基于卷积神经网络的极化合成孔径雷达图像舰船检测方法与流程

1.本发明涉及人工智能与合成孔径雷达目标检测的技术领域，更具体地说，特别涉及一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法。


背景技术：

2.作为一种主动的微波成像设备，合成孔径雷达在军用和民用领域有着广泛的应用前景。尤其在海上监测领域，极化合成孔径雷达在舰船检测任务中意义非凡。sar影像中的极化信息由于其反映了目标的空间结构与纹理信息以及与背景杂波的散射特性差异，因此，在舰船目标检测中具有巨大的优势。近年来，基于极化特性驱动的舰船检测研究已经成为当前领域的前沿话题。
3.目前广泛使用的传统sar舰船检测算法是恒虚警率算法，该类算法基于舰船目标比杂波像素拥有更高的强度值以及更大的雷达反射截面的假设，对融合的极化信息进行统计建模，设置阈值，将舰船像素视为异常点而检出，例如pmf、opd等。然而，这些恒虚警率算法在构造人工特征上耗费了巨大的时间成本，而且检测性能极易受到统计建模以及场景的影响，已经无法满足当前sar影像舰船目标快速精确提取的需求。
4.随着卫星技术的不断发展，多极化模式下的sar影像不断积累，使得基于深度学习卷积神经网络(cnn)的sar影像舰船检测成为可能，卷积神经网络采用深层结构来表征原始数据，在目标检测领域已经成为一种普适的方法。大量改进的cnn算法例如faster rcnn、yolo系列，在sar舰船检测任务中已经取得了显著的效果。然而，卷积神经网络算法应用于(pol)sar影像舰船目标检测，目前仍然存在以下问题：(1)由于合成孔径雷达独特的成像机制，极化sar影像与光学影像的差异性十分显著，现有的基于卷积神经网络的舰船检测算法更加适用于光学影像；(2)舰船目标在极化sar影像中表现为离散的散射点分布，容易受到周围散射体的干扰，旁瓣与鬼影时常出现，现有的算法很难提取不变的特征；(3)极化sar影像中缺乏精细结构特征的舰船目标极易与陆地背景以及似船散射体混淆，导致现有的算法产生较高的虚警率。总之，依赖提取强度特征进行目标检测的卷积神经网络算法限制了检测器的性能，因此，迫切需要构建一种适用于极化sar影像的卷积神经网络进行极化特性的有效提取，并级联舰船目标几何特征，以解决以上存在的问题。


技术实现要素：

5.本发明的目的在于提供一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，以克服现有技术所存在的缺陷。
6.为了达到上述目的，本发明采用的技术方案如下：
7.基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括：
8.s1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；
9.s2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特
征与几何特征构建分类回归任务子网络，所述分类回归任务子网络用于对提取的不同分辨率的融合特征图进行分类回归；
10.s3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，并利用训练好的双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。
11.进一步地，所述步骤s1包括：
12.s10、利用极化散射矩阵s求取基于泡利基的矢量化散射矩阵基于计算极化相干矩阵t；
13.s11、利用极化相干矩阵t，计算三维矢量i、六维矢量p和一维矢量l，并判定产生真实标签；
14.进一步地，所述步骤s10具体包括：
15.s101、定义单个像素的极化散射矩阵为其中，h、v分别代表正交的垂直/水平极化基，在互异性的条件下，基于泡利基的矢量化散射矩阵表示为
16.s102、通过矢量化散射矩阵计算极化相干矩阵t；
[0017][0018]
其中，*
t
表示复数矩阵的共轭转置，*表示复共轭运算，t是一个共轭对称复数矩阵。
[0019]
进一步地，所述步骤s11具体包括：
[0020]
s110、利用极化相干矩阵进行数据转换，构建三维矢量i，i
i
＝20log
10
(t
ii
)i∈1，2，3，其中，i
i
被标准化到[0,255]，设置i＝[i1，i2，i3]作为几何特征提取分支的输入；
[0021]
s111、构建六维矢量p，其中，p
ij,real(imag)
将相应位置的复数值转化为实数值并保留数据的原始差异，设置p＝[p
12,real
,p
12,imag
,p
13,real
,p
13,imag
,p
23,real
,p
23,imag
]作为极化特征提取分支的输入；
[0022]
s112、构建一维矢量l，l＝20log
10
((t
11
t
22
t
33
)
·
t
33
)，并对一维矢量l施加frost滤波。
[0023]
进一步地，所述步骤s2中的双分支特征提取网络包括几何特征提取分支与极化特征提取分支，所述几何特征提取分支与极化特征提取分支具有相同的网络结构，该网络结
构包括六个阶段，其前四个阶段采用普通卷积，每个阶段包含三个卷积块，其前两个卷积块由卷积层、归一化层和激活层构成，第三个卷积块增加最大池化层，第二阶段在其第一个卷积块上采用过渡的瓶颈结构，经过1
×
1，3
×
3，1
×
1的卷积输出与经过1
×
1的卷积输出融合，第二、第三个卷积块的结构与第一阶段的相同，第三、第四阶段网络结构与第二阶段相同，第五、第六阶段采用空洞卷积。
[0024]
进一步地，所述步骤s2中的分类回归任务子网络用于对提取的不同分辨率的特征图进行分类回归的具体步骤包括：
[0025]
s20、在特征图的基础上通过rpn网络产生感兴趣区域建议roi；
[0026]
s21、对特征图施加1
×
1的卷积，获取不同的位置敏感得分图，基于位置敏感得分图对步骤s20中的roi进行第二阶段的回归分类。
[0027]
进一步地，所述步骤s3中基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练具体包括：
[0028]
s31、清洗大场景合成孔径雷达舰船检测数据集，剔除背景数据，重构大场景合成孔径雷达舰船检测数据集，按照10：1比例划分训练集与测试集，基于重构的大场景合成孔径雷达舰船检测数据集训练几何特征提取分支，调整超参数，获取几何特征提取分支的网络权重w1；
[0029]
s32、采用步骤s31所获得的权重w1初始化几何特征提取分支，基于构建的三维矢量i分量数据集再次训练几何特征提取分支，调整超参数，获取几何特征提取分支的二次训练权重w2；
[0030]
s33、固定几何特征提取分支的权重w2，加入极化特征提取分支，基于三维矢量i和六维矢量p分量数据集训练双分支卷积神经网络，获取优化权重w3，再解除几何特征提取分支权重的固定，调整双分支卷积神经网络，完成所有训练步骤。
[0031]
与现有技术相比，本发明的优点在于：本发明通过极化特性的引入，能够有效抑制旁瓣、鬼影、陆地等背景干扰，大大地提升网络的鉴别能力，在此基础上，适用于极化合成孔径雷达图像的双分支卷积神经网络能够从复杂的近岸远海场景中有效地检测出舰船。
附图说明
[0032]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1是本发明基于卷积神经网络的极化合成孔径雷达图像舰船检测方法的流程图。
[0034]
图2是本发明处理转换后的数据集示意图。
[0035]
图3是本发明中双分支网络结构图。
[0036]
图4是本发明中预测子网络结构图。
[0037]
图5是本发明中rfcn_gfeb与双分支检测算法检测结果对比图。
[0038]
图6是本发明中双分支算法在大场景polsar影像上的检测结果。
具体实施方式
[0039]
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0040]
参阅图1和图2所示，本实施例公开了一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括以下步骤：
[0041]
步骤s1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集。
[0042]
具体的，步骤s1具体包括以下步骤：
[0043]
步骤s10、利用极化散射矩阵s求取基于泡利基的矢量化散射矩阵基于计算极化相干矩阵t。
[0044]
步骤s11、利用极化相干矩阵t，计算三维矢量i、六维矢量p和一维矢量l，并判定产生真实标签。
[0045]
所述的步骤s10具体包括：
[0046]
步骤s101、定义单个像素的极化散射矩阵为公式(1)：
[0047][0048]
其中，h、v分别代表正交的垂直/水平极化基，在互异性的条件下，基于泡利基的矢量化散射矩阵表示为公式(2)：
[0049][0050]
s103、通过矢量化散射矩阵计算极化相干矩阵t，采用公式(3)表示；
[0051][0052]
其中，*
t
表示复数矩阵的共轭转置，*表示复共轭运算，t是一个共轭对称复数矩阵，因此，本实施例仅提取t矩阵的上三角元素。
[0053]
所述的步骤s11具体包括：
[0054]
步骤s110、利用极化相干矩阵进行数据转换，产生适用于双分支卷积神经网络的原始输入，构建三维矢量i，用公式(4)表示：
[0055]
i
i
＝20log
10
(t
ii
)i∈1,2,3.#(4)
[0056]
其中，i
i
被标准化到[0,255]，设置i＝[i1,i2,i3]作为几何特征提取分支的输入。
[0057]
步骤s111、构建六维矢量p，p表示为公式(5)：
[0058][0059]
其中，p
ij,real(imag)
将相应位置的复数值转化为实数值并保留数据的原始差异，设置p＝[p
12,real
,p
12,imag
,p
13,real
,p
13,imag
,p
23,real
,p
23,imag
]作为极化特征提取分支的输入。
[0060]
步骤s112、构建一维矢量l，l表示为公式(6)：
[0061]
l＝20log
10
((t
11
t
22
t
33
)
·
t
33
)#(6)
[0062]
本实施例对一维矢量l施加frost滤波，便于产生真值标签，以及可视化检测结果。
[0063]
本实施例通过上述步骤完成数据的转换与极化合成孔径雷达图像舰船检测数据集的构建，舰船检测数据集如图2所示。其中包含了数据处理过程中i、p以及l的可视化图，用于预训练几何特征提取分支的ls
‑
ssdd数据示意图以及训练整个双分支的极化合成孔径雷达图像舰船检测数据示意图。
[0064]
步骤s2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络，所述分类回归任务子网络用于对提取的不同分辨率的融合特征图进行分类回归。
[0065]
如图3所述，其为双分支特征提取网络的详细结构，包括几何特征提取分支与极化特征提取分支，所述几何特征提取分支与极化特征提取分支具有相同的网络结构，两者仅在卷积核参数上存在差异。该网络结构包括六个阶段，其前四个阶段采用普通卷积，每个阶段包含三个卷积块，其前两个卷积块由卷积层、归一化层和激活层构成，第三个卷积块在此基础上增加最大池化层，第二阶段在其第一个卷积块上采用过渡的瓶颈结构，经过1
×
1，3
×
3，1
×
1的卷积输出与经过1
×
1的卷积输出融合，第二、第三个卷积块的结构与第一阶段的相同，第三、第四阶段网络结构与第二阶段相同，第五、第六阶段采用空洞卷积，在阶段五中，第一个空洞瓶颈结构卷积块采用1
×
1的特征融合，第二、第三个卷积块没有这种结构，空洞卷积的应用在保持特征图空间分辨率的同时增大感受野。第六阶段与第五阶段类似。
[0066]
分类回归子网络如图4所示，基于区域的全卷积神经网络对提取的不同分辨率的融合特征图进行分类回归。主要过程如下：
[0067]
步骤s20、在特征图的基础上通过rpn网络产生感兴趣区域建议roi.
[0068]
步骤s21、对特征图施加1
×
1的卷积，获取不同的位置敏感得分图，基于位置敏感得分图对前一步骤的roi进行第二阶段的回归分类。
[0069]
需要说明的是，本发明在基于区域的全卷积神经网络基础上引入了一种加权投票机制，对roi不同位置的得分进行加权，在网络推理阶段，本发明认为舰船类别在roi上的四个模糊方位向上具有可能性的分布，那么凡是符合这种空间分布的roi类别的位置得分将得到增强，而如果roi类别与这几种可能性的分布不一致，那么该类的位置的得分将被抑制，从而更加有可能被划分为背景。具体实现过程如式(7)和式(8)：
[0070][0071][0072]
其中，x,y表示相对于roi左上角点的相对位置，w0°
、w
45
°
、w
90
°
、w
135
°
分别产生的四种权值模板，r
c
(i,j)表示第c类的(i，j)位置的得分。r
c
(θ)表示第c类的总体得分(分为舰船和背景两类)。这里，产生7*7＝49个位置敏感得分图，考虑四个模糊方位向的权值，设置δ＝3来对不同位置的得分进行加权。通过这种机制，分类回归子网络在舰船检测任务中将具有更加出色的检测性能。特别地，网络对于虚警的抑制能力将得到一定程度的提升。
[0073]
步骤s3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，并利用训练好的双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。
[0074]
本实施例中，由于所构建的全极化数据集在数量上属于小样本集的范畴，不利于所设计网络的训练，网络容易过拟合，因此引入ls
‑
ssdd数据集(即大场景合成孔径雷达舰船检测数据集)预训练几何特征提取分支，在该训练阶段，设置训练epoch为20，初始学习率为0.001，动量为0.9，衰减率0.001，每5个epoch，精度不再提高，学习率变为原来的1/2。第二训练阶段基于全极化数据集i分量实施，参数设置与第一阶段相同。第三训练阶段包括50个epoch，导入整个全极化数据(p和i)，前20个epoch通过固定几何特征提取分支的权重来针对性训练极化特征提取分支，后30个epoch通过微调整个网络来获得最终的最优权重。在第三阶段，设置初始学习率为0.0001，整个训练过程采用随梯度下降法来对网络的参数进行调优。
[0075]
在网络推理阶段，为了说明本发明的优越性，本发明将双分支卷积神经网络舰船检测算法与基于几何特征提取分支构建的rfcn进行对比，如图5所示。第一行表示真值标记，第二行为rfcn_gfeb检测结果，第三行为所提算法检测结果。从图中可以看出，双分支卷积神经网络算法由于极化的特性的引入以及优化设计的网络结构，对陆地背景、鬼影、旁瓣等虚警具有明显的抑制效果，舰船检测精度更高。同时，如图6所示，给出所提算法在大场景上的检测效果，可以看出，对于紧密排列的小目标舰船，算法仍然有着优秀的检测性能，虽然存在极少的漏检，但几乎没有虚警，因此，可以证明本发明的实用性。综上所述，本发明所提的基于极化特性驱动的双分支卷积神经网络舰船检测方法在全极化sar影像的检测效果优于其他算法，具有出色的检测性能。
[0076]
本发明一方面引入了舰船目标的极化特性，正如前面所述，仅仅依赖目标强度信息的舰船检测方法存在检测精度的上限，无法从数据源上提供背景杂波与舰船的推理依
据，在复杂的海洋场景中，基于目标极化信息的辅助检测，能够有效区分舰船目标与干扰散射体；本发明另一方面建立的双分支卷积神经网络结构能够有效地提取高维稳定的特征，相比于传统恒虚警率算法以及现有卷积神经网络算法，在检测效率与网络结构上，具有更快的检测速度以及更强的鲁棒性，而优化设计的训练策略能够适应于小样本训练，从而使网络具有更好的泛化能力。本发明通过上述两点分析，极化特性的引入，能够有效抑制旁瓣、鬼影、陆地等背景干扰，大大地提升网络的鉴别能力，在此基础上，适用于极化合成孔径雷达图像的双分支卷积神经网络能够从复杂的近岸远海场景中有效地检测出舰船。
[0077]
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。