基于卷積神經網絡的多特征融合SAR目標鑒別方法技術

本發明專利技術公開了一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，主要解決現有技術在復雜場景下SAR目標鑒別性能低的問題。其方案是：1)對給定的訓練集進行預處理，獲取新的訓練集；2)構架基于卷積神經網絡的SAR目標鑒別網絡；3)將新的訓練集輸入到構建好的SAR目標鑒別網絡中進行訓練，得到訓練好的網絡；4)對給定的測試集進行預處理，獲取新的測試集；5)將新的測試集輸入到訓練好的SAR目標鑒別網絡中，得到最終的目標鑒別結果。本發明專利技術構建的SAR目標鑒別網絡聯合利用了SAR圖像的幅度信息和邊緣信息，并結合了卷積神經網絡強大的特征學習能力，提升了鑒別的性能，可用于對復雜場景的SAR目標鑒別。

Multiple feature fusion SAR target identification method based on convolutional neural network

The invention discloses a SAR target identification method based on a convolutional neural network for multiple feature fusion, which mainly solves the problem that the prior art has low discrimination performance of SAR targets in complex scenes. The solution is: 1) to preprocess the given training set, to obtain the new training set; 2) SAR target discrimination network architecture based on convolutional neural network; 3) the new training set is input to the SAR target discrimination network is constructed in the training, get the trained network; 4) pre for a given test set, obtain a new test set; 5) the new test set is input to the SAR network trained in target identification, target identification results of the final. SAR target discrimination network constructed by the invention and use of a SAR image amplitude and edge information, and combines the characteristics of convolutional neural network has powerful learning ability, improve the identification performance, can be used for the identification of SAR target in complex scenes.

【技術實現步驟摘要】
基于卷積神經網絡的多特征融合SAR目標鑒別方法
本專利技術屬于雷達
，主要涉及SAR圖像目標鑒別方法，可用于對車輛目標識別與分類提供重要信息。
技術介紹
合成孔徑雷達SAR利用微波遙感技術，不受氣候和晝夜影響，具有全天時、全天候的工作能力，并具有多頻段、多極化、視角可變和穿透性等特點。SAR圖像自動目標識別ATR是SAR圖像的重要應用之一。基本的SAR圖像自動目標識別ATR系統一般包括目標檢測、目標鑒別和目標識別三個階段。目標鑒別用于去除候選目標中的雜波虛警，在SAR圖像自動目標識別ATR中具有重要的研究意義。SAR目標鑒別問題可被認為是兩類分類問題。在目標鑒別過程中，如何設計有效的鑒別特征是至關重要的。在過去的幾十年，有大量關于SAR目標鑒別特征提取的研究，例如：(1)林肯實驗室提出了基于紋理信息的標準差特征、分形維特征及排列能量比特征和一系列基于空間邊界信息的特征；(2)密歇根環境研究所ERIM提出了基于目標和背景對比度的峰值CFAR特征、均值CFAR特征及CFAR最亮點百分比特征和基于目標形狀的質量特征及直徑特征；(3)其他一些文獻提出了水平和垂直投影特征、最小和最大投影長度特征。但是，這些傳統特征只能提供粗糙的、部分的描述，而不能描述目標和雜波詳細的局部形狀和結構信息。當目標和雜波在紋理、尺寸和對比度方面沒有明顯差別時，這些特征不能表現出很好的鑒別性能。另外，傳統特征適用于簡單場景下自然雜波與目標的鑒別，隨著SAR圖像分辨率的不斷提升，傳統特征對復雜場景下的目標鑒別具有較大的局限性。近年來，卷積神經網絡CNN已成為當前語音分析和圖像識別領域的研究熱點。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。它使圖像直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程，并且對平移、旋轉、比例縮放或者其他形式的變形具有高度不變性。目前，卷積神經網絡已成功地應用于SAR目標識別任務中，例如，用CNN與支持向量機SVM結合的方法對目標進行識別。但是，此類方法僅使用單一的網絡結構并以原始SAR圖像作為網絡的輸入進行目標識別，并沒有充分利用SAR圖像的其他有用信息，例如，描述圖像幾何結構信息的邊緣信息。當SAR圖像場景變得復雜時，單一的信息不能充分地表征目標的特性，使得目標鑒別性能降低。
技術實現思路
本專利技術的目的在于針對已有SAR目標鑒別方法的不足，提出一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，以提高在復雜場景下的目標鑒別性能，從而有助于提升目標的鑒別準確率。本專利技術的技術思路是：通過對訓練樣本進行預處理，得到每個樣本的Lee濾波后的圖像和梯度幅度圖像，一同輸入到基于卷積神經網絡的SAR目標鑒別網絡框架中進行訓練，通過對測試樣本進行同樣的預處理并輸入到訓練好的網絡框架中得到最終的目標鑒別結果。其實現步驟包括如下：(1)對訓練集Φ中的每個訓練樣本M進行Lee濾波處理得到濾波后的訓練圖像M'，再對每個訓練樣本M提取梯度幅度訓練圖像并與濾波后的訓練圖像M'一起構成新的訓練集Φ'；(2)構建基于卷積神經網絡的SAR目標鑒別網絡框架Ψ，該網絡框架包括特征提取、特征融合和分類器三個部分；2a)構建特征提取部分：構建結構完全相同的第一卷積神經網絡A和第二卷積神經網絡B，這兩個卷積神經網絡均包括三層卷積層、兩層全連接層和一層softmax分類器層，即第一卷積層L1、第二卷積層L2、第三卷積層L3、第四全連接層L4、第五全連接層L5、第六softmax分類器層L6，分別提取第一卷積神經網絡A和第二卷積神經網絡B的第四全連接層L4的輸出作為第一卷積神經網絡A的h維列向量特征和第二卷積神經網絡B的h維列向量特征2b)構建特征融合部分：分別在兩個h維列向量特征和后補z個0，使其變為d維列向量，z≥0，再分別變換為l×l的二維矩陣形式和其中l×l＝d，再將和拼接成l×l×2的三維融合特征X作為分類器部分的輸入；2c)構建分類器部分：構建第三卷積神經網絡C，其包括兩層卷積層、兩層全連接層和一層softmax分類器層，即第一層卷積層C1、第二層卷積層C2、第三層全連接層C3、第四層全連接層C4和第五層softmax分類器層C5；(3)將新的訓練集Φ'輸入到構建好的SAR目標鑒別網絡框架Ψ中進行訓練，得到訓練好的網絡框架Ψ'；(4)對測試集T中的每個測試樣本N進行Lee濾波，得到濾波后的測試圖像N'，再對每個測試樣本N提取梯度幅度測試圖像并與濾波后的測試圖像N'一起構成新的測試集T'；(5)將新的測試集T'輸入到訓練好的SAR目標鑒別網絡框架Ψ'中，得到最終的目標鑒別結果。本專利技術與現有技術相比具有以下優點：1)本專利技術由于構建了一種由特征提取、特征融合和分類器三部分組成的SAR目標鑒別網絡框架，并聯合利用了SAR圖像的幅度信息和邊緣信息，結合了三個卷積神經網絡強大的特征學習能力，提升了在復雜場景下SAR目標的鑒別性能。2)本專利技術提出的特征融合方式由于維持了不同特征之間的空間關系，能夠使不同特征在后續處理中聯合表示目標的特性，實現了更好的特征融合效果。附圖說明圖1是本專利技術的實現流程圖；圖2是本專利技術的網絡框架圖；圖3是本專利技術實驗所用的miniSAR數據圖像。具體實施方式下面結合附圖對本專利技術的實施方案和效果進行詳細說明：本專利技術方法主要涉及復雜場景下的車輛目標鑒別，現有的目標鑒別方法，大多是基于MSTAR數據集進行驗證，該數據描述的場景較為簡單。目標和雜波在紋理，形狀和對比度上差異較大。隨著雷達分辨率的提升，SAR圖像描述的場景也更為復雜，目標不僅有單目標還有多目標和局部目標的情況，雜波也不僅是自然雜波，還有大量形狀各異的人造雜波，現有的目標鑒別方法的鑒別性能隨之下降。針對以上問題，本專利技術結合卷積神經網絡強大的特征學習能力，提出一種基于卷積神經網絡的SAR目標鑒別網絡框架，對SAR目標進行鑒別，提高在復雜場景下對SAR目標的鑒別性能。參照圖1，本專利技術的實現步驟如下：步驟1，獲取新的訓練集Φ'。1a)給定訓練集Φ，并對其每個訓練樣本M進行Lee濾波處理，得到濾波后的訓練圖像M'，作為SAR目標鑒別網絡框架Ψ中第一卷積神經網絡A的輸入；1b)運用均值比檢測算法對每個訓練樣本M提取梯度幅度訓練圖像作為SAR目標鑒別網絡框架Ψ中第二卷積神經網絡B的輸入；1c)用濾波后的訓練圖像M'和梯度幅度訓練圖像構成新的訓練集Φ'。步驟2，構建基于卷積神經網絡的SAR目標鑒別網絡框架Ψ。參照圖2，SAR目標鑒別網絡框架包括特征提取、特征融合和分類器三個部分，其構建步驟如下：2a)構建特征提取部分，提取列向量特征和列向量特征2a1)構建結構完全相同的第一卷積神經網絡A和第二卷積神經網絡B。這兩個卷積神經網絡均包括三層卷積層、兩層全連接層和一層softmax分類器層，即第一卷積層L1、第二卷積層L2、第三卷積層L3、第四全連接層L4、第五全連接層L5、第六softmax分類器層L6；該第一卷積神經網絡A和第二卷積神經網絡B的各層的參數設置及關系如下：第一卷積層L1，其卷積核K1的窗口大小為3×3，滑動步長S1為2，用于對輸入進行卷積，輸出96個特征圖j表示第j個特征圖，該層作為第二卷積層L2的輸入；第二本文檔來自技高網...

【技術保護點】
一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，包括：(1)對訓練集Φ中的每個訓練樣本M進行Lee濾波處理得到濾波后的訓練圖像M'，再對每個訓練樣本M提取梯度幅度訓練圖像

【技術特征摘要】
1.一種基于卷積神經網絡的多特征融合SAR目標鑒別方法，包括：(1)對訓練集Φ中的每個訓練樣本M進行Lee濾波處理得到濾波后的訓練圖像M'，再對每個訓練樣本M提取梯度幅度訓練圖像并與濾波后的訓練圖像M'一起構成新的訓練集Φ'；(2)構建基于卷積神經網絡的SAR目標鑒別網絡框架Ψ，該網絡框架包括特征提取、特征融合和分類器三個部分；2a)構建特征提取部分：構建結構完全相同的第一卷積神經網絡A和第二卷積神經網絡B，這兩個卷積神經網絡均包括三層卷積層、兩層全連接層和一層softmax分類器層，即第一卷積層L1、第二卷積層L2、第三卷積層L3、第四全連接層L4、第五全連接層L5、第六softmax分類器層L6，分別提取網絡A和B的第四全連接層L4的輸出作為第一卷積神經網絡A的h維列向量特征和第二卷積神經網絡B的h維列向量特征2b)構建特征融合部分：分別在兩個h維列向量特征和后補z個0，使其變為d維列向量，z≥0，再分別變換為l×l的二維矩陣形式和其中l×l＝d，再將和拼接成l×l×2的三維融合特征X作為分類器部分的輸入；2c)構建分類器部分：構建第三卷積神經網絡C，其包括兩層卷積層、兩層全連接層和一層softmax分類器層，即第一層卷積層C1、第二層卷積層C2、第三層全連接層C3、第四層全連接層C4和第五層softmax分類器層C5；(3)將新的訓練集Φ'輸入到構建好的SAR目標鑒別網絡框架Ψ中進行訓練，得到訓練好的網絡框架Ψ'；(4)對測試集T中的每個測試樣本N進行Lee濾波，得到濾波后的測試圖像N'，再對每個測試樣本N提取梯度幅度測試圖像并與濾波后的測試圖像N'一起構成新的測試集T'；(5)將新的測試集T'輸入到訓練好的SAR目標鑒別網絡框架Ψ'中，得到最終的目標鑒別結果。2.根據權利要求1所述的方法，其中步驟2a)中第一卷積神經網絡A和第二卷積神經網絡B，其各層的參數設置及關系如下：第一卷積層L1，其卷積核K1的窗口大小為3×3，滑動步長S1為2，用于輸出96個特...

【專利技術屬性】
技術研發人員：王英華，王寧，劉宏偉，糾博，楊柳，何敬魯，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：陜西,61