一种基于深度模型的合成孔径雷达图像目标识别方法技术

本发明专利技术公开了一种基于深度模型的合成孔径雷达图像目标识别方法，包括流：图像切割；深度模型层级结构设计，特征提取滤波器设计，参数数量控制与过拟合预防，激活函数以及非线性提升，识别分类以及参数自主修正更新；深度模型训练；目标识别。本发明专利技术训练过程中滤波器参数能够实现自主迭代更新，大大地降低了特征的选择与提取所需开销，同时本发明专利技术中深度模型能够提取目标不同层级的特征，这些特征通过高度的匹配与训练得到，因此能够实现目标的高度表征，提高了SAR图像目标识别的准确度。

【技术实现步骤摘要】

本专利技术涉及机器学习、深度学习应用技术，特别涉及深度学习方法在合成孔径雷达图像目标识别中的应用。
技术介绍
合成孔径雷达(SyntheticApertureRadar，以下简称SAR)能够在全气候条件下全天提供高分辨率图像。当前SAR图像目标识别系统的主要方法是利用图像目标的特征训练分类器，通过分类器实现SAR图像目标识别，因此分类器的性能决定了识别系统的识别能力。特征的选择和提取对分类器的设计和性能有很大的影响。模式识别就是将具体事物归到具体的某一类别的过程，也就是先用一定数量的样本，根据它们之间的相似性进行分类器设计，而后用所设计的分类器对待识别的样本进行分类决策。分类的过程既可以在原始数据空间中进行，也可以对原始数据进行变换，将数据映射到特征空间中进行。相比而言，后者使得决策机器的设计变得更为容易，它通过更为稳定的特征表示，提高了决策机器的性能，删去了多余的或者不相关的信息，并且更加容易发现研究对象之间的固有联系。因而，特征是决定样本之间的相似性和分类器设计的关键。当分类的目的决定之后，如何找到合适的特征是识别的核心问题。SAR图像成像方式非常特殊，相比较光学图像而言，它表现为稀疏的散射中心分布，而且对成像的方位角很敏感，环境噪声复杂，容易出现不同程度的畸变。因此，针对SAR图像的显式特征提取并不容易，在一些应用问题中也并非总是可靠的。同时，特征的数量影响着识别系统的复杂度，大量的特征并不能确保获得到好的识别效果因为特征之间并不是独立的，而具有相关性，不好的特征可能大大损害系统的工作；使用较少的特征可以减少计算时间，这对于实时应用非常重要，但是可能导致基于特征的分类器训练不充分而不够成熟，大大降低识别性能。对于需要通过训练阶段才能进行的特征选择，如果选择的特征过多就意味着用更复杂的模型去拟合训练样本。由于训练样本可能存在着各种噪声，复杂的模型可能会产生对训练样本的过拟合情况，使模型敏感于噪声，失去了概括能力，也就不能很好地识别目标。以上种种原因，使得在SAR目标识别系统中，特征的选择与提取成为难度最大的问题。
技术实现思路
本专利技术的专利技术目的在于：为了克服现有技术中对SAR图像目标识别的不足之处，以达到SAR图像目标识别更高准确度，特提供一种基于深度模型的SAR图像目标识别方法。深度模型是一种多层感知器，它具有多个层级结构，每个层级选择以及提取的特征是通过其自身高度匹配与训练得到，因此所提取的特征可以看作是目标的高度表征。这种高度特征表达能力是基于其自身强大的学习能力，将图像样本直接作为输入数据，因此能够大大地降低在图像预处理过程中特征选择与提取所需要的开销。同时，深度模型具有良好的并行处理能力和学习能力，可以处理SAR图像环境信息复杂的问题，甚至允许样本有较大的位移、拉伸、旋转等。步骤1：输入作为训练样本的SAR图像(记训练样本数为M)，其中训练样本应该包括不同类别的识别目标，用T标识训练样本的类别数。作为训练样本的SAR图像的获取方式可以是，对成孔径雷达获取的原始SAR图像以目标为中心进行切割，每一张切割后的SAR图像包含完整的识别目标。保证分割后的SAR图像中识别目标方位角以及俯仰角的多样性有助于在训练阶段获得更加成熟的深度模型。步骤2：构建深度模型：步骤201：构建卷积神经网络模块：构建由卷积滤波器与池化滤波器级联的卷积神经网络模块，其中卷积滤波器用于对输入数据进行滑窗卷积得到卷积输出；池化滤波器用于对输入数据(即卷积输出)进行降维处理，得到卷积神经网络模块的卷积层输出，其中降维处理为：对卷积输出进行最大值滤波处理，用滤波区域的局部最大值替代滤波区域整体；步骤202：设置H层的深度模型，深度模型的第1～H-1层为级联的H-1个卷积神经网络模块，第1层的输入为训练样本，第2～H-1层的输入为上一层的卷积层输出，且第1～H-1层的卷积滤波器的尺寸逐渐变小。池化滤波器的尺寸为预设值，可根据实际应用需求进行对应设置，每层的池化滤波器的尺寸可设置为相同，也可设置为不相同。深度模型的第H层包括卷积滤波器，用于对输入数据进行卷积(非滑窗)滤波，第H层的卷积滤波器的输入为第H-1层的卷积层输出，且卷积滤波器的尺寸等于第H-1层的卷积神经网络模块的输出特征图尺寸。本专利技术的深度模型层级结构能够提取不同深度的图像目标特征，主要通过尺寸大小为ω的卷积滤波器对图像进行卷积运算提取输入图像的特征作为输出。卷积运算可用公式表示为：即以预设步长s1(该公式中的s1＝1)的滑窗方式对输入Sij(i,j为图像坐标)进行卷积得到对应位置的输出Si′j′′，wnm代表卷积滤波器第n行第m列参数；调整ω的大小控制卷积滤波器的尺寸；随着深度结构的深入，特征图像的尺寸逐渐减小，ω的尺寸随之适当减小，卷积滤波器的数量适当增加。将卷积滤波器直接作用于图像，提取图像特征。由于深度模型层级结构能够实现自主的学习更新，系统的输出将反馈作用于每一层级的网络参数(卷积滤波器参数)，高斯随机初始化的卷积滤波器在该反馈作用下，参数进行自主修正，最终成为能够提取高度表征目标特征的特征提取滤波器，该特征的选择与提取过程由系统自主完成，省去了传统目标识别的图像特征提取等预处理过程，大大降低了实现目标识别的开销，不仅如此，所有的特征提取滤波器均经过高度匹配训练得到，得到的深层特征更加有利于系统进行目标识别。对每一卷积神经网络模块，其卷积层(卷积滤波器)输出的特征图尺寸为：ho1＝(hi-ω)/s1+1，其中h01、hi、ω分别表示输出特征图尺寸、输入特征图尺寸以及卷积滤波器的尺寸。步长s1可以有效地减少对重复区域的卷积运算，提高深度模型的工作速度。随着深度结构的深入，特征图像的尺寸逐渐减小，卷积滤波器的数量适当增加以保证层级结构提取特征的多样性。为了提取目标的深层特征，深度模型具有复杂的层级结构以及数量较多的卷积滤波器，因此会产生大量的参数，增加了识别处理的负担。不仅如此，不同的卷积滤波器只对特定的特征敏感，这也意味着卷积层后的特征图经过特征提取后将产生大量的冗余信息，导致后续层级将耗费大量资源在这些冗余信息的处理上。为了实现对深度模型参数数量的控制，以及剔除冗余信息，在每一卷积神经网络模块，需要利用池化方法通过滑窗的方式(步长设置为s2)对卷积滤波器的卷积输出即用当前滤波区域(当前窗口)的局部最大值替代当前滤波区域整体作为输出：其中eij代表图像第i行第j列像素值，ei+nj+n的含义与eij相通，eo为输出像素值。池化滤波器输出的特征图尺寸为：ho2＝(hi-ωd)/s2+1，其中ωd代表池化滤波器的尺寸，stride设置了相邻池化滤波器的间隔，对每一卷积神经网络模块，其输出特征图的尺寸即为池化滤波器输出的特征图尺寸ho2。深度学习一个明确的目标就是从原始数据中提取出关键因子，而原始数据通常缠绕着高密集的特征向量，这些特征向量是相互关联的，一个关键因子可能缠绕着几个甚至大量的特征向量，为了进一步剔除冗余信息，而近似程度最大地保留数据特征，可以通过大多数元素为0的稀疏矩阵来实现，如通过Sigmod激活函数f(x)＝(1+e-x)-1、双曲正切函数f(x)＝tanh(x)、f(x)＝|tanh(x)|以及校正线性单元(RectifiedLinea本文档来自技高网...

【技术保护点】
一种基于深度模型的合成孔径雷达图像目标识别方法，其特征在于，包括下列步骤：步骤1：训练样本采集：步骤101：输入识别目标的不同类别的原始SAR图像，其中类别数为T；步骤102：对原始SAR图像以目标为中心进行图像切割，得到图像大小相同的训练样本集，并为每个训练样本设置类别标识符；步骤2：构建深度模型：步骤201：构建由卷积滤波器与池化滤波器级联的卷积神经网络模块，其中卷积滤波器用于对输入数据进行滑窗卷积得到卷积输出；池化滤波器用于对输入数据进行滑窗降维处理，得到卷积神经网络模块的卷积层输出，所述降维处理为：对卷积输出进行最大值滤波处理，取当前窗口的局部最大值作为当前窗口的滤波输出；步骤202：设置H层的深度模型，深度模型的第1～H‑1层为级联的H‑1个卷积神经网络模块，第1层的输入为训练样本，第2～H‑1层的输入为上一层的卷积层输出，且第1～H‑1层的卷积滤波器的尺寸逐渐变小；深度模型的第H层包括卷积滤波器，用于对输入数据的卷积滤波，第H层的卷积滤波器的输入为第H‑1层的卷积层输出，且卷积滤波器的尺寸等于第H‑1层的卷积神经网络模块的输出特征图尺寸；步骤3：深度模型训练：步骤301：初始化化迭代次数d＝0，初始化学习率α为预设值；步骤302：从训练样本样本集中随机选择N幅图像作为子训练样本集，输入到深度模型的第1层，基于深度模型的第H层输出得到每个训练样本的特征向量矩阵X；逐级计算各层卷积滤波器的误差值δ：第H层卷积滤波器的误差值为F‑X，期望输出F为预设值；第1～H‑1层卷积滤波器的误差值则基于上一层的误差值与卷积滤波器的参数wnm的乘积得到，下标n＝1,2…,ω，m＝1,2…,ω，ω表示卷积滤波器的尺寸；根据各级卷积滤波器的误差值更新参数wnm：wnm＝wnm‑Δwnm，其中更新迭代次数d＝d+1；步骤303：判断迭代次数是否达到结束阈值，若是，则执行步骤304；否则，再判断迭代次数是否达到调整阈值，若是，则降低学习率α，并基于更新后的各级卷积滤波器的参数wnm执行步骤302；若否，则直接基于更新后的各级卷积滤波器参数wnm执行步骤302；步骤304：基于各级卷积滤波器的当前参数wnm得到训练完成的深度模型；步骤4：输入待识别SAR图像，以待识别目标为中心进行图像切割，得到与训练样本相同尺寸的待识别图像；将待识别图像输入训练完成的深度模型，输出待识别图像的特征向量矩阵；步骤5：计算待识别图像的特征向量矩阵分别属于T类目标的分类概率，以最大概率对应的类别作为目标识别结果。...

【技术特征摘要】
1.一种基于深度模型的合成孔径雷达图像目标识别方法，其特征在于，包括下列步骤：步骤1：训练样本采集：步骤101：输入识别目标的不同类别的原始SAR图像，其中类别数为T；步骤102：对原始SAR图像以目标为中心进行图像切割，得到图像大小相同的训练样本集，并为每个训练样本设置类别标识符；步骤2：构建深度模型：步骤201：构建由卷积滤波器与池化滤波器级联的卷积神经网络模块，其中卷积滤波器用于对输入数据进行滑窗卷积得到卷积输出；池化滤波器用于对输入数据进行滑窗降维处理，得到卷积神经网络模块的卷积层输出，所述降维处理为：对卷积输出进行最大值滤波处理，取当前窗口的局部最大值作为当前窗口的滤波输出；步骤202：设置H层的深度模型，深度模型的第1～H-1层为级联的H-1个卷积神经网络模块，第1层的输入为训练样本，第2～H-1层的输入为上一层的卷积层输出，且第1～H-1层的卷积滤波器的尺寸逐渐变小；深度模型的第H层包括卷积滤波器，用于对输入数据的卷积滤波，第H层的卷积滤波器的输入为第H-1层的卷积层输出，且卷积滤波器的尺寸等于第H-1层的卷积神经网络模块的输出特征图尺寸；步骤3：深度模型训练：步骤301：初始化化迭代次数d＝0，初始化学习率α为预设值；步骤302：从训练样本样本集中随机选择N幅图像作为子训练样本集，输入到深度模型的第1层，基于深度模型...

【专利技术属性】
技术研发人员：曹宗杰，肖蒙，崔宗勇，皮亦鸣，闵锐，李晋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51