[發明專利]基于卷積神經網絡的多特征融合SAR目標鑒別方法

有效

• 申請號: 201710148659.5
• 申請日: 2017-03-14
• 公開（公告）號: CN106874889B
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 王英華;王寧;劉宏偉;糾博;楊柳;何敬魯
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

本發明公開了一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，主要解決現有技術在復雜場景下SAR目標鑒別性能低的問題。其方案是：1)對給定的訓練集進行預處理，獲取新的訓練集；2)構架基于卷積神經網絡的SAR目標鑒別網絡；3)將新的訓練集輸入到構建好的SAR目標鑒別網絡中進行訓練，得到訓練好的網絡；4)對給定的測試集進行預處理，獲取新的測試集；5)將新的測試集輸入到訓練好的SAR目標鑒別網絡中，得到最終的目標鑒別結果。本發明構建的SAR目標鑒別網絡聯合利用了SAR圖像的幅度信息和邊緣信息，并結合了卷積神經網絡強大的特征學習能力，提升了鑒別的性能，可用于對復雜場景的SAR目標鑒別。

技術領域

本發明屬于雷達技術領域，主要涉及SAR圖像目標鑒別方法，可用于對車輛目標識別與分類提供重要信息。

背景技術

合成孔徑雷達SAR利用微波遙感技術，不受氣候和晝夜影響，具有全天時、全天候的工作能力，并具有多頻段、多極化、視角可變和穿透性等特點。SAR圖像自動目標識別ATR是SAR圖像的重要應用之一。基本的SAR圖像自動目標識別ATR系統一般包括目標檢測、目標鑒別和目標識別三個階段。目標鑒別用于去除候選目標中的雜波虛警，在SAR圖像自動目標識別ATR中具有重要的研究意義。

SAR目標鑒別問題可被認為是兩類分類問題。在目標鑒別過程中，如何設計有效的鑒別特征是至關重要的。在過去的幾十年，有大量關于SAR目標鑒別特征提取的研究，例如：(1)林肯實驗室提出了基于紋理信息的標準差特征、分形維特征及排列能量比特征和一系列基于空間邊界信息的特征；(2)密歇根環境研究所ERIM提出了基于目標和背景對比度的峰值CFAR特征、均值CFAR特征及CFAR最亮點百分比特征和基于目標形狀的質量特征及直徑特征；(3)其他一些文獻提出了水平和垂直投影特征、最小和最大投影長度特征。但是，這些傳統特征只能提供粗糙的、部分的描述，而不能描述目標和雜波詳細的局部形狀和結構信息。當目標和雜波在紋理、尺寸和對比度方面沒有明顯差別時，這些特征不能表現出很好的鑒別性能。另外，傳統特征適用于簡單場景下自然雜波與目標的鑒別，隨著SAR圖像分辨率的不斷提升，傳統特征對復雜場景下的目標鑒別具有較大的局限性。

近年來，卷積神經網絡CNN已成為當前語音分析和圖像識別領域的研究熱點。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。它使圖像直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程，并且對平移、旋轉、比例縮放或者其他形式的變形具有高度不變性。目前，卷積神經網絡已成功地應用于SAR目標識別任務中，例如，用CNN與支持向量機SVM結合的方法對目標進行識別。但是，此類方法僅使用單一的網絡結構并以原始SAR圖像作為網絡的輸入進行目標識別，并沒有充分利用SAR圖像的其他有用信息，例如，描述圖像幾何結構信息的邊緣信息。當SAR圖像場景變得復雜時，單一的信息不能充分地表征目標的特性，使得目標鑒別性能降低。

發明內容

本發明的目的在于針對已有SAR目標鑒別方法的不足，提出一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，以提高在復雜場景下的目標鑒別性能，從而有助于提升目標的鑒別準確率。

本發明的技術思路是：通過對訓練樣本進行預處理，得到每個樣本的Lee濾波后的圖像和梯度幅度圖像，一同輸入到基于卷積神經網絡的SAR目標鑒別網絡框架中進行訓練，通過對測試樣本進行同樣的預處理并輸入到訓練好的網絡框架中得到最終的目標鑒別結果。其實現步驟包括如下：

(1)對訓練集Φ中的每個訓練樣本M進行Lee濾波處理得到濾波后的訓練圖像M'，再對每個訓練樣本M提取梯度幅度訓練圖像并與濾波后的訓練圖像M'一起構成新的訓練集Φ'；

(2)構建基于卷積神經網絡的SAR目標鑒別網絡框架Ψ，該網絡框架包括特征提取、特征融合和分類器三個部分；

2a)構建特征提取部分：