CN108280412A - 基于变结构cnn的高分辨sar图像目标检测方法 - Google Patents

Abstract

本发明公开了一种基于变结构CNN的高分辨SAR图像目标检测方法，主要解决传统目标检测方法对高分辨SAR图像进行目标检测时检测结果不准确的问题。其检测过程为：1.构建包含背景图像和目标图像的训练样本；2.对常规卷积神经网络进行改进，即用多个卷积层代替全连接层，得到包括9层结构的变结构卷积神经网络CNN；3.用构建的训练样本对变结构卷积神经网络CNN进行训练，得到车辆目标检测模型；4.将待检测图像输入车辆目标检测模型，得到目标检测结果。本发明具有提取图像特征复杂度低、目标检测结果准确的优点，可应用于目标识别。

Description

基于变结构CNN的高分辨SAR图像目标检测方法

技术领域

本发明属于图像处理领域，特别是一种涉及高分辨率SAR图像目标检测的方 法，可应用于目标识别。

背景技术

合成孔径雷达SAR是一种全天候的高分辨率雷达，在地形测绘、海洋观测、大 气与环境调查、军事目标识别及自然灾害监测等诸多领域有着广泛的应用。SAR的 全天候、全天时、远距离及极强的穿透能力，使得SAR与其它遥感雷达、光学雷达 相比有很多差异和优势。例如SAR图像的分割、分类、目标检测、目标识别等均有 广泛的应用。SAR的成像不受天气、光线等因素的影响，而在很大程度上依赖于雷 达自身的特性和成像区域的地物特征。与传统光学图像不同，SAR图像本质上反映 的是目标的电磁散射特性和结构特性，SAR图像的灰度级变化缓慢，并且伴随有大 量的相干斑噪声，因此传统的光学图像的目标检测方法并不适用于SAR图像。

针对SAR图像的这些特性，主要有以下几种多传统的SAR图像处理方法：

一.基于SAR图像伴随的大量相干班噪声的处理方法。这种方法首先对SAR 图像进行滤波处理来削弱相干斑的影响，再对滤波后的图像采用光学图像的分割、 分类或目标识别方法进行处理。常用的SAR图像滤波方法包括Frost滤波、Sigma 滤波、均值滤波、中值滤波、Kuan滤波、Lee滤波、最大后验概率滤波和边缘保持 最优化滤波等方法。经过滤波削弱相干斑的影响后，采用光学图像的处理方法进行 处理，处理效果有所提升，但滤波过程会丢失图像的边缘信息和细节信息，这将导 致目标检测结果轮廓不准确，对目标难以进行精确的检测，对后续工作造成影响；

二.基于图像对比度的目标检测方法。这类方法首先确定SAR图像杂波背景的 统计分布，再根据背景的统计特性求取检测阈值来进行比较判断。常用的方法有恒 虚警率CFAR检测算法、单元平均恒虚警率CA-CFAR方法、Skewness-CFAR检测 方法、OS-CFAR方法、GO-CFAR方法、SO-CFAR方法、增强型CFAR等方法。这 些传统的目标检测方法各有其适用场合，但随着合成孔径雷达的不断发展，SAR图 像的分辨率越来越高，SAR图像的场景内容变的更为复杂，传统SAR图像目标检 测算法已经不适用于当前高分辨率SAR图像，这种不适应性主要体现在两个方面， 一是传统SAR图像分布模型不能很好的逼近高分辨SAR图像的分布，二是高分辨 SAR图像的背景分布变化具有一定的连续性，传统SAR图像分布模型不能很好的 模拟这种特性，这将导致检测结果的边缘模糊，检测结果准确性差；

三.基于图像其他特征的目标检测方法。常用的方法包括基于目标聚类的方法、基于扩展分形特征的方法、多分辨等方法。这些方法的预处理尺度、分割采用的阈 值等很难确定，提取高分辨SAR图像特征的复杂度高，在有大量数据的高分辨率 SAR图像中操作难度大。

随着多合成孔径雷达的不断发展，SAR图像的分辨率越来越高，数据量越来越 大，人们对SAR图像的目标检测的要求也越来越高，对检测效果的评价也更为严苛， 主要表现，在以下几个方面：同质区域的内部一致性要高，要将目标检测为一个整 体，不同的目标应该被有效的区分；目标边界的清晰度、检测的正确率要高；算法 的实用性、可操作性要高。而以上的SAR图像目标检测方法都有一定的缺陷，不能 满足检测的要求。

发明内容

本发明的目的在于针对上述传统方法的不足，采用一种基于变结构卷积神经网络CNN的高分辨SAR图像目标检测方法，以减小对高分辨率SAR图像提取特征 的复杂度，提高检测结果的准确性，实现对目标更精确的检测。

本发明对高分辨SAR图像进行目标检测，利用深度卷积神经网络CNN良好的 特征学习能力和分类能力将高分辨率SAR图像中的目标从背景中检测出来，并将目 标的一半阴影区域作为目标的一部分加入到训练样本的目标图像中，实现对目标的 补偿。

本发明的技术方案是：通过构建一个变结构的深度卷积神经网络CNN，对高分 辨SAR图像的背景、经过补偿的车辆目标的特征进行学习，对变结构的卷积神经网 络CNN进行训练，然后将待检测的高分辨率SAR图像输入到完成训练的变结构卷 积神经网络CNN中，得到最终目标检测结果，其实现方案包括如下：

1)采用尺寸为74×74，滑动步长为5的滑动窗，对含有车辆目标的高分辨SAR 图像相应的背景区域和车辆目标区域滑动，取得图像子块作为训练样本，并对训练 样本的图像子块确定标签；

2)设计包括9层变结构的卷积神经网络CNN，其自下而上依次包括：输入层、 第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、 第四卷积层和第五卷积层；

3)将训练样本中的每个图像依次输入到步骤2)设计的变结构卷积神经网络 CNN中，对该网络进行训练，得到车辆目标检测模型；

4)将待检测的高分辨SAR图像输入到步骤3)得到的车辆目标检测模型中，得 到目标检测结果。

本发明与现有的技术相比具有以下优点：

1、本发明将目标看作一个类别，将背景这种非目标区域看成一个类别，用分类 的方法完成了高分辨率SAR图像的目标检测，使得高分辨率SAR图像目标检测效 果更好；

2、本发明由于采用变结构的卷积神经网络CNN，使得卷积神经网络CNN的所 有层之间的连接都是稀疏连接，减少了参数规模和整个网络的运行时间，并减少了 过拟合问题出现的可能。

3、本发明采用变结构卷积神经网络CNN自动对高分辨SAR图像的特征进行 学习，能获取有效的图像特征，解决了传统方法提取高分辨SAR图像特征复杂度高 的问题。

4、本发明由于在训练样本的目标图像中加入了目标的一半阴影区域，对目标进行了补偿，使检测结果更加的准确；

仿真结果表明，本发明方法较传统卷积神经网络CNN能更有效的进行高分辨 SAR图像车辆目标检测。

附图说明

图1是本发明的实现流程示意图；

图2是本发明采用的变结构卷积神经网络CNN结构图；

图3是本发明在一幅简单背景的高分辨率SAR图像的仿真结果图；

图4是本发明在一副包含复杂地物信息的高分辨率SAR图像上的仿真结果图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤一、构建训练样本。

采用尺寸为74×74，滑动步长为5的滑动窗，对含有车辆目标的高分辨SAR图像 相应的背景区域和车辆目标区域滑动，取得的图像子块作为训练样本，并对训练样 本中的每个图像子块确定标签。

由于机载SAR系统的成像角度和干扰问题，高分辨SAR图像的目标检测结果是 不准确的，为了使检测到的目标更加准确，本发明在训练样本中的每个目标图像加 入目标的一半阴影区域，对目标进行补偿。因而本实例所构建的训练样本包含两类 图像，即背景类图像和目标类图像，每个背景类图像仅包含背景区域，每个目标类 图像除了包含目标，还包含目标的一半阴影区域。

步骤二、设计变结构卷积神经网络CNN。

本实例设计的变结构卷积神经网络CNN是对传统卷积神经网络的改进，即用 两个卷积层代替了传统卷积神经网络的全连接层，使卷积神经网络的所有网络层间 的连接变成稀疏连接，极大地减少了网络的参数规模和整个网络的运行时间，并减 少了网络出现过拟合问题的可能。

参照图2，本实例改进后的变结构卷积神经网络CNN共包括9层，其自下而上 依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷 积层、第三池化层、第四卷积层和第五卷积层，各层参数如下：

输入层为74×74大小的图像；

第一卷积层的卷积核大小为3×3，卷积核个数为16，卷积步长为1，激活函数 为线性修正单元ReLU；

第一池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第二卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数 为线性修正单元ReLU；

第二池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第三卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数 为线性修正单元ReLU；

第三池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第四卷积层的卷积核大小为4×4，卷积核个数为64，卷积步长为1，激活函数 为线性修正单元ReLU，采用Dropout策略，以0.5的概率将该层的输出设置为零；

第五卷积层的卷积核大小为3×3，卷积核个数为2，卷积步长为1，激活函数为 线性修正单元ReLU。

本实例中的激活函数采用线性修正单元ReLU，该线性修正单元ReLU相较于 传统的激活函数sigm oid和tanh函数，不仅能够保留结果中的正数，而且能够解决 梯度消失的问题，并加快网络的收敛速度。

步骤三、用训练样本对变结构卷积神经网络CNN进行训练。

3a)随机生成卷积神经网络CNN第二层至第九层的权值w_j和偏置b_j，其中j 为网络每一层权值和偏置的个数；

3b)给第一层输入一张训练图像s，第一层输出仍为s,再通过前向传导公式依 次计算第二层至第九层的输出o⁽ⁱ⁾(x)：

其中，i为网络层数，i＝2,...,9，M表示输入的集合，为第i层的第l 个输入，f(·)为激活函数；

3c)根据训练图像的标签y和步骤3b)计算网络的第九层输出o(x)，再通过如 下公式计算网络第九层偏差δ⁽⁹⁾：

δ⁽⁹⁾＝-(y-o(x))；

3d)通过如下公式依次反向计算网络第八层至第二层的偏差：

其中，f'(·)表示对函数f(·)求导，(·)^T表示转置，i'表示网络的层数，i'＝2,...,8， 表示每个元素相乘；

3e)根据网络第二层到第九层的偏差，通过如下公式计算网络第二层到第九层 的权值梯度和偏置梯度

其中，J(w,b)为损失函数；

3f)通过如下公式更新网络的权值和偏置：

其中，α为网络学习率，为更新后的权值，为更新后的偏置，表 示求偏导数；

3g)对训练样本中的每张图像重复步骤3b)-3f),直到训练样本中的所有图像完成操作，得到车辆目标检测模型。

步骤四、用车辆目标模型对待检测图像进行检测。

4a)通过尺寸为74×74，滑动步长为1的滑动窗对待检测高分辨SAR图像滑动 取块，得到待检测图像子块；

4b)将待检测图像子块输入步骤三得到的车辆目标检测模型中进行检测；

4c)对检测结果图求取联通区域的质心，即得到高分辨SAR图像的车辆目标检 测结果。

本发明的效果可通过以下仿真进一步说明：

1.仿真内容：

从检测目标结果的完整性、误检情况、目标位置信息这些方面评价本发明和现 有方法的检测性能。

实验1，用本发明方法和传统卷积神经网络对简单背景下的高分辨率SAR图像 进行目标检测，结果如图3，其中：图3(a)为待检测图像，图3(b)为用传统卷积神 经网络对图3(a)的检测结果，图3(c)为用本发明方法对图3(a)的检测结果。

从图3可见，传统卷积神经网络将两个目标都检测了出来，检测到的目标完整 性较差，且错误的将一个背景区域检测成了目标，检测到目标的位置信息较实际的 目标位置偏移较大；相比之下，本发明将待检测图像中的两个目标都检测了出来， 检测到的车辆目标结果的完整性较好，没有出现误检情况，检测到的车辆目标的位 置信息也较为准确。

实验2，用本发明方法和传统卷积神经网络对包含复杂地物信息的高分辨率 SAR图像进行目标检测，结果如图4，其中：图4(a)为待检测图像，图4(b)为用传 统卷积神经网络对图4(a)的检测结果，图4(c)为用本发明方法对图4(a)的检测结果。

从图4可见，传统卷积神经网络将两个目标都检测了出来，检测到的目标完整 性较差，并错误的将一个背景区域检测成了目标，检测到目标的位置信息较实际的 目标位置偏移较大；相比之下，本发明方法将两个目标都检测了出来，检测到的目 标的完整性较好，没有出现误检情况，检测到的目标的位置信息更为准确。

Claims (5)

1.一种基于变结构CNN的高分辨SAR图像目标检测方法，其特征在于，包括如下步骤：

1)采用尺寸为74×74，滑动步长为5的滑动窗，对含有车辆目标的高分辨SAR图像相应的背景区域和车辆目标区域滑动，取得图像子块作为训练样本，并对训练样本的图像子块确定标签；

2)设计包括9层变结构的卷积神经网络CNN，其自下而上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层和第五卷积层；

3)将训练样本中的每个图像依次输入到步骤2)设计的变结构卷积神经网络CNN中，对该网络进行训练，得到车辆目标检测模型；

4)将待检测的高分辨SAR图像输入到步骤3)得到的车辆目标检测模型中，得到目标检测结果。

2.根据权利要求1所述的测方法，其特征在于，步骤1)中的训练样本包含两类图像，即背景图像和目标图像，背景图像仅包含背景区域，目标图像除了包含目标，还包含目标的一半阴影区域，即将目标的一半阴影区域视为目标，对目标进行补偿，以使检测的目标更为完整。

3.根据权利要求1所述的方法，其特征在于，步骤2)中设计的卷积神经网络CNN，其各层参数如下：

输入层为74×74大小的图像；

第一卷积层的卷积核大小为3×3，卷积核个数为16，卷积步长为1，激活函数为线性修正单元ReLU；

第一池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第二卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数为线性修正单元ReLU；

第二池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第三卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数为线性修正单元ReLU；

第三池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；

第四卷积层的卷积核大小为4×4，卷积核个数为64，卷积步长为1，激活函数为线性修正单元ReLU，采用Dropout策略，以0.5的概率将该层的输出设置为零；

第五卷积层的卷积核大小为3×3，卷积核个数为2，卷积步长为1，激活函数为线性修正单元ReLU。

4.根据权利要求1所述的方法，其特征在于，所述步骤3)的实现如下：

3a)随机生成卷积神经网络CNN第二层至第九层的权值w_j和偏置b_j，其中j为网络每一层权值和偏置的个数；

3b)给第一层输入一张训练图像s，第一层输出仍为s,再通过前向传导公式依次计算第二层至第九层的输出o⁽ⁱ⁾(x)：

其中，i为网络层数，i＝2,...,9，M表示输入的集合，为第i层的第l个输入，f(·)为激活函数；

3c)根据训练图像的标签y和步骤3b)计算出的网络第九层的输出o(x)，通过公式计算网络第九层偏差δ⁽⁹⁾：

δ⁽⁹⁾＝-(y-o(x))；

3d)通过如下公式依次反向计算网络第八层至第二层的偏差：

其中，f'(·)表示对函数f(·)求导，i'表示网络的层数，i'＝2,...,8，表示每个元素相乘；

3e)根据网络第二层到第九层的偏差，求出第二层到第九层的权值梯度和偏置梯度其中，J(w,b)为损失函数；

3f)通过如下公式更新网络的权值和偏置：

其中，α为网络学习率，为更新后的权值，为更新后的偏置，表示求偏导数；

3g)对训练样本中的每张图像重复步骤3b)-3f),直到训练样本中的所有图像完成操作。

5.根据权利要求1所述的方法，其特征在于，所述步骤4)，其实现如下：

4a)通过尺寸为74×74，滑动步长为1的滑动窗对待检测高分辨SAR图像滑动取块，得到待检测图像子块；

4b)将待检测图像子块输入步骤3)得到的车辆目标检测模型中进行检测；

4c)对检测结果图求取联通区域的质心，即得到高分辨SAR图像的车辆目标检测结果。