一种SAR目标识别方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种SAR目标识别方法、装置、计算机设备及存储介质，方法包括：获取SAR原始图像样本；进行数据增强，生成扩充样本集；构建基础残差神经网络模型，并加入残差控制因子进行优化，构建出优化后的残差神经网络模型；从扩充样本集中随机抽取图片，并输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；将待检测的SAR图像输入至训练后的网络模型中进行识别，输出识别结果。本申请通过对训练样本进行扩充，并构建具有残差控制因子的残差神经网络模型，有效降低了过拟合的情况，并且加入残差控制因子的残差神经网络模型可以在训练的过程中提高收敛速度，使得模型训练时间缩短，提高了目标识别的效率及精度。

【技术实现步骤摘要】
一种SAR目标识别方法、装置、计算机设备及存储介质
本申请涉及图像处理
，尤其涉及的是一种SAR目标识别方法、装置、计算机设备及存储介质。
技术介绍
目前，合成孔径雷达（SyntheticApertureRadar，SAR）目标识别的需求越来越明显，专家和学者也都提出了众多的算法来提高目标识别精度。但是在传统的雷达目标识别方法中，其主要的问题是缺乏训练样本而导致模型过拟合。虽然现有技术中也存在对训练样本进行扩充的技术，但是现有技术中也仅仅只考虑了部分因素，并不能从多方面进行样本扩充，因此训练样本数量仍然受限。此外，传统的识别方法中不管是基于模板还是基于模型，对先验知识和模型精度要求普遍较高，灵活性和适应性较差，识别准确性受限于模型的可靠性与特征提取的准确度，因此识别精度不高。因此，现有技术还有待于改进和发展。
技术实现思路
本申请要解决的技术问题在于，针对现有技术的上述缺陷，提供一种SAR目标识别方法、装置、计算机设备及存储介质，旨在解决现有技术中的SAR目标识别方法中训练样本数量受限，且模型识别精度低的问题。本申请解决技术问题所采用的技术方案如下：一种SAR目标识别方法，其中，所述识别方法是基于深度学习网络所实现的，包括：获取SAR原始图像样本；对所述SAR原始图像样本进行数据增强，生成扩充样本集；构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。优选地，所述的SAR目标识别方法，其中，所述获取SAR原始图像样本具体包括：从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。优选地，所述的SAR目标识别方法，其中，所述对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集。优选地，所述的SAR目标识别方法，其中，所述残差控制因子的取值范围为-0.5~0.5。优选地，所述的SAR目标识别方法，其中，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。优选地，所述的SAR目标识别方法，其中，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型还包括：随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。优选地，所述的SAR目标识别方法，其中，所述精度要求为当前模型精度比初始模型精度高于2%。一种SAR目标识别装置，其中，所述装置包括：原始样本获取模块，用于获取SAR原始图像样本；样本数据增强模块，用于对所述SAR原始图像样本进行数据增强，生成扩充样本集；模型构建且优化模块，用于构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；模型训练模块，用于从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；图像识别模块，用于将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述中任一项所述的方法的步骤。本申请的有益效果：本申请通过对训练样本进行扩充，并构建具有残差控制因子的残差神经网络模型，扩充的训练样本可以满足残差神经网络模型的需求，有效降低了过拟合的情况，而加入残差控制因子的残差神经网络模型可以在训练的过程中提高收敛速度，使得模型训练的时间缩短，进而提高目标识别的效率及精度。附图说明图1是本申请一个实施例中的SAR目标识别方法的流程示意图。图2是本申请一个实施例中构建的基础残差神经网络模型的单元结构示意图。图3是本申请一个实施例中增加残差控制因子的残差神经网络模型的单元结构示意图。图4是本申请一个实施例中优化后的残差神经网络模型的结构示意图。图5是本申请一个实施例中残差神经网络模型中的快捷连接单元结构示意图。图6是本申请一个实施例中的SAR目标识别方法的系统框图。图7本申请一个实施例中的SAR目标识别装置的结构框图。图8是本申请一个实施例中计算机设备的内部结构图。具体实施方式为使本申请的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。目前，机器学习理论在雷达目标的检测、分类与识别方面的应用研究有很大潜力。其中，检测与估计理论主要处理对象是经过脉冲压缩的雷达回波信号矩阵，例如基于贝叶斯理论的目标检测估计理论研究；目标的分类与识别主要研究对象为是合成孔径雷达SAR（SyntheticApertureRadar）成像结果的复矩阵，例如基于卷积神经网络的目标分类与识别。深度学习理论具有强大的特征提取能力，其在SAR图像处理方面的应用，根据雷达体制与背景不同，主要分为以下两个方面：SAR/ISAR（InverseSyntheticApertureRadar，逆合成孔径雷达）图像处理的目标分类与识别以及基于极化合成孔径雷达PolSAR（PolarimetricSyntheticApertureRadar）图像处理的目标分类与识别，研究表明，相对于传统预设计、非弹性化特本文档来自技高网...

【技术保护点】
1.一种SAR目标识别方法，其特征在于，所述识别方法是基于深度学习网络所实现的，包括：获取SAR原始图像样本；对所述SAR原始图像样本进行数据增强，生成扩充样本集；构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

【技术特征摘要】
1.一种SAR目标识别方法，其特征在于，所述识别方法是基于深度学习网络所实现的，包括：获取SAR原始图像样本；对所述SAR原始图像样本进行数据增强，生成扩充样本集；构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。2.根据权利要求1所述的SAR目标识别方法，其特征在于，所述获取SAR原始图像样本具体包括：从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。3.根据权利要求1所述的SAR目标识别方法，其特征在于，所述对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集。4.根据权利要求1所述的SAR目标识别方法，其特征在于，所述残差控制因子的取值范围为-0.5~0.5。5.根据权利要求1所述的SAR目标识别方法，其特征在于，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：从所述扩充样本中随机抽取第一数量的图片，...

【专利技术属性】
技术研发人员：徐雪菲，廖斌，张安国，万环，肖鹏，魏通，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44