基于卷積神經網絡的SAR圖像目標檢測方法技術

本發明專利技術公開了一種基于卷積神經網絡的SAR圖像目標檢測方法，主要解決現有SAR圖像目標檢測技術中檢測速度慢和檢測準確率低的問題。其實現步驟為：1、訓練卷積神經網絡分類模型M0，基于該模型M0設計兩個待訓練的卷積神經網絡模型M1、M2；2、用擴充后的MiniSAR訓練集做為待訓練的卷積神經網絡模型M1、M2的輸入，訓練得到最優切片提取模型M12和最優檢測模型M22；3、使用最優切片提取模型M12和最優檢測模型M22對MiniSAR測試集進行檢測；4、將最優檢測模型M22的輸出概率值大于閾值的候選區域保留，得到檢測結果。本發明專利技術具有檢測速度快、檢測正確率高的優點，可用于車輛目標檢測。

SAR image target detection method based on convolution neural network

The invention discloses a SAR image target detection method based on convolution neural network, which mainly solves the problems of slow detection speed and low detection accuracy in the existing SAR image target detection technology. The method comprises the following steps: 1, training convolutional neural network classification model of M0, the model of M0 two to design the training model of convolutional neural network M1, based on M2; 2, with the expanded training set as MiniSAR model, M2 M1 convolutional neural network for training the training input, the optimal extraction section M22 detection model M12 model and optimal; 3, using the optimal slice extraction M22 model M12 model and the optimal detection of MiniSAR test set were detected; 4, the output probability of optimal detection model of M22 value greater than the threshold value of the candidate region is retained, to obtain the detection result. The invention has the advantages of fast detection speed and high detection accuracy, and can be used for vehicle target detection.

【技術實現步驟摘要】

本專利技術屬于雷達
，特別涉及一種目標檢測方法，可用于車輛目標檢測。
技術介紹
21世紀開始，卷積神經網絡就被大量用于檢測、分割、物體識別等多個領域，在2012年的ImageNet競賽中，卷積神經網絡取得了前所未有的成績，比當時最好的方法降低了一半的錯誤率，并且使用快速圖形處理單元GPU來訓練卷積神經網絡模型，由于GPU的強大并行計算能力，使得訓練卷積神經網絡模型需要的時間大大縮短，這次實驗的成功給計算機視覺帶來一個新的革命。合成孔徑雷達SAR是一種利用微波進行感知的主動傳感器，SAR成像不受光照、天氣等條件的限制，可以對感興趣目標進行全天候、全天時的觀測，SAR圖像自動目標識別受到越來越廣泛的關注。現有的SAR圖像目標檢測方法中，雙參數CFAR檢測算法應用最為廣泛。雙參數CFAR檢測算法是一種傳統的SAR圖像目標檢測方法，該方法要求SAR圖像上目標與背景雜波具有較高的對比度，并且假設背景雜波的統計分布模型是高斯分布，其執行過程是：通過滑動窗口對SAR圖像中的每個像素進行遍歷，每次滑動窗口，都需要計算窗口內所有像素的均值和方差來對背景雜波進行參數估計，并以此來確定一個閾值，如果窗口內的像素大于這個閾值就判定是目標像素，否則就判定為雜波像素。由于該算法需要對SAR圖像中每個像素點執行同樣的操作，所以需要耗費較長的檢測時間。同時該方法要根據SAR圖像目標的先驗信息設置窗口，當一幅圖像中存在尺寸相差較大的目標時，窗口尺寸如果設置不夠合理對最終的檢測結果會帶來很大的影響。
技術實現思路
本專利技術的目的在于針對上述已有技術的不足，提出一種基于卷積神經網絡的SAR圖像目標檢測方法，以提高檢測速度的情況下，保證檢測正確率。本專利技術通過利用Mstar數據集來擴充MiniSAR訓練集，解決現有的SAR圖像數據無法滿足卷積神經網絡模型需要大量訓練數據的問題，為實現上述專利技術目的，其技術方案包括如下：1.基于卷積神經網絡的SAR圖像目標檢測方法，包括：(1)設計分類模型和待訓練模型：1a)設計卷積神經網絡M0'，用Mstar數據集做為卷積神經網絡M0'的輸入，使用隨機梯度下降法訓練對其進行訓練，得到卷積神經網絡分類模型M0；1b)基于卷積神經網絡分類模型M0設計兩個待訓練的卷積神經網絡模型M1、M2；(2)訓練步驟2a)使用Mstar數據集對MiniSAR訓練集做擴充，得到擴充的MiniSAR數據集；2b)使用分類模型M0對第一個待訓練的卷積神經網絡模型M1進行參數初始化，并用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到候選區域提取模型M11；2c)將擴充的MiniSAR訓練集輸入到候選區域提取模型M11中，候選區域提取模型M11的輸出構成待處理粗選候選區域集合P1'，對待處理粗選候選區域集合P1'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成粗選候選區域集合P1；2d)使用分類模型M0對第二個待訓練的卷積神經網絡模型M2進行參數初始化，用粗選候選區域集合P1做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到檢測模型M21；2e)使用檢測模型M21對第一個待訓練的卷積神經網絡M1做參數初始化，并固定卷積神經網絡模型M1中前三個卷積層參數不變，用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到最優候選區域提取模型M12；2f)將擴充的MiniSAR訓練集輸入到最優候選區域提取模型M12中，最優候選區域提取模型M12的輸出構成待處理細選候選區域集合P2'，對待處理細選候選區域集合P2'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成細選候選區域集合P2；2g)使用檢測模型M21對第二個待訓練的卷積神經網絡模型M2做參數初始化，且固定卷積神經網絡模型M2中前三個卷積層參數不變，并用細選候選區域集合P2做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到最優檢測模型M22；(3)測試步驟3a)將MiniSAR測試集輸入到最優候選區域提取模型M12中，用最優候選區域提取模型M12的輸出構成待處理測試候選區域集合P3'，對待處理測試候選區域集合P3'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成測試候選區域集合P3；3b)將測試候選區域集合P3輸入到最優檢測模型M22中，最優檢測模型M22對測試候選區域集合P3中每個候選區域輸出一個類別判定概率值pr；3c)設定閾值t＝0.7，將概率值pr大于0.7的候選區域保留，即為最終檢測結果。本專利技術與現有技術相比有以下優點：1.檢測速度快現有的雙參數CFAR檢測方法在檢測時，要對圖像中的每個像素點滑窗，并且每次滑窗時需要估計參考窗內背景雜波的均值和標準差，復雜度較大，檢測速度慢。本專利技術方法中有多個最大池化層，可以快速降低輸入數據的維度，降低算法復雜度，并且可以使用GPU并行處理，加快了檢測速度。2.檢測正確率高現有雙參數CFAR檢測方法對圖像進行檢測時，需要利用圖像中目標的先驗信息設置參數，如果圖像中目標尺寸差異太大，參數設置不合理，會對最終的檢測結果帶來很嚴重的影響。而本專利技術方法中模型可以對候選區域尺寸自動調整，使得候選區域與目標區域更加吻合，避免了雙參數CFAR中參數設置不合理帶來問題，提高了檢測正確率。以下結合附圖和實驗對本專利技術作進一步詳細描述。附圖說明圖1是本專利技術的實現流程圖；圖2是本專利技術實驗中使用的卷積神經網絡分類模型M0'的結構圖；圖3是本專利技術實驗中使用的第一個待訓練卷積神經網絡模型M1的結構圖；圖4是本專利技術實驗中使用的第二個待訓練卷積神經網絡模型M2的結構圖；圖5是本專利技術實驗中使用的MiniSAR訓練集；圖6是本專利技術實驗中使用的Mstar擴充目標圖像；圖7是本專利技術實驗中使用的MiniSAR測試集圖像；圖8是用本專利技術對MiniSAR測試集的檢測結果圖；圖9是用雙參數CFAR檢測方法對MiniSAR測試集的檢測結果圖。具體實施方式參照圖1，本專利技術的SAR圖像目標檢測方法主要有模型設計、訓練和測試三個階段，具體步驟如下：一、模型設計階段步驟1，設計卷積神經網絡模型M0'。參照圖2，卷積神經網絡M'0由特征提取和分類判定兩部分構成，其中：特征提取部分，包括三個卷積層，卷積層后跟著非線性層，前兩個非線性層后跟著最大池化層；分類判定部分包括兩個全連接層，第一個全連接層后跟著非線性層，第二個全連接層后跟著柔性最大層和分類損失函數層，其表示為：M0'＝[I,C1,R,Pm,C2,R,Pm,C3,R,Fc1,R,Fc2,S,Lcls]其中，符號“[]”表示卷積神經網絡模型M'0由括號內的層按順序組合構成，I表示數據輸入層，C1表示第1個卷積層，其由64個尺寸為11*11的卷積核構成，C2表示第2個卷積層，其由128個尺寸為7*7的卷積核構成，C3表示第3個卷積層，其由256個尺寸為3*3的卷積核構成，Pm表示最大池化層，池化窗大小為3*3，R表示激活函數層，Fc1表示第1個全連接層，核個數為256，Fc2表示第2個全連接層，核個數為3，S表示柔性最大層，Lcls表示分類損失函數層，其定義為gj表示輸入數據中第j個輸入樣本的真實分本文檔來自技高網...

【技術保護點】
基于卷積神經網絡的SAR圖像目標檢測方法，包括：(1)設計分類模型和待訓練模型：1a)設計卷積神經網絡M0'，用Mstar數據集做為卷積神經網絡M0'的輸入，使用隨機梯度下降法訓練對其進行訓練，得到卷積神經網絡分類模型M0；1b)基于卷積神經網絡分類模型M0設計兩個待訓練的卷積神經網絡模型M1、M2；(2)訓練步驟2a)使用Mstar數據集對MiniSAR訓練集做擴充，得到擴充的MiniSAR數據集；2b)使用分類模型M0對第一個待訓練的卷積神經網絡模型M1進行參數初始化，并用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到候選區域提取模型M11；2c)將擴充的MiniSAR訓練集輸入到候選區域提取模型M11中，候選區域提取模型M11的輸出構成待處理粗選候選區域集合P1'，對待處理粗選候選區域集合P1'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成粗選候選區域集合P1；2d)使用分類模型M0對第二個待訓練的卷積神經網絡模型M2進行參數初始化，用粗選候選區域集合P1做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到檢測模型M21；2e)使用檢測模型M21對第一個待訓練的卷積神經網絡M1做參數初始化，并固定卷積神經網絡模型M1中前三個卷積層參數不變，用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到最優候選區域提取模型M12；2f)將擴充的MiniSAR訓練集輸入到最優候選區域提取模型M12中，最優候選區域提取模型M12的輸出構成待處理細選候選區域集合P2'，對待處理細選候選區域集合P2'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成細選候選區域集合P2；2g)使用檢測模型M21對第二個待訓練的卷積神經網絡模型M2做參數初始化，且固定卷積神經網絡模型M2中前三個卷積層參數不變，并用細選候選區域集合P2做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到最優檢測模型M22；(3)測試步驟3a)將MiniSAR測試集輸入到最優候選區域提取模型M12中，用最優候選區域提取模型M12的輸出構成待處理測試候選區域集合P3'，對待處理測試候選區域集合P3'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成測試候選區域集合P3；3b)將測試候選區域集合P3輸入到最優檢測模型M22中，最優檢測模型M22對測試候選區域集合P3中每個候選區域輸出一個類別判定概率值pr；3c)設定閾值t＝0.7，將概率值pr大于0.7的候選區域保留，即為最終檢測結果。...

【技術特征摘要】
1.基于卷積神經網絡的SAR圖像目標檢測方法，包括：(1)設計分類模型和待訓練模型：1a)設計卷積神經網絡M0'，用Mstar數據集做為卷積神經網絡M0'的輸入，使用隨機梯度下降法訓練對其進行訓練，得到卷積神經網絡分類模型M0；1b)基于卷積神經網絡分類模型M0設計兩個待訓練的卷積神經網絡模型M1、M2；(2)訓練步驟2a)使用Mstar數據集對MiniSAR訓練集做擴充，得到擴充的MiniSAR數據集；2b)使用分類模型M0對第一個待訓練的卷積神經網絡模型M1進行參數初始化，并用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到候選區域提取模型M11；2c)將擴充的MiniSAR訓練集輸入到候選區域提取模型M11中，候選區域提取模型M11的輸出構成待處理粗選候選區域集合P1'，對待處理粗選候選區域集合P1'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成粗選候選區域集合P1；2d)使用分類模型M0對第二個待訓練的卷積神經網絡模型M2進行參數初始化，用粗選候選區域集合P1做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到檢測模型M21；2e)使用檢測模型M21對第一個待訓練的卷積神經網絡M1做參數初始化，并固定卷積神經網絡模型M1中前三個卷積層參數不變，用擴充的MiniSAR訓練集做為該卷積神經網絡模型M1的輸入，使用隨機梯度下降法對其進行訓練，得到最優候選區域提取模型M12；2f)將擴充的MiniSAR訓練集輸入到最優候選區域提取模型M12中，最優候選區域提取模型M12的輸出構成待處理細選候選區域集合P2'，對待處理細選候選區域集合P2'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成細選候選區域集合P2；2g)使用檢測模型M21對第二個待訓練的卷積神經網絡模型M2做參數初始化，且固定卷積神經網絡模型M2中前三個卷積層參數不變，并用細選候選區域集合P2做為該卷積神經網絡模型M2的輸入，使用隨機梯度下降法對其進行訓練，得到最優檢測模型M22；(3)測試步驟3a)將MiniSAR測試集輸入到最優候選區域提取模型M12中，用最優候選區域提取模型M12的輸出構成待處理測試候選區域集合P3'，對待處理測試候選區域集合P3'根據非最大抑制NMS去除重復候選區域，剩下的候選區域構成測試候選區域集合P3；3b)將測試候選區域集合P3輸入到最優檢測模型M22中，最優檢測模型M22對測試候選區域集合P3中每個候選區域輸出一個類別判定概率值pr；3c)設定閾值t＝0.7，將概率值pr大于0.7的候選區域保留，即為最終檢測結果。2.根據權利要求1所述的基于卷積神經網絡的SAR圖像目標檢測方法，其中步驟1a)中的卷積神經網絡M0'，其表示如下：M0'＝[I,C1,R,Pm,C2,R,Pm,C3,R,Fc1,R,Fc2,S,Lcls]其中，符號“[]”表示模型M0由括號內的層按順序組合構成，I表示數據輸入層，C1表示第1個卷積層，C2表示第2個卷積層，C3表示第3個卷積層，Pm表示最大池化層，R表示激活函數層，Fc1表示第1個全連接層，Fc2表示第2個全連接層，S表示柔性最大層，Lcls表示分類損失函數層，其定義為gj表示輸入數據中第j個輸入樣本的真實分類標簽，prj表示輸入數據中的第j個輸入樣本的類別預測概率值。3.根據權利要求1所述的基于卷積神經網絡的SAR圖像目標檢測方法，其中步驟1b)中基于分類模型M0設計第一個待訓練卷積神經網絡模型M1，其表示如下： M 1 = [ I , C 1 , R , Pm 1 , C 2 , R , Pm 2 , C 3 , R , C 4 , R , [ C 5 , S , L c l s ] [ C 6 , L r e g ] ] ]]>其中，符號“[]”表示模型M1由括號內的層按順序組合構成，符號“{”表示兩部分為并列關系，I表示數據輸入層，C1表示第1個卷積層，C2表示第2個卷積層，C3表示第3個卷積層，C4表示第4個卷積層，C5表示第5個卷積層，C6表示第6個卷積層，Pm表示最大池化層，R表示激活函數層，Fc1表示第1個全連接層，Fc2表示第2個全連接層，S表示柔性最大層，Lcls表示分類損失函數層，其定義為gj表示輸入數據中第j個輸入樣本的真實分類標簽，prj表示輸入數據中的第j個輸入樣本的類別預測概率值，Lreg表示邊框回歸損失函數，其定義為其中，表示第j個目標區域的坐標值，表示第j個目標區域的左上點坐標值，表示第j個目標區域的右下點坐標值，表示模型第j個候選區域的預測坐標值，表示第j個候選區域的左上點坐標值，表示第j個候選區域的右...

【專利技術屬性】
技術研發人員：杜蘭，劉彬，毛家順，代慧，劉宏偉，
申請(專利權)人：西安電子科技大學，西安中電科西電科大雷達技術協同創新研究院有限公司，
類型：發明
國別省市：陜西;61