【技術實現步驟摘要】
本申請涉及isar圖像目標識別，特別是涉及一種面向空間目標isar圖像的特征點檢測方法、裝置和設備。
技術介紹
1、逆合成孔徑雷達可以全天時全天候工作，目前已被廣泛應用于空間目標監視領域。通過對空間目標進行觀測，逆合成孔徑雷達可以獲得目標的高分辨率isar圖像。在isar成像過程中，增加傳輸信號帶寬可以提高isar圖像的徑向分辨率，通過長時間觀測積累較大的轉角可以提高isar圖像的橫向分辨率。isar圖像是目標在雷達成像平面上的二維投影，反映了目標的輪廓形狀和散射特性。因此，從isar圖像中檢測特征點是一項非常重要的任務，可以為后續的空間目標姿態估計、三維重建提供技術支撐。
2、傳統的特征點檢測方法在面對isar圖像的低紋理和明暗不均等特性時表現不佳。神經網絡由于其非線性映射能力，能夠有效地學習空間目標isar圖像中的特征，從而提升特征點檢測的性能。
3、然而，現有的已標注空間目標isar圖像數據相對匱乏，為利用神經網絡進行目標特征點的檢測帶來了挑戰。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠解決已標注空間目標isar圖像數據相對匱乏問題的一種面向空間目標isar圖像的特征點檢測方法、裝置和設備。
2、一種面向空間目標isar圖像的特征點檢測方法，所述方法包括：
3、基于多種不同的空間目標基元結構以及空間目標，采用物理光學法進行仿真得到多張基元結構isar仿真圖像以及空間目標isar仿真圖像，并分別構建對應的is
4、利用所述isar基元圖像數據集對基礎特征點檢測模型進行訓練，得到訓練后的基礎特征點檢測模型；
5、對所述空間目標isar數據集中的每一張空間目標isar仿真圖像進行多次仿射變換后，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標isar仿真圖像的偽真值標簽；
6、利用所述空間目標isar數據集以及對應的偽真值標簽對特征點檢測模型進行訓練，得到訓練后的特征點經檢測模型；
7、獲取空間目標的isar圖像，將所述isar圖像輸入至所述訓練后的特征點經檢測模型中進行特征點檢測，得到所述isar圖像中空間目標的多個特征點。
8、在其中一實施例中，在采用物理光學法基于空間目標基元結構進行仿真時：
9、所述空間目標基元結構包括圓柱體結構、立方體結構以及平面結構，且所述空間目標基元結構包括多個尺度；
10、并對仿真得到的各張所述基元結構isar仿真圖像標注特征點位置真值。
11、在其中一實施例中，所述基礎特征點檢測模型為全卷積神經網絡，所述基礎特征點檢測模型中的卷積核大小為3×3，采用批歸一化進行數據歸一化處理，非線性激活函數采用relu函數，全連接卷積層為1×1卷積。
12、在其中一實施例中，在對所述空間目標isar數據集中的每一張空間目標isar仿真圖像進行多次仿射變換包括平移、旋轉、縮放操作。
13、在其中一實施例中，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標isar仿真圖像的偽真值標簽包括：
14、將一張空間目標isar仿真圖像進行不同仿射變換后的圖像的基礎特征點檢測結果，進行聚合得到該張空間目標isar仿真圖像的偽真值標簽。
15、在其中一實施例中，所述特征點檢測模型包括一個共享編碼器和兩個獨立的解碼器，其中，兩個所述解碼器分別為用于檢測圖像中的特征點的特征點檢測解碼器，以及計算特征點描述子的特征點描述子解碼器；
16、所述共享編碼器包括依次連接的卷積層、下采樣池化層和非線性激活函數；
17、所述特征點檢測解碼器采用顯示解碼結構，輸出為特征點概率圖像；
18、所述特征點描述子解碼器采用ucn網絡結構生成稀疏描述子，再對所述稀疏描述子進行雙三次插值和l2標準化得到統一長度的單位像素描述子。
19、在其中一實施例中，在對所述特征點檢測模型進行訓練時，采用的損失函數為通過權重系數對特征點檢測解碼器損失以及特征點描述子解碼器損失兩個部分進行平衡后的總損失函數。
20、本申請還提供了一種面向空間目標isar圖像的特征點檢測裝置，所述裝置包括：
21、isar數據集構建模塊，用于基于多種不同的空間目標基元結構以及空間目標，采用物理光學法進行仿真得到多張基元結構isar仿真圖像以及空間目標isar仿真圖像，并分別構建對應的isar基元圖像數據集以及空間目標isar數據集；
22、基礎特征點檢測模型訓練模塊，用于利用所述isar基元圖像數據集對基礎特征點檢測模型進行訓練，得到訓練后的基礎特征點檢測模型；
23、偽真值標簽得到模塊，用于對所述空間目標isar數據集中的每一張空間目標isar仿真圖像進行多次仿射變換后，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標isar仿真圖像的偽真值標簽；
24、特征點經檢測模型訓練模塊，用于利用所述空間目標isar數據集以及對應的偽真值標簽對特征點檢測模型進行訓練，得到訓練后的特征點經檢測模型；
25、特征點檢測模塊，用于獲取空間目標的isar圖像，將所述isar圖像輸入至所述訓練后的特征點經檢測模型中進行特征點檢測，得到所述isar圖像中空間目標的多個特征點。
26、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現以下步驟：
27、基于多種不同的空間目標基元結構以及空間目標，采用物理光學法進行仿真得到多張基元結構isar仿真圖像以及空間目標isar仿真圖像，并分別構建對應的isar基元圖像數據集以及空間目標isar數據集；
28、利用所述isar基元圖像數據集對基礎特征點檢測模型進行訓練，得到訓練后的基礎特征點檢測模型；
29、對所述空間目標isar數據集中的每一張空間目標isar仿真圖像進行多次仿射變換后，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標isar仿真圖像的偽真值標簽；
30、利用所述空間目標isar數據集以及對應的偽真值標簽對特征點檢測模型進行訓練，得到訓練后的特征點經檢測模型；
31、獲取空間目標的isar圖像，將所述isar圖像輸入至所述訓練后的特征點經檢測模型中進行特征點檢測，得到所述isar圖像中空間目標的多個特征點。
32、一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現以下步驟：
33、基于多種不同的空間目標基元結構以及空間目標，采用物理光學法進行仿真得本文檔來自技高網...
【技術保護點】
1.一種面向空間目標ISAR圖像的特征點檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向空間目標ISAR圖像的特征點檢測方法，其特征在于，在采用物理光學法基于空間目標基元結構進行仿真時：
3.根據權利要求2所述的面向空間目標ISAR圖像的特征點檢測方法，其特征在于，所述基礎特征點檢測模型為全卷積神經網絡，所述基礎特征點檢測模型中的卷積核大小為3×3，采用批歸一化進行數據歸一化處理，非線性激活函數采用ReLU函數，全連接卷積層為1×1卷積。
4.根據權利要求3所述的面向空間目標ISAR圖像的特征點檢測方法，其特征在于，在對所述空間目標ISAR數據集中的每一張空間目標ISAR仿真圖像進行多次仿射變換包括平移、旋轉、縮放操作。
5.根據權利要求4所述的面向空間目標ISAR圖像的特征點檢測方法，其特征在于，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標ISAR仿真圖像的偽真值標簽包括：
6.根據權利要求1-5任一項所述的面向空間目標ISAR圖像的特
7.根據權利要求1-5任一項所述的面向空間目標ISAR圖像的特征點檢測方法，其特征在于，在對所述特征點檢測模型進行訓練時，采用的損失函數為通過權重系數對特征點檢測解碼器損失以及特征點描述子解碼器損失兩個部分進行平衡后的總損失函數。
8.一種面向空間目標ISAR圖像的特征點檢測裝置，其特征在于，所述裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種面向空間目標isar圖像的特征點檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向空間目標isar圖像的特征點檢測方法，其特征在于，在采用物理光學法基于空間目標基元結構進行仿真時：
3.根據權利要求2所述的面向空間目標isar圖像的特征點檢測方法，其特征在于，所述基礎特征點檢測模型為全卷積神經網絡，所述基礎特征點檢測模型中的卷積核大小為3×3，采用批歸一化進行數據歸一化處理，非線性激活函數采用relu函數，全連接卷積層為1×1卷積。
4.根據權利要求3所述的面向空間目標isar圖像的特征點檢測方法，其特征在于，在對所述空間目標isar數據集中的每一張空間目標isar仿真圖像進行多次仿射變換包括平移、旋轉、縮放操作。
5.根據權利要求4所述的面向空間目標isar圖像的特征點檢測方法，其特征在于，利用所述訓練后的基礎特征點檢測模型對多次仿射變換后的圖像進行基礎特征點檢測，并根據多個檢測結果得到對應空間目標isar仿真圖像的偽真值標簽包括：...
【專利技術屬性】
技術研發人員：王粲雨，姜勝騰，王壯，蔣李兵，任笑圓，殷寰宇，蔣億金，
申請(專利權)人：中國人民解放軍國防科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。