本發(fā)明屬于雷達(dá)目標(biāo)檢測識(shí)別，具體涉及一種融合像素級(jí)先驗(yàn)知識(shí)與模板匹配的sar目標(biāo)檢測方法。

背景技術(shù)：

1、相較于紅外、光學(xué)等傳感器，?sar是一種主動(dòng)微波遙感雷達(dá)，可以全天時(shí)、全天候的進(jìn)行工作。此外，sar具備高分辨率，并能夠穿透地面植被，因此在偽裝識(shí)別和遮蔽物穿透方面表現(xiàn)出明顯的優(yōu)勢，被廣泛應(yīng)用于軍事和民用領(lǐng)域。隨著sar系統(tǒng)和成像算法逐漸成熟，作為sar圖像解譯的重要步驟之一，如何從sar圖像中快速并準(zhǔn)確地檢測出目標(biāo)，是目前的技術(shù)研究熱點(diǎn)。

2、近年來，隨著深度學(xué)習(xí)理論的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neuralnetwork,?cnn）在圖像識(shí)別檢測中對(duì)于不同的事物特征表現(xiàn)較好，多用于描述圖像的深層特征。目前基于cnn的目標(biāo)檢測網(wǎng)絡(luò)主要分為兩階段方法和一階段方法兩類。兩階段方法是將目標(biāo)檢測任務(wù)分為候選區(qū)域提取和目標(biāo)分類回歸，如區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（regionconvolution?neural?network,?rcnn）、fast-rcnn和faster-rcnn等算法；而一階段方法則是直接利用網(wǎng)絡(luò)提取特征來預(yù)測目標(biāo)的類別和位置信息，如單步多框檢測器（single?shotmultibox?detector,?ssd)和“你只看一次”（you?only?look?once,?yolo）系列算法。

3、由于兩階段方法需要進(jìn)行候選區(qū)域提取，在獲得較高檢測精度的同時(shí)會(huì)降低檢測速度，難以滿足部分實(shí)際應(yīng)用場景下的需求。而一階段目標(biāo)檢測方法由于未引入候選區(qū)域的過程，可能檢測效果降低。其次，由于大場景檢測數(shù)據(jù)較少，提取困難，較少的數(shù)據(jù)量會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的過程中出現(xiàn)過擬合現(xiàn)象，導(dǎo)致訓(xùn)練模型的泛化性較弱，在實(shí)際工程應(yīng)用中存在著一定的局限性。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為解決上述問題，本發(fā)明提出一種融合像素級(jí)先驗(yàn)知識(shí)與模板匹配的sar目標(biāo)檢測方法，在模型訓(xùn)練過程中可以避免使用場景圖中目標(biāo)的位置和周圍背景信息的不確定性以及大場景檢測數(shù)據(jù)量少引起的過擬合問題，可以根據(jù)sar目標(biāo)在像素級(jí)中表現(xiàn)出來的強(qiáng)散射性特點(diǎn)精確定位目標(biāo)所在位置，將得到的目標(biāo)信息投影至待檢測圖像中提取目標(biāo)切片。進(jìn)而使用已訓(xùn)練好的分類模型進(jìn)行分類并與提供的目標(biāo)模板進(jìn)行特征匹配得到目標(biāo)所在原始場景中位置和類別信息。

2、技術(shù)方案：本發(fā)明所述的一種融合像素級(jí)先驗(yàn)知識(shí)與模板匹配的sar目標(biāo)檢測方法，包括以下步驟：

3、s1：根據(jù)sar圖像中目標(biāo)切片的數(shù)據(jù)集，獲取目標(biāo)在切片圖像中表現(xiàn)出的像素級(jí)先驗(yàn)知識(shí)；

4、s2：根據(jù)目標(biāo)在sar圖像中較強(qiáng)的散射強(qiáng)度特性，通過滑動(dòng)窗遍歷全景圖來判斷滑動(dòng)窗所在區(qū)域中滿足s1像素級(jí)先驗(yàn)知識(shí)的位置信息；

5、s3：對(duì)s2中得到的位置信息進(jìn)行k-means聚類得到中心位置坐標(biāo)；

6、s4：為避免s2中滑動(dòng)窗臨近區(qū)域存在重疊部分導(dǎo)致同一目標(biāo)在聚類后得到的目標(biāo)中心點(diǎn)臨近問題，使用網(wǎng)格距離抑制對(duì)s3中預(yù)測中心位置坐標(biāo)進(jìn)行篩選；

7、s5：加載已訓(xùn)練完成的分類網(wǎng)絡(luò)最優(yōu)權(quán)重，提取全景圖中預(yù)測目標(biāo)并送入分類網(wǎng)絡(luò)進(jìn)行識(shí)別；

8、s6：對(duì)s5中分類網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行非極大值抑制處理，去除同類目標(biāo)檢測出的冗余框，對(duì)檢測結(jié)果進(jìn)行優(yōu)化；

9、s7：對(duì)非極大值抑制處理后的檢測結(jié)果進(jìn)行sift特征匹配，濾除背景雜波對(duì)預(yù)測結(jié)果的干擾；

10、s8：根據(jù)s7后的最終預(yù)測信息計(jì)算檢測性能并繪制檢測結(jié)果圖。

11、進(jìn)一步地，所述s1實(shí)現(xiàn)過程如下：

12、目標(biāo)切片圖中包含個(gè)像素點(diǎn)，統(tǒng)計(jì)各類目標(biāo)所有切片的平均像素點(diǎn)強(qiáng)度信息均值，且對(duì)應(yīng)的圖像強(qiáng)度信息表示為：

13、；

14、式中，為每類目標(biāo)的切片圖總數(shù)，為目標(biāo)切片的高度，為目標(biāo)切片寬度，第個(gè)目標(biāo)處的像素值為。

15、進(jìn)一步地，所述s2實(shí)現(xiàn)過程如下：

16、在目標(biāo)大小為、滑動(dòng)窗口大小為的條件下提取到的相鄰切片重疊度需滿足如下要求：

17、；

18、根據(jù)s1中得到的目標(biāo)像素級(jí)先驗(yàn)知識(shí)，當(dāng)前滑動(dòng)窗所在區(qū)域的圖像強(qiáng)度信息需滿足：

19、；

20、其中，為類別的像素級(jí)先驗(yàn)知識(shí)，為目標(biāo)類別個(gè)數(shù)，。

21、進(jìn)一步地，所述s3實(shí)現(xiàn)過程如下：

22、選擇個(gè)像素點(diǎn)作為初始聚類中心；將每個(gè)像素點(diǎn)分配給最近的聚類中心；

23、對(duì)于數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)，計(jì)算其與每個(gè)聚類中心的距離，并將其分配給距離最近的聚類中心；使用歐氏距離作為距離度量，計(jì)算公式如下：

24、；

25、式中，是位置信息為的像素點(diǎn)，為第個(gè)聚類中心，其位置信息為；

26、對(duì)于每個(gè)聚類，重新計(jì)算其聚類中心；新的聚類中心是該聚類內(nèi)所有像素點(diǎn)的均值，計(jì)算公式如下：

27、；

28、式中，為第個(gè)聚類的像素點(diǎn)集合，為該集合中像素點(diǎn)的數(shù)量。

29、進(jìn)一步地，所述s4實(shí)現(xiàn)過程如下：

30、在給定的網(wǎng)格大小和距離閾值的條件下對(duì)得到的目標(biāo)預(yù)測中心點(diǎn)進(jìn)一步篩選，首先對(duì)目標(biāo)預(yù)測中心點(diǎn)選擇任一維度進(jìn)行排序，計(jì)算當(dāng)前網(wǎng)格區(qū)域內(nèi)的目標(biāo)預(yù)測中心點(diǎn)之間的距離；通過遍歷計(jì)算各點(diǎn)之間的距離并設(shè)置距離閾值將其分為緊湊點(diǎn)集和離散點(diǎn)集；最后保留離散點(diǎn)集，而對(duì)于緊湊點(diǎn)集則取像素點(diǎn)位置信息的均值；通過網(wǎng)格距離篩選實(shí)現(xiàn)對(duì)滑動(dòng)窗重疊部分引入的目標(biāo)預(yù)測中心點(diǎn)位置臨近的問題進(jìn)行抑制；

31、網(wǎng)格距離篩選調(diào)整了目標(biāo)預(yù)測中心位置信息，需對(duì)所在區(qū)域進(jìn)行檢測，驗(yàn)證是否仍滿足像素級(jí)先驗(yàn)知識(shí)，滿足則保留。

32、進(jìn)一步地，所述s5實(shí)現(xiàn)過程如下：

33、以resnet50為主干網(wǎng)絡(luò)結(jié)構(gòu)的分類網(wǎng)絡(luò)模型，在目標(biāo)識(shí)別部分需創(chuàng)建分類網(wǎng)絡(luò)并加載訓(xùn)練好的模型權(quán)重；根據(jù)預(yù)測目標(biāo)中心位置和滑動(dòng)窗尺寸大小，在全景圖中提取檢測到的目標(biāo)切片并送入分類網(wǎng)絡(luò)中進(jìn)行識(shí)別。

34、進(jìn)一步地，所述s6實(shí)現(xiàn)過程如下：

35、采用非極大值抑制對(duì)存在重疊部分的預(yù)測框進(jìn)行進(jìn)一步篩選，依據(jù)預(yù)測框的置信度將所有的預(yù)測框進(jìn)行排序，選擇置信度最高的檢測框，并將交并比iou超過閾值的預(yù)測框進(jìn)行抑制；其中iou計(jì)算如下：

36、；

37、式中，和為兩個(gè)預(yù)測框，表示目標(biāo)預(yù)測框a與目標(biāo)預(yù)測框的交集區(qū)域，表示目標(biāo)預(yù)測框a與目標(biāo)預(yù)測框的并集區(qū)域。

38、進(jìn)一步地，所述s7實(shí)現(xiàn)過程如下：

39、sift算法通過建立dog高斯差分金字塔，利用不同尺度的高斯差分函數(shù)來識(shí)別圖片中對(duì)于尺度和旋轉(zhuǎn)不變的關(guān)鍵點(diǎn)；根據(jù)關(guān)鍵點(diǎn)的梯度方向信息，對(duì)關(guān)鍵點(diǎn)進(jìn)行精確定位，進(jìn)而實(shí)現(xiàn)兩幅圖中的關(guān)鍵點(diǎn)特征匹配；

40、圖像的尺度空間定義為一個(gè)變化尺度的高斯函數(shù)和原圖像的卷積；即：

41、；

42、；

43、式中，、為高斯維度，為圖像像素位置，為尺度空間因子；

44、圖像的dog高斯差分金子塔實(shí)現(xiàn)如下：

45、；

46、式中，為比例系數(shù)，即為更新后的空間尺度因子。

47、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：本發(fā)明一方面根據(jù)目標(biāo)在sar圖像中像素級(jí)先驗(yàn)知識(shí)得到預(yù)測目標(biāo)位置信息，避免了在兩階段檢測方法中生成不同大小的目標(biāo)候選區(qū)域帶來的時(shí)間損耗；另一方面，通過目標(biāo)的切片圖進(jìn)行分類網(wǎng)絡(luò)的訓(xùn)練，根據(jù)像素級(jí)先驗(yàn)知識(shí)提取全景圖的預(yù)測目標(biāo)并利用分類網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別，避免了檢測網(wǎng)絡(luò)在訓(xùn)練過程中對(duì)目標(biāo)周圍的背景和位置信息的學(xué)習(xí)，提高了檢測網(wǎng)絡(luò)的適用性。