一种基于迁移学习与全连接层输出的SAR目标识别方法技术

本发明专利技术涉及一种基于迁移学习与全连接层输出的SAR图像目标识别方法，其中包括：读取SAR图像数据并进行目标截取，使得待识别的目标图像大小一致；对已截取的图像数据做四种预处理，包括剪切、旋转、缩放、镜像翻转变换，以扩充数据集；对扩充后数据集的数值进行归一化；设计基于ResNet50网络的全连接层全输出深度学习模型；将利用光学图像数据集训练好的ResNet50网络参数导入设计模型，并冻结模型底层参数，利用SAR图像数据集的带标签训练样本对模型中未冻结的参数进行训练；利用训练好的模型对待识别SAR图像进行预测，得到识别结果。

A SAR target recognition method based on migration learning and full link output

The invention relates to a SAR image target recognition method based on migration learning and full connection layer output, which includes: reading SAR image data and intercepting the target, so that the size of the target image to be recognized is the same; doing four kinds of preprocessing for the intercepted image data, including cutting, rotating, zooming and image flipping transformation to expand the data set; and the number of the expanded data set Normalization of values; design of full connection layer full output deep learning model based on resnet50 network; import resnet50 network parameters trained by optical image data set into the design model, freeze the bottom parameters of the model, train the unfrozen parameters in the model using the labeled training samples of SAR image data set; use the trained model to recognize SAR image Prediction and recognition results.

【技术实现步骤摘要】
一种基于迁移学习与全连接层输出的SAR目标识别方法
本专利技术涉及SAR遥感图像处理技术，特别是涉及SAR遥感图像地面车辆目标识别

技术介绍
SAR遥感图像自动目标识别(automatictargetrecognition，ATR)，特别是地面战术车辆目标的识别，具有较高的军事应用价值。经典目标识别方法需要人工设计图像特征与分类器，性能受限，逐渐被基于深度学习的SAR目标识别方法替代。深度学习通过设计包含多个卷积、池化和全连接层的神经网络，在大量数据支持训练的前提下，自动提取目标特征，同时完成分类任务。网络层数越多，对目标特征的描述能力越强。因此，必须设计更深且目标特征描述能力更强的神经网络模型，提高模型的训练效率和泛化能力，才能更好地完成SAR目标识别任务。基于深度学习的SAR图像目标识别技术面临三方面问题：(1)不同于自然场景海量样本，SAR图像地面车辆目标因样本获取难度大，数据集样本量较少，不利于深层网络的训练。(2)设计一个新的深度网络结构并直接从头训练，常会面临因初始值与最优值差距较大，网络迭代变慢，易陷入局部极值，产生过拟合现象。(3)设计深度识别网络时，一般在网络输出层处做多个全连接层处理，将训练好的高维特征卷积压缩至低维向量，送入softmax分类器进行最后识别。这种处理方式会因为全连接层中对训练特征的逐步压缩而损失提取的高维特征信息，影响模型的泛化能力。本专利技术克服了少量样本条件训练、深度网络过拟合以及高维特征信息损失问题，提高了目标识别能力。
技术实现思路
本专利技术的目的在于提供一种SAR图像地面车辆目标的高效识别方法。实现本专利技术的技术解决方案是基于迁移学习、模型预训练、数据增广扩充、全连接层全输出手段，设计基于迁移学习与全连接层输出的深度网络。包括：读取SAR图像数据，并以车辆目标中心为中心，对原图进行裁剪，使待识别的目标图像大小一致；对已截取的图像数据进行图像预处理，包括剪切、旋转、缩放、镜像翻转变换，以扩充数据集；对扩充后数据进行数值归一化操作，将测试数据的像素值归一至(0,1]区间；设计深度网络结构为ResNet50—>Flatten—>Dense(ReLU)—>Dropout—>Dense(ReLU)—>Dropout—>Dense(softmax)输出类别，先利用ResNet50网络对原始图像进行特征提取，通过Flatten层将提取特征一维化，再连续通过两个Dense层，并将第一次Dense层获得的结果与第二次Dense层获得的结果进行加和，共同传递至最后的Dense层，最后接一个含有softmax分类器的输出层输出分类结果；将已训练的针对光学图像识别任务的ResNet50网络参数迁移至本专利技术所设计的深度网络模型，并冻结模型底层参数；设定训练参数，利用SAR图像数据集中的带标签训练样本对所设计模型中未冻结的参数进行训练，达到停止条件后结束训练，保存模型；利用训练好的模型对待识别图像进行测试，得到识别结果。本专利技术的有益效果在于：通过对原始数据采用剪切、旋转、缩放、镜像翻转、归一化操作，实现对原始数据的有效扩充增广，解决原始数据集中带标签样本少的问题；构建基于ResNet50的迁移学习网络，冻结已训练好的ResNet50底层网络参数，并在此基础上训练提取图像特征，避免了直接训练原始数据时陷入局部极值的问题，见图2所示，在7/8轮训练之后即可以跳出局部极值；设计了两层全连接均输出的网络，充分利用ResNet50提取的高层语义特征，达到在训练集99.93％的准确率，在测试集99.63％的识别准确率，见图3所示，优于公开文献中99.13％的最佳识别效果。附图说明图1本专利技术基于ResNet50网络的全连接层全输出深度模型示意图。图2本专利技术实验在SAR图像数据集中的训练和测试损失曲线图，其中细虚线为训练集的损失，粗实线为测试集的损失。图3本专利技术实验在SAR图像数据集中的训练和测试预测准确率曲线，其中细虚线为训练集的准确率，粗实线为测试集的准确率。图4本专利技术实验所使用SAR图像数据集中4个目标光学图像及对应SAR图像，目标自左至右为：D7，2S1，BDRM-2，T62。具体实施方式基于迁移学习与全连接层输出的SAR目标识别方法包括读取数据、图像裁剪、图像增广扩充、模型搭建、模型迁移训练、模型测试等六个主要步骤如下：步骤一：读取数据。计算机读取SAR训练与测试遥感图像。例如读入附图4所示的运动与静止目标获取和识别(MSTAR,MovingandStationaryTargetAcquisitionandRecognition)数据，共包含10类车辆目标，空间分辨率为0.3m×0.3m。步骤二：图像裁剪。以图像目标中心为中心，将所有图像裁剪为相同大小，使大小不一的原始图像在保留目标信息的前提下统一大小，方便后续网络训练。步骤三：图像增广扩充。对训练数据通过剪切变换、旋转变换、缩放、镜像翻转、数值归一化5种方式进行扩充增广。(1)剪切变换，将图像中的部分目标裁剪出来，以学习目标的部分结构特征；(2)旋转，对图像进行旋转，补充样本中目标不同旋转姿态，便于网络学习到旋转不变的特征；(3)缩放，对图像进行放大或缩小操作，便于网络学习不同空间分辨率条件下的目标特征；(4)镜像翻转，将图像的左右或上下部分以图像垂直或水平中轴线为中心进行镜像对换；(5)数值归一化，对已裁剪的图像数据进行灰度归一化，使得归一化后图像像素值区间为(0,1]。经过以上五种操作形式，实现对训练数据集的扩充。步骤四：搭建深度网络模型。本专利技术搭建深度网络结构见附图1所示，为ResNet50—>Flatten—>Dense(ReLU)—>Dropout—>Dense(ReLU)—>Dropout—>Dense(softmax)输出类别。利用ResNet50网络对原始图像进行特征提取，通过Flatten层将提取特征扁一维化，再连续通过两个Dense层，并将第一次Dense层获得的结果与第二次Dense层获得的结果进行加和，共同传递至最后的Dense层，最后接一个含有softmax分类器的输出。各网络层设计如下：(1)ResNet50层(深度残差网络层)：采用典型的ResNet50深度网络，实现对输入图像的残差卷积处理，最终输出(None,1,1,2048)大小的特征向量。(2)Flatten层(向量化层)：将经过深度残差网络处理输出的(None,1,1,2048)维特征压缩成一个(None,2048)维度的特征。(3)Dense层(全连接层)：本专利技术采用三个Dense层，见附图1中③⑤⑦所示。前两个Dense层采用ReLU激活函数以对ResNet50提取的特征进行全连接处理，第三个Dense层采用softmax激活函数以实现类别判断。本专利技术将第一个Dense层获得的结果与第二个Dense层获得的结果进本文档来自技高网...

【技术保护点】
1.一种基于迁移学习与全连接层输出的SAR图像目标识别方法，其特征在于：/n步骤1：读取数据：计算机读取含有地面车辆目标的SAR遥感图像训练集和测试集；/n步骤2：图像裁剪：以车辆目标中心为中心将所有图像裁剪至相同大小；/n步骤3：图像增广扩充：采用图像预处理方法对训练数据集进行增广扩充和数值归一化操作，将图像的像素值归一化至(0,1]区间；/n步骤4：搭建深度网络模型：搭建深度网络结构为ResNet50—>Flatten层—>Dense层—>Dropout层—>Dense层—>Dropout层—>softmax输出类别；先利用ResNet50网络对原始图像进行特征提取，通过Flatten层将提取特征一维化，再连续通过两个Dense层，并将第一个Dense层获得的结果与第二个Dense层获得的结果进行加和，共同传递至最后的softmax分类器，输出类别；/n步骤5：模型训练：载入利用光学图像数据集训练好的ResNet50网络参数，冻结模型底层网络参数，设置模型训练参数，利用步骤3中准备好的SAR图像训练集进行迁移学习，保存训练模型；/n步骤6：模型测试：载入已训练好的模型，对待识别图像预测，输出预测结果，计算识别准确率，完成对地面SAR图像目标识别的工作。/n...

【技术特征摘要】
1.一种基于迁移学习与全连接层输出的SAR图像目标识别方法，其特征在于：
步骤1：读取数据：计算机读取含有地面车辆目标的SAR遥感图像训练集和测试集；
步骤2：图像裁剪：以车辆目标中心为中心将所有图像裁剪至相同大小；
步骤3：图像增广扩充：采用图像预处理方法对训练数据集进行增广扩充和数值归一化操作，将图像的像素值归一化至(0,1]区间；
步骤4：搭建深度网络模型：搭建深度网络结构为ResNet50—>Flatten层—>Dense层—>Dropout层—>Dense层—>Dropout层—>softm...

【专利技术属性】
技术研发人员：安振宇，孟凡君，曹德建，鲍鹏飞，刘硕，
申请(专利权)人：中国船舶重工集团公司第七二四研究所，
类型：发明
国别省市：江苏;32