基于卷积神经网络的多特征融合SAR目标鉴别方法技术

本发明专利技术公开了一种基于卷积神经网络的多特征融合SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1)对给定的训练集进行预处理，获取新的训练集；2)构架基于卷积神经网络的SAR目标鉴别网络；3)将新的训练集输入到构建好的SAR目标鉴别网络中进行训练，得到训练好的网络；4)对给定的测试集进行预处理，获取新的测试集；5)将新的测试集输入到训练好的SAR目标鉴别网络中，得到最终的目标鉴别结果。本发明专利技术构建的SAR目标鉴别网络联合利用了SAR图像的幅度信息和边缘信息，并结合了卷积神经网络强大的特征学习能力，提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。

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.

【技术实现步骤摘要】
基于卷积神经网络的多特征融合SAR目标鉴别方法
本专利技术属于雷达
，主要涉及SAR图像目标鉴别方法，可用于对车辆目标识别与分类提供重要信息。
技术介绍
合成孔径雷达SAR利用微波遥感技术，不受气候和昼夜影响，具有全天时、全天候的工作能力，并具有多频段、多极化、视角可变和穿透性等特点。SAR图像自动目标识别ATR是SAR图像的重要应用之一。基本的SAR图像自动目标识别ATR系统一般包括目标检测、目标鉴别和目标识别三个阶段。目标鉴别用于去除候选目标中的杂波虚警，在SAR图像自动目标识别ATR中具有重要的研究意义。SAR目标鉴别问题可被认为是两类分类问题。在目标鉴别过程中，如何设计有效的鉴别特征是至关重要的。在过去的几十年，有大量关于SAR目标鉴别特征提取的研究，例如：(1)林肯实验室提出了基于纹理信息的标准差特征、分形维特征及排列能量比特征和一系列基于空间边界信息的特征；(2)密歇根环境研究所ERIM提出了基于目标和背景对比度的峰值CFAR特征、均值CFAR特征及CFAR最亮点百分比特征和基于目标形状的质量特征及直径特征；(3)其他一些文献提出了水平和垂直投影特征、最小和最大投影长度特征。但是，这些传统特征只能提供粗糙的、部分的描述，而不能描述目标和杂波详细的局部形状和结构信息。当目标和杂波在纹理、尺寸和对比度方面没有明显差别时，这些特征不能表现出很好的鉴别性能。另外，传统特征适用于简单场景下自然杂波与目标的鉴别，随着SAR图像分辨率的不断提升，传统特征对复杂场景下的目标鉴别具有较大的局限性。近年来，卷积神经网络CNN已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。它使图像直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，并且对平移、旋转、比例缩放或者其他形式的变形具有高度不变性。目前，卷积神经网络已成功地应用于SAR目标识别任务中，例如，用CNN与支持向量机SVM结合的方法对目标进行识别。但是，此类方法仅使用单一的网络结构并以原始SAR图像作为网络的输入进行目标识别，并没有充分利用SAR图像的其他有用信息，例如，描述图像几何结构信息的边缘信息。当SAR图像场景变得复杂时，单一的信息不能充分地表征目标的特性，使得目标鉴别性能降低。
技术实现思路
本专利技术的目的在于针对已有SAR目标鉴别方法的不足，提出一种基于卷积神经网络的多特征融合SAR目标鉴别方法，以提高在复杂场景下的目标鉴别性能，从而有助于提升目标的鉴别准确率。本专利技术的技术思路是：通过对训练样本进行预处理，得到每个样本的Lee滤波后的图像和梯度幅度图像，一同输入到基于卷积神经网络的SAR目标鉴别网络框架中进行训练，通过对测试样本进行同样的预处理并输入到训练好的网络框架中得到最终的目标鉴别结果。其实现步骤包括如下：(1)对训练集Φ中的每个训练样本M进行Lee滤波处理得到滤波后的训练图像M'，再对每个训练样本M提取梯度幅度训练图像并与滤波后的训练图像M'一起构成新的训练集Φ'；(2)构建基于卷积神经网络的SAR目标鉴别网络框架Ψ，该网络框架包括特征提取、特征融合和分类器三个部分；2a)构建特征提取部分：构建结构完全相同的第一卷积神经网络A和第二卷积神经网络B，这两个卷积神经网络均包括三层卷积层、两层全连接层和一层softmax分类器层，即第一卷积层L1、第二卷积层L2、第三卷积层L3、第四全连接层L4、第五全连接层L5、第六softmax分类器层L6，分别提取第一卷积神经网络A和第二卷积神经网络B的第四全连接层L4的输出作为第一卷积神经网络A的h维列向量特征和第二卷积神经网络B的h维列向量特征2b)构建特征融合部分：分别在两个h维列向量特征和后补z个0，使其变为d维列向量，z≥0，再分别变换为l×l的二维矩阵形式和其中l×l＝d，再将和拼接成l×l×2的三维融合特征X作为分类器部分的输入；2c)构建分类器部分：构建第三卷积神经网络C，其包括两层卷积层、两层全连接层和一层softmax分类器层，即第一层卷积层C1、第二层卷积层C2、第三层全连接层C3、第四层全连接层C4和第五层softmax分类器层C5；(3)将新的训练集Φ'输入到构建好的SAR目标鉴别网络框架Ψ中进行训练，得到训练好的网络框架Ψ'；(4)对测试集T中的每个测试样本N进行Lee滤波，得到滤波后的测试图像N'，再对每个测试样本N提取梯度幅度测试图像并与滤波后的测试图像N'一起构成新的测试集T'；(5)将新的测试集T'输入到训练好的SAR目标鉴别网络框架Ψ'中，得到最终的目标鉴别结果。本专利技术与现有技术相比具有以下优点：1)本专利技术由于构建了一种由特征提取、特征融合和分类器三部分组成的SAR目标鉴别网络框架，并联合利用了SAR图像的幅度信息和边缘信息，结合了三个卷积神经网络强大的特征学习能力，提升了在复杂场景下SAR目标的鉴别性能。2)本专利技术提出的特征融合方式由于维持了不同特征之间的空间关系，能够使不同特征在后续处理中联合表示目标的特性，实现了更好的特征融合效果。附图说明图1是本专利技术的实现流程图；图2是本专利技术的网络框架图；图3是本专利技术实验所用的miniSAR数据图像。具体实施方式下面结合附图对本专利技术的实施方案和效果进行详细说明：本专利技术方法主要涉及复杂场景下的车辆目标鉴别，现有的目标鉴别方法，大多是基于MSTAR数据集进行验证，该数据描述的场景较为简单。目标和杂波在纹理，形状和对比度上差异较大。随着雷达分辨率的提升，SAR图像描述的场景也更为复杂，目标不仅有单目标还有多目标和局部目标的情况，杂波也不仅是自然杂波，还有大量形状各异的人造杂波，现有的目标鉴别方法的鉴别性能随之下降。针对以上问题，本专利技术结合卷积神经网络强大的特征学习能力，提出一种基于卷积神经网络的SAR目标鉴别网络框架，对SAR目标进行鉴别，提高在复杂场景下对SAR目标的鉴别性能。参照图1，本专利技术的实现步骤如下：步骤1，获取新的训练集Φ'。1a)给定训练集Φ，并对其每个训练样本M进行Lee滤波处理，得到滤波后的训练图像M'，作为SAR目标鉴别网络框架Ψ中第一卷积神经网络A的输入；1b)运用均值比检测算法对每个训练样本M提取梯度幅度训练图像作为SAR目标鉴别网络框架Ψ中第二卷积神经网络B的输入；1c)用滤波后的训练图像M'和梯度幅度训练图像构成新的训练集Φ'。步骤2，构建基于卷积神经网络的SAR目标鉴别网络框架Ψ。参照图2，SAR目标鉴别网络框架包括特征提取、特征融合和分类器三个部分，其构建步骤如下：2a)构建特征提取部分，提取列向量特征和列向量特征2a1)构建结构完全相同的第一卷积神经网络A和第二卷积神经网络B。这两个卷积神经网络均包括三层卷积层、两层全连接层和一层softmax分类器层，即第一卷积层L1、第二卷积层L2、第三卷积层L3、第四全连接层L4、第五全连接层L5、第六softmax分类器层L6；该第一卷积神经网络A和第二卷积神经网络B的各层的参数设置及关系如下：第一卷积层L1，其卷积核K1的窗口大小为3×3，滑动步长S1为2，用于对输入进行卷积，输出96个特征图j表示第j个特征图，该层作为第二卷积层L2的输入；第二本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的多特征融合SAR目标鉴别方法，包括：(1)对训练集Φ中的每个训练样本M进行Lee滤波处理得到滤波后的训练图像M'，再对每个训练样本M提取梯度幅度训练图像

【技术特征摘要】
1.一种基于卷积神经网络的多特征融合SAR目标鉴别方法，包括：(1)对训练集Φ中的每个训练样本M进行Lee滤波处理得到滤波后的训练图像M'，再对每个训练样本M提取梯度幅度训练图像并与滤波后的训练图像M'一起构成新的训练集Φ'；(2)构建基于卷积神经网络的SAR目标鉴别网络框架Ψ，该网络框架包括特征提取、特征融合和分类器三个部分；2a)构建特征提取部分：构建结构完全相同的第一卷积神经网络A和第二卷积神经网络B，这两个卷积神经网络均包括三层卷积层、两层全连接层和一层softmax分类器层，即第一卷积层L1、第二卷积层L2、第三卷积层L3、第四全连接层L4、第五全连接层L5、第六softmax分类器层L6，分别提取网络A和B的第四全连接层L4的输出作为第一卷积神经网络A的h维列向量特征和第二卷积神经网络B的h维列向量特征2b)构建特征融合部分：分别在两个h维列向量特征和后补z个0，使其变为d维列向量，z≥0，再分别变换为l×l的二维矩阵形式和其中l×l＝d，再将和拼接成l×l×2的三维融合特征X作为分类器部分的输入；2c)构建分类器部分：构建第三卷积神经网络C，其包括两层卷积层、两层全连接层和一层softmax分类器层，即第一层卷积层C1、第二层卷积层C2、第三层全连接层C3、第四层全连接层C4和第五层softmax分类器层C5；(3)将新的训练集Φ'输入到构建好的SAR目标鉴别网络框架Ψ中进行训练，得到训练好的网络框架Ψ'；(4)对测试集T中的每个测试样本N进行Lee滤波，得到滤波后的测试图像N'，再对每个测试样本N提取梯度幅度测试图像并与滤波后的测试图像N'一起构成新的测试集T'；(5)将新的测试集T'输入到训练好的SAR目标鉴别网络框架Ψ'中，得到最终的目标鉴别结果。2.根据权利要求1所述的方法，其中步骤2a)中第一卷积神经网络A和第二卷积神经网络B，其各层的参数设置及关系如下：第一卷积层L1，其卷积核K1的窗口大小为3×3，滑动步长S1为2，用于输出96个特...

【专利技术属性】
技术研发人员：王英华，王宁，刘宏伟，纠博，杨柳，何敬鲁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61