[發(fā)明專利]一種基于稀疏復(fù)圖像的SAR目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110307198.8
• 申請(qǐng)日: 2021-03-23
• 公開(kāi)（公告）號(hào): CN113065433A
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 畢輝;鄧佳瑞;尹杰;金雙
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 向文

本發(fā)明公開(kāi)了一種基于稀疏復(fù)圖像的SAR目標(biāo)識(shí)別方法，包括如下步驟：構(gòu)建全新的稀疏圖像數(shù)據(jù)集；采用YOLO系列的深度學(xué)習(xí)算法，基于步驟S1構(gòu)建的稀疏圖像數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)；將待識(shí)別的SAR圖像輸入到步驟S2中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到SAR圖像中所有目標(biāo)的類別概率及其對(duì)應(yīng)所在的位置。本發(fā)明將稀疏重構(gòu)算法與深度學(xué)習(xí)相結(jié)合，不僅可以降低系統(tǒng)計(jì)算復(fù)雜度，而且可以提升圖像的質(zhì)量，為目標(biāo)識(shí)別任務(wù)提供更多有效的信息，實(shí)現(xiàn)對(duì)目標(biāo)的快速準(zhǔn)確識(shí)別。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)圖像處理和目標(biāo)識(shí)別領(lǐng)域，具體涉及一種基于稀疏復(fù)圖像的SAR目標(biāo)識(shí)別方法。

背景技術(shù)

合成孔徑雷達(dá)(Synthetic Aperture Radar，簡(jiǎn)稱SAR)是一種通過(guò)主動(dòng)發(fā)射和接收電磁波來(lái)實(shí)現(xiàn)對(duì)地觀測(cè)的高分辨率微波成像系統(tǒng)，不受時(shí)間和天氣的影響，能夠全天時(shí)全天候的獲取觀測(cè)場(chǎng)景的雷達(dá)圖像，因而SAR被廣泛的用于偵察、資源勘探、地形測(cè)繪和災(zāi)情監(jiān)測(cè)等。

隨著科學(xué)技術(shù)的發(fā)展，數(shù)據(jù)量激增，人工解譯SAR圖像的方法顯然不再適用。自2012年Krizhevesky等人提出的第一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，簡(jiǎn)稱CNN)取得了17.0％的top-5錯(cuò)誤率之后，CNN被廣泛的用于目標(biāo)識(shí)別。YOLO系列的CNN作為單階段的目標(biāo)檢測(cè)框架，可以直接獲取目標(biāo)的類別概率及位置信息，并且在目標(biāo)識(shí)別方面可以獲取更高的準(zhǔn)確率和更快的識(shí)別速度。

但是，通常基于匹配濾波算法重建的SAR圖像質(zhì)量不高，包含比較嚴(yán)重的雜波和旁瓣，不利于目標(biāo)的檢測(cè)和識(shí)別。

所以，需要一個(gè)新的技術(shù)方案來(lái)解決這個(gè)問(wèn)題。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，提供一種基于稀疏復(fù)圖像的SAR目標(biāo)識(shí)別方法，其將稀疏重構(gòu)算法與深度學(xué)習(xí)相結(jié)合，不僅可以降低系統(tǒng)計(jì)算復(fù)雜度，而且可以提升圖像的質(zhì)量，為目標(biāo)識(shí)別任務(wù)提供更多有效的信息，實(shí)現(xiàn)對(duì)目標(biāo)的快速準(zhǔn)確識(shí)別。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于稀疏復(fù)圖像的SAR目標(biāo)識(shí)別方法，包括如下步驟：

S1：構(gòu)建全新的稀疏圖像數(shù)據(jù)集；

S2：采用YOLO系列的深度學(xué)習(xí)算法，基于步驟S1構(gòu)建的稀疏圖像數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)；

S3：將待識(shí)別的SAR圖像輸入到步驟S2中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到SAR圖像中所有目標(biāo)的類別概率及其對(duì)應(yīng)所在的位置。

進(jìn)一步地，所述步驟S1中稀疏圖像數(shù)據(jù)集包括稀疏估計(jì)數(shù)據(jù)集和非稀疏估計(jì)數(shù)據(jù)集。

進(jìn)一步地，所述步驟S1中基于復(fù)近似信息傳遞算法對(duì)SAR圖像進(jìn)行重構(gòu)，構(gòu)建全新的稀疏圖像數(shù)據(jù)集，具體過(guò)程為：

以第i+1步迭代為例，復(fù)近似信息傳遞算法的迭代過(guò)程可以表示為：

A1：第i+1步觀測(cè)場(chǎng)景的非稀疏估計(jì)為

其中，表示重建的觀測(cè)場(chǎng)景的非稀疏估計(jì)，初始化數(shù)據(jù)矩陣W⁽⁰⁾＝X_MF，X_MF表示已知的基于匹配濾波方法重建的觀測(cè)場(chǎng)景的SAR復(fù)圖像數(shù)據(jù)，重建的觀測(cè)場(chǎng)景的稀疏估計(jì)初始化為表示迭代步數(shù)；

A2：第i+1步的迭代系數(shù)σ_i+1表示為

其中，表示幅度圖像的第k+1個(gè)最大的元素值，k表示場(chǎng)景的稀疏度，即觀測(cè)場(chǎng)景中非零元素的個(gè)數(shù)；

A3：第i+1步的數(shù)據(jù)矩陣W⁽ⁱ⁺¹⁾為