基于深度学习的太赫兹SAR图像运动目标检测方法和装置

本发明涉及雷达，特别是涉及一种基于深度学习的太赫兹sar图像运动目标检测方法和装置。

背景技术：

1、合成孔径雷达（synthetic aperture radar，sar）具有全天时、全天候、高精度等特点，在遥感监测、灾害评估等领域具有广泛应用前景。太赫兹（terahertz，thz）频段指频率在0.1thz到10thz、之间的电磁波，对应波长为30μm-3mm，频率介于毫米波与红外光之间，相比传统频段sar具有更好准直性和更低的衍射性。因此在太赫兹sar图像中可形成更清晰可观测的目标阴影，目标阴影特性能有效反映目标的位置信息及运动状态。

2、然而，现有目标检测与跟踪方法主要针对可见光或传统微波sar图像设计，在处理太赫兹sar图像中的运动目标时存在诸多局限。一方面，传统的滑窗法、cfar检测等方法难以适应太赫兹图像中低信噪比、边缘模糊、形态不规则的目标阴影；另一方面，尽管近年来基于深度学习的目标检测算法取得了显著进展，但在面对太赫兹sar图像特有的纹理稀疏、对比度低等问题时，仍存在漏检率高、虚警多等缺陷。此外，现有跟踪算法在处理目标遮挡、快速运动等情况时易产生轨迹断裂或误匹配现象，导致整体系统稳定性不足。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升目标阴影检测精度与鲁棒性的基于深度学习的太赫兹sar图像运动目标检测方法和装置。

2、一种基于深度学习的太赫兹sar图像运动目标检测方法，所述方法包括：

3、构建目标检测模型，并预先设置损失函数；

4、获取数据集，所述数据集包括太赫兹sar图像及与所述太赫兹sar图像对应的标签；

5、将所述太赫兹sar图像输入所述目标检测模型，分别进行阴影边缘特征提取、深度卷积操作及阴影特征提取，得到阴影边缘增强特征、重组特征及阴影增强特征；将所述阴影边缘增强特征、所述重组特征及所述阴影增强特征进行融合处理，得到融合增强特征；

6、通过多级特征提取，得到不同尺度的融合增强特征；将不同尺度的融合增强特征进行融合处理，得到多尺度融合增强特征；对所述多尺度融合增强特征进行进一步处理融合后，输出检测结果；

7、基于检测结果与所述标签，通过所述损失函数计算误差，直至误差收敛，得到训练好的目标检测模型。

8、另一方面，还提供一种基于深度学习的太赫兹sar图像运动目标检测装置，包括：

9、模型构建模块，用于构建目标检测模型，并预先设置损失函数；

10、数据集获取模块，用于获取数据集，所述数据集包括太赫兹sar图像及与所述太赫兹sar图像对应的标签；

11、融合增强特征获取模块，用于将所述太赫兹sar图像输入所述目标检测模型，分别进行阴影边缘特征提取、深度卷积操作及阴影特征提取，得到阴影边缘增强特征、重组特征及阴影增强特征；将所述阴影边缘增强特征、所述重组特征及所述阴影增强特征进行融合处理，得到融合增强特征；

12、不同尺度特征图获取模块，用于通过多级特征提取，得到不同尺度的融合增强特征；将不同尺度的融合增强特征进行融合处理，得到多尺度融合增强特征；对所述多尺度融合增强特征进行进一步处理融合后，输出检测结果；

13、训练收敛模块，用于基于检测结果与所述标签，通过所述损失函数计算误差，直至误差收敛，得到训练好的目标检测模型。

14、相较于现有技术，本发明提供的基于深度学习的太赫兹sar图像运动目标检测方法和装置具有以下有益效果：

15、本发明针对性的进行阴影边缘特征提取与阴影特征提取，能精准捕捉太赫兹sar图像中目标的阴影区域边界及阴影特征，将阴影边缘增强特征、重组特征及阴影增强特征进行融合处理，能够使模型强化关注目标的阴影区域，对目标的特征识别更全面，显著提升检测性能，目标识别与定位更精准；通过多级特征提取得到不同尺度的融合增强特征，能够兼顾全局语义和局部细节，提升全尺度目标检测精度。本发明能够提升目标阴影检测精度与鲁棒性，模型泛化能力强，通过输出的检测结果，能够实现目标的连续跟踪。

1.一种基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，获取数据集包括：

3.根据权利要求1或2所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述目标检测模型包括主干网络；所述主干网络包括多级阴影特征复合增强模块；且各级阴影特征复合增强模块依次串联；

4.根据权利要求3所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述阴影特征复合增强模块包括并行的边缘特征增强模块、深度卷积模块及阴影注意力模块；

5.根据权利要求4所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述边缘特征增强模块对输入的太赫兹sar图像进行阴影边缘特征提取，得到阴影边缘增强特征，包括：

6.根据权利要求4所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述深度卷积模块对输入的太赫兹sar图像进行深度卷积操作，输出重组特征，包括：

7.根据权利要求4所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述阴影注意力模块对输入的太赫兹sar图像进行阴影特征提取，得到阴影增强特征，包括：

8.根据权利要求4至7任一项所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述目标检测模型还包括连接在主干网络后的颈部网络，以及连接在颈部网络后的检测头；

9.根据权利要求4至7任一项所述的基于深度学习的太赫兹sar图像运动目标检测方法，其特征在于，所述损失函数表达式为：

10.一种基于深度学习的太赫兹sar图像运动目标检测装置，其特征在于，所述装置包括：