(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 202210189300.3 (22)申请日 2022.03.01 (65)同一申请的已公布的文献号 申请公布号 CN 114332633 A (43)申请公布日 2022.04.12 (73)专利权人 北京化工大 学 地址 100029 北京市朝阳区北三环东路15 号北京化工大 学 (72)发明人 唐嘉昕　张帆　项德良　程建达　 (74)专利代理 机构 北京中和立达知识产权代理 有限公司 1 1756 专利代理师 孟姣 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01)G06V 10/46(2022.01) G06T 7/11(2017.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 10968580 6 A,2019.04.26 审查员 胡一冰 (54)发明名称 雷达图像目标检测识别方法、 设备和存储介 质 (57)摘要 本发明实施例公开了一种雷达图像目标检 测识别方法、 设备和存储介质。 其中方法包括： 根 据待检测图像中每个像素点的像素值， 计算每个 像素点的结构张量； 对所述待检测图像进行超像 素分割， 得到多个超像素块； 根据所述结构张量 以及所述多个超像素块的像素值， 得到显著性特 征图， 所述显著性特征图中包括所述待检测图像 中每个待识别目标的显著性信息； 基于所述显著 性特征图以及所述待检测图像的深度特征图， 进 行图像目标检测识别， 得到每个待识别目标的预 测边界框和预测类别。 本实施例减小了弱小目标 的漏检率。 权利要求书3页 说明书10页 附图3页 CN 114332633 B 2022.06.10 CN 114332633 B 1.一种雷达图像目标检测识别方法， 其特 征在于， 包括： 根据待检测图像中每 个像素点的像素值， 计算每 个像素点的结构张量； 对所述待检测图像进行超像素分割， 得到多个超像素块； 根据所述结构张量以及所述多个超像素块的像素值， 得到显著性特征图， 所述显著性 特征图中包括所述待检测图像中每 个待识别目标的显著性信息； 基于所述显著性特征图以及所述待检测图像的深度特征图， 进行图像目标检测识别， 得到每个待识别目标的预测边界框和预测类别； 根据待检测图像中每 个像素点的像素值， 计算每 个像素点的结构张量， 包括： 根据预设张量尺度范围确定多个张量尺度， 其中张量尺度表征结构张量的像素点覆盖 范围； 将每个像素点作为中心像素点， 根据多个张量方向的每个张量方向， 选取与所述中心 像素点的距离为任一张量尺度的四个周边像素点； 根据所述 四个周边像素点的像素值， 确定所述中心像素点在每个张量方向上的结构张 量； 其中， 张量方向用于描述结构张量表征的结构方向， 所述多个张量方向包括： 水平 ‑垂 直方向和对角线方向； 根据所述结构张量以及所述多个超像素块的像素值， 得到 显著性特 征图， 包括： 将每个像素点作为中心像素点， 根据所述中心像素点所在的超像素块的像素值， 构建 每个结构张量的显著性权值； 根据所述显著性权值， 对所述中心像素点的每个结构张量的行列式和迹进行加权平 均； 根据加权平均后的行列式和迹， 生成显著性特 征图； 其中， 对于所述中心像素点， 所述显著性权值用于表征每个结构张量对显著性信息的 影响； 根据所述中心像素点所在的超像素块的像素值， 构建每个结构张量的显著性权值， 包 括： 获取待识别目标的像素先验阈值， 其中， 像素先验阈值表征待识别目标的最低散射强 度； 根据以下公式， 构建所述中心像素点的任一结构张量的显著性权值： 其中， A表示所述结构张量的显著性权值， ϵ表示单位阶跃函数， x表示所述中心像素点 所在的超像素块的像素值， T表示像素先验阈值， d表示所述结构张量对应的每个周边像素 点到所述中心像素点的欧氏距离， σd表示预设距离权重缩放因子， σs表示预设先验阈值权重 的缩放因子 。 2.根据权利要求1所述的方法， 其特征在于， 对所述待检测图像进行超像素分割， 得到 多个超像素块， 包括： 利用Sobel 算子加强所述待检测图像的边 缘信息， 得到加强后图像；权　利　要　求　书 1/3 页 2 CN 114332633 B 2使用边缘信 息约束算法对所述加强后图像进行超像素块初始化和更新， 得到所述多个 超像素块。 3.根据权利要求1所述的方法， 其特征在于， 基于所述显著性特征图， 以及所述待检测 图像的深度特征图进行图像目标检测识别， 得到每个待识别目标的预测边界框和预测类 别， 包括： 将所述待检测图像输入训练好的深度神经网络模型， 由所述训练好的深度神经网络模 型的多个卷积层输出多个多尺度深度特征图， 其中， 所述多个卷积层构成残差结构， 所述多 个多尺度深度特 征图之间的图像尺寸 不同； 对所述显著性特征图进行降采样， 得多个多尺度显著性特征图， 其中， 所述多个多尺度 显著性特征图之间的图像尺寸不同， 且与所述多个多尺度深度特征图的图像尺寸一一对 应； 将图像尺寸相同的多尺度深度 特征图和多尺度显著性特征图进行融合， 得到多个多尺 度融合特 征图； 对所述多个多尺度融合特征图进行图像目标检测 识别， 得到所述待检测图像中每个待 识别目标的预测边界框和预测类别。 4.根据权利要求3所述的方法， 其特征在于， 将所述待检测图像输入训练好的深度神经 网络模型， 由所述训练好的深度神经网络模型的多个卷积层输出多个多尺度深度特征图之 前， 还包括： 获取多个训练图像； 对每个训练图像中的每个待识别目标进行标注， 得到每个待识别目标的标注边界框和 标注类别； 将每个训练图像依次作为当前训练图像， 对所述当前训练图像进行如下操作， 直到达 到预设训练终止条件， 得到所述训练好的深度神经网络模型： S1‑1： 根据所述当前训练图像中每 个像素点的像素值， 计算每 个像素点的结构张量； S1‑2： 对所述当前训练图像进行超像素分割， 得到多个超像素块； S1‑3： 根据所述结构张量以及所述多个超像素块的像素值， 得到显著性特征图， 所述显 著性特征图中包括所述当前训练图像中每 个待识别目标的显著性信息； S1‑4： 将所述当前训练图像输入待训练的深度神经网络模型， 得到所述当前训练图像 的深度特 征图； S1‑5： 基于所述显著性特征图以及所述深度特征图， 进行图像目标检测识别， 得到每个 待识别目标的预测边界框和预测类别； S1‑6： 根据所述预测边界框和预测类别， 以及所述当前训练图像的标注边界框和标注 类别， 更新所述待训练的深度神经网络模型的网络参数。 5.根据权利要求4所述的方法， 其特征在于， 对每个训练图像中的每个待识别目标进行 标注， 得到每 个待识别目标的标注边界框和标注类别之后， 还 包括： 根据所述标注边界框和所述标注类别， 确定待识别目标的像素 先验阈值。 6.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储器， 用于存 储一个或多个程序，权　利　要　求　书 2/3 页 3 CN 114332633 B 3