[發(fā)明專利]基于多尺度多特征深度森林的SAR目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810474203.2
• 申請(qǐng)日: 2018-05-17
• 公開（公告）號(hào): CN108764310B
• 公開（公告）日: 2021-10-29
• 發(fā)明（設(shè)計(jì)）人: 杜蘭;李璐;何浩男;鄧盛;李晨
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué);西安中電科西電科大雷達(dá)技術(shù)協(xié)同創(chuàng)新研究院有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

1.一種基于多尺度多特征深度森林的合成孔徑雷達(dá)SAR目標(biāo)識(shí)別方法，其特征在于，提取目標(biāo)圖像多尺度幅度特征和多尺度結(jié)構(gòu)特征，使用逐層交叉訓(xùn)練方法訓(xùn)練深度森林分類器，識(shí)別目標(biāo)的型號(hào)；該方法的具體步驟包括如下：

(1)生成訓(xùn)練樣本集和測(cè)試樣本集：

(1a)從合成孔徑雷達(dá)SAR圖像集的所有類別中，任意獲取每類至少200個(gè)圖像，組成訓(xùn)練樣本集；

(1b)將合成孔徑雷達(dá)SAR圖像集中，除訓(xùn)練樣本集中樣本以外的所有剩余樣本，組成測(cè)試樣本集；

(2)提取每個(gè)樣本的多尺度幅度特征：

(2a)將訓(xùn)練樣本集和測(cè)試樣本集中的每個(gè)樣本圖像中所有像素點(diǎn)的幅度值，拉伸成列向量，得到每個(gè)樣本的幅度特征向量；

(2b)選擇多個(gè)不同尺寸的卷積窗口，分別對(duì)每個(gè)樣本進(jìn)行多尺度卷積池化，將每個(gè)卷積池化后的圖像中所有像素點(diǎn)的幅度值，拉伸成列向量，將所有列向量首尾拼接，得到每個(gè)樣本的池化幅度特征向量；

(2c)將每個(gè)樣本的幅度特征向量，池化幅度特征向量首尾拼接，得到每個(gè)樣本的多尺度幅度特征；

(3)提取每個(gè)樣本的多尺度結(jié)構(gòu)特征：

(3a)對(duì)訓(xùn)練樣本集和測(cè)試樣本集中的每個(gè)樣本，進(jìn)行2范數(shù)歸一化處理，得到歸一化后的樣本；

(3b)選擇多個(gè)不同尺寸的切片窗口，分別對(duì)每個(gè)歸一化后的樣本，提取密集尺度不變特征變換Dense-SIFT特征向量，將所有特征向量首尾拼接，得到每個(gè)樣本多尺度結(jié)構(gòu)特征；

(4)訓(xùn)練深度森林分類器：

(4a)將四個(gè)隨機(jī)森林分類器與四個(gè)完全隨機(jī)森林分類器，組成深度森林分類器的第一層；

(4b)將訓(xùn)練樣本集中所有樣本的多尺度幅度特征，輸入到深度森林分類器的第一層進(jìn)行訓(xùn)練，得到訓(xùn)練好的深度森林分類器的第一層，用訓(xùn)練好的深度森林分類器的第一層，對(duì)訓(xùn)練樣本集中的每個(gè)樣本進(jìn)行分類，得到訓(xùn)練樣本集中每個(gè)樣本的類別向量；

(4c)將深度森林分類器的逐層交叉訓(xùn)練的次數(shù)k設(shè)為1；

(4d)采用逐層交叉訓(xùn)練方法，訓(xùn)練深度森林分類器中第2k層和第2k+1層，得到訓(xùn)練好的深度森林分類器中第2k層和第2k+1層；

(4e)用訓(xùn)練好的深度森林分類器的第2k層對(duì)訓(xùn)練樣本集中的每個(gè)樣本進(jìn)行分類，用訓(xùn)練樣本集中正確分類的樣本總數(shù)除以總樣本數(shù)，得到深度森林分類器第2k層的分類正確率,用訓(xùn)練好的深度森林分類器的第2k+1層對(duì)訓(xùn)練樣本集中的每個(gè)樣本進(jìn)行分類，得到訓(xùn)練樣本集中每個(gè)樣本的類別向量和第2k+1層的分類正確率；

(4f)判斷深度森林分類器中第2k層和第2k+1層的分類準(zhǔn)確率的差值是否小于閾值，若是，得到訓(xùn)練好的深度森林分類器，執(zhí)行步驟(5)，否則，將深度森林分類器的逐層交叉訓(xùn)練的次數(shù)k加1后執(zhí)行步驟(4d)；

(5)識(shí)別目標(biāo)型號(hào)：

用訓(xùn)練好的深度森林分類器，對(duì)測(cè)試樣本集中所有樣本進(jìn)行分類，得到測(cè)試樣本集中所有樣本的型號(hào)識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于多尺度多特征深度森林的合成孔徑雷達(dá)SAR目標(biāo)識(shí)別方法，其特征在于：步驟(2b)中所述多個(gè)不同尺寸的卷積窗口的個(gè)數(shù)由公式M∈[1,log₂(min{W,H})]確定，卷積窗口的寬和高由公式{(2×2)，(4×4),...,(2^M×2^M)}確定，其中，M表示卷積窗口的個(gè)數(shù)，∈表示屬于符號(hào)，log₂(·)表示以2為底數(shù)的對(duì)數(shù)操作，min{·}表示取最小值操作，W，H分別表示訓(xùn)練樣本集和測(cè)試樣本集中樣本圖像的寬和高。

3.根據(jù)權(quán)利要求1所述的基于多尺度多特征深度森林的合成孔徑雷達(dá)SAR目標(biāo)識(shí)別方法，其特征在于：步驟(3b)中所述多個(gè)不同尺寸的切片窗口的個(gè)數(shù)由N∈[1,(log₂(min{W,H})-3)]確定，切片窗口的寬和高由公式{(16×16)，(32×32),...,(2^N+3×2^N+3)}確定，其中，N表示卷積窗口的個(gè)數(shù)，∈表示屬于符號(hào)，log₂(·)表示以2為底數(shù)的對(duì)數(shù)操作，min{·}表示取最小值操作，W，H分別表示訓(xùn)練樣本集和測(cè)試樣本集中樣本圖像的寬和高。