[發(fā)明專利]一種SAR圖像艦船目標(biāo)識(shí)別方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110673322.2
• 申請(qǐng)日: 2021-06-17
• 公開（公告）號(hào): CN113361439B
• 公開（公告）日: 2022-06-17
• 發(fā)明（設(shè)計(jì)）人: 徐從安;李健偉;姚力波;王海洋;吳俊峰;孫煒瑋;蘇航
• 申請(qǐng)（專利權(quán)）人: 中國人民解放軍海軍航空大學(xué)航空作戰(zhàn)勤務(wù)學(xué)院
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司 11385
• 代理人: 程江濤

本發(fā)明涉及一種SAR圖像艦船目標(biāo)識(shí)別方法。該SAR圖像艦船目標(biāo)識(shí)別方法通過提出的類別間樣本不平衡處理技術(shù)(包括基于數(shù)據(jù)增強(qiáng)的上采樣處理和按比例生成批量方法)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，在提升訓(xùn)練數(shù)據(jù)多樣性的同時(shí)，使送入網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)保持類別間平衡；通過提出的用于SAR圖像艦船目標(biāo)識(shí)別的密集殘差網(wǎng)絡(luò)，可以在學(xué)習(xí)更多新特征的同時(shí)實(shí)現(xiàn)對(duì)原始特征的再利用；通過提出的基于中心損失的損失函數(shù)，調(diào)整網(wǎng)絡(luò)模型參數(shù)，實(shí)現(xiàn)了對(duì)類內(nèi)緊湊性和類間可分性的同時(shí)優(yōu)化。在OpenSARShip上的識(shí)別結(jié)果表明所設(shè)計(jì)的密集殘差網(wǎng)絡(luò)比現(xiàn)有采用的神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確率、更小的模型尺寸和更小的計(jì)算量。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)識(shí)別和雷達(dá)遙感技術(shù)領(lǐng)域，特別是涉及一種SAR圖像艦船目標(biāo)識(shí)別方法和系統(tǒng)。

背景技術(shù)

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)利用遙感平臺(tái)的移動(dòng)，將一個(gè)小孔徑的天線安裝在平臺(tái)側(cè)方，通過運(yùn)動(dòng)形成等效的大孔徑天線，來達(dá)到提高方位分辨率的目的。它是一種全天時(shí)全天候的傳感器，可以產(chǎn)生高分辨率的SAR圖像，被廣泛的應(yīng)用于軍事和民用領(lǐng)域。隨著可獲取的SAR圖像的增多，對(duì)SAR圖像自動(dòng)化和智能化的解譯變得越來越重要，而艦船作為重要的軍事和民用目標(biāo)，是需要重點(diǎn)關(guān)注的對(duì)象，因此SAR圖像艦船目標(biāo)識(shí)別得到了大量的研究，涌現(xiàn)了很多成果。目前SAR圖像艦船目標(biāo)識(shí)別方法大都借鑒通用目標(biāo)識(shí)別方法，發(fā)展脈絡(luò)是從傳統(tǒng)方法到基于CNN的識(shí)別方法。傳統(tǒng)方法包括特征提取和分類器設(shè)計(jì)兩大部分，對(duì)SAR圖像中的目標(biāo)進(jìn)行特征提取時(shí)，對(duì)于細(xì)節(jié)不清晰的小目標(biāo)，可以利用面積、周長、長寬比和矩等幾何特征，對(duì)于細(xì)節(jié)清晰的高分辨率目標(biāo)，可以利用一些稍高級(jí)的特征例如LBP和SIFT等。

近年來，基于CNN的SAR圖像目標(biāo)識(shí)別方法得到了較多的研究，其中以中國復(fù)旦大學(xué)、上海交大、中科院電子所、中科院遙感所和海軍航空大學(xué)等研究較為深入，相比于傳統(tǒng)識(shí)別方法展現(xiàn)出了較大的優(yōu)勢(shì)。例如(Bentes C,Velotto D,Tings B.ShipClassification in TerraSAR-X Images With Convolutional Neural Networks.IEEEJournal ofOceanic Engineering.2017,PP(99):1-9.)提出了四個(gè)專門設(shè)計(jì)的CNN模型(分別命名為CNN-A、CNN-B、CNN-C和CNN-D)用于SAR圖像中目標(biāo)的分類，得到了很好的效果，但是沒有公開數(shù)據(jù)集。為了減少參數(shù)量，論文(S.Chen,H.Wang,F.Xu,andY-.Q.Jin.Targetclassification using the deep convolution networks for SAR images[J].IEEETrans.Geosci.Remote Sens.2016,vol.54,no.8,pp.4806-4817.)提出了A-ConvNets，其只包含幾個(gè)稀疏的連接層，沒有全連接層。不過上述所使用的都是較淺的CNN，與目前較先進(jìn)的CNN例如ResNet和DenseNet在特征表達(dá)方面還是有較大的差距。(Shao J,Qu C,Li J.Aperformance analysis of convolutional neural network models in SARtargetrecognition[C].1-6.10.1109/BIGSARDATA.2017.8124917.)在公開的數(shù)據(jù)集MSATR上將經(jīng)典的CNN(包括LeNet、AlexNet、ResNet和DesnseNet等)的識(shí)別性能進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明其分類準(zhǔn)確率很容易能達(dá)到99％以上，這表明了其在SAR圖像目標(biāo)識(shí)別方法的強(qiáng)大性能。目前公開的用于SAR圖像目標(biāo)識(shí)別的數(shù)據(jù)集只有OpenSARShip一個(gè)可用，但此數(shù)據(jù)集存在著類別間樣本不均衡的問題，導(dǎo)致識(shí)別性能下降嚴(yán)重。而且現(xiàn)有的經(jīng)典CNN專門為三通道的自然圖像而設(shè)計(jì)，應(yīng)用到SAR圖像存在模型參數(shù)冗余和計(jì)算量大的問題。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明提供了一種SAR圖像艦船目標(biāo)識(shí)別方法和系統(tǒng)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：