[發明專利]合成孔徑雷達目標圖像識別方法及系統

有效

• 申請號: 201911335801.2
• 申請日: 2019-12-23
• 公開（公告）號: CN110991418B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 黃夏淵;楊喬;喬紅
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/82;G06N3/0464;G06N3/045
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明涉及一種合成孔徑雷達目標圖像識別方法及系統，所述識別方法包括：從MSTAR數據集中，獲取訓練樣本集和測試樣本集；通過所述訓練樣本集對原始雙流卷積神經網絡進行訓練，得到訓練好的雙流卷積神經網絡；基于訓練好的雙流卷積神經網絡，對各所述測試樣本圖像進行識別，得到對應各測試樣本圖像的網絡預測標簽。本發明通過訓練樣本集對原始雙流卷積神經網絡進行訓練，可降低參數數量，提高識別效率；基于訓練好的雙流卷積神經網絡，對待識別目標圖像進行識別，從而可準確得到待識別目標圖像的類別，可提高識別的正確率。

技術領域

本發明涉及圖像處理領域，特別涉及一種合成孔徑雷達(Synthetic?ApertureRadar,SAR)目標圖像識別方法及系統。

背景技術

合成孔徑雷達SAR能夠全天時、全天候的獲得高分辨率圖像，且具有較強的穿透性，因而被廣泛的應用于軍事、災害、地質、農業等領域。SAR目標識別是SAR圖像解譯的重要內容，近年來受到越來越多人的關注。

現有的SAR目標識別方法可以分為三種：模板匹配方法、基于模型的方法和基于機器學習的方法。近年來，為了提高SAR目標識別的精度，學者們提出了一些基于深度神經網絡的SAR目標識別方法，取得了顯著的識別結果。

例如，Ding等人(參見參考文獻：J.Ding,B.Chen,H.Liu?and?M.Huang,Convolutional?Neural?Network?With?Data?Augmentation?for?SAR?TargetRecognition,in?IEEE?Geoscience?and?Remote?Sensing?Letters,vol.13,no.3,pp.364-368,March?2016.)提出了一種基于數據擴充的卷積神經網絡的SAR目標識別方法，該方法提出了三種數據擴充的方式，提高了SAR目標識別正確率。Chen等人(參見參考文獻：S.Chen,H.Wang,F.Xu?and?Y.Jin,Target?Classification?Using?the?DeepConvolutional?Networks?for?SAR?Images,in?IEEE?Transactions?on?Geoscience?andRemote?Sensing,vol.54,no.8,pp.4806-4817,Aug.2016.)提出了一種新的卷積神經網絡結構用于SAR目標識別，該卷積神經網絡中所有的層都利用稀疏連接的方式，而不是全連接的方式，這樣就成功避免了在少量訓練樣本情況下過擬合的問題。

通常情況下，為了取得好的效果，現有方法會不斷加深網絡結構，但是隨著網絡層數不斷增加，模型體積越來越大，會導致實際應用中的權值參數存儲問題和計算速度問題。因而如何在減少網絡參數的同時，保證網絡性能至關重要。

發明內容

為了解決現有技術中的上述問題，即為了減少網絡參數，提高識別速度，本發明的目的在于提供一種合成孔徑雷達SAR目標圖像識別方法及系統。

為解決上述技術問題，本發明提供了如下方案：

一種合成孔徑雷達目標圖像識別方法，所述識別方法包括：

從移動和靜止目標獲取與識別MSTAR數據集中，獲取訓練樣本集和測試樣本集，所述訓練樣本集包括多對訓練樣本圖像及對應的標簽，所述測試樣本集包括多幅待識別的測試樣本圖像；

通過所述訓練樣本集對原始雙流卷積神經網絡進行訓練，得到訓練好的雙流卷積神經網絡；

基于訓練好的雙流卷積神經網絡，對各所述測試樣本圖像進行識別，得到對應各測試樣本圖像的網絡預測標簽。

可選地，所述從移動和靜止目標獲取與識別MSTAR數據集中，獲取訓練樣本集和測試樣本集，具體包括：

從移動和靜止目標獲取與識別MSTAR數據集中，分別選取在第一設定俯仰角下觀測的第一歷史SAR圖像和在第二設定俯仰角下觀測的第二歷史SAR圖像；