[发明专利]一种基于特征融合的SAR图像舰船目标检测方法

说明书

本发明公开了一种基于特征融合的SAR图像舰船目标检测方法，通过在原始YOLOv5特征提取网络的基础上，增加了级联和并联的具有不同感受野的金字塔模块构建了基于特征融合的SAR图像舰船目标检测模型，能够在特征图的层级上进行多尺度的特征融合，有效提高了舰船目标的检测精度和算法的鲁棒性。

技术领域

本发明属于SAR图像解译技术领域，具体涉及一种基于特征融合的SAR图像舰船目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像传感器，是一种重要的遥感手段，相比于可见光、红外遥感来说，SAR具有全天时、全天候、穿透能力强、可变侧视角的优势，在获取高分辨率图像的同时可以不受光照、天气因素的制约，因此，SAR遥感在海洋监测与管理方面具有独特的优势。

SAR图像目标检测旨在从复杂的场景中快速有效地提取感兴趣的目标位置，是SAR自动目标识别(SAR-Automatic Target Recognition,SAR-ATR)的重要组成部分。

随着SAR的迅速发展，一方面现有的传统检测方法的流程复杂，在检测速度上受到较大限制，并且对于多个独立步骤，难以整体优化以提升检测精度。另一方面，SAR在不同工作模式下具有不同的极化方式、分辨率以及照射角度，导致目标图像特征变化较大，这也给SAR图像目标的检测带来了更大的挑战。同时随着SAR图像的分辨率不断提升，目标中所含的信息也越来越复杂，对检测算法提出了更高的要求，而传统算法的可靠性与实用性则逐渐降低，针对SAR图像高效自动目标检测是当前亟待解决的问题。

近年来，随着人工智能技术的迅速发展，深度学习的方法开始应用于SAR图像检测任务。卷积神经网络(Convolutional Neural Network,CNN)可以实现对图像高层特征的主动提取，避免了人工选取特征的复杂工作，具有良好的分类准确度和鲁棒性，为SAR图像目标的检测提供了新的途径。

综上所述，现有的基于深度学习的SAR图像目标解译方法大多从光学图像方法进行迁移训练，取得了不错的检测效果。然而，针对实际的工作环境下，由于遥感平台的移动，将一个小孔径的天线安装在平台侧方，通过运动形成等效的大孔径天线，正是由于平台的移动使得SAR图像具有不同成像角度，方位分辨率和实际成像物体大小的不同，SAR图像在尺寸上存在多尺度问题。由于目前现有的深度学习的多尺度特征融合网络模型都是基于光学图像进行设计，并没有考虑SAR图像的本质特征，通过光学的网络模型直接迁移到SAR图像目标检测中存在检测准确率相对较低、多尺度特征融合效果差及算法鲁棒效果差等问题。

发明内容

有鉴于此，本发明提供了一种基于特征融合的SAR图像舰船目标检测方法，能够实现复杂背景和简单背景下的SAR图像的精确检测。

本发明提供的基于特征融合的SAR图像舰船目标检测方法，包括以下步骤：

步骤1、构建SAR图像舰船检测的训练样本数据集；SAR图像作为样本的输入，SAR图像中的舰船目标作为标签；

步骤2、建立基于特征融合的SAR图像舰船目标检测模型，包括卷积神经网络模块层、金字塔模块层和特征聚合层，其中，卷积神经网络模块层对输入图像进行特征提取得到特征图，并将提取到的特征图作为金字塔模块层中的各金字塔模块及特征聚合层的输入；金字塔模块层包含多个具有不同感受野的金字塔模块，各金字塔模块逐个向后级联，且各金字塔模块的输出均作为特征聚合层的输入特征；特征聚合层将卷积神经网络模块层及各金字塔模块的输入特征聚合为聚合特征作为模型的输出；

步骤3、采用步骤1中所述的训练样本，完成所述基于特征融合的SAR图像舰船目标检测模型的训练；

步骤4、将待检测的SAR图像输入到训练得到的基于特征融合的SAR图像舰船目标检测模型中，得到所述待检测的SAR图像中的舰船目标。