(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110324407.X (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 113033577 A (43)申请公布日 2021.06.25 (73)专利权人 山东科技大 学 地址 266590 山东省青岛市黄岛区前湾港 路579号 (72)发明人 柳林　李万武　张继贤　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 陈海滨 (51)Int.Cl. G06V 10/50(2022.01) G06V 10/25(2022.01)G06V 10/26(2022.01) G06V 10/82(2022.01) G06F 30/27(2020.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 US 2019012376 A1,2019.01.10 CN 111025288 A,2020.04.17 审查员 杨欢 (54)发明名称 一种基于伴方差修正模型的海洋目标特征 提取方法 (57)摘要 本发明公开了一种基于伴方差修正模型的 海洋目标特征提取方法， 属于海洋遥感技术领 域， 包括构建OceanTD深度学习模型， 基于 OceanTD深度学习模型对海洋目标特征进行初步 检测； 然后构建一种伴方差修正模型， 对对数逻 辑分布函数进行方差修正， 考虑标准差和绝对值 误差指标， 增加方差修正项， 推导出其公 式， 提高 了对复杂海况海杂波的拟合优度； 最后， 基于伴 方差修正模型采用CFAR算法提取海洋目标特征， 并对提取的海洋目标特征进行可视化， 提高了海 洋目标检测的召回率和海洋目标参数提取的准 确率； 本发明所提出的方法， 海杂波拟合优度显 著提高， 目标检测虚警量明显减少， 特征提取准 确率有效改善 。 权利要求书2页 说明书10页 附图3页 CN 113033577 B 2022.06.03 CN 113033577 B 1.一种基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 构建OceanTD深度 学习模型， 基于OceanTD深度学习模 型对海洋目标特征进 行初步检测， 然后提出一种伴方差 修正模型， 基于伴方差修正模型使用CFAR算法提取海洋目标特征， 并对提取的海洋目标特 征作可视化处 理； OceanTD深度学习模型包含4个卷积层、 1个卷积组和3个全连接层； 每个卷积层的组织 形式是Co nvolution2D‑ReLU‑Dropout‑Maxpooling； 卷积组的组织形式是(Convolution2D ‑ReLU‑Dropout)*2 ‑Maxpooling； 3个全连接层 中， 前两个全连接层的组织形式是Dense ‑ReLU‑Dropout， 最后一个全连接层的组织形式是 Dense； OceanTD深度学习模型的训练过程 为： S101.对海洋目标样本特 征数据x进行归一 化处理， 采用的归一 化公式如下： 其中， μ为特 征的期望， σ 为方差； S102.配置训练优化 算法、 损失函数、 监控参数； S103.加载数据集， 验证数据的合法性； S104.将数据集分为多个周期， 每 个周期分为多个批次； S105.将每个周期按批次打 混索引， 进行批次循环； S106.计算交叉熵， 采用反向传播算法和所改进的梯度下降算法WinR ‑Adagrad， 以0.01 的学习速率 不断地修改变量以最小化交叉熵； S107.对批次指定的样本数进行训练， 学习权重、 偏置， 计算损失、 精度直到一个周期的 批次都循环结束， 再进入下一个周期进行批循环； S108.直到循环完所有周期， 保存 模型及训练损失、 精度； OceanTD深度学习模型损失函数采用目标分类和模型预测分类之间的交叉熵， 其公式 为： 式中， y‑i是第i个样本的输入值， hθ(xi)是第i个样本x的输出值， 参数θ0的初值设置为 0.1， θ1的初值设置为标准差为0.1的正态分布浮 点数； 所述伴方差修 正模型对 对数逻辑分布函数进行 方差修正， 具体公式为： 式中， x∈[0， +∞]， 是像素值； α >0， 是尺度参数； β >2， 是形状参数； ε∈[0， 1]， 是修正参 数。 2.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 基于伴方差修 正模型采用CFAR算法提取海洋目标 特征的具体方法为： (1)调用初步检测的结果， 以疑似目标为中心点构建窗口； (2)提取(1)中窗口中不是疑似目标的次数最多的单 元影像； (3)筛选(2)中提取的单 元影像；权　利　要　求　书 1/2 页 2 CN 113033577 B 2(4)绘制像素数组的直方图， 提取直方图中， 最小像素值到最大像素值间的有效像素及 有效像素对应的频数， 将提取 的有效像素及其频数作为拟合数据， 将拟合数据保存到拟合 数组中； (5)调用伴方差修正模型拟合(4)中的拟合数组， 求出拟合曲线的α、 β、 ε参数值并计算 拟合优度； (6)计算拟合曲线有效像素的积分， 当积分值达到阈值时， 输出临界像素Xtb， 否则重新 计算积分直至 达到阈值； (7)以像素值大于Xtb的像素值作为检测条件， 检测(1)中窗口中的影像， 将疑似目标保 存到疑似目标 数组中， 聚簇疑似目标像素， 保存各个目标簇的参数； (8)当目标簇在坐标轴上的长度、 宽度及纵横比满足目标簇阈值时， 对目标簇进行直线 拟合和椭圆拟合， 提取目标簇的实际长度、 实际宽度、 实际纵横比和像素值； 满足实际长度、 实际宽度、 实际纵横比的目标簇的相应参数即为 提取的目标参数。 3.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 具体为： S1.确定海洋目标 特征提取的研究区域， 获得研究区域的SAR数据； S2.基于OceanTD深度学习模型对 海洋目标 特征进行初步检测， 生成疑似目标和背景； 标记SAR数据中每 个单元影像经所有检测后不是疑似目标的次数； 通过疑似目标直方图和背景直方图分析概 率密度分布的长尾特 征； S3.在具有长尾特征的概率分布模型中， 选择用于拟合修正SA R数据的最佳概率分布模 型； S4.根据最佳概 率分布模型构建伴方差修 正模型； S5.基于伴方差修 正模型使用CFAR算法提取海洋目标 特征； S6.对提取的海洋目标 特征作可视化处 理； S7.完成基于伴方差修 正模型的海洋目标 特征提取。 4.根据权利要求2所述的基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 筛选(2)中提取的单 元影像包括： 若不存在所有检测次数中都不是疑似目标的影像， 则对窗口中的每个影像作分割， 然 后对分割后的影像重新检测， 直到出现检测结果为非疑似目标的影像并对 该影像重新执行 筛选(2)中提取的单 元影像； 若存在所有检测次数中都不是疑似目标的影像， 则将单元影像的像素值保存到像素数 组中。 5.根据权利要求2所述的基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 拟合曲线有效像素的积分计算公式为： 当积 分值达到阈值时， 输出临界像素 Xtb。 6.根据权利要求3所述的基于伴方差修正模型的海洋目标特征提取方法， 其特征在于， 采用基于LogLogist ic分布作为S4中的最佳概率分布模 型， 然后构建伴方差修正模 型， 基于 伴方差修 正模型使用CFAR算法提取海洋目标 特征。权　利　要　求　书 2/2 页 3 CN 113033577 B 3