基于卷积神经网络的船目标ISAR图像特征学习方法技术

本发明专利技术涉及逆合成孔径和图像特征学习，尤其涉及利用卷积神经网络对船目标ISAR图像进行特征学习。本发明专利技术利用卷积神经网络对船目标ISAR图像进行特征学习，不需要人为的干预，可以直接把图像作为输入，通过自主学习达到特征提取的目地。

ISAR image feature learning method of ship target based on convolutional neural network

The present invention relates to inverse synthetic aperture and image feature learning, especially the convolution neural network for feature learning of ship target ISAR images. The convolution neural network is used to learn the features of the ship target ISAR image, and the human image can be directly input as the input without the artificial intervention.

【技术实现步骤摘要】
基于卷积神经网络的船目标ISAR图像特征学习方法
本专利技术涉及逆合成孔径和图像特征学习，尤其涉及利用卷积神经网络对船目标ISAR图像进行特征学习。
技术介绍
雷达成像不仅分辨率高、穿透性好、抗干扰性强，而且能全天候，全天时、远距离工作，可以弥补可见光与红外成像技术的不足。成像雷达的出现扩展了原始的雷达概念，使它具有对运动目标(舰船、飞机、导弹、天体、人造卫星等)、区域目标(地面等)进行成像和识别的能力，在军事和民事上具有广泛的应用前景，如地形测绘、资源普查、天体观测机战场感知等，另外在微波遥感应用方面也表现出越来越大的潜力，为人们提供原来越多的有用信息。它对国防技术现代化以及国民经济建设都有十分重要的的意义。逆合成孔径雷达(InverseSyntheticApertureRadar，ISAR)和合成孔径雷达(SyntheticApertureRadar，SAR)和几乎是同时起步的，然而ISAR的发展速度远远比不上SAR，在20世纪80年代才实现飞机的二维ISAR成像。逆合成孔径雷达(ISAR)是当前成像雷达一个重要发展方向之一，它可以全天候、全天时、远距离对目标进行成像，具有很高的本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于，步骤如下：S1、目标建模与成像，具体为：S11、选取3类舰船目标进行点阵建模，用来估计真实的舰船目标雷达的散射模型；S12、利用距离‑多普勒(R‑D)成像算法，对S11所述舰船目标的点阵模型进行成像，获得ISAR图像；S13、将S12获取的ISAR图像裁剪成128×128像素点大小的图像，裁剪后的图像转换为灰度图像，作为网络的直接输入；S3、确定网络结构，即确定网络的层数L，确定每层网络的卷积核个数，确定每层网络中的滤波器窗口大小，其中，L≥2；S4、通过卷积神经网络训练进行特征学习，获取图像特征；S5、通过svm分类器对特征进...

【技术特征摘要】
1.一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于，步骤如下：S1、目标建模与成像，具体为：S11、选取3类舰船目标进行点阵建模，用来估计真实的舰船目标雷达的散射模型；S12、利用距离-多普勒(R-D)成像算法，对S11所述舰船目标的点阵模型进行成像，获得ISAR图像；S13、将S12获取的ISAR图像裁剪成128×128像素点大小的图像，裁剪后的图像转换为灰度图像，作为网络的直接输入；S3、确定网络结构，即确定网络的层数L，确定每层网络的卷积核个数，确定每层网络中的滤波器窗口大小，其中，L≥2；S4、通过卷积神经网络训练进行特征学习，获取图像特征；S5、通过svm分类器对特征进行分类识别，将目标所处的方位角为60°～90°，从所述方位角的下俯仰角为5°开始，每隔4°取一幅图片作为训练样本构成训练样本集，将所述方位角下俯仰角维7°开始，每隔4°取一幅图片作为识别样本构成识别样本集。2.根据权利要求1所述的一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于：S11所述点阵建模中，每隔Q米取一个点，其中，Q≤3。3.根据权利要求1所述的一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于：S3所述网络的层数L≥5。4.根据权利要求1所述的一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于：S3所述网络的层数L＝5，第一层为网络的输入层I，第二层网络为卷积层C1，其卷积核个数＝4，第三层为下采样层S1，第四层为网络的卷积层C2，其卷积核个数＝8，第五层为下采样层S2，最后将所有的特征图像连接成向量输出。5.根据权利要求4所述的一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于：S3所述卷积层C1卷积核滤波器窗口大小为5×5像素点，卷积层C2卷积核滤波器窗口大小为3×3像素点，下采样层S1，S2窗口大小为2×2像素点。6.根据权利要求1所述的一种基于卷积神经网络的船目标ISAR图像特征学习方法，其特征在于：S4所述卷积神经网络训练具体过程如下：步骤1、前向传播过程：设CNN网络由L个不同的网络层构成的，每...

【专利技术属性】
技术研发人员：周代英，金涛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51