CN106228124B - 基于卷积神经网络的sar图像目标检测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的SAR图像目标检测方法，主要解决现有SAR图像目标检测技术中检测速度慢和检测准确率低的问题。其实现步骤为：1、训练卷积神经网络分类模型M₀，基于该模型M₀设计两个待训练的卷积神经网络模型M₁、M₂；2、用扩充后的MiniSAR训练集做为待训练的卷积神经网络模型M₁、M₂的输入，训练得到最优切片提取模型M₁₂和最优检测模型M₂₂；3、使用最优切片提取模型M₁₂和最优检测模型M₂₂对MiniSAR测试集进行检测；4、将最优检测模型M₂₂的输出概率值大于阈值的候选区域保留，得到检测结果。本发明具有检测速度快、检测正确率高的优点，可用于车辆目标检测。

Description

基于卷积神经网络的SAR图像目标检测方法

技术领域

本发明属于雷达技术领域，特别涉及一种目标检测方法，可用于车辆目标检测。

背景技术

21世纪开始，卷积神经网络就被大量用于检测、分割、物体识别等多个领域，在2012年的ImageNet竞赛中，卷积神经网络取得了前所未有的成绩，比当时最好的方法降低了一半的错误率，并且使用快速图形处理单元GPU来训练卷积神经网络模型，由于GPU的强大并行计算能力，使得训练卷积神经网络模型需要的时间大大缩短，这次实验的成功给计算机视觉带来一个新的革命。

合成孔径雷达SAR是一种利用微波进行感知的主动传感器，SAR成像不受光照、天气等条件的限制，可以对感兴趣目标进行全天候、全天时的观测，SAR图像自动目标识别受到越来越广泛的关注。

现有的SAR图像目标检测方法中，双参数CFAR检测算法应用最为广泛。双参数CFAR检测算法是一种传统的SAR图像目标检测方法，该方法要求SAR图像上目标与背景杂波具有较高的对比度，并且假设背景杂波的统计分布模型是高斯分布，其执行过程是：通过滑动窗口对SAR图像中的每个像素进行遍历，每次滑动窗口，都需要计算窗口内所有像素的均值和方差来对背景杂波进行参数估计，并以此来确定一个阈值，如果窗口内的像素大于这个阈值就判定是目标像素，否则就判定为杂波像素。由于该算法需要对SAR图像中每个像素点执行同样的操作，所以需要耗费较长的检测时间。同时该方法要根据SAR图像目标的先验信息设置窗口，当一幅图像中存在尺寸相差较大的目标时，窗口尺寸如果设置不够合理对最终的检测结果会带来很大的影响。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于卷积神经网络的SAR图像目标检测方法，以提高检测速度的情况下，保证检测正确率。

本发明通过利用Mstar数据集来扩充MiniSAR训练集，解决现有的SAR图像数据无法满足卷积神经网络模型需要大量训练数据的问题，为实现上述发明目的，其技术方案包括如下：

1.基于卷积神经网络的SAR图像目标检测方法，包括：

(1)设计分类模型和待训练模型：

1a)设计卷积神经网络M₀'，用Mstar数据集做为卷积神经网络M₀'的输入，使用随机梯度下降法训练对其进行训练，得到卷积神经网络分类模型M₀；

1b)基于卷积神经网络分类模型M₀设计两个待训练的卷积神经网络模型M₁、M₂；

(2)训练步骤

2a)使用Mstar数据集对MiniSAR训练集做扩充，得到扩充的MiniSAR数据集；

2b)使用分类模型M₀对第一个待训练的卷积神经网络模型M₁进行参数初始化，并用扩充的MiniSAR训练集做为该卷积神经网络模型M₁的输入，使用随机梯度下降法对其进行训练，得到候选区域提取模型M₁₁；

2c)将扩充的MiniSAR训练集输入到候选区域提取模型M₁₁中，候选区域提取模型M₁₁的输出构成待处理粗选候选区域集合P₁'，对待处理粗选候选区域集合P₁'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成粗选候选区域集合P₁；

2d)使用分类模型M₀对第二个待训练的卷积神经网络模型M₂进行参数初始化，用粗选候选区域集合P₁做为该卷积神经网络模型M₂的输入，使用随机梯度下降法对其进行训练，得到检测模型M₂₁；

2e)使用检测模型M₂₁对第一个待训练的卷积神经网络M₁做参数初始化，并固定卷积神经网络模型M₁中前三个卷积层参数不变，用扩充的MiniSAR训练集做为该卷积神经网络模型M₁的输入，使用随机梯度下降法对其进行训练，得到最优候选区域提取模型M₁₂；

2f)将扩充的MiniSAR训练集输入到最优候选区域提取模型M₁₂中，最优候选区域提取模型M₁₂的输出构成待处理细选候选区域集合P₂'，对待处理细选候选区域集合P₂'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成细选候选区域集合P₂；

2g)使用检测模型M₂₁对第二个待训练的卷积神经网络模型M₂做参数初始化，且固定卷积神经网络模型M₂中前三个卷积层参数不变，并用细选候选区域集合P₂做为该卷积神经网络模型M₂的输入，使用随机梯度下降法对其进行训练，得到最优检测模型M₂₂；

(3)测试步骤

3a)将MiniSAR测试集输入到最优候选区域提取模型M₁₂中，用最优候选区域提取模型M₁₂的输出构成待处理测试候选区域集合P₃'，对待处理测试候选区域集合P₃'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成测试候选区域集合P₃；

3b)将测试候选区域集合P₃输入到最优检测模型M₂₂中，最优检测模型M₂₂对测试候选区域集合P₃中每个候选区域输出一个类别判定概率值pr；

3c)设定阈值t＝0.7，将概率值pr大于0.7的候选区域保留，即为最终检测结果。

本发明与现有技术相比有以下优点：

1.检测速度快

现有的双参数CFAR检测方法在检测时，要对图像中的每个像素点滑窗，并且每次滑窗时需要估计参考窗内背景杂波的均值和标准差，复杂度较大，检测速度慢。本发明方法中有多个最大池化层，可以快速降低输入数据的维度，降低算法复杂度，并且可以使用GPU并行处理，加快了检测速度。

2.检测正确率高

现有双参数CFAR检测方法对图像进行检测时，需要利用图像中目标的先验信息设置参数，如果图像中目标尺寸差异太大，参数设置不合理，会对最终的检测结果带来很严重的影响。而本发明方法中模型可以对候选区域尺寸自动调整，使得候选区域与目标区域更加吻合，避免了双参数CFAR中参数设置不合理带来问题，提高了检测正确率。

以下结合附图和实验对本发明作进一步详细描述。

附图说明

图1是本发明的实现流程图；

图2是本发明实验中使用的卷积神经网络分类模型M₀'的结构图；

图3是本发明实验中使用的第一个待训练卷积神经网络模型M₁的结构图；

图4是本发明实验中使用的第二个待训练卷积神经网络模型M₂的结构图；

图5是本发明实验中使用的MiniSAR训练集；

图6是本发明实验中使用的Mstar扩充目标图像；

图7是本发明实验中使用的MiniSAR测试集图像；

图8是用本发明对MiniSAR测试集的检测结果图；

图9是用双参数CFAR检测方法对MiniSAR测试集的检测结果图。

具体实施方式

参照图1，本发明的SAR图像目标检测方法主要有模型设计、训练和测试三个阶段，具体步骤如下：

一、模型设计阶段

步骤1，设计卷积神经网络模型M₀'。

参照图2，卷积神经网络M'₀由特征提取和分类判定两部分构成，其中：

特征提取部分，包括三个卷积层，卷积层后跟着非线性层，前两个非线性层后跟着最大池化层；

分类判定部分包括两个全连接层，第一个全连接层后跟着非线性层，第二个全连接层后跟着柔性最大层和分类损失函数层，其表示为：

M₀'＝[I,C₁,R,Pm,C₂,R,Pm,C₃,R,Fc₁,R,Fc₂,S,L_cls]

其中，符号“[]”表示卷积神经网络模型M'₀由括号内的层按顺序组合构成，I表示数据输入层，C₁表示第1个卷积层，其由64个尺寸为11*11的卷积核构成，C₂表示第2个卷积层，其由128个尺寸为7*7的卷积核构成，C₃表示第3个卷积层，其由256个尺寸为3*3的卷积核构成，Pm表示最大池化层，池化窗大小为3*3，R表示激活函数层，Fc₁表示第1个全连接层，核个数为256，Fc₂表示第2个全连接层，核个数为3，S表示柔性最大层，L_cls表示分类损失函数层，其定义为g_j表示输入数据中第j个输入样本的真实分类标签，pr_j表示输入数据中的第j个输入样本的类别预测概率值。

步骤2，用Mstar数据集做为卷积神经网络模型M₀'的输入，使用随机梯度下降法对卷积神经网络模型M₀'进行训练，得到卷积神经网络分类模型M₀。

2.1)从Mstar数据集中随机选取部分数据，将其输入到卷积神经网络模型M₀'，得到分类损失函数输出误差值δ；

2.2)根据误差值δ，使用反向传播算法来调整模型中的参数；

2.3)判断是否达到最大迭代次数，未达最大迭代次数则返回2.2)执行，到达最大迭代次数则停止，即得卷积神经网络分类模型M₀。

步骤3，基于卷积神经网络分类模型M₀设计第一个待训练卷积神经网络模型M₁。

参照图3，卷积神经网络模型M₁由特征提取和候选区域生成两部分构成，且特征提取部分与卷积神经网络分类模型M₀的特征提取部分完全一致，其中：

特征提取部分，包括三个卷积层，每个卷积层后为非线性层，前两个非线性层后为最大池化层；

候选区域生成部分，由卷积层、非线性层和一个并列的处理层按顺序组合构成，该并列的处理层由两部分组成，其第一部分由卷积层、柔性最大层以及分类损失函数层组成，其第二部分由卷积层和回归代价函数层组成；

将第一个待训练的卷积神经网络模型M₁表示为：

其中，符号“[]”表示第一个待训练卷积神经网络模型M₁由括号内的层按顺序组合构成，符号“{”表示两部分为并列关系，I表示数据输入层，C₁表示第1个卷积层，由64个尺寸为11*11的卷积核构成；C₂表示第2个卷积层，由128个尺寸为7*7的卷积核构成；C₃表示第3个卷积层，由256个尺寸为3*3的卷积核构成；C₄表示第4个卷积层，由256个尺寸为3*3的卷积核构成；C₅表示第5个卷积层，由2个尺寸为1*1的卷积核构成；C₆表示第6个卷积层，由8个尺寸为1*1的卷积核构成；Pm表示最大池化层，池化窗大小为3*3；R表示激活函数层，S表示柔性最大层，L_cls表示分类损失函数层，其定义为g_j表示输入数据中第j个输入样本的真实分类标签，pr_j表示输入数据中的第j个输入样本的类别预测概率值，L_reg表示边框回归损失函数，其定义为其中，表示第j个目标区域的坐标值，表示第j个目标区域的左上点坐标值，表示第j个目标区域的右下点坐标值，表示第j个候选区域的预测坐标值，表示第j个候选区域的左上点坐标值，表示第j个候选区域的右下点坐标值，符号“|·|”表示对求绝对值。

步骤4，基于卷积神经网络分类模型M₀设计第二个待训练卷积神经网络模型M₂。

参照图4，卷积神经网络模型M₂由特征提取和检测判定两部分构成，其特征提取部分与卷积神经网络分类模型M₀中的特征提取部分完全一致，其中：

特征提取部分，包括三个卷积层，每个卷积层后为非线性层，前两个非线性层后跟着最大池化层；

检测判定部分，由全连接层、非线性层和一个并列的处理层按顺序组合构成，其并列的处理层由两部分组成，其第一部分由全连接层、柔性最大层以及分类损失函数层组成，其第二部分由全连接层和回归代价函数层组成；

将第二个待训练的卷积神经网络模型M₂表示为：

其中，符号“[]”表示第二个待训练卷积神经网络模型M₂由括号内的层按顺序组合构成，符号“{”表示两部分为并列关系，I表示数据输入层，C₁表示第1个卷积层，由64个尺寸为11*11的卷积核构成；C₂表示第2个卷积层，由128个尺寸为7*7的卷积核构成；C₃表示第3个卷积层，由256个尺寸为3*3的卷积核构成；Pm表示最大池化层，池化窗大小为3*3；Fc₁表示第1个全连接层，核个数为256；Fc₂表示第2个全连接层，核个数为2；Fc₃表示第3个全连接层，核个数为8；R表示激活函数层，L_cls表示分类损失函数层，其定义为g_j表示输入数据中第j个输入样本的真实分类标签，pr_j表示输入数据中的第j个输入样本的类别预测概率值，L_reg表示边框回归损失函数，其定义为 表示第j个标注目标的坐标值，表示第j个目标区域的左上点坐标值，表示第j个目标区域的右下点坐标值，表示第j个候选区域的预测坐标值，表示第j个候选区域的左上点坐标值，表示第j个候选区域的右下点坐标值，符号“|·|”表示对求绝对值。

二、训练阶段

步骤5，使用Mstar数据集对MiniSAR训练集做扩充，得到扩充的MiniSAR数据集。

5.1)从Mstar数据集中随机选取一张杂波图像T，计算该图像的均值Z，Z的计算方式为其中，T(x,y)表示杂波图像T中位置(x,y)处的灰度值；

5.2)从Mstar数据集中随机选取一张目标图像J，使用杂波图像的均值Z在目标图像J周围填充像素，将目标图像J填充成宽为200、长为310的填充目标图像J^*；

5.3)将填充目标图像J^*的宽拉伸为310、长拉伸为500，即得扩充目标图像J'；

5.4)将扩充目标图像J'加入到MiniSAR训练集中；

5.5)重复执行5.2)-5.4)共100次，得到扩充的MiniSAR训练集。

步骤6，使用卷积神经网络分类模型M₀对第一个待训练的卷积神经网络模型M₁进行训练，得到候选区域提取模型M₁₁。

6.1)使用卷积神经网络分类模型M₀对第一个待训练的卷积神经网络模型M₁进行参数初始化，并定义当前迭代次数k＝0；

6.2)从扩充的MiniSAR训练集中随机选取部分数据，做为第一个待训练的卷积神经网络模型M₁的输入，并将卷积神经网络模型M₁中的分类损失函数和边框回归损失函数的输出相加得到误差值δ；

6.3)根据误差值δ，使用反向传播算法调整第一个待训练的卷积神经网络模型M₁中的参数，并将迭代次数k加1；

6.4)判断迭代次数k是否达到最大迭代次数e＝40000，若k＝e，则停止迭代，得到候选区域提取模型M₁₁；若k<e，则返回6.2)。

步骤7，将扩充的MiniSAR训练集输入到候选区域提取模型M₁₁中，得到粗选候选区域集合P₁。

7.1)将扩充的MiniSAR训练集输入到最优候选区域提取模型M₁₁中，并用候选区域提取模型M₁₁的输出构成待处理粗选候选区域集合P₁'；

7.2)计算待处理粗选候选区域集合P₁'中第一个候选区域P₁'¹与其余所有候选区域的覆盖率其中，P₁'¹表示待处理粗选候选区域集合P₁'中第一个候选区域，P₁'ⁿ表示待处理粗选候选区域集合P₁'中第n个候选区域，size(·)表示区域内的像素个数和。

7.3)去除覆盖率ovl大于0.5的候选区域，将第一个候选区域P₁'¹放入粗选区域集合P₁中；

7.4)从待处理粗选候选区域集合P₁'中删除第一个候选区域P₁'¹，返回步骤7.2)，直到候选区域集合P₁'为空，得到粗选候选区域集合P₁。

步骤8，使用卷积神经网络分类模型M₀对第二个待训练的卷积神经网络模型M₂进行训练，得到检测模型M₂₁。

8.1)使用卷积神经网络分类模型M₀对第二个待训练的卷积神经网络模型M₂进行参数初始化，并定义当前迭代次数k＝0；

8.2)从扩充的MiniSAR训练集中随机选取部分数据，做为第二个待训练的卷积神经网络模型M₂的输入，并将第二个待训练的卷积神经网络模型M₂的分类损失函数和边框回归损失函数的输出相加得到误差值δ；

8.3)根据误差值δ，使用反向传播算法来调整第二个待训练的卷积神经网络模型M₂中的参数，并将迭代次数k加1；

8.4)判断迭代次数k是否达到最大迭代次数e＝40000，若k＝e，则停止，得到检测模型M₂₁；若k<e，则返回8.2)。

步骤9，使用检测模型M₂₁对第一个待训练的卷积神经网络M₁进行训练，得到最优候选区域提取模型M₁₂。

9.1)使用卷积神经网络分类模型M₂₁对第一个待训练的卷积神经网络模型M₁进行参数初始化，并固定前三个卷积层参数不变，并定义当前迭代次数k＝0；

9.2)从扩充的MiniSAR数据集中随机选取部分数据，做为第一个待训练的卷积神经网络模型M₁的输入，并将第一个待训练的卷积神经网络模型M₁的分类损失函数和边框回归损失函数的输出相加得到误差值δ；

9.3)根据误差值δ，使用反向传播算法来调整第一个待训练的卷积神经网络模型M₁中的参数，并将迭代次数k加1；

9.4)判断迭代次数k是否达到最大迭代次数e＝40000，若k＝e，则停止，得到最优候选区域提取模型M₁₂；若k<e，则返回9.2)。

步骤10，将扩充的MiniSAR训练集输入到最优候选区域提取模型M₁₂中，得到细选候选区域集合P₂。

10.1)将扩充的MiniSAR训练集输入到最优候选区域提取模型M₁₂中，并用最优候选区域提取模型M₁₂的输出构成待处理细选候选区域集合P₂'；

10.2)计算待处理细选候选区域集合P₂'中第一个候选区域P₂'¹与其余所有候选区域的覆盖率其中，P₂'¹表示待处理细选候选区域集合P₂'中第一个候选区域，P₂'ⁿ表示待处理细选候选区域集合P₂'中第n个候选区域，size(·)表示区域内的像素个数和。

10.3)去除覆盖率ovl大于0.5的候选区域，将第一个候选区域P₂'¹放入细选区域集合P₂中；

10.4)从待处理细选候选区域集合P₂'中删除第一个候选区域P₂'¹，返回步骤10.2)，直到待处理细选候选区域集合P₂'为空，得到细选候选区域集合P₂。

步骤11，使用检测模型M₂₁对第二个待训练的卷积神经网络模型M₂训练，得到最优检测模型M₂₂。

11.1)使用卷积神经网络分类模型M₂₁对第二个待训练的卷积神经网络模型M₂进行参数初始化，并固定前三个卷积层参数不变，并定义当前迭代次数k＝0；

11.2)从扩充的MiniSAR数据集中随机选取部分数据，做为第二个待训练的卷积神经网络模型M₂的输入，并将第二个待训练的卷积神经网络模型M₂的分类损失函数和边框回归损失函数的输出相加得到误差值δ；

11.3)根据误差值δ，使用反向传播算法来调整第二个待训练的卷积神经网络模型M₂中的参数，并将迭代次数k加1；

11.4)判断迭代次数k是否达到最大迭代次数e＝40000，若k＝e，则停止，得到最优检测模型M₂₂；若k<e，则返回11.2)。

三、测试阶段

步骤12，将MiniSAR测试集输入到最优候选区域提取模型M₁₂中，得到测试候选区域集合P₃。

12.1)将MiniSAR测试集输入到最优候选区域提取模型M₁₂中，并用最优候选区域提取模型M₁₂的输出构成测试候选区域集合P₃'；

12.2)计算待处理测试候选区域集合P₃'中第一个候选区域P₃'¹与其余所有候选区域的覆盖率其中，P₃'¹表示待处理测试候选区域集合P₃'中第一个候选区域，P₃'ⁿ表示待处理测试候选区域集合P₃'中第n个候选区域，size(·)表示区域内的像素个数和；

12.3)去除覆盖率ovl大于0.2的候选区域，将第一个候选区域P₃'¹放入测试选区域集合P₃中；

12.4)从待处理测试候选区域集合P₃'中删除第一个候选区域P₃'¹，返回步骤12.2)，直到待处理测试候选区域集合P₃'为空，即可得到测试候选区域集合P₃。

步骤13，将测试候选区域集合P₃输入到最优检测模型M₂₂中，得到检测结果。

13.1)将测试候选区域集合P₃输入到最优检测模型M₂₂中，最优检测模型M₂₂对测试候选区域集合P₃中每个候选区域输出一个类别判定概率值pr；

13.2)将概率值pr大于阈值t＝0.7的候选区域保留，即可得到检测结果。

本发明方法的效果可通过以下实验来进一步说明：

1.实验条件

1.1)实验运行平台：

Caffe、Python2.7、Ubuntu15.04、Inter Xeon2610V3、TitanX；

1.2)实验数据及参数设置

实验所用数据是MiniSAR数据集和Mstar数据集，其中：

MiniSAR训练集如图5所示，其中，图5(a)为MiniSAR训练集中的第一个训练图像，图5(b)为MiniSAR训练集中的第二个训练图像；

Mstar数据集如图6所示，其中，图6(a)为Mstar训练集中的第一个训练图像，图6(b)为Mstar数据集中的第二个训练图像；

图5和图6中的矩形框标记的是图像中的目标区域，目标区域均为车辆，将图5和图6拼接在一起构成扩充的MiniSAR训练集；

MiniSAR测试集如图7所示，其中，图7(a)为MiniSAR测试集中的第一个测试图像，图7(b)为MiniSAR测试集中的第二个测试图像。

最大迭代次数e＝40000、阈值t＝0.7。

2.实验内容：

实验1，用本发明方法对扩充的MiniSAR训练集进行训练，得到最优候选区域提取模型M₁₂和最优检测模型M₂₂，然后对图7中的MiniSAR测试图像进行检测，检测结果如图8，其中，图8(a)为用本发明方法对图7(a)的检测结果，图8(b)为用本发明方法对图7(b)的检测结果。

实验2，用双参数CFAR检测方法对图7中的MiniSAR测试图像进行检测，双参数CFAR检测方法具体操作参照2013年西安电子科技大学李礼的硕士毕业论文《SAR目标检测与鉴别算法研究及软件设计》中的第二章“SAR目标检测方法研究”，检测结果如图9，其中，图9(a)为用双参数CFAR检测方法对图7(a)的检测结果，图9(b)为用双参数CFAR检测方法对图7(b)的检测结果。

对实验1与实验2的检测结果进行统计，结果如表1：

表1.实验1与实验2检测结果

2.实验结果分析

对表1中两种方法的实验结果进行对比，本发明方法的漏检个数为0，虚警个数为1；双参数CFAR的漏检个数为2，虚警个数为6，可以看出本发明方法有更少的漏检和更少的虚警，表明本发明提高了检测性能。

对表1中的检测用时进行对比，本发明方法检测用时仅为双参数CFAR检测用时的1/4，表明本发明方法在检测速度方面优于双参数CFAR。

综上，本发明方法相比于传统双参数CFAR具有检测准确率高、检测速度快的优点，是一种快速有效的检测方法，具有良好的实用价值和应用前景。

Claims (3)

1.基于卷积神经网络的SAR图像目标检测方法，包括：

(1)设计分类模型和待训练模型：

1a)设计卷积神经网络M₀'，用Mstar数据集做为卷积神经网络M₀'的输入，使用随机梯度下降法训练对其进行训练，得到卷积神经网络分类模型M₀：

M₀'＝[I,C₁,R,Pm,C₂,R,Pm,C₃,R,Fc₁,R,Fc₂,S,L_cls]

其中，符号“[]”表示模型M₀由括号内的层按顺序组合构成，I表示数据输入层，C₁表示第1个卷积层，C₂表示第2个卷积层，C₃表示第3个卷积层，Pm表示最大池化层，R表示激活函数层，Fc₁表示第1个全连接层，Fc₂表示第2个全连接层，S表示柔性最大层，L_cls表示分类损失函数层，其定义为g_j表示输入数据中第j个输入样本的真实分类标签，pr_j表示输入数据中的第j个输入样本的类别预测概率值；

1b)基于卷积神经网络分类模型M₀设计两个待训练的卷积神经网络模型M₁、M₂：

其中，符号“[]”表示模型M₁、M₂由括号内的层按顺序组合构成，符号“{”表示两部分为并列关系，由括号内的层按顺序组合构成，L_reg表示边框回归损失函数，其定义为 表示第j个标注目标的坐标值，表示第j个目标区域的左上点坐标值，表示第j个目标区域的右下点坐标值，表示模型第j个候选区域的预测坐标值，表示第j个候选区域的左上点坐标值，表示第j个候选区域的右下点坐标值，符号“|·|”表示对求绝对值；

(2)训练步骤

2a)使用Mstar数据集对MiniSAR训练集做扩充，得到扩充的MiniSAR数据集：

2a1)从Mstar数据集中随机选取一张杂波图像T，计算得到该杂波图像的均值Z；

2a2)从Mstar数据集中随机抽取一张目标图像J，使用杂波图像的均值Z在目标图像周围填充像素，将目标图像填充成宽为200、长为310的填充目标图像J^*；

2a3)对填充目标图像J^*做尺寸变换，使其宽变为310、长变为500，即得所需的扩充目标图像J'；

2a4)将扩充目标图像J'加入到MiniSAR训练集中；

2a5)重复执行步骤2a2)-2a4)共100次，得到扩充的MiniSAR训练集；

2b)使用分类模型M₀对第一个待训练的卷积神经网络模型M₁进行参数初始化，并用扩充的MiniSAR训练集做为该卷积神经网络模型M₁的输入，使用随机梯度下降法对其进行训练，得到候选区域提取模型M₁₁；

2c)将扩充的MiniSAR训练集输入到候选区域提取模型M₁₁中，候选区域提取模型M₁₁的输出构成待处理粗选候选区域集合P₁'，对待处理粗选候选区域集合P₁'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成粗选候选区域集合P₁；

2d)使用分类模型M₀对第二个待训练的卷积神经网络模型M₂进行参数初始化，用粗选候选区域集合P₁做为该卷积神经网络模型M₂的输入，使用随机梯度下降法对其进行训练，得到检测模型M₂₁；

2e)使用检测模型M₂₁对第一个待训练的卷积神经网络M₁做参数初始化，并固定卷积神经网络模型M₁中前三个卷积层参数不变，用扩充的MiniSAR训练集做为该卷积神经网络模型M₁的输入，使用随机梯度下降法对其进行训练，得到最优候选区域提取模型M₁₂；

2f)将扩充的MiniSAR训练集输入到最优候选区域提取模型M₁₂中，最优候选区域提取模型M₁₂的输出构成待处理细选候选区域集合P₂'，对待处理细选候选区域集合P₂'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成细选候选区域集合P₂；

2g)使用检测模型M₂₁对第二个待训练的卷积神经网络模型M₂做参数初始化，且固定卷积神经网络模型M₂中前三个卷积层参数不变，并用细选候选区域集合P₂做为该卷积神经网络模型M₂的输入，使用随机梯度下降法对其进行训练，得到最优检测模型M₂₂；

(3)测试步骤

3a)将MiniSAR测试集输入到最优候选区域提取模型M₁₂中，用最优候选区域提取模型M₁₂的输出构成待处理测试候选区域集合P₃'，对待处理测试候选区域集合P₃'根据非最大抑制NMS去除重复候选区域，剩下的候选区域构成测试候选区域集合P₃；

3b)将测试候选区域集合P₃输入到最优检测模型M₂₂中，最优检测模型M₂₂对测试候选区域集合P₃中每个候选区域输出一个类别判定概率值pr；

3c)设定阈值t＝0.7，将概率值pr大于0.7的候选区域保留，即为最终检测结果。

2.根据权利要求1所述的基于卷积神经网络的SAR图像目标检测方法，其中步骤2c)中对待处理粗选候选区域集合P₁'执行最大化抑制NMS，按照如下步骤执行：

2c1)计算待处理粗选候选区域集合P₁'中第一个候选区域P₁'¹与其余所有候选区域的覆盖率，去除覆盖率大于0.5的候选区域，将第一个候选区域P₁'¹放入粗选区域集合P₁中；

2c2)从待处理粗选候选区域集合P₁'中删除第一个候选区域P₁'¹，返回步骤2c1)，直到候选区域集合P₁'为空，即可得到粗选候选区域集合P₁。

3.根据权利要求2所述的方法，其中步骤2c1)计算待处理粗选候选区域集合P₁'中第一个候选区域P₁'¹与其余所有候选区域的覆盖率ovl，按照如下公式计算：

其中，P₁'¹表示待处理粗选候选区域集合P₁'中第一个候选区域，P₁'ⁿ表示待处理粗选候选区域集合P₁'中第n个候选区域，size(·)表示区域内的像素个数和。