本技術(shù)涉及合成孔徑雷達目標檢測領(lǐng)域，特別是涉及一種面向sar影像定向解耦目標檢測方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、合成孔徑雷達(sar)是一種無源遙感技術(shù)，通過發(fā)射微波信號并記錄其反射波，以獲取地表的高分辨率影像。與光學遙感相比，sar具有獨特的優(yōu)勢，能夠?qū)崿F(xiàn)全天候、全天時的監(jiān)測，具有高分辨率、寬幅覆蓋和穿透云層的能力。這些屬性極大地促進了sar在船舶檢測中的應(yīng)用。

2、傳統(tǒng)的sar船舶檢測方法通常基于圖像處理和模式識別技術(shù)，其核心思想是從sar影像中提取特征，并使用分類器或檢測器對艦船進行識別。首先，對sar影像進行預(yù)處理，包括去噪、輻射校正等；然后，提取特征，如紋理特征、幅度統(tǒng)計特征等，以描述艦船在sar影像中的表現(xiàn)；接著，采用分類器或檢測器(如卡爾曼濾波器、cfar檢測器等)對艦船進行識別或檢測；最后，對檢測結(jié)果進行后處理和分析，以提高準確性和魯棒性。這些傳統(tǒng)方法在sar船舶檢測中發(fā)揮了重要作用。然而，傳統(tǒng)方法通常需要根據(jù)具體應(yīng)用場景手動調(diào)整閾值或其他參數(shù)，并且在復(fù)雜的場景中，可能存在多種不同類型的目標或背景信號，而傳統(tǒng)的方法往往難以處理這種多樣性，容易導致漏檢或誤檢。

3、近年來，隨著深度學習的發(fā)展，sar船舶目標檢測迅速取得了重大進展。基于深度學習的方法利用深度神經(jīng)網(wǎng)絡(luò)對海上船舶進行特征學習和分類識別，能夠自主學習圖像中的抽象特征表示，從而提高了船舶檢測的準確性和魯棒性。這種方法不僅能夠識別不同類型的船舶，還能夠區(qū)分船舶與其他海上目標或背景，為海上監(jiān)視和邊境安全提供更可靠的保障。但目前的方法主要傾向于使用水平框來實現(xiàn)目標檢測，這在面對sar影像中分布密集方向隨機的目標時，會導致大量冗余，從而影響檢測效果。

4、鑒于水平框目標檢測的局限性，近年來越來越多的研究開始將重心轉(zhuǎn)向旋轉(zhuǎn)框目標檢測。旋轉(zhuǎn)框能夠更準確地描述目標的形態(tài)和方向，提高目標檢測的準確性和魯棒性。比如rrpn網(wǎng)絡(luò)，通過生成具有文本方向角度信息的傾斜建議，然后將角度信息調(diào)整為邊界框回歸，以使建議在方向方面更準確地適應(yīng)文本區(qū)域。再比如r2cnn網(wǎng)絡(luò)，首先使用區(qū)域建議網(wǎng)絡(luò)來生成軸對齊的邊界框，然后提取rpn提出的每個軸對齊文本框不同池化大小的池化特征，并使用連接特征來同時預(yù)測文本與非文本得分、軸對齊框和傾斜最小面積框，最后通過傾斜的非極大值抑制來獲得檢測結(jié)果。但由于sar影像的高分辨率和特殊的成像機理，旋轉(zhuǎn)框目標檢測面臨三大挑戰(zhàn)。

5、第一，如何解決sar圖像中目標邊緣模糊導致的旋轉(zhuǎn)定位不準確問題。船舶檢測通常包括兩個主要任務(wù)：定位和分類。準確的船舶位置信息對于海上監(jiān)視和安全管理至關(guān)重要。sar技術(shù)提供高分辨率的海面圖像，有助于準確定位海洋中的船只。深度學習方法通過對sar圖像中的艦船目標邊緣信息進行卷積運算，實現(xiàn)艦船位置的精確定位。然而，由于sar利用雷達發(fā)射的微波信號和目標表面反射的回波進行成像，這種成像機制容易導致生成的圖像中目標輪廓模糊，進而影響目標旋轉(zhuǎn)定位效果。如何合理解決這一問題成為旋轉(zhuǎn)檢測的一個難點。

6、第二，合理處理陸地上強散射背景對旋轉(zhuǎn)探測的影響。在sar圖像中，與探測目標無關(guān)的元素被認為是噪聲。比如，陸地建筑物的散射強度與船舶目標相似，嚴重降低了探測器的性能，它們便可以稱為噪聲。在進行旋轉(zhuǎn)檢測時，由于這些噪聲與真實目標很相似，檢測器容易受到干擾，從而產(chǎn)生漏檢或誤報的現(xiàn)象。如何使檢測器能夠準確提取到目標成為一個重要的研究問題。

7、第三，如何處理不同尺寸船舶目標的角度回歸不匹配問題。sar影像船舶目標往往呈現(xiàn)不同的尺寸大小。在進行旋轉(zhuǎn)檢測時，小尺度目標對位置偏移更敏感，而大尺度目標更注重角度優(yōu)化，這給旋轉(zhuǎn)檢測任務(wù)增加了很大的挑戰(zhàn)。因為模型的角度回歸損失往往只能是一種，面對多種尺度目標時，往往顯得分身乏術(shù)。如何能讓檢測器面對不同尺寸目標時可以動態(tài)調(diào)整損失參數(shù)是需要關(guān)注的重點。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是提供一種面向sar影像定向解耦目標檢測方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，可解決由于sar影像中船舶邊緣輪廓模糊、陸地強散射背景干擾以及不同尺寸船舶角度回歸不匹配，導致的現(xiàn)有探測器難以實現(xiàn)精確目標旋轉(zhuǎn)定位的問題。

2、為實現(xiàn)上述目的，本技術(shù)提供了如下方案：

3、第一方面，本技術(shù)提供了一種面向sar影像定向解耦目標檢測，包括：

4、獲取源數(shù)據(jù)集；所述源數(shù)據(jù)集包括：兩個高分辨率sar影像艦船數(shù)據(jù)；

5、對所述源數(shù)據(jù)集進行預(yù)處理；

6、構(gòu)建目標檢測模型；所述目標檢測模型包括：主干網(wǎng)絡(luò)、st-mlp模塊、mc-pm模塊、頸部網(wǎng)絡(luò)以及高斯分布解碼預(yù)測盒；

7、構(gòu)建損失函數(shù)；

8、基于所述預(yù)處理后的源數(shù)據(jù)和損失函數(shù)對所述目標檢測模型進行訓練；

9、將待檢測的sar影像輸入至訓練好的目標檢測模型，得到目標定向檢測結(jié)果。

10、可選地，對所述源數(shù)據(jù)集進行預(yù)處理，具體包括以下步驟：

11、將兩個高分辨率sar影像艦船數(shù)據(jù)利用線性插值的方法裁剪為640*640大??；

12、將裁剪后的數(shù)據(jù)集進行數(shù)量劃分，按照的比例劃分為訓練集與驗證集。

13、可選地，所述損失函數(shù)的表達式如下：

14、lossall＝lcls+lreg+lobj

15、其中，lcls表示分類損失，lreg表示回歸損失，lobj表示置信度損失。

16、可選地，將待檢測的sar影像輸入至訓練好的目標檢測模型，得到目標定向檢測結(jié)果具體包括以下步驟：

17、將待檢測的sar影像輸入至所述主干網(wǎng)絡(luò)，得到影像的主要特征；

18、將所述影像的主要特征輸入至所述st-mlp模塊，進行復(fù)雜特征的提取和整合，并將進行復(fù)雜特征提取和整合后的特征進行去噪；

19、將去噪后的特征輸入至所述mc-pm模塊進行平均池化操作，得到多分支處理結(jié)果；

20、對所述多分支處理結(jié)果從通道維度進行融合；

21、將經(jīng)通道維度融合后的特征進行降維；

22、將降維后的特征輸入至水平和豎直硬編碼通道，得到位置特征信息；

23、將所述位置特征信息進行通道轉(zhuǎn)換，得到最終的輸出結(jié)果；

24、將所述最終的輸出結(jié)果輸入至所述頸部網(wǎng)絡(luò)進行信息融合；

25、將信息融合后的特征輸入至所述高斯分布解碼預(yù)測盒得到目標定向檢測結(jié)果。

26、可選地，所述將進行復(fù)雜特征提取和整合后的特征進行去噪具體采用以下公式：

27、

28、τ＝x2-τ

29、g＝max(τ,0

30、

31、其中，τ為閾值，a1為全局平均池化以及faltten操作后的殘差邊特征值，a5為經(jīng)過多層感知機特征提取與整合后的特征值，t為絕對運算后的特征值與閾值之差，x2為絕對運算后的特征值，g為t與0比較的結(jié)果，t大于0時返回t，小于等于0時返回0，x'為輸入特征值的符號值x與g逐項相乘的結(jié)果，它代表了經(jīng)過st-mlp模塊處理后的最終特征值。

32、可選地，所述將去噪后的特征輸入至所述mc-pm模塊進行平均池化操作具體采用以下公式：

33、

34、其中，output為單步平均池化處理后的特征值，input為st-mlp模塊處理后的輸出特征值，stride為1，表示步長，kernel表示池化核，分別為5、9、13，padding是kernel的值除以2的整數(shù)部分。

35、第二方面，本技術(shù)提供了一種面向sar影像定向解耦目標檢測裝置，所述面向sar影像定向解耦目標檢測裝置包括：

36、源數(shù)據(jù)集獲取模塊，用于獲取源數(shù)據(jù)集；所述源數(shù)據(jù)集包括：兩個高分辨率sar影像艦船數(shù)據(jù)；

37、預(yù)處理模塊，用于對所述源數(shù)據(jù)集進行預(yù)處理；

38、目標檢測模型構(gòu)建模塊，用于構(gòu)建目標檢測模型；所述目標檢測模型包括：主干網(wǎng)絡(luò)、st-mlp模塊、mc-pm模塊、頸部網(wǎng)絡(luò)以及高斯分布解碼預(yù)測盒；

39、損失函數(shù)構(gòu)建模塊，用于構(gòu)建損失函數(shù)；

40、訓練模塊，用于基于所述預(yù)處理后的源數(shù)據(jù)和損失函數(shù)對所述目標檢測模型進行訓練；

41、目標定向檢測模塊，用于將待檢測的sar影像輸入至訓練好的目標檢測模型，得到目標定向檢測結(jié)果。

42、第三方面，本技術(shù)提供了一種計算機設(shè)備，包括：存儲器、處理器以存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述中任一項所述的面向sar影像定向解耦目標檢測方法的步驟。

43、第四方面，本技術(shù)提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的面向sar影像定向解耦目標檢測方法的步驟。

44、第五方面，本技術(shù)提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的面向sar影像定向解耦目標檢測方法的步驟。

45、根據(jù)本技術(shù)提供的具體實施例，本技術(shù)公開了以下技術(shù)效果：

46、本技術(shù)提供了一種面向sar影像定向解耦目標檢測方法、裝置、設(shè)備、介質(zhì)及產(chǎn)品，通過基于軟閾值函數(shù)的多層感知機(st-mlp)，將多層感知機與軟閾值函數(shù)相結(jié)合，不僅增強了模型對復(fù)雜特征的提取和整合能力，還顯著改善了去噪效果。減輕了背景信息對目標定位的干擾；通過設(shè)置多通道定位模塊(mc-pm)，不僅可以通過分布平均池化操作軟化目標邊緣特征，還可以將水平和豎直方位感知通道添加到網(wǎng)絡(luò)中增強網(wǎng)絡(luò)的方向感知能力，從而生成更貼合目標的定向檢測框，通過設(shè)置高斯分布解碼預(yù)測盒(gd-bpb)。利用kullback-leibler散度作為距離度量，可以實現(xiàn)參數(shù)動態(tài)調(diào)整的效果，從而緩解不同尺寸大小目標的角度回歸不匹配問題。