[发明专利]基于深度学习的低频UWB SAR图像目标变化检测方法

权利要求书

1.一种基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，包括以下步骤：

S1：构建深度神经网络所需数据集；

S2：构建深度神经网络；

S3：网络训练与测试。

2.根据权利要求1所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S1的过程是：

采用CARABAS-ⅡVHF SAR数据集，根据多时相图像生成特定数据集，用于卷积神经网络的训练与测试。选取不同时刻的低频UWB SAR图像，将图像中的每个检测对象周围大小为16×16的区域作为与该目标相关的观测区域，并将此观测区域与同一位置相同大小的背景区域拼接得到大小为16×32的样本图像，此图像即为卷积神经网络的数据集图像。

3.根据权利要求2所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S2的过程是：

设计一个包含2层卷积层、2层最大值池化层和1层全连接层的神经网络，并在运行环境下实现网络结构，网络输入为数据集图像，输出为判定结果，如果输出结果为1，则说明网络判断图像中包含目标点，否则，则说明网络判断图像中不包含目标点。

4.根据权利要求3所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S3的过程是：

利用第一步生成的数据集和数据标注，输入设计好的神经网络结构，对网络进行训练，通过多次随机产生的测试集进行测试，得到卷积神经网络对图像的目标检测的准确率。

5.根据权利要求4所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S1中，选取多时相低频UWB SAR图像生成数据集；生成数据集的过程包括2个步骤，第一个步骤是进行切割，选取一张低频UWB SAR图像作为待检测图像，不同时刻同一地点拍摄得到的低频UWB SAR图像作为参考图像。选定待检测图像中的检测点，将以观测点为中心的周围16×16个像素点作为检测点的观测区域进行切割，同时得到参考图像中对应位置中的观测区域图像；第二个步骤是进行拼接，将第一步中得到的不同时刻的同一观测区域图像进行拼接，得到样本图像，并且将待检测图像中的二值图片作为样本标签；此时，已经完成了深度神经网络数据集的构建。

6.根据权利要求5所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述样本图像大小为16×32个像素点，包含待测点信息与背景信息。

7.根据权利要求6所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S2中，设计5层网络结构在Pytorch环境下编写代码实现神经网络，包含交织的2层卷积层和2层最大值池化层以及最后1层全连接层，其中每1层卷积层和全连接层后都加上ReLU函数作为激活函数。

8.根据权利要求7所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，网络输入图像大小为16×32个像素点，输出结果为深度神经网络的分类结果，即1或者0，1表示输入图像中包含目标点，0表示输入图像中不包含目标点。

9.根据权利要求8所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，所述步骤S3中，利用第S1步产生的数据集和数据标注，对网络进行训练；训练时采用MSE(均方误差)函数作为损失函数，随机选取部分数据集作为训练集样本，其余为测试集样本，将训练集样本输入已构建好的神经网络中进行训练；网络训练好后，多次随机生成测试集样本输入已训练好的神经网络进行测试，网络的输出为图像目标判定结果。

10.根据权利要求9所述的基于深度学习的低频UWB SAR图像目标变化检测方法，其特征在于，训练集样本和测试集样本的比例为7:3；设置训练集的训练代数为100。