[發明專利]基于部件解析多尺度卷積神經網絡的SAR目標識別方法

有效

• 申請號: 202110613816.1
• 申請日: 2021-06-02
• 公開（公告）號: CN113240047B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 杜蘭;李毅;李晨;周宇
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于部件解析多尺度卷積神經網絡的合成孔徑雷達SAR目標識別方法，其特征在于，利用部件解析方法得到SAR復圖像的部件二值圖，并利用多尺度卷積神經網絡將部件二值圖包含的電磁散射信息與SAR實圖像包含的幅值信息進行融合，該方法的步驟包括如下：

(1)生成訓練集：

(1a)將選取的包含M種類型地面靜止目標，每種地面靜止目標至少包含200張合成孔徑雷達SAR復圖像的樣本組成樣本集，其中M≥3；

(1b)對SAR復圖像樣本集中的每張SAR復圖像取模，得到包含幅值信息的SAR實圖像樣本集；

(1c)利用部件解析方法，得到SAR復圖像樣本集中每張復圖像對應的部件二值圖，將所有的部件二值圖構成包含電磁散射信息的部件二值圖樣本集；

所述部件解析方法的步驟如下：

第一步，利用下述屬性散射中心模型，提取SAR復圖像樣本集的每張復圖像中目標的每個屬性散射中心的所有參數，并組成參數集：

其中，E(·)表示屬性散射中心模型，f表示合成孔徑雷達發射的信號頻率，φ表示合成孔徑雷達波束方位角，表示第m張SAR復圖像中目標的第i個屬性散射中心的所有參數組成的參數集，K表示第m張SAR復圖像中目標包含的屬性散射中心的總數，∑表示求和操作，i表示第m張SAR復圖像中目標的屬性散射中心的序號，A_i表示第i個屬性散射中心的幅度，j表示虛數單位符號，f_c表示合成孔徑雷達發射信號的中心頻率，α_i表示第i個屬性散射中心的頻率依賴因子，該因子為在范圍中選取的一個值，exp(·)表示以自然常數e為底的指數操作，π表示圓周率，c表示光速，x_i和y_i分別表示第i個屬性散射中心在距離維和方位維的位置坐標，cos(·)表示余弦操作，sin(·)表示正弦操作，sinc(·)表示辛克函數，L_i和分別表示第i個屬性散射中心的長度和方位角，γ_i表示第i個屬性散射中心的方位依賴因子，其取值為一個近似為0的值；

第二步，根據每個屬性散射中心的頻率依賴因子值和長度值，確定該屬性散射中心的幾何散射類型，具體方法如下：

將頻率依賴因子值等于1，長度值大于0的每個屬性散射中心確定為二面角的幾何散射類型；

將頻率依賴因子值等于1，長度值等于0的每個屬性散射中心確定為三面角的幾何散射類型；

將頻率依賴因子值等于0.5，長度值大于0的每個屬性散射中心確定為圓柱的幾何散射類型；

將頻率依賴因子值等于0.5，長度值等于0的每個屬性散射中心確定為帽頂的幾何散射類型；

將頻率依賴因子值等于0，長度值等于0的每個屬性散射中心確定為球的幾何散射類型；

將頻率依賴因子值等于0，長度值大于0的每個屬性散射中心確定為邊緣側向的幾何散射類型；

將頻率依賴因子值等于-0.5，長度值大于0的每個屬性散射中心確定為邊緣繞射的幾何散射類型；

將頻率依賴因子值等于-1，長度值等于0的每個屬性散射中心確定為角繞射的幾何散射類型；

第三步，將每幅SAR復圖像中相同幾何散射類型的屬性散射中心歸為一類部件；

第四步，將每類部件的每幅SAR復圖像中屬性散射中心的所有參數與合成孔徑雷達SAR的系統參數，輸入到屬性散射中心模型中成像，得到每類部件對應的單類部件重構SAR圖像；

第五步，將所有類部件的每幅SAR復圖像中屬性散射中心的所有參數與合成孔徑雷達SAR的系統參數，輸入到屬性散射中心模型中成像，得到所有類部件對應的所有類部件重構SAR圖像；

第六步，將[0,1]范圍內任意選取的一個值設置為閾值，將所有的部件重構SAR圖像中大于閾值的值設為1，小于閾值的值設為0，從而得到二值圖像，將得到的二值圖像定義為SAR復圖像對應的部件二值圖；

(1d)將SAR實圖像樣本集和部件二值圖樣本集共同組成訓練集；

(2)構建部件解析多尺度卷積神經網絡：

(2a)搭建一個五層的主干網絡模塊，其結構依次為：第一卷積層，第二卷積層，第三卷積層，特征圖concat層，第四卷積層；將第一至第四卷積層的卷積核的個數分別設置為96，96，512，512，卷積核大小分別設置為11×11，7×7，5×5，3×3；特征圖concat層在通道維度上拼接輸入的特征圖；所述主干網絡模塊有兩個輸出端；

(2b)搭建一個由點乘層和全局平均池化層組成的部件特征模塊，點乘層在通道維度上將輸入的圖像進行點乘；全局平均池化層對輸入的每幅特征圖的每個通道求平均值，得到每幅輸入特征圖對應的特征向量；

(2c)搭建一個由全局平均池化層，篩選層，特征向量concat層組成的特征融合模塊；全局平均池化層對輸入的每幅特征圖的每個通道求平均值，得到每幅輸入特征圖對應的特征向量；篩選層采用篩選公式實現對所有輸入特征向量的對應位置的篩選；特征向量concat層在通道維度上拼接所有的輸入特征向量；

(2d)搭建一個由第一全連接層，第二全連接層，softmax層組成的分類模塊；將第一至第二全連接層的輸出神經元個數分別設置為1024，3；softmax層采用softmax函數計算輸入樣本被識別為每一種類別的概率；

(2e)將主干網絡模塊的第一輸出端與部件特征模塊相連作為第一支路，將主干網絡模塊的第二輸出端與第一支路并聯后再依次與特征融合模塊、分類模塊串聯，構成部件解析多尺度卷積神經網絡；

(3)訓練部件解析多尺度卷積神經網絡：

(3a)采用正態分布隨機點對部件解析多尺度卷積神經網絡的權值進行隨機初始化，同時對網絡的偏置初始化為0，得到初始化后的部件解析多尺度卷積神經網絡；

(3b)將訓練集輸入到部件解析多尺度卷積神經網絡中，利用交叉熵損失函數，計算網絡的輸出與訓練圖像的類別標簽之間的交叉熵損失值，通過反向傳播算法迭代更新網絡的參數，直到網絡的交叉熵損失函數收斂為止，得到訓練好的部件解析多尺度卷積神經網絡；

(4)對待分類的合成孔徑雷達SAR復圖像進行分類：

采用與步驟(1b)和步驟(1c)相同的方法，對待分類的合成孔徑雷達SAR復圖像進行預處理，將預處理后的SAR實圖像和部件二值圖輸入到訓練好的部件解析多尺度卷積神經網絡中，輸出合成孔徑雷達SAR復圖像對應的類別。