全景SAR图像飞机目标检测方法、装置、设备和介质

本技术涉及sar图像目标识别，特别是涉及一种全景sar图像飞机目标检测方法、装置、设备和介质。

背景技术：

1、合成孔径雷达(sar)以其在不同天气条件下捕获高分辨率图像的卓越能力而备受瞩目，已广泛应用于各种领域，尤其是在飞机目标检测与分类方面。

2、近年来，深度学习技术因其自动提取图像特征的能力已经成为当前的主流技术，满足了人们对自动数据分析日益增长的需求。然而，由于独特的相干成像机制，sar图像与光学图像存在本质差异，使得从sar图像中检测和分类飞机面临一系列特定挑战，如离散外观、姿态敏感性和复杂背景杂波干扰等。随着通用目标检测算法在计算机视觉领域的成功应用，研究人员开始将这些算法引入sar图像飞机目标检测与分类任务。结合sar图像中飞机目标特点，研究者们提出了大量性能出色的算法。

3、在处理大场景的sar图像时，为了提升飞机目标检测和分类的效率，通常会将机场检测作为预处理步骤来识别候选区域。该工作流基于从粗到细的认知逻辑，首先识别出潜在的机场区域，随后对目标实例之间的差异进行精细分析。机场检测的时效性和准确性是sar图像中飞机检测与分类系统的基础。然而，现有的采用深度学习的检测方法存在包括：需要大量带标注的数据，这使得训练成本高昂，具有有限的鲁棒性，以及巨大的计算资源消耗问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高在全景sar图像中飞机目标的细粒度检测性能的全景sar图像飞机目标检测方法、装置、设备和介质。

2、一种全景sar图像飞机目标检测方法，所述方法包括：

3、获取待进行目标检测的sar图像；

4、根据所述sar图像的地理位置信息从地理先验数据库中提取对应的地理多边形、光学图像以及地理空间类别概率图；

5、根据所述地理多边形对所述sar图像中的机场区域进行粗检测得到机场粗检测结果，根据所述机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果；

6、利用训练好的旋转飞机目标检测网络基于所述机场精细检测结果进行目标检测，得到目标检测框以及目标类别概率，其中，所述训练好的旋转飞机目标检测网络包括骨干网络、递归门控空间交互网络以及检测头；

7、根据所述地理空间类别概率图得到所述目标检测框位置的飞机类别先验概率，根据所述飞机类别先验概率对所述检测头生成的后验概率进行加权调制得到先验增强的分类器权重；

8、根据所述先验增强的分类器权重对所述目标类别概率进行更新，根据更新后的目标类别概率以及目标检测框得到目标检测结果。

9、在其中一实施例中，所述根据所述机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果，包括：

10、对所述机场粗检测结果以及光学图像进行下采样处理后，采用图像特征描述算法进行图像配准；

11、在图像配准之后，利用所述机场粗检测结果中精准地理位置信息得到所述机场精细检测结果。

12、在其中一实施例中，在利用所述训练好的旋转飞机目标检测网络对所述机场精细检测结果进行目标检测之前：

13、按照预设的滑窗策略对所述机场精细检测结果进行处理，得到包括多张切片的序列切片数据集；

14、将所述序列切片数据集输入至所述训练好的旋转飞机目标检测网络中，进行目标检测。

15、在其中一实施例中，在所述训练好的旋转飞机目标检测网络中：

16、所述骨干网络，对所述序列切片数据集进行自动特征提取，得到多个尺寸的特征图；

17、所述递归门控空间交互网络，将较小三个尺寸的特征图进行自适应交互融合，得到对应的三张融合特征；

18、所述检测头根据所述三张融合特征进行目标检测，得到所述目标检测框以及目标类别概率。

19、在其中一实施例中，在所述递归门控空间交互网络中：

20、采用块递归滤波器自最小尺寸的特征图向最大尺寸的特征图进行自顶向下的特征融合，得到底层融合特征以及中间融合特征；

21、采用所述块递归滤波器依次将所述底层融合特征、中间融合特征、最小尺寸的特征图进行自底向上的特征融合，得到中层融合特征以及高层融合特征；

22、将所述高层融合特征、中层融合特征以及底层融合特征作为输入所述检测头的三张融合特征。

23、在其中一实施例中，在所述块递归滤波器中，采用两个支路分别提取输入数据的特征，并将提取得到的特征进行融合后输出；

24、在其中一个支路中，采用递归门机制，通过线性投影和局部-全局滤波块的迭代，逐步提取和整合所述输入数据的局部和全局信息得到特征表示。

25、在其中一实施例中，通过在先验地理数据中定义坐标系和分辨率后，采用二维高斯分布对先验地理数据中飞机的类别概率分布进行建模，得到所述地理空间类别概率图。

26、本技术提供了一种全景sar图像飞机目标检测装置，所述装置包括：

27、sar图像获取模块，用于获取待进行目标检测的sar图像；

28、先验数据提取模块，用于根据所述sar图像的地理位置信息从地理先验数据库中提取对应的地理多边形、光学图像以及地理空间类别概率图；

29、机场检测模块，用于根据所述地理多边形对所述sar图像中的机场区域进行粗检测得到机场粗检测结果，根据所述机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果；

30、目标检测模块，用于利用训练好的旋转飞机目标检测网络基于所述机场精细检测结果进行目标检测，得到目标检测框以及目标类别概率，其中，所述训练好的旋转飞机目标检测网络包括骨干网络、递归门控空间交互网络以及检测头；

31、分类器权重更新模块，用于根据所述地理空间类别概率图得到所述目标检测框位置的飞机类别先验概率，根据所述飞机类别先验概率对所述检测头产生的后验概率进行加权调制得到先验增强的分类器权重；

32、目标检测预测结果得到模块，用于根据所述先验增强的分类器权重对所述目标类别概率进行更新，根据更新后的目标类别概率以及目标检测框得到目标检测结果。

33、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

34、获取待进行目标检测的sar图像；

35、根据所述sar图像的地理位置信息从地理先验数据库中提取对应的地理多边形、光学图像以及地理空间类别概率图；

36、根据所述地理多边形对所述sar图像中的机场区域进行粗检测得到机场粗检测结果，根据所述机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果；

37、利用训练好的旋转飞机目标检测网络基于所述机场精细检测结果进行目标检测，得到目标检测框以及目标类别概率，其中，所述训练好的旋转飞机目标检测网络包括骨干网络、递归门控空间交互网络以及检测头；

38、根据所述地理空间类别概率图得到所述目标检测框位置的飞机类别先验概率，根据所述飞机类别先验概率对所述检测头生成的后验概率进行加权调制得到先验增强的分类器权重；

39、根据所述先验增强的分类器权重对所述目标类别概率进行更新，根据更新后的目标类别概率以及目标检测框得到目标检测结果。

40、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

41、获取待进行目标检测的sar图像；

42、根据所述sar图像的地理位置信息从地理先验数据库中提取对应的地理多边形、光学图像以及地理空间类别概率图；

43、根据所述地理多边形对所述sar图像中的机场区域进行粗检测得到机场粗检测结果，根据所述机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果；

44、利用训练好的旋转飞机目标检测网络基于所述机场精细检测结果进行目标检测，得到目标检测框以及目标类别概率，其中，所述训练好的旋转飞机目标检测网络包括骨干网络、递归门控空间交互网络以及检测头；

45、根据所述地理空间类别概率图得到所述目标检测框位置的飞机类别先验概率，根据所述飞机类别先验概率对所述检测头生成的后验概率进行加权调制得到先验增强的分类器权重；

46、根据所述先验增强的分类器权重对所述目标类别概率进行更新，根据更新后的目标类别概率以及目标检测框得到目标检测结果。

47、上述全景sar图像飞机目标检测方法、装置、设备和介质，通过根据待进行目标检测的sar图像的地理位置信息从地理先验数据库中提取对应的地理多边形、光学图像以及地理空间类别概率图，根据地理多边形对sar图像中的机场区域进行粗检测得到机场粗检测结果，根据机场粗检测结果以及光学图像采用图像配准的手段，得到机场精细检测结果，利用训练好的旋转飞机目标检测网络基于机场精细检测结果进行目标检测，根据地理空间类别概率得到目标检测框中的飞机类别先验概率，根据飞机类别先验概率对检测头中的分类器权重进行加权调制得到先验增强的分类器权重，根据先验增强的分类器权重对目标类别概率进行更新，根据更新后的目标类别概率以及目标检测框得到目标检测结果。采用本方法可以提高在全景sar图像中飞机目标的细粒度检测性能。