一种基于多尺度SAR图像的舰船快速检测方法与系统与流程

本发明属于遥感目标检测，尤其涉及一种基于多尺度sar图像的舰船快速检测方法与系统。

背景技术：

1、合成孔径雷达(synthetic aperture radar,sar)是一种能够全天时、全天候工作的主动式传感器，对大气层有着极其强的穿透力，能够在外界天气环境恶劣的情况下获取高分辨率图像，广泛应用于航空遥感、海洋观测等领域。利用sar图像对海上舰船目标进行检测是近年来的研究热点问题。作为海洋资源丰富、海面辽阔的超级大国，舰船检测和识别对我国经济、政治、军事的发展有着至关重要的意义。然而，由于sar特殊的成像机理，导致sar舰船检测在内陆地区会出现过多虚警，因此复杂场景下的sar舰船检测是一项富有挑战性的工作。

2、目前舰船检测的方法主要分为基于特征工程的方法和基于深度学习的方法。在基于特征工程的方法中，常用的恒虚警率(constant false-alarm rate,cfar)算法可以对潜在区域进行提取，但是其需要预先进行海陆分割并且严重依赖于杂波的统计分布，使得近岸舰船检测精度受到限制。

3、近年来，随着深度学习的迅速发展，卷积神经网络被广泛应用于物体识别、目标检测等多种计算机视觉领域，并取得了卓越的效果。深度学习的优势在于其强大的判断能力和特征自提取能力，相比于传统人工设计特征的方法，深度学习的核心思想在于数据驱动，尽可能减少人为干预和假设。在基于深度学习的sar舰船检测研究中，为了保证检测精度，通常选用双阶段检测网络，而该网络一定程度上限制了舰船的检测速度；相比之下，一般单阶段网络在检测速度上占有优势，但是由于没有区域候选网络(rpn网络)对候选检测框进行精炼，导致检测精度通常情况下低于双阶段的方法。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于多尺度sar图像的舰船快速检测的技术方案。

2、本发明第一方面公开了一种基于多尺度sar图像的舰船快速检测方法；该方法包括：

3、获取用于舰船检测的sar图像数据集，该sar图像数据集包括sar图像训练数据集、sar图像验证数据集、和sar图像测试数据集，该sar图像数据集包括多尺度sar图像，该多尺度sar图像为不同尺寸和不同分辨率的舰船sar图像；

4、使用随机裁剪、翻转、和/或调整对比度的三种方式对该sar图像数据集进行增强和扩充；

5、构建单阶段检测网络，该单阶段检测网络包括：特征提取模块、多尺度特征自适应融合模块、空间注意力模块(fcos)、以及fcos中的检测模块；

6、使用该sar图像训练数据集对该单阶段检测网络进行训练，用以完成该单阶段检测网络的训练；使用该sar图像验证数据集对该单阶段检测网络进行验证，用以完成该单阶段检测网络的验证；

7、将用于舰船检测的测试数据集输入到该单阶段检测网络，完成基于多尺度sar图像的舰船检测。

8、根据本发明第一方面的方法，在该单阶段检测网络中的特征提取模块：通过单阶段检测网络中的主干网络以及特征金字塔结构对输入的不同尺度sar图像进行特征提取，获得不同尺度sar图像的特征；

9、在该单阶段检测网络中的多尺度特征自适应融合模块，对不同尺度sar图像的特征进行自适应融合，获得融合后的sar图像特征；

10、在该单阶段检测网络中的空间注意力模块对获得融合后的sar图像特征进行增强，并对该单阶段检测网络中的特征金字塔进行均衡；

11、通过该单阶段检测网络的fcos中的检测模块获得多尺度sar图像的舰船检测结果。

12、根据本发明第一方面的方法，在该特征提取模块的特征提取的过程中，主干网络各层特征图{c2，c3，c4，c5}通过特征金字塔结构得到多层特征图{p2，p3，p4，p5}，其中p5通过卷积层得到特征图p6。

13、根据本发明第一方面的方法，在该多尺度特征自适应融合过程中，为不同层特征{p2，p3，p4，p5，p6}设置可学习的权重参数(a2，a3，a4，a5，a6)，将{p2，p3，p5，p6}调整到与特征图p4一样的大小后，融合的特征f的计算过程为：

14、

15、其中，0＜ε≤0.0001，用以防止出现数值不稳定问题。

16、根据本发明第一方面的方法，在该空间注意力模块中，对融合后的sar图像特征f∈rc×h×w进行增强，其中，通道数为c、每个通道图像的高度和宽度分别为h和w，沿着f的通道维度进行最大池化和平均池化后得到pmax，pavg∈r1×h×w，将pmax和pavg拼接后经过3×3卷积得到fsa，进而输出显著特征图其中代表像素级相乘；将f′各维度大小分别调整到与{p2，p3，p4，p5，p6}中的p2、p3、p4、p5、p6一致的维度后分别相加，分别得到p′i(i＝2，...，6)，获得融合与均衡后的sar图像特征，将融合与均衡后的sar图像特征输入到fcos模块。

17、根据本发明第一方面的方法，获取用于舰船检测的sar图像数据集的过程为：

18、获取大尺寸场景的sar图像舰船数据集，分别截取sar图像舰船数据集中的每个sar图像中包含有舰船高度和舰船宽度的固定区域，获得截取后的sar图像舰船数据集，将截取后的sar图像舰船数据集转存为栅格图像，以三通道形式进行存储；对截取后的sar图像舰船数据集进行标签同步：将截取后的sar图像舰船数据集中的每个包含舰船矩形框的左上角坐标和右下角坐标进行存储。

19、根据本发明第一方面的方法，对单阶段检测网络的训练损失函数包括分类损失函数和回归损失函数，分类损失函数采用focal loss，回归损失函数采用iou loss。

20、根据本发明第一方面的方法，采用非极大值抑制算法对该单阶段检测网络输出的大量检测框进行抑制，得到最终的多尺度sar图像的舰船检测结果。

21、本发明第二方面公开了一种基于多尺度sar图像的舰船快速检测系统；该系统包括：

22、第一处理模块，被配置为，获取用于舰船检测的sar图像数据集，该sar图像数据集包括sar图像训练数据集、sar图像验证数据集、和sar图像测试数据集，该sar图像数据集包括多尺度sar图像，该多尺度sar图像为不同尺寸和不同分辨率的舰船sar图像；

23、第二处理模块，被配置为，使用随机裁剪、翻转、和/或调整对比度的三种方式对该sar图像数据集进行增强和扩充；

24、第三处理模块，被配置为，构建单阶段检测网络，该单阶段检测网络包括：特征提取模块、多尺度特征自适应融合模块、空间注意力模块(fcos)、以及fcos中的检测模块；

25、第四处理模块，被配置为，使用该sar图像训练数据集对该单阶段检测网络进行训练，用以完成该单阶段检测网络的训练；使用该sar图像验证数据集对该单阶段检测网络进行验证，用以完成该单阶段检测网络的验证；

26、第五处理模块，被配置为，将用于舰船检测的测试数据集输入到该单阶段检测网络，完成基于多尺度sar图像的舰船检测。

27、根据本发明第二方面的系统，用于实现本公开第一方面中任一项的一种基于多尺度sar图像的舰船快速检测方法中的步骤。

28、本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于多尺度sar图像的舰船快速检测方法中的步骤。

29、本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于多尺度sar图像的舰船快速检测方法中的步骤。

30、综上，本发明提出的方案具备如下技术效果：本发明设计的单阶段网络结构，比双阶段检测方法具有更高的检测精度和速度。通过采用fcos中直接对检测框回归的方式，提升了检测速度，并同时消除人为设计的先验锚框对检测结果的影响；提出的多尺度自适应特征融合方式，对特征金字塔中不同层级的特征信息进行了平衡，提高了对多尺度舰船的检测能力；同时，空间注意力模块对目标特征进行增强，减少了内陆地区中的虚警目标，提高了检测精度。