天时、全天候等优点，已广泛应用到海洋检测、资源勘探等领域。SAR图像目标检测利用SAR图像信息来实现目标位置和类别的判定，在军事和民用等方面都有明确的应用需求，是实现SAR技术应用的关键技术之一。

SAR图像目标检测性能和特征提取的好坏及与测试目标的相似性有密切关系。目前目标检测的泛化性能都还不太理想。随着SAR成像技术的发展，SAR图像分辨率逐渐提高，数据集也逐渐丰富，大场景目标检测成为一个趋势。在大场景SAR图像中，舰船目标可以看作小目标，在整幅图中所占比例很小，同时大部分为背景区域。然而，现有的方法在大场景的舰船检测方面都不能取得较好的实验结果，陆地对舰船目标检测有很大的干扰。因此，有必要研究更好的特征提取方法，减少特征损失，同时减少陆地对舰船目标检测的干扰以在大场景SAR图像舰船检测中获得更好的性能。

传统的SAR图像舰船检测方法，是利用手工设计的特征进行目标检测，针对不同的场景，要重新进行建模，检测效率低而且虚警率高。尤其在近岸地区，手工设计的特征性能较差。近年来，随着深度学习的发展，人们将深度学习的方法应用到SAR图像舰船目标检测中，取得了较好的结果。尽管如此，在卷积神经网络中，随着层深度的增加，特征图变得高度语义化但更抽象化。同时，在下采样过程中，在最后特征图上小型目标几乎没有用于位置细化和分类的信息，这大大降低了检测性能。

在此基础上，人们开始思考anchor-free的目标检测方法，来减少超参的设计，大大减少计算量。可以看出，anchor-free的目标检测方法是当前比较好的目标检测方法，因此，将其应用到SAR图像舰船目标检测中。虽然目前的深度网络的方法不再需要进行海陆分割这一步，但是大场景SAR图像中，舰船在图像中所占比例很小，大部分为背景区域，这些背景区域送入繁重的检测网络，不但加重了检测负担，同时陆地对舰船目标的检测有很大的干扰。因此，在进行大场景SAR图像目标检测时，先对海陆区域进行粗分类，来减少计算资源的浪费，同时剔除陆地区域的部分干扰，就显得尤为重要。

发明内容

本发明的目的，就是针对上述存在的问题及不足，为了克服目前基于卷积神经网络的方法在大场景SAR图像舰船目标中，对小型舰船以及密集停靠的舰船检测效果差，以及背景区域送入检测计算资源浪费问题，提供了一种基于海陆偏分类的anchor-free大场景SAR图像舰船目标检测方法。

本发明的技术方案为：一种大场景SAR图像舰船目标检测方法，如图1所示，包括：

步骤1、在公开数据集SAR-ship-Dataset上，训练CenterNet网络，得到最优的模型及其对应参数，获得训练好的CenterNet网络；

步骤2、对大场景SAR图像进行滑窗切片(400×400)，切片时保留切片的位置信息；

步骤3、对大场景SAR图像切片进行海陆偏分类。对大场景SAR图像进行海陆偏分类，筛除只包含陆地的切片，用于后续的舰船目标检测。