空间信息保持与多尺度融合的SAR飞机检测系统

本发明涉及目标检测，更具体地说，本发明涉及空间信息保持与多尺度融合的sar飞机检测系统。

背景技术：

1、现有的sar遥感图像飞机目标检测技术在实际应用中面临着一些问题。首先，传统卷积神经网络采用的标准下采样策略在处理sar图像中的飞机小目标时存在致命缺陷，特别是在监测大型国际机场时，远距离停放的小型私人飞机或部分遮挡的飞机往往因像素占比极低而在网络的多次下采样过程中逐渐丢失关键的空间细节信息，导致这些重要目标无法被有效识别。其次，sar图像固有的相干斑噪声、复杂的电磁散射机制以及机场环境中密集分布的金属建筑物、停机坪设施等强散射体会产生大量的虚假回波和背景杂波，现有检测方法缺乏针对这些sar特有干扰的专门处理机制，经常将停机坪上的地勤设备误认为飞机目标，或者将真实的飞机当作背景噪声而漏检。传统的边界框回归损失函数主要基于几何重叠度设计，完全忽略了sar图像中目标的物理散射特性，而飞机在sar图像中的散射模式极为复杂，机身、机翼、尾翼的散射中心往往不连续且与视觉边界不完全对应，基于几何iou的回归优化往往导致预测框与真实物理目标之间存在显著偏差。最后，现有训练策略普遍采用固定的超参数配置，没有考虑到sar图像特征学习的复杂性和阶段性特点，在面对不同雷达频段、不同成像几何条件等多变的实际应用场景时，模型往往需要针对特定条件重新训练，缺乏自适应学习能力。

2、鉴于此，本发明提出空间信息保持与多尺度融合的sar飞机检测系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：空间信息保持与多尺度融合的sar飞机检测系统，包括：

2、图像输入模块，用于获取sar遥感图像；

3、特征提取网络，包括：

4、下采样处理单元，用于将sar遥感图像输入至预设的特征提取网络，在特征提取网络的下采样阶段，对sar遥感图像的特征图执行空间维度重排与跨通道差分保持操作，生成空间细节保持特征图；

5、特征增强处理单元，用于在特征提取网络的特征增强阶段，对空间细节保持特征图执行频域自适应抑制与多尺度上下文聚合操作，生成目标显著性增强特征图；

6、特征融合网络，用于对多层级输出的目标显著性增强特征图执行特征解耦与双向动态路由融合操作，生成多尺度融合特征；

7、检测头模块，用于接收多尺度融合特征并输出预测边界框与类别置信度；

8、优化处理器，用于基于散射不确定性感知边界框回归损失函数对预测边界框进行优化，输出sar飞机目标检测结果。

9、进一步地，对sar遥感图像的特征图执行空间维度重排与跨通道差分保持操作，生成空间细节保持特征图，包括：

10、对输入的特征图按照预设步长执行空间到深度的维度重排，将相邻空间像素重排至通道维度，得到空间重排特征图；

11、计算空间重排特征图中相邻通道之间的差分绝对值，生成跨通道差分特征图；

12、对跨通道差分特征图进行归一化处理，生成空间细节增强掩码，并将空间细节增强掩码与空间重排特征图进行逐元素相乘，得到掩码调制特征图；

13、对掩码调制特征图执行卷积运算与非线性激活，将通道维度信息融合并映射回目标空间分辨率，输出空间细节保持特征图。

14、进一步地，对空间细节保持特征图执行频域自适应抑制与多尺度上下文聚合操作，生成目标显著性增强特征图，包括：

15、对空间细节保持特征图进行频域变换，将特征图从空间域转换至频域，分离为低频分量与高频分量；

16、计算低频分量的能量分布统计值，基于能量分布统计值自适应生成频域掩码，利用频域掩码抑制低频分量中的相干斑噪声基底，并保留高频分量中的散射结构信息；

17、将抑制后的低频分量与保留的高频分量进行频域逆变换，得到频域滤波特征图；

18、采用具有不同膨胀率的多个卷积分支对频域滤波特征图并行提取多尺度上下文特征，并通过通道注意力机制对多尺度上下文特征进行加权聚合，输出目标显著性增强特征图。

19、进一步地，对多层级输出的目标显著性增强特征图执行特征解耦与双向动态路由融合操作，生成多尺度融合特征，包括：

20、将每级目标显著性增强特征图输入特征解耦单元，分离出空间边界特征向量与语义统计特征向量；

21、分别计算不同层级的空间边界特征向量的局部方差，以及语义统计特征向量的全局方差，并基于局部方差与全局方差对对应的特征向量执行尺度归一化操作，得到归一化空间特征与归一化语义特征。

22、进一步地，生成多尺度融合特征，还包括：

23、构建自底向上与自顶向下的双向特征传递路径；

24、在自底向上路径中，将浅层归一化空间特征向深层传递，并与深层的归一化空间特征进行拼接融合；

25、在自顶向下路径中，将深层归一化语义特征向浅层传递，并与浅层的归一化语义特征进行拼接融合；

26、在每次特征融合的节点处，基于参与融合的各特征向量的尺度方差动态计算特征融合权重，并依据特征融合权重对拼接后的特征执行加权求和与通道降维，输出多尺度融合特征。

27、进一步地，基于散射不确定性感知边界框回归损失函数对预测边界框进行优化，包括：

28、计算预测边界框与真实标注边界框之间的几何重叠度与中心点距离；

29、提取预测边界框与真实标注边界框在原始sar遥感图像中覆盖区域的像素散射强度分布，分别计算预测区域与真实区域的散射强度均值偏移量与散射强度方差比值；

30、基于均值偏移量与方差比值构建散射一致性惩罚项，散射一致性惩罚项用于量化目标散射中心偏移与散射能量扩散引起的框选不确定性；

31、结合几何重叠度、中心点距离以及散射一致性惩罚项，计算散射不确定性感知边界框回归损失，并通过反向传播更新模型参数。

32、进一步地，在输出sar飞机目标检测结果之前，还包括：

33、基于检测头输出的预测边界框与类别置信度，生成候选检测框集合；

34、对于候选检测框集合中重叠度大于预设阈值的候选检测框对，提取其在原始sar遥感图像中对应区域的散射中心坐标集合，并计算散射中心坐标集合的几何质心偏差；

35、若几何质心偏差小于预设偏差阈值，则保留类别置信度较高的候选检测框；

36、若几何质心偏差大于或等于预设偏差阈值，则计算候选检测框对中各候选框内像素的散射强度均值，并保留散射强度均值最大的候选检测框，以滤除由强散射杂波引起的误检框。

37、进一步地，在模型训练阶段，还包括：

38、根据当前训练迭代轮数占总体迭代轮数的进度比例，动态调整特征处理与损失计算的配置参数；

39、当进度比例小于预设进度阈值时，降低跨通道差分保持操作中的增强掩码增益系数，降低频域自适应抑制操作中的低频掩码抑制比例，并提高散射不确定性感知边界框回归损失中散射一致性惩罚项的权重系数；

40、当进度比例大于或等于预设进度阈值时，提高增强掩码增益系数，提高低频掩码抑制比例，并降低散射一致性惩罚项的权重系数，以实现从全局特征学习到局部细节与物理特性优化的渐进式收敛。

41、本发明空间信息保持与多尺度融合的sar飞机检测系统的技术效果和优点：

42、本发明提升了sar遥感图像飞机目标检测的整体性能和实用性。在小目标识别方面，本发明有效解决了传统方法对低像素占比飞机目标的漏检问题，能够准确识别远距离小型飞机、部分遮挡的飞机以及复杂背景中的无人机等关键目标。在复杂环境处理方面，本发明大幅增强了系统在相干斑噪声、强散射杂波和密集机场环境中的检测鲁棒性，能够有效区分真实飞机目标与地勤设备、建筑物等干扰源，显著降低误检率的同时提高了对弱散射目标的感知能力。其次，本发明实现了对不同尺寸飞机的均衡检测，克服了大小目标相互干扰的问题，确保从大型客机到小型飞机都能获得稳定可靠的检测效果。本发明充分利用sar图像的散射物理特性，使预测边界框能够更准确地对应真实目标，特别是对散射结构复杂、轮廓模糊的飞机也能实现精确定位。