(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221087202 2.1 (22)申请日 2022.07.23 (71)申请人 西南交通大 学 地址 614202 四川省成 都市金牛区二环路 北一段111号 (72)发明人 高贵　张川　白琪林　姚力波　 张晰　段定峰　刘涛　李恒超　 (74)专利代理 机构 国防科技大 学专利服 务中心 43202 专利代理师 关洪涛 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/52(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于极化特性驱动的全极化SAR图像舰 船检测方法 (57)摘要 本发明公开了一种基于极化特性驱动 的全 极化SAR图像舰船检测方法， 包括： S1、 对全极化 SAR图像进行预处理， 获取全极化SAR图像的极化 特性数据； S2、 构建极化特性驱动的卷积神经网 络， 将极化特性数据输入主干网络和密集结构提 取极化特性数据中包含的极化特性， 并在特征金 字塔中进行多尺度融合， 所述主干网络和密集结 构用于网络中上下文特征重用； S3、 按照预设的 训练参数和损失函数， 对极化特性驱动的卷积神 经网络进行训练形成全极化SAR图像目标检测网 络， 并利用训练好的极化特性驱动的全极化SAR 图像目标检测网络执行全极化SAR图像舰船检测 和指标评估。 本发明能够有效的提升场景中小目 标的检测能力以及在强散射背景下能够有效的 检测出舰船。 权利要求书1页 说明书4页 附图2页 CN 115205705 A 2022.10.18 CN 115205705 A 1.一种基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在于， 包括以下步 骤： S1、 对全极化SAR图像进行 预处理， 获取全极化SAR图像的极化特性数据； S2、 构建极化特性驱动的卷积神经网络， 将极化特性数据输入主干网络和密集结构提 取极化特性数据中包含的极化特性， 并在特征金字塔中进行多尺度融合， 所述主干网络和 密集结构用于网络中上 下文特征重用； S3、 按照预设的训练参数和损 失函数， 对极化特性驱动的卷积神经网络进行训练形成 全极化SAR图像目标检测网络， 并利用训练好的极化特性 驱动的全极化SAR图像目标检测网 络执行全极化SAR图像舰船检测 和指标评估。 2.根据权利要求1所述的基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在 于， 所述步骤S1具体包括以下步骤： S10、 利用极化散射矩阵S求取全极化SAR图像中的波极化各项异性ΔSn； S11、 利用全极化SAR图像的协方差矩阵进行四分量分解， 分别得到镜面散射Ps、 双跳散 射Pd、 体散射Pv和螺旋散射Ph的功率值； S12、 利用波极化各向异性和散射模型的功率 值求取输入网络的极化特性数据。 3.根据权利要求2所述的基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在 于， 所述步骤S12中极化特性数据求取的具体 计算公式为： 4.根据权利要求1所述的基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在 于， 所述步骤S2中构建 极化特性驱动的卷积神经网络具体包括以下步骤： S20、 将极化特性数据输入主干网络， 利用主干网络提取极化特性中包 含的特征； S21、 将特 征输入密集结构， 进行极化特 征重用； S22、 将经过密集结构处理过的特征输入到特征金字塔， 进行不同尺度特征图极化特性 融合。 5.根据权利要求4所述的基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在 于， 所述步骤S20中输入主干网络的极化特性数据的形式为： 6.根据权利要求1所述的基于极化特性驱动的全极化SAR图像舰船检测方法， 其特征在 于， 所述步骤S21的密集结构中， 设定给定单个样本x0经过网络卷积处理， 网络包含L层， 每 一层都是一个非线性变换H(.)， 设第i层的输出为xi， 则密集结构中第i层所接收到的特征 图为： Xi＝Hl([X0， X1， ...， Xi‑1]) 式中， [X0， X1， ...， Xi‑1]表示从0， …i‑1层中产生的特征图的连接， xi融合了x0…Xi‑1层中 的特征。权　利　要　求　书 1/1 页 2 CN 115205705 A 2一种基于极化特性驱动的全极化SAR图像舰船检测方 法 技术领域 [0001]本发明涉及人工智能与合成孔径雷达目标检测技术领域， 更具体地说， 特别涉及 一种基于极化特性驱动的全极化SAR图像舰船检测方法。 背景技术 [0002]随着卫星技术的发展， 合成孔径雷达以其全天时全天候的独特优势， 在对地观测 中发挥着重要的作用， 比如土地覆盖 分类、 变化检测、 灾害损失评估、 海 上交通管控、 地表 参 数反演等。 各个国家也相继发射了SAR卫星， 例如中国的高分3号， 日本的ALOS， 欧洲的哨兵 一号， 加拿大的RADARSAT ‑2等， 合成孔径雷达在 对地研究中的地位举足轻重， 而海 上舰船检 测就是其中一个非常重要的课题。 [0003]在过去的几十年里， 基于阈值的检测方法一直是SAR领域舰船检测的主流， 例如经 典的恒虚警率算法。 基于阈值的检测方法的重点在于分布模型的选择以及参数 的估计， 常 用的分布模型包括： 高斯分布、 Weibull、 K分布、 广义K分布以及广义伽马分布， 其中广义伽 马分布相较于其它分布模型能够获得 更高的拟合精度， 更适 合于SAR图像的杂波拟合。 [0004]近年来， 随着卫星技术的不断发展， 从最初的单极化模式到现在的多极化模式， SAR图像中包含的信息越来越丰富， 特别是在 全极化SAR数据中， 包含了丰富的极化信息， 在 舰船检测中发挥出了巨大的优势。 卷积神经网络以其 强大的特征提取能和表达能力在计算 机视觉领域被广泛研究。 在目标检测领域， SSD、 faster ‑RCNN、 YOLO、 RetainNet等神经网络 已经取得了非常显著的成就。 深度学习在计算机视觉领域取得了巨大成就， 同样也引起了 SAR领域研究人员的注意。 利用现有的公开数据集， 许多学者提出了相应的卷积神经网络， 并取得了显著的检测成果。 然而， 卷积神经网络应用于(Pol)SAR影响舰船 目标检测仍然存 在以下问题： (1)由于合成孔径雷达独特的成像机制， SAR图像中目标表现为一块明亮的区 域， 容易受到强散射背景的干扰， 现有的算法难以提取到有用的特征； (2)现有的SAR图像神 经网络舰船检测算法输入的数据为单通道的强度数据， 忽略了SAR图像中的极化特性； (3) SAR图像中目标尺度多样， 且包含许多小目标， 这对神经网络算法的检测能力是巨大的挑 战。 总而言之， 仅仅依靠SAR图像的强度数据来构建特征， 限制了卷积神经网络算法的性能。 因此， 迫切需要一种能够以极化特性数据作为驱动的卷积神经网络来 解决上述问题。 发明内容 [0005]本发明的目的在于提供一种基于极化特性驱动的全极化SAR图像舰船检测方法， 以克服现有技 术所存在的缺陷。 [0006]为了达到上述目的， 本发明采用的技 术方案如下： [0007]一种基于极化特性驱动的全极化SAR图像舰船检测方法， 包括以下步骤： [0008]S1、 对全极化SAR图像进行 预处理， 获取全极化SAR图像的极化特性数据； [0009]S2、 构建极化特性驱动的卷积神经网络， 将极化特性数据输入主干网络和密集结 构提取极化特性数据中包含的极化特性， 并在特征金字塔中进行多尺度融合， 所述主干网说　明　书 1/4 页 3 CN 115205705 A 3