sar运动舰船目标检测方法及装置
技术领域
1.本发明涉及合成孔径雷达（synthetic aperture radar，sar）图像目标检测技术领域，尤其涉及一种sar运动舰船目标检测方法及装置。
背景技术：2.合成孔径雷达是一种高分辨率微波成像雷达，通过主动发射电磁波信号，接收地物反射回波，并利用复杂相干信号处理来获取地物影像信息。与光学遥感图像不同，sar图像中所体现的地物特征信息十分丰富，也更加复杂，这给sar图像的解译造成了较大的困难，也一定程度上限制了sar图像在各领域的应用。尤其海洋遥感具有观测面积广阔、天气环境变化快等特点，提升sar系统的海洋遥感应用效能具有十分重要意义。sar运动舰船检测是sar海洋遥感的热点研究方向之一，目前sar舰船目标检测方法主要分为传统方法的舰船目标检测算法和基于深度学习的舰船目标检测算法。
3.传统舰船目标检测算法的代表性算法是恒虚警检测算法（constant false alarm rate，cfar），cfar检测算法主要通过对信号建立杂波统计模型，利用恒虚警率自适应调整判决门限来对船舶和背景进行区分，并对目标进行检测。但是，cfar检测算法针对特定场景设定模型，再根据自适应或固定的阈值判别区域中是否存在目标，算法本身只能提取到浅层特征，在复杂背景下检测的准确率不高。并且，后续的各种改进也大都针对某种具体场景，算法不具备良好的鲁棒性。此外，该算法无法适用于各个环境，需要针对不同的场景设计不同模型，费时费力。
4.此外，基于机器学习的算法也是传统舰船目标检测算法的一个重要分支，这类算法大都采用人工设计的特征，如sift、hog等特征点提取算法得到旋转不变或者变换不变的船舶特征，再将这些特征与设计好的模版匹配。但是，在实际应用中过于依赖目标的几何特性，在噪声较多、船舶外观被破坏的情况下会产生漏检。
5.基于深度学习的舰船目标检测算法主要使用深度卷积网络，利用对卷积核参数的学习和多层网络的结构设计提取sar图像中的深层语义特征。该算法对于各种场景都有着良好的鲁棒性。但是，应用到sar舰船检测领域时，由于sar数据本身包含了除幅度以外的相位、极化等各种信息，数据本身没有充分利用制约了模型的上限，在复杂场景下只依靠幅度信息无法达到理想的效果。
技术实现要素：6.鉴于上述问题，本发明提供了一种sar运动舰船目标检测方法及装置。
7.本发明一方面提供了一种sar运动舰船目标检测方法，包括：获取合成孔径雷达的单视复图像及其幅度图像数据集；对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；以及将融
合特征图送入目标检测模块，输出运动舰船目标的检测结果。
8.根据本发明的实施例，获取单视复图像的幅度图像数据集，具体包括：对单视复图像进行取模值，得到多个幅度图像，构成幅度图像数据集。
9.根据本发明的实施例，对单视复图像进行取模值的步骤之后，还包括：对取模值后的单视复图像进行数据增广。
10.根据本发明的实施例，深度学习模型基于特征金字塔网络来搭建，空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息。
11.根据本发明的实施例，根据空间变换信息，估算单视复图像的多普勒中心频移矩阵，具体包括：对单视复图像进行距离向切片，得到多个切片图像；对每个切片图像进行方位向傅里叶变换，得到切片矩阵；将切片矩阵经过零频点移，得到方位向频谱；在同一切片图像内的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线；对频谱曲线进行多阶拟合，将拟合出的峰值点作为每个切片图像的多普勒中心频移估计值；将多普勒中心频移估计值代入每个切片图像，将所有切片图像重新拼接得到多普勒矩阵；根据空间变换信息对多普勒矩阵进行空间变换，得到与各个尺度的特征图空间对齐的多普勒中心频移矩阵。
12.根据本发明的实施例，对单视复图像进行距离向切片，得到多个切片图像，具体包括：根据预设切片长度和预设重叠率，沿距离向对单视复图像进行滑窗，将单视复图像切分成多个切片图像，其中，切片图像的个数为：式中，d为单视复图像的距离向长度；overlap为预设重叠率，取值范围为[0，1]；r为预设切片长度；n为切片图像的个数。
[0013]
根据本发明的实施例，在同一切片图像内的方位向频谱进行非相干叠加，具体包括：在同一切片图像内，对方位向频谱进行距离向分块；将分块后的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线。
[0014]
根据本发明的实施例，多阶拟合的阶数为6。
[0015]
根据本发明的实施例，从幅度图像数据集随机选取90%的数据作为训练集，10%的数据作为测试集，将融合特征图送入目标检测模块，输出运动舰船目标的检测结果，具体包括：使用测试集来测试目标检测模块的有效性；将待检测的合成孔径雷达的单视复图像输入训练后的目标检测模块，输出运动舰船目标的检测结果。
[0016]
本发明另一方面提供了一种sar运动舰船目标检测装置，包括：数据获取模块，用于获取合成孔径雷达的单视复图像及其幅度图像数据集；训练集选取模块，用于对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；空间特征训练模块，用于使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；频移特征估算模块，用于根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；特征融合模块，用于将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；以及舰船目标检测模块，用于将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。
[0017]
与现有技术相比，本发明提供的sar运动舰船目标检测方法及装置，至少具有以下有益效果：（1）本发明充分利用了sar数据的原始特性，提出了特征融合的方法解决运动场景下的舰船目标检测问题；并且，由于sar数据的多普勒中心频移特征能够描述目标的运动状态，本发明将多普勒中心频移特征与深度学习模型进行结合，采用多普勒域融合预测，提升了运动舰船目标的检测效果；（2）sar数据包含表征物体运动状态的多普勒信息，适合作为特征进行目标检测。且多普勒频移的估计不需要根据不同场景设计模型，泛用性强，比较适合工程实现；（3）本发明同时结合了频率和空间信息，利用深度神经网络能够提取到深层语义信息，因此在复杂场景下也有着较好的检测效果；（4）运动舰船目标检测一直是遥感目标检测领域的一大难题，在目标几何特征不显著的情况下，本发明利用多普勒中心频移特征在目标运动时的突变性自适应调整判决门限，提升检测运动舰船目标的准确率。
附图说明
[0018]
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本发明一实施例的sar运动舰船目标检测方法的流程图；图2示意性示出了根据本发明实施例的待测目标的观测几何关系图；图3示意性示出了根据本发明实施例的多普勒中心频移矩阵估算的流程图；图4示意性示出了根据本发明实施例的结合多普勒中心频移矩阵估算的sar运动舰船目标检测方法的具体操作流程图；图5示意性示出了根据本发明实施例的每个切片图像的频谱曲线获取的流程图；图6示意性示出了根据本发明实施例的特征融合的结构图；图7示意性示出了根据本发明实施例的运动舰船目标检测的流程图；图8示意性示出了根据本发明另一实施例的sar运动舰船目标检测装置的结构框图。
具体实施方式
[0019]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0020]
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0021]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接连接，也可以通过中间媒介间接相连，可
以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0022]
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0023]
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
[0024]
因此，本发明的技术可以硬件和/或软件（包括固件、微代码等）的形式来实现。另外，本发明的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本发明的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘（hdd）；光存储装置，如光盘（cd-rom）；存储器，如随机存取存储器（ram）或闪存；和/或有线/无线通信链路。
[0025]
运动舰船目标相对于遥感平台的横向运动会造成舰船目标sar影像产生严重的几何畸变，即散焦。成像过程中舰船图像的散焦会导致检测算法的性能降低；径向运动会造成多普勒频移中心的偏移，从而引起运动舰船目标sar影像相对静止背景的位置偏移。sar作为一种主动发射信号的传感器，不仅可以测量散射区域的散射强度和相位信息，在接收信号中还包含了目标与sar传感器距离造成的收发时延信息、目标与传感器相对运动引起的多普勒频移信息以及极化信息等。
[0026]
有鉴于此，本发明提供了一种充分利用sar数据特性，结合多普勒特征和几何特征的sar运动舰船目标检测方法及装置。具体地，该目标例如可以为舰船，也可以为其他海上运动目标，由此本发明可以实现海上运动目标检测。
[0027]
图1示意性示出了根据本发明一实施例的sar运动舰船目标检测方法的流程图。
[0028]
如图1所示，根据该实施例的sar运动舰船目标检测方法，可以包括操作s1~操作s6。
[0029]
在操作s1，获取合成孔径雷达的单视复图像及其幅度图像数据集。
[0030]
合成孔径雷达的单视复图像（single look complex image，slc image）是一种sar图像类型。本实施例中，对合成孔径雷达的单视复图像进行取模值，得到多个幅度图像，构成该幅度图像数据集。
[0031]
本实施例中，对单视复图像进行取模值的步骤之后，还可以对取模值后的单视复图像进行数据增广，该数据增广例如可以通过翻折或者旋转等方式进行。
[0032]
在操作s2，对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集。
[0033]
具体地，例如可以从幅度图像数据集随机选取90%的数据作为训练集，10%的数据作为测试集。
[0034]
在操作s3，使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息。
[0035]
本实施例中，深度学习模型可以基于特征金字塔网络来搭建。可以理解的是，特征金字塔网络（feature pyramid networks，fpn）是根据特征金字塔概念设计的特征提取器，可以把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接，使得所有尺度下的特征都有丰富的语义信息，从而提高特征提取的精度和速度。
[0036]
本实施例中，空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息，该空间变换信息将用于后续操作的传递。
[0037]
在操作s4，根据空间变换信息，估算单视复图像的多普勒中心频移矩阵。
[0038]
在操作s5，将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图。
[0039]
在操作s6，将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。
[0040]
具体地，该目标检测模块可以为faster rcnn检测模块，faster rcnn检测模块是一种采用faster rcnn网络的目标检测算法，可以将感兴趣区域池化(region of interest pooling，roi pooling)、目标分配和回归都整合在了一个网络中，使得综合性能有较大提高。
[0041]
通过本发明的实施例，对幅度图像使用基于特征金字塔的深度学习模型进行训练，得到多个尺度大小图片的特征图和空间变换信息，再估计slc数据的多普勒中心频移特征，将多普勒中心频移特征和各个尺度的特征图进行特征融合后送入目标检测模块进行预测，由此得到运动舰船目标的检测结果。由于sar数据的多普勒中心频移特征能够描述目标的运动状态，本发明实施例将多普勒中心频移特征与深度学习模型进行结合，采用多普勒域融合预测，提升了运动舰船目标的检测效果。
[0042]
本实施例中，该数据标注例如可以根据单视复图像中的运动舰船目标的位置坐标或者目标类型进行标注。相应地，操作s6中的运动舰船目标的检测结果可以为对应该数据标注的待检测的合成孔径雷达的单视复图像的位置坐标或者目标类型。
[0043]
针对上述操作s4，多普勒频移是指当遥感平台以一定速度沿着某一方向移动时，由于传播路程差的原因，产生的相位和频率的变化。雷达与目标之间的相对运动会使雷达回波信号产生频移，而频移的数值则可以用来表征运动舰船目标的运动状态。针对多普勒中心频移的估计方法，本实施例的多普勒中心频移的推理过程如下。
[0044]
图2示意性示出了根据本发明实施例的待测目标的观测几何关系图。
[0045]
首先检测目标的观测几何关系，如图2所示，图中示出了雷达运动平台s与目标t之间的观测几何关系，其中，预设向量rs、vs和as分别表示波束中心时刻的雷达运动平台s的位置、速度和加速度矢量，向量r
t
、v
t
和a
t
分别表示波束中心时刻的待测目标t的位置、速度和加速度矢量。若目标t沿着向量vm做匀速直线运动，将向量vm做正交分解得到分向量v
x
和分向量vy，其中，分向量vy沿着波束中心指向，分向量v
x
沿着波束扫描方向。
[0046]
根据星载sar回波理论，可以得到静止目标t经过时间t之后的瞬时斜距r(t)进行泰勒展开，并且保留展开项至时间t的二次项，则静止目标t的距离历程r(t)可以表示为
其中，r=r
s-r
t
，v
st
=v
s-v
t
，a
st
=a
s-a
t
。
[0047]
运动舰船目标t与雷达运动平台s之间的距离历程为：其中，η表示方位时间。
[0048]
运动舰船目标t引起的瞬时斜距误差为：其中，γ为入射角。相位的误差改变了方位向信号的多普勒信息，根据上述瞬时斜距误差的表达式可以得到方位多普勒频率的误差为：由上述方位多普勒频率的误差公式可以得到多普勒频率中心和多普勒调频率的变化分别为：基于上述多普勒中心频移的推理过程，本发明一实施例提出了一套多普勒中心频移的估计算法。
[0049]
图3示意性示出了根据本发明实施例的多普勒中心频移矩阵估算的流程图。图4示意性示出了根据本发明实施例的结合多普勒中心频移矩阵估算的sar运动舰船目标检测方法的具体操作流程图。
[0050]
本实施例中，如图3和图4所示，上述操作s4中的根据空间变换信息，估算单视复图像的多普勒中心频移矩阵，具体可以包括操作s41~操作s47。
[0051]
在操作s41，对单视复图像进行距离向切片，得到多个切片图像。
[0052]
本实施例中，根据预设切片长度和预设重叠率，沿距离向对单视复图像进行滑窗，将单视复图像切分成多个切片图像，其中，切片图像的个数可以根据以下公式计算得出：式中，d为单视复图像的距离向长度；overlap为预设重叠率，取值范围为[0，1]；r为预设切片长度；n为切片图像的个数。
[0053]
在操作s42，对每个切片图像进行方位向傅里叶变换，得到切片矩阵。
[0054]
在操作s43，将切片矩阵经过零频点移，得到方位向频谱。
[0055]
具体地，该零频点移是指matlab软件中的fftshift变换，是通过圆周位移将零频分量移动至频谱中心。
[0056]
例如，切片矩阵例如可以表示为fn，将切片矩阵fn经过fftshift变换，得到以零频为中心，并且在[-fs/2，fs/2]频率范围内的方位向频谱fn，也即表示为fn=fftshift(fn)，其中，fs表示采样频率。
[0057]
在操作s44，在同一切片图像内的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线。
[0058]
由于单条频谱所表征出的特征不明显，本实施例采用距离向分块方法，对方位向频谱进行非相干叠加。
[0059]
在操作s45，对频谱曲线进行多阶拟合，将拟合出的峰值点作为每个切片图像的多普勒中心频移估计值。
[0060]
为了消除离群点的影响，对频谱曲线进行多阶拟合后，计算多普勒中心频移估计值。优选地，该多阶拟合的阶数为6。
[0061]
在操作s46，将多普勒中心频移估计值代入每个切片图像，将所有切片图像重新拼接得到多普勒矩阵。
[0062]
在操作s47，根据空间变换信息对多普勒矩阵进行空间变换，得到与各个尺度的特征图空间对齐的多普勒中心频移矩阵。
[0063]
图5示意性示出了根据本发明实施例的每个切片图像的频谱曲线获取的流程图。
[0064]
如图5所示，本实施例中，上述操作s44中的在同一切片图像内的方位向频谱进行非相干叠加，具体可以包括操作s441~操作s442。
[0065]
在操作s441，在同一切片图像内，对方位向频谱进行距离向分块。
[0066]
在操作s442，将分块后的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线。
[0067]
也就是说，每个切片图像的频谱曲线可以根据以下公式计算得出：式中，fn为方位向频谱；abs为取绝对值操作；gj为分块后的第j块方位向频谱，j=1~r；r为预设切片长度；tn为第n个切片图像的频谱曲线。
[0068]
图6示意性示出了根据本发明实施例的特征融合的结构图。
[0069]
如图6所示，首先，空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息，该空间变换信息将传递至多普勒中心频移矩阵，以对该多普勒中心频移矩阵进行空间变换。
[0070]
接着，在得到空间对齐的多普勒中心频移矩阵后，将不同大小的多普勒中心频移矩阵与特征金字塔网络输出的多个尺度的特征图拼接在一起，作为最终特征输入目标检测模块。
[0071]
图7示意性示出了根据本发明实施例的运动舰船目标检测的流程图。
[0072]
如图7所示，本实施例中，上述操作s6中的将融合特征图送入目标检测模块，输出运动舰船目标的检测结果，具体可以包括操作s61~操作s62。
[0073]
在操作s61，使用测试集来测试目标检测模块的有效性。
[0074]
在操作s62，将待检测的合成孔径雷达的单视复图像输入训练后的目标检测模块，输出运动舰船目标的检测结果。
[0075]
由此可见，本发明实施例利用多普勒中心频移特征在目标运动时的突变性自适应调整判决门限，提升检测运动舰船目标的准确率。
[0076]
以上只是示例性说明，本发明实施例不限于此。
[0077]
例如，在一些实施例中，特征提取模型还可以基于其他深度学习检测网络模型来搭建，例如可以采用yolo或者ssd。
[0078]
又例如，在一些实施例中，在特征融合方法中，不仅可以将多普勒中心频移直接加到最终的特征图中，还可以采用其他方式将多普勒中心频移特征与空间特征融合的方法，均应包含在本发明的保护范围之内。
[0079]
又例如，在其他实施例中，采用多普勒多普勒中心频移的估计方法，采用其他估计方法如基于幅度的估计方法和基于相位的估计方法进行多普勒中心频率的估计，均应包含在本发明的保护范围之内。
[0080]
基于上述sar运动舰船目标检测方法，本发明还提供了一种sar运动舰船目标检测装置，以下将结合图8对该装置进行详细描述。
[0081]
图8示意性示出了根据本发明另一实施例的sar运动舰船目标检测装置的结构框图。
[0082]
如图8所示，本发明另一实施例的sar运动舰船目标检测装置800包括数据获取模块810、训练集选取模块820、空间特征训练模块830、频移特征估算模块840、特征融合模块850和舰船目标检测模块860。
[0083]
数据获取模块810，用于获取合成孔径雷达的单视复图像及其幅度图像数据集。
[0084]
训练集选取模块820，用于对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集。
[0085]
空间特征训练模块830，用于使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息。
[0086]
频移特征估算模块840，用于根据空间变换信息，估算单视复图像的多普勒中心频移矩阵。
[0087]
特征融合模块850，用于将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图。
[0088]
舰船目标检测模块860，用于将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。
[0089]
需要说明的是，装置部分的实施例方式与方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，具体细节请参照上述方法实施例方式部分，在此不再赘述。
[0090]
根据本发明的实施例，数据获取模块810、训练集选取模块820、空间特征训练模块830、频移特征估算模块840、特征融合模块850和舰船目标检测模块860中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，数据获取模块810、训练集选取模块820、空间特征训练模块830、频移特征估算模块840、特征融合模块850和舰船目标检测模块860中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（fpga）、可编程逻辑阵列（pla）、片上系统、基板上的系统、封装上的系统、专用集成电路（asic），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据获取模块810、训练集选取模块820、空间特征训练模块830、频移特征估算模块840、特征融合模块850和舰船目标检测模块860中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0091]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。贯穿附图，相同的元素由相同或相近的附图标记来表示。可能导致本发明的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状、尺寸、位置关系不反映真实大小、比例和实际位置关系。
[0092]
类似地，为了精简本发明并帮助理解各个公开方面中的一个或多个，在上面对本发明示例性实施例的描述中，本发明的各个特征有时被一起分到单个实施例、图或者对其描述中。参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或者多个实施例或示例中以合适的方式结合。
[0093]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。此外，位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
[0094]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种sar运动舰船目标检测方法，其特征在于，包括：获取合成孔径雷达的单视复图像及其幅度图像数据集；对所述幅度图像数据集进行数据标注，从所述幅度图像数据集随机选取训练集；使用深度学习模型对所述训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据所述空间变换信息，估算所述单视复图像的多普勒中心频移矩阵；将所述多普勒中心频移矩阵与各个尺度的所述特征图进行特征融合，得到带有目标运动信息的融合特征图；以及将所述融合特征图送入目标检测模块，输出运动舰船目标的检测结果。2.根据权利要求1所述的sar运动舰船目标检测方法，其特征在于，所述获取所述单视复图像的幅度图像数据集，具体包括：对所述单视复图像进行取模值，得到多个幅度图像，构成所述幅度图像数据集。3.根据权利要求2所述的sar运动舰船目标检测方法，其特征在于，所述对所述单视复图像进行取模值的步骤之后，还包括：对取模值后的单视复图像进行数据增广。4.根据权利要求1所述的sar运动舰船目标检测方法，其特征在于，所述深度学习模型基于特征金字塔网络来搭建，所述空间变换信息为深度学习模型训练过程中进行卷积和/或池化操作对应的空间变换信息。5.根据权利要求1所述的sar运动舰船目标检测方法，其特征在于，所述根据所述空间变换信息，估算所述单视复图像的多普勒中心频移矩阵，具体包括：对所述单视复图像进行距离向切片，得到多个切片图像；对每个切片图像进行方位向傅里叶变换，得到切片矩阵；将所述切片矩阵经过零频点移，得到方位向频谱；在同一切片图像内的所述方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线；对所述频谱曲线进行多阶拟合，将拟合出的峰值点作为每个切片图像的多普勒中心频移估计值；将多普勒中心频移估计值代入每个切片图像，将所有切片图像重新拼接得到多普勒矩阵；根据所述空间变换信息对所述多普勒矩阵进行空间变换，得到与各个尺度的所述特征图空间对齐的多普勒中心频移矩阵。6.根据权利要求5所述的sar运动舰船目标检测方法，其特征在于，对所述单视复图像进行距离向切片，得到多个切片图像，具体包括：根据预设切片长度和预设重叠率，沿距离向对所述单视复图像进行滑窗，将所述单视复图像切分成多个切片图像，其中，所述切片图像的个数为：式中，d为单视复图像的距离向长度；overlap为预设重叠率，取值范围为[0，1]；r为预
设切片长度；n为切片图像的个数。7.根据权利要求5所述的sar运动舰船目标检测方法，其特征在于，所述在同一切片图像内的所述方位向频谱进行非相干叠加，具体包括：在同一切片图像内，对所述方位向频谱进行距离向分块；将分块后的方位向频谱进行非相干叠加，得到每个切片图像的频谱曲线。8.根据权利要求5所述的sar运动舰船目标检测方法，其特征在于，所述多阶拟合的阶数为6。9.根据权利要求1所述的sar运动舰船目标检测方法，其特征在于，从所述幅度图像数据集随机选取90%的数据作为所述训练集，10%的数据作为测试集，所述将所述融合特征图送入目标检测模块，输出运动舰船目标的检测结果，具体包括：使用所述测试集来测试所述目标检测模块的有效性；将待检测的合成孔径雷达的单视复图像输入训练后的目标检测模块，输出运动舰船目标的检测结果。10.一种sar运动舰船目标检测装置，其特征在于，包括：数据获取模块，用于获取合成孔径雷达的单视复图像及其幅度图像数据集；训练集选取模块，用于对所述幅度图像数据集进行数据标注，从所述幅度图像数据集随机选取训练集；空间特征训练模块，用于使用深度学习模型对所述训练集进行特征提取，得到多个尺度的特征图和空间变换信息；频移特征估算模块，用于根据所述空间变换信息，估算所述单视复图像的多普勒中心频移矩阵；特征融合模块，用于将所述多普勒中心频移矩阵与各个尺度的所述特征图进行特征融合，得到带有目标运动信息的融合特征图；以及舰船目标检测模块，用于将所述融合特征图送入目标检测模块，输出运动舰船目标的检测结果。
技术总结本发明提供一种SAR运动舰船目标检测方法及装置，涉及合成孔径雷达图像目标检测技术领域。该方法包括获取合成孔径雷达的单视复图像及其幅度图像数据集；对幅度图像数据集进行数据标注，从幅度图像数据集随机选取训练集；使用深度学习模型对训练集进行特征提取，得到多个尺度的特征图和空间变换信息；根据空间变换信息，估算单视复图像的多普勒中心频移矩阵；将多普勒中心频移矩阵与各个尺度的特征图进行特征融合，得到带有目标运动信息的融合特征图；将融合特征图送入目标检测模块，输出运动舰船目标的检测结果。本发明将多普勒中心频移特征与深度学习模型结合，采用多普勒域融合预测，提升运动舰船目标的检测效果。提升运动舰船目标的检测效果。提升运动舰船目标的检测效果。
技术研发人员：周玉成 韩冰 胡玉新 杨俊鑫 王晓晨 仲利华
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：2022.05.18
技术公布日：2022/7/5
