基于改进YOLOv3的SAR图像目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114155445A(43)申请公布日2022.03.08(21)申请号202111395692.0G06K9/62(2022.01)(22)申请日2021.11.23G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人傅雄军郎平吴编冯程苏沁宁卢继华谢民(74)专利代理机构北京众元弘策知识产权代理事务所(普通合伙)11462代理人宋磊(51)Int.Cl.G06V20/13(2022.01)G06V10/44(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)权利要求书1页说明书5页附图3页(54)发明名称基于改进YOLOv3的SAR图像目标检测方法(57)摘要本发明涉及基于改进YOLOv3的SAR图像目标检测方法，属于雷达目标检测技术领域。所述方法包括：采集SAR图像；对SAR图像数据进行预处理，得到预处理后SAR图像数据并进行人工标注，得到SAR图像数据集并划分为训练数据集和测试数据集；建立改进YOLOv3模型，即在YOLOv3的主干网络Darknet53后增加SPP结构；简化原有YOLOv3的FPN层得FPN‑light结构；将训练数据集输入改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；将测试数据集输入训练好的改进YOLOv3模型进行测试，得到识别结果。所述方法可较为准确识别出SAR图像中的舰船。CN114155445ACN114155445A权利要求书1/1页1.一种基于改进YOLOv3的SAR图像目标检测方法，其特征在于：包括如下步骤：步骤1：传感器采集HH、HV、VV和VH四种极化方式下的SAR图像；步骤2：对获得的SAR图像数据进行预处理，得到预处理后SAR图像数据；步骤3：对步骤2得到的预处理后SAR图像数据进行人工标注，得到SAR图像数据集，再将该数据集划分为训练数据集和测试数据集；步骤4：建立改进YOLOv3模型；其中，改进YOLOv3模型包括改进主干网络、改进瓶颈层以及构建深层网络的特征融合结构；所述改进主干网络为：在YOLOv3的主干网络Darknet53后增加SPP结构；所述改进瓶颈层是指对原有YOLOv3的FPN层进行简化后得到FPN‑light结构；所述构建深层网络的特征融合结构是指选取Resnet50的N1模块和N2模块作为并行辅助结构，并将其与主干网络Darknet53进行融合得到深层网络的特征融合结构；步骤5：将步骤3得到的训练数据集输入步骤4改进的YOLOv3模型中进行训练，得到训练好的改进YOLOv3模型；步骤6：将步骤3的测试数据集输入步骤5训练好的基于改进YOLOv3的模型进行测试验证，得到识别结果。2.依据权利要求1所述的SAR图像目标检测方法，其特征在于：步骤2中，所述SAR图像数据预处理包括SAR图像去噪以及数据增强。3.依据权利要求1所述的SAR图像目标检测方法，其特征在于：步骤4中，深层网络的特征融合结构的具体描述为：将主干网络Darknet53的残差模块C2的输出特征输入到辅助网络N1和主干网络Darknet53的残差模块C3中。4.依据权利要求3所述的SAR图像目标检测方法，其特征在于：辅助网络N1的输出特征输出到辅助网络N2中，同时对辅助网络N1的输出特征进行上采样。5.依据权利要求4所述的SAR图像目标检测方法，其特征在于：对辅助网络N1上采样后的特征与主干网络Darknet53的残差模块C3的输出特征按累加形式融合后输入到主干网络Darknet53的残差模块C4中。6.依据权利要求5所述的SAR图像目标检测方法，其特征在于：对辅助网络N2的输出特征进行上采样，然后再与主干网络Darknet53中的残差模块C4的输出特征按累加形式融合后输入到主干网络Darknet53的残差模块C5中。7.依据权利要求6所述的SAR图像目标检测方法，其特征在于：主干网络Darknet53的残差模块C5的输出特征依次送入Spp层和FPN‑light瓶颈层。8.一种基于改进YOLOv3的SAR图像目标检测装置，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的一种基于改进YOLOv3的SAR图像目标检测方法。9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种基于改进YOLOv3的SAR图像目标检测方法。2CN