[發(fā)明專利]基于部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110613816.1
• 申請(qǐng)日: 2021-06-02
• 公開(kāi)（公告）號(hào): CN113240047B
• 公開(kāi)（公告）日: 2022-12-02
• 發(fā)明（設(shè)計(jì)）人: 杜蘭;李毅;李晨;周宇
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V10/774
• 分類號(hào): G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 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

本發(fā)明公開(kāi)了一種基于部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(dá)SAR目標(biāo)識(shí)別方法，主要解決現(xiàn)有技術(shù)對(duì)SAR目標(biāo)內(nèi)在信息挖掘不充分且難以建立合適的模版庫(kù)導(dǎo)致SAR目標(biāo)識(shí)別準(zhǔn)確率低的問(wèn)題，實(shí)現(xiàn)步驟為：(1)生成訓(xùn)練集；(2)構(gòu)建部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)；(3)訓(xùn)練部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)；(4)對(duì)待分類的合成孔徑雷達(dá)SAR復(fù)圖像進(jìn)行分類。本發(fā)明同時(shí)利用了SAR目標(biāo)的幅值信息和電磁散射信息，并通過(guò)網(wǎng)絡(luò)對(duì)SAR圖像進(jìn)行分類，使得本發(fā)明對(duì)SAR目標(biāo)內(nèi)在信息挖掘更加充分且不需要構(gòu)建模版庫(kù)，有效地提高了SAR目標(biāo)識(shí)別的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及目標(biāo)識(shí)別技術(shù)領(lǐng)域中的一種基于部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)目標(biāo)識(shí)別方法。本發(fā)明針對(duì)合成孔徑雷達(dá)SAR圖像，提出一種結(jié)合部件解析的多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可用于對(duì)SAR圖像中靜止目標(biāo)的型號(hào)進(jìn)行識(shí)別。

背景技術(shù)

合成孔徑雷達(dá)SAR是一種主動(dòng)式微波成像雷達(dá)，具有全天候、全天時(shí)、分辨率高以及穿透力強(qiáng)等特點(diǎn)，成為目前對(duì)地觀測(cè)和軍事偵查的重要手段。基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別方法最常用的為特征提取與分類器聯(lián)合訓(xùn)練的端到端的過(guò)程，以卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)為代表，目前在SAR目標(biāo)識(shí)別方面取得了非常好的性能。但是這類方法一般只利用到SAR目標(biāo)的圖像域幅度信息，而對(duì)目標(biāo)的電磁散射信息沒(méi)有充分利用，通常做法是將幅度信息作為CNN網(wǎng)絡(luò)的輸入來(lái)進(jìn)行學(xué)習(xí)，只提取到了SAR目標(biāo)的視覺(jué)信息。而電磁散射信息作為SAR目標(biāo)的重要組成部分之一，反映了目標(biāo)的真實(shí)物理結(jié)構(gòu)，屬性散射中心ASC(Attributed Scattering Centers)是目前對(duì)SAR目標(biāo)電磁散射特性描述最充分的模型，現(xiàn)有利用ASC進(jìn)行識(shí)別的方法一般是基于模板匹配的方法，這種方法的識(shí)別性能對(duì)模型依賴性強(qiáng)，而實(shí)際場(chǎng)景中難以建立合適完備的模型庫(kù)

西安電子科技大學(xué)在其申請(qǐng)的專利文獻(xiàn)“基于CNN的SAR目標(biāo)識(shí)別方法”(專利申請(qǐng)?zhí)朇N201510165886.X，申請(qǐng)公開(kāi)號(hào)CN104732243A)中提出一種基于CNN的SAR目標(biāo)識(shí)別方法。該方法的實(shí)現(xiàn)步驟為：對(duì)每個(gè)訓(xùn)練圖像進(jìn)行多次隨機(jī)平移變換，得到擴(kuò)充數(shù)據(jù)擴(kuò)充到訓(xùn)練樣本集中；搭建由兩層卷積層和兩層全鏈接層構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)；將擴(kuò)充后的訓(xùn)練樣本集輸入到CNN網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的CNN網(wǎng)絡(luò)模型；對(duì)測(cè)試樣本做多次平移變換得到擴(kuò)充后的測(cè)試樣本集；將測(cè)試樣本集輸入到訓(xùn)練好的CNN網(wǎng)絡(luò)模型中測(cè)試，得到其識(shí)別率。該方法利用了數(shù)據(jù)擴(kuò)充方式來(lái)減輕SAR目標(biāo)樣本少帶來(lái)的過(guò)擬合問(wèn)題，且構(gòu)建了合適的CNN模型對(duì)SAR圖像提取豐富的視覺(jué)特征，得到較好的識(shí)別結(jié)果。但是，該方法仍然存在的不足之處是，該方法搭建的卷積神經(jīng)網(wǎng)絡(luò)僅僅將SAR目標(biāo)的幅度信息作為輸入，對(duì)SAR目標(biāo)的物理特性挖掘不足，使得模型學(xué)習(xí)到的特征不能很全面的反映SAR目標(biāo)的結(jié)構(gòu)特點(diǎn)，限制了模型的識(shí)別性能。

Bo Feng,Wei Tang,Daoyan Feng等人在其發(fā)表的論文“Target Recognition ofSAR images via hierarchical fusion of complementary features”(Optik-International Journal for Light and Electron Optics,2020)中提出了一種分級(jí)融合多種互補(bǔ)特征的SAR圖像目標(biāo)識(shí)別方法。該方法的具體步驟為：對(duì)測(cè)試圖像提取其PCA特征，用基于稀疏表示的分類方法對(duì)PCA特征進(jìn)行分類，得到測(cè)試圖像的分類結(jié)果；如果分類結(jié)果被判斷為不可靠，則對(duì)測(cè)試樣本進(jìn)行ASC參數(shù)估計(jì)，利用模版匹配對(duì)ASC進(jìn)行分類，得到測(cè)試圖像的分類結(jié)果；若分類結(jié)果再次被判斷為不可靠，則對(duì)測(cè)試樣本提取其目標(biāo)輪廓特征，然后利用輪廓匹配對(duì)目標(biāo)輪廓特征進(jìn)行分類，得到測(cè)試圖像的分類結(jié)果。該方法存在的不足之處是，在利用ASC進(jìn)行分類時(shí)，需要建立模版集并將測(cè)試圖像的ASC與模版集中的ASC進(jìn)行匹配，依賴模板集的建立以及復(fù)雜的匹配算法，而實(shí)際中對(duì)于非合作目標(biāo)難以建立合適的模板庫(kù)。

發(fā)明內(nèi)容