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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。