[发明专利]一种基于部件的多层并行网络SAR图像飞机目标检测方法

摘要

本发明涉及一种基于部件的多层并行网络SAR图像飞机目标检测方法，包括以下步骤：构建用于检测飞机整体的根检测网络和用于检测飞机子部件的部件检测网络；准备训练数据集，并利用包围框对训练数据集中飞机整体、飞机子部件进行标注，将训练图像和对应的标注信息分别输入根检测网络和部件检测网络中对网络进行训练；利用训练好的根检测网络和部件检测网络对待检测图像进行初步检测；对根检测结果和部件检测结果进行匹配，获得与飞机整体相匹配的子部件；结合先验结构信息和初步检测得到的检测捕获概率，然后以最大检测捕获概率为原则对根检测结果和部件检测结果进行约束处理，得到最后的检测结果。本发明有效减少了漏检率与虚警率，提高检测的正确率。

主权项

1.一种基于部件的多层并行网络SAR图像飞机目标检测方法，其特征在于，包括如下步骤：步骤1，构建用于检测飞机整体的根检测网络和用于检测飞机子部件的部件检测网络，所述根检测网络和部件检测网络是对YOLO算法的改进，其损失函数的计算公式如下，其中S表示输入图像被划分为S*S的网格，每个网格预测B个包围框，λ_coord和λ_noobj分别为区分位置误差和目标误差的权重，指目标出现在第i个网格中时值为1，否则为0，指目标出现在第i个网格中时值为0，否则为1；指目标出现在第i个网格且第j个包围框是“负责”框时值为1，否则为0，指目标出现在第i个网格且第j个包围框是“负责”框时值为0，否则为1，所述“负责”框是指与预先设置的标注框重叠最多的包围框；x_i,y_i是第i个网格内目标的计算位置，是对应的标注位置；w_i,h_i是计算得到的包围框宽和高，是包围框标注的宽和高，C_i是类别计算值，是标注类别，p_i(c)表示是类别c的包围框的置信度，是标注置信度；λ_aspect为高宽比权重因子，对于根检测网络，λ_aspect＝3，对于部件检测网络，λ_aspect＝4；步骤2，准备训练数据集，并利用包围框对训练数据集中飞机整体、飞机子部件进行标注，标注信息包括包围框的类别以及包围框的宽、高、中心点坐标和置信度，将训练图像和对应的标注信息分别输入根检测网络和部件检测网络中进行训练；步骤3，利用训练好的根检测网络和部件检测网络对待检测图像进行初步检测，获得飞机整体的包围框、飞机子部件的包围框信息，包括包围框的宽、高、中心点坐标，并计算得到各包围框角点坐标以及各包围框的检测捕获概率，其中检测捕获概率的计算公式如下，其中P_conf表示包围框置信度，P_class表示类别概率；Pr(Object)表示当前网格包含目标的概率，有目标则为1，无目标则为0；是检测出的包围框和标注的包围框的重叠概率；P_class表示当网格在包含目标条件下属于某个类别的概率；步骤4，对根检测结果和部件检测结果进行匹配，获得与飞机整体相匹配的子部件；结合先验结构信息和初步检测得到的检测捕获概率，然后以最大检测捕获概率为原则对根检测结果和部件检测结果进行约束处理，得到最后的检测结果，具体实现方法如下，a.若飞机整体的检测捕获概率超过P₁，直接保留飞机整体；b.若飞机整体的检测捕获率小于P₁，且与其匹配的子部件未被其他飞机整体使用，则分别计算该子部件与飞机整体的重叠率，若该子部件被其他飞机整体所使用，则滤除其他飞机整体；其中重叠率的计算公式为，area(part)和area(root)分别指子部件和飞机整体所占的区域，即通过步骤3获得的包围框的角点坐标计算得到包围框的面积；c.若子部件与飞机整体的重叠率都超过Q，进一步判断子部件与飞机整体的分布情况，若子部件与飞机整体的重叠率都小于Q，则滤除该飞机整体；d.若子部件的分布情况不属于预设的四种情况，则滤除对应飞机整体，否则保留；上述步骤中所述的飞机子部件包括以机头和机翼为一类别的第一子部件和以机尾为一类别的第二子部件。