一种基于融合卷积神经网络的SAR图像目标检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于融合卷积神经网络的SAR图像目标检测方法。

背景技术

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。

SAR(Synthetic Aperture Radar)，即合成孔径雷达，是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力。因此，SAR系统在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面的应用上具有独特的优势，可发挥其他遥感手段难以发挥的作用，因此越来越受到世界各国的重视。

双参数恒虚警(Constant False Alarm Rate，CFAR)检测算法是当前最常用的SAR图像目标检测算法，该算法要求目标与背景噪声有较大的强度差异，而且需要假定背景杂噪声服从高斯分布,同时算法中的具体参数设定需要考虑目标的尺寸信息。该算法在简单的场景中有着相对广泛的使用，但是无法满足复杂场景的需求。

近些年来，卷积神经网络在大规模视觉识别任务中有着出色的表现，在ImageNet数据集上的表现甚至已经超过了人类，大量的研究工作者开始将卷积模型成功的应用在检测任务上。Ross B.Girshick首先提出了R-CNN27I检测模型，利用择优搜索技术(SelectiveSearch，SS)在复杂的SAR图像中选择大量的疑似目标切片，然后给所有切片提取卷积特征，再使用学习好的SVM28分类器对其类别判定，即可得到最终的检测结果。研究人员对R-CNN检测模型做了更进一步的优化，提出了流程更加完善的Fast R-CNN检测模型，减少了R-CNN模型中不必要的重复计算，提高了检测方法的执行速度。为了提升切片选择方法的速度，Kaiming He等研究人员将得到疑似目标切片的步骤也利用卷积网络来执行，提出了经典的Faster R-CNNl30l检测模型，使得目标检测方法运算效率很好优化的同时提升了整个模型的检测性能。

根据Faster R-CNN检测模型来对复杂的SAR图像完成目标检测，存在训练数据的缺少以及模型训练困难的问题。为解决上述问题，我们提出了一种基于融合卷积神经网络的SAR图像目标检测方法。

发明内容

本发明的目的是为了解决背景技术中的问题，而提出的一种基于融合卷积神经网络的SAR图像目标检测方法。

为了实现上述目的，本发明采用了如下技术方案：一种基于融合卷积神经网络的SAR图像目标检测方法，使检测模型更好收敛，利用相对完备的分类数据集训练分类模型，再利用该模型对切片选择模型和检测模型作参数初始化，具体步骤如下：

(1)基于现有分类数据设计卷积神经网络分类模型；

(1a)搭建卷积神经网络；

(1b)设置卷积神经网络参数；

(2)设置步骤(1)中模型输入数据大小；

(3)扩充检测数据；

(3a)对新添加的扩充样本进行的尺寸调整，使目标样本集与扩充数据集中目标大小大致相当；

(3b)保持目标样本与扩充样本数据量比为1:2；

(4)通过切片选择模型获取大量目标切片以及通过检测模型进行判定和尺寸调整；

(5)完成切片选择模型的学习；

(6)在最后卷积层获取输入图像对应的卷积特征图，根据该模型的映射关系计算所有切片在卷积特征图中对应的特征趋于，并对所有切片特征执行ROI池化操作，将统一尺寸的特征图输入分类判定函数和尺寸调整函数；

(7)通过循环训练法使两个模型共享卷积层特征。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，步骤(1a)中的所述卷积神经网络由3个卷积层、2个最大池化层、2个全连接层、柔性最大值函数以及损失函数构成。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，步骤(1b)中的所述设置卷积神经网络参数如下：第一个卷积层的卷积核个数为64，尺寸为11*11，滑动步幅为2个像素；第二个卷积层个数的为128，尺寸为7*7，滑动步幅为1个像素；第三个卷积层的卷积核个数为256，尺寸为3*3，滑动步幅为1个像素；两个最大池化层的滑动窗大小为3，滑动步长为2；两个全连接层的维度分别为256、3；柔性最大值函数以及负对数损失函数位于模型最后。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，所述模型中全部卷积层以及第一个全连接层均使用非线性激活函数和批规范化操作。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，步骤(2)中的数据大小设置为128*128*128。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，步骤(4)中的所述切片选择模型的构建步骤如下：

卷积层与参数初始化模型保持一致；

将参数初始化模型中的第一个全连接层替换为卷积核尺寸为3*3，滑动步幅为1的卷积层；

将参数初始化模型中的第二全连接层用两个并联的卷积层替换。

在上述的基于融合卷积神经网络的SAR图像目标检测方法中，步骤(4)中的所述检测模型的构建步骤如下：

参数初始化模型中的全部卷积层保持不变；

在最后一个卷积层与第一个全连接层之间加入Rol Pooling层；

用两个并联的全连接层替换分类模型中最后一个全连接层。

与现有的技术相比，本基于融合卷积神经网络的SAR图像目标检测方法的优点在于：

本发明提出了利用扩充样本来辅助模型训练的卷积神经网络SAR图像目标检测方法，利用扩充样本训练一个参数初始化模型；对扩充样本做适当的尺寸变换处理，与目标域样本联合构成训练数据集,再利用循环训练法得到可以共享全部卷积层的切片选择模型和检测模型；辅助训练策略可以帮助模型更好的收敛,算法具备有效性。

附图说明

图1为本发明提出的一种基于融合卷积神经网络的SAR图像目标检测方法的流程图。

图中：本发明提出了利用扩充样本来辅助模型训练的卷积神经网络SAR图像目标检测方法，利用扩充样本训练一个参数初始化模型；对扩充样本做适当的尺寸变换处理，与目标域样本联合构成训练数据集,再利用循环训练法得到可以共享全部卷积层的切片选择模型和检测模型；辅助训练策略可以帮助模型更好的收敛,算法具备有效性。

具体实施方式

以下实施例仅处于说明性目的，而不是想要限制本发明的范围。

实施例

参照图1，一种基于融合卷积神经网络的SAR图像目标检测方法，使检测模型更好收敛，利用相对完备的分类数据集训练分类模型，再利用该模型对切片选择模型和检测模型作参数初始化，具体步骤如下：

(1)基于现有分类数据设计卷积神经网络分类模型；

(1a)搭建卷积神经网络；

步骤(1a)中的卷积神经网络由3个卷积层、2个最大池化层、2个全连接层、柔性最大值函数以及损失函数构成。

(1b)设置卷积神经网络参数；

步骤(1b)中的设置卷积神经网络参数如下：第一个卷积层的卷积核个数为64，尺寸为11*11，滑动步幅为2个像素；第二个卷积层个数的为128，尺寸为7*7，滑动步幅为1个像素；第三个卷积层的卷积核个数为256，尺寸为3*3，滑动步幅为1个像素；两个最大池化层的滑动窗大小为3，滑动步长为2；两个全连接层的维度分别为256、3；柔性最大值函数以及负对数损失函数位于模型最后。

模型中全部卷积层以及第一个全连接层均使用非线性激活函数和批规范化操作。

(2)设置步骤(1)中模型输入数据大小；

步骤(2)中的数据大小设置为128*128*128。第一个128代表输入数据的每一批次中包含128个图像，后面两个128表示图像的长和宽。卷积层与连接层保持相同的学习速率，且基础学习率为0.01

(3)扩充检测数据；

(3a)对新添加的扩充样本进行的尺寸调整，使目标样本集与扩充数据集中目标大小大致相当；

(3b)保持目标样本与扩充样本数据量比为1:2；

扩充检测数据的意义在于：目标样本集与扩充样本集中的目标大小存在一定的差异，如果对扩充样本不做任何处理用于训练检测模型,检测模型在训练过程中会学习到扩充样本提供的目标大小信息，对目标样本集提供的目标尺寸信息造成影响，从而造成检测模型的训练出现错误；采用不同数据源的样本来扩充训练样本集，虽然会给模型训练提供一定的有用信息，同时也会引入新的杂波数据，如果对于扩充样本的数量不加以控制，会导致检测模型无法有效的从检测数据集中获取有用信息。

(4)通过切片选择模型获取大量目标切片以及通过检测模型进行判定和尺寸调整；

步骤(4)中的切片选择模型的构建步骤如下：

卷积层与参数初始化模型保持一致；

将参数初始化模型中的第一个全连接层替换为卷积核尺寸为3*3，滑动步幅为1的卷积层；

将参数初始化模型中的第二全连接层用两个并联的卷积层替换。

减少切片选择模型得到的切片之间存在较多的重叠区域，避免给后续检测模型带来大量的重复计算。

步骤(4)中的检测模型的构建步骤如下：

参数初始化模型中的全部卷积层保持不变；

在最后一个卷积层与第一个全连接层之间加入Rol Pooling层；

用两个并联的全连接层替换分类模型中最后一个全连接层。

(5)完成切片选择模型的学习；

通过就基础学习速率为0.001，阶梯式学习，在若干次迭代后将学习率调整为当前学习率的1/10，再循环迭代若干次后完成模型学习。

(6)在最后卷积层获取输入图像对应的卷积特征图，根据该模型的映射关系计算有切片在卷积特征图中对应的特征趋于，并对有切片特征执行ROI池化操作，将统一尺寸的特征图输入分类判定函数和尺寸调整函数；

(7)通过循环训练法使两个模型共享卷积层特征，提高模型检测效率以及检测精度。

本发明提出了利用扩充样本来辅助模型训练的卷积神经网络SAR图像目标检测方法，利用扩充样本训练一个参数初始化模型；对扩充样本做适当的尺寸变换处理，与目标域样本联合构成训练数据集,再利用循环训练法得到可以共享全部卷积层的切片选择模型和检测模型；辅助训练策略可以帮助模型更好的收敛,算法具备有效性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。