一种基于多视角深度学习框架的SAR自动目标识别方法技术

本发明专利技术公开一种基于多视角深度学习框架的SAR自动目标识别方法，应用于雷达目标识别领域，针对原始SAR图像较少的情况下深度神经网络难以得到有效训练的问题，本发明专利技术利用原始SAR图像的不同视角，结合实际应用中的数据采集成本及识别性能要求，利用少量原始SAR图像，生成大量多视角组合样本，增加了样本中包含的有效识别信息；基于深度学习理论，构建多输入并行深度神经网络，自动提取出不同视角的有效特征并给出类别预测结果，实现SAR目标的迅速精准识别，本发明专利技术方法具有灵活、准确、高效和泛化能力强的优点。

【技术实现步骤摘要】
一种基于多视角深度学习框架的SAR自动目标识别方法
本专利技术属于雷达目标识别领域，特别涉及一种雷达目标识别领域中合成孔径雷达自动目标识别技术。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)是一种具有全天候、全天时工作能力的高分辨率微波成像雷达，广泛应用于战场感知侦察、地理信息采集、农林环境监测、地质地貌勘探、海洋资源利用等领域，具有极高的民用与军用价值。由于电磁散射特性和相干成像机理，SAR成像对目标方位角较为敏感，且SAR图像中存在大量相干斑，使之与光学图像的差异进一步增大，增加了人工解译的难度。SAR自动目标识别(AutomaticTargetRecognition,ATR)基于现代信号处理和模式识别等理论，在没有人工干预的条件下，迅速准确地检测出目标潜在区域，提取目标特征并判别出目标类别信息，为信息感知和精确打击等多个方面提供了有力的技术支持。当前主流的SARATR方法主要有基于模板的方法和基于模型的方法。但传统方法往往存在受人工经验影响较大，算法复杂度较高等问题，难以提取出最优的目标特征并进行高效精准的分类识别。随着人工智能理论的兴起与发展，深度神经网络作为一种自适应能力强的机器学习算法被广泛应用于图像分类、语音信号处理等多个领域，为SARATR开辟了新的思路与方向。文献“D.A.MorganDeepconvolutionalneuralnetworksforatrfromsarimagery.SPIEDefense+Security.InternationalSocietyforOpticsandPhotonics,2015,pp.94750F–94750F.”等构建了单输入卷积神经网络用于解决10类SAR目标图像的识别问题，但所用网络的训练需要大量目标样本，训练样本数量较少的情况下容易陷入过拟合，并且网络泛化能力较差。文献“J.Ding,B.Chen,H.Liu,andM.Huang.Convolutionalneuralnetworkwithdataaugmentationforsartargetrecognition.IEEEGeoscienceandRemoteSensingLetters,vol.13,no.3,pp.364–368,March2016.”采用平移、加噪、姿态合成等方法对原始SAR图像进行扩充，以满足卷积神经网络训练的需要。但是该方法并没有增加原始SAR图像的有效识别信息，样本扩充后识别性能的提升十分有限，且需分配大量的存储空间。原始SAR图像较少的情况下深度神经网络难以得到有效训练的问题仍未得到合理解决。
技术实现思路
为解决上述技术问题，本专利技术提出了一种基于多视角深度学习框架的SAR自动目标识别方法，利用少量原始SAR图像，生成大量多视角组合样本，增加了样本中包含的有效识别信息.本专利技术采用的技术方案为：一种基于多视角深度学习框架的SAR自动目标识别方法，包括：S1、采集原始SAR图像；S2、对步骤S1采集的原始SAR图像进行预处理；S3、根据视角大小对预处理后的SAR图像进行排序；S4、根据实际成像条件和性能指标设置视角数目k及观察角大小θ；S5、根据步骤S4设置的视角数目及观察角大小，生成多视角组合样本；S6、构建多输入并行深度卷积神经网络；S7、训练深度神经网络，将S5得到的多视角组合样本输入步骤S6构建的多输入并行深度卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛。进一步地，步骤S1具体为：采集相同分辨率，不同视角的原始SAR图像。进一步地，步骤S2具体为：估计原始SAR图像的视角，以该角度将原始SAR图像旋转至同一方向；并对旋转后的图像进行基于幂变换的灰度增强。进一步地，步骤S5具体为：组合同一目标类别中任意k个视角下采集得到的SAR图像，使其共同构成一个样本；并限制同一组合样本中SAR图像视角的变化不超过θ的大小。进一步地，步骤S6具体为：所述多输入并行深度卷积神经网络包含多个输入通道，每个通道接收一个视角的SAR图像；每个通道的低隐层均为交替的卷积层和池化层，得到不同视角下的特征图；逐渐将不同视角下的特征图进行合并，连接至共同的卷积层提取更高层的特征；最后提取出的特征输入全连接层，得到图像样本的分类标签。本专利技术的有益效果：本专利技术的一种基于多视角深度学习框架的SAR自动目标识别方法，利用原始SAR图像的不同视角，结合实际应用中的数据采集成本及识别性能要求，设计得到灵活的数据扩充方法，具体的：本专利技术利用少量原始SAR图像，生成大量多视角组合样本，增加了样本中包含的有效识别信息；并且基于深度学习理论，构建多输入并行深度神经网络，自动提取出不同视角的有效特征并给出类别预测结果，实现SAR目标的迅速精准识别；本专利技术可根据实际成像条件和性能指标调节样本视角数目及网络结构，在原始SAR图像有限的情况下仍能保证较高的识别率，具有灵活、准确、高效和泛化能力强的优点。附图说明图1为本专利技术实施例提供的方案流程图；图2为本专利技术实施例提供的多视角组合样本生成方法的示意图；图3为本专利技术实施例提供的具体网络结构示意图。具体实施方式为便于本领域技术人员理解本专利技术的
技术实现思路
，首先对以下术语进行解释。术语：视角估计视角指合成孔径雷达成像几何中的俯仰角、方位角等姿态信息，其具体估计方法参见文献“J.C.Principe,D.Xu,andJ.W.FisherIII.Poseestimationinsarusinganinformationtheoreticcriterion.Aerospace/DefenseSensingandControls.InternationalSocietyforOpticsandPhotonics,1998,pp.218–229.”如图1所示为本专利技术的方案流程图，本专利技术的技术方案为：一种基于多视角深度学习框架的SAR自动目标识别方法，包括：S1、采集原始SAR图像；具体为：采集相同分辨率，不同视角的原始SAR图像。本实施例中视角分布于0°到360°范围内的原始SAR图像。S2、对步骤S1采集的原始SAR图像进行预处理；具体为：估计原始SAR图像的视角，以该角度将原始SAR图像旋转至同一方向；并对旋转后的图像进行基于幂变换的灰度增强；包括：S21、以表示原始SAR图像需要旋转的角度，原始SAR图像中坐标(p,q)旋转后以(u,v)表示，则其计算公式为：其中，p,q分别表示原始SAR图像的横坐标和纵坐标；u,v分别表示旋转后的SAR图像的横坐标和纵坐标。S22、对旋转后的图像进行灰度增强：以x表示增强前SAR图像，x′表示增强后SAR图像，则x′(u,v)＝[x(u,v)]β，其中，β表示增强因子。S3、根据视角大小对预处理后的SAR图像进行排序；具体为：以表示第i类目标的SAR图像集合，其中每张图像对应于不同的视角将同类目标的SAR图像根据其视角大小进行排序；本实施例中将多视角组合样本中不同SAR图像按照视角大小升序排列，但是本领域的技术人员应注意这里只是为了便于理解，选择了升序排列；但是本专利技术并不局限于这一种排序方式本文档来自技高网...

【技术保护点】
一种基于多视角深度学习框架的SAR自动目标识别方法，其特征在于，包括：S1、采集原始SAR图像；S2、对步骤S1采集的原始SAR图像进行预处理；S3、根据视角大小对预处理后的SAR图像进行排序；S4、根据实际成像条件和性能指标设置视角数目k及观察角大小θ；S5、根据步骤S4设置的视角数目及观察角大小，生成多视角组合样本；S6、构建多输入并行深度卷积神经网络；S7、训练深度神经网络，将S5得到的多视角组合样本输入步骤S6构建的多输入并行深度卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛。

【技术特征摘要】
1.一种基于多视角深度学习框架的SAR自动目标识别方法，其特征在于，包括：S1、采集原始SAR图像；S2、对步骤S1采集的原始SAR图像进行预处理；S3、根据视角大小对预处理后的SAR图像进行排序；S4、根据实际成像条件和性能指标设置视角数目k及观察角大小θ；S5、根据步骤S4设置的视角数目及观察角大小，生成多视角组合样本；S6、构建多输入并行深度卷积神经网络；S7、训练深度神经网络，将S5得到的多视角组合样本输入步骤S6构建的多输入并行深度卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛。2.根据权利要求1所述的一种基于多视角深度学习框架的SAR自动目标识别方法，其特征在于，步骤S1具体为：采集相同分辨率，不同视角的原始SAR图像。3.根据权利要求1所述的一种基于多视角深...

【专利技术属性】
技术研发人员：杨海光，裴季方，黄钰林，薛媛，张寅，杨建宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51