基于雷达图像和相似度权重的路面目标识别方法技术

本发明专利技术涉及一种基于雷达图像和相似度权重的路面目标识别方法，首先为了提取能够更好表达路面目标特征和去除路面目标SAR图像平移敏感性和姿态敏感性问题，使用CNNs模型提取路面目标图像特征；为了利用每个图像特征的分类贡献度，再使用相似度权重公式计算每个图像特征的相似度权重；最后结合图像特征的相似度权重和样本距离得到路面目标的分类结果。

【技术实现步骤摘要】
基于雷达图像和相似度权重的路面目标识别方法
本专利技术涉及图像识别领域，特别设计基于雷达图像和相似度权重的路面目标识别方法。
技术介绍
随着人工智能等技术的发展，高级辅助驾驶系统/自动驾驶系统近年来在全球范围内成为研究热点。雷达作为一种全天候感知手段，在高级辅助驾驶系统/自动驾驶系统中发挥着重要作用，基于雷达系统的路面目标识别具有重要的科学意义和工程价值。雷达目标识别旨在通过分析雷达回波信号实现对目标的探测、定位以及识别，本专利技术对路面目标特征分析、建模与识别，通过目标分类的相似度权重提高路面目标分类精度。合成孔径雷达(SyntheticApertureRadar，SAR)具有主动式相干成像的特点，其形成的虚拟天线能够不受光照和气候条件等限制，甚至可以穿透一定程度的地表和植被，全天时、全天候、大面积获取高分辨率的地表图像数据，具有传统可见光和红外遥感无可比拟的优点。随着SAR的出现和相关技术的不断革新，雷达已经从早期只能进行目标距离探测发展到对目标进行成像检测和识别的新阶段。现如今已经有多种成熟的机载和星载SAR成像系统，具备了多波段、多极化、干涉和高分辨对地成像能力，并且获取了大场景、大规模数据量的SAR图像数据，如何解译和利用如此数量级的SAR数据是一个亟待解决的难题。因此，SAR图像自动目标识别(AutomaticTargetRecognition，ATR)技术成为了目前各国的研究热点，主要涉及的研究方向有数据获取、图像处理、模式识别等。SAR数据是研究的前提，目标检测与预处理是研究的基础，特征提取与选择是研究的核心，分类判别是研究的结果。这些步骤互相促进且互相影响，使得SARATR系统逐步向自主化、智能化阶段推进。
技术实现思路
为了解决上述存在问题。本专利技术提供基于雷达图像和相似度权重的路面目标识别方法，解决路面目标识别问题。为达此目的：本专利技术提供基于雷达图像和相似度权重的路面目标识别方法，具体步骤如下：步骤1：获取实验数据：使用合成孔径雷达检测系统监测路面目标得到路面目标SAR图像x；步骤2：设计CNNs模型：模型主要由1个输入层、2个卷积层、2个下采样层、全连接层和输出层组成；步骤3：CNNs模型预训练：将步骤1中的SAR图像数据分为训练样本和测试样本，将一组含有标签的路面目标SAR图像作为CNNs的训练数据，训练CNNs模型；步骤4：提取待测图像特征，将待测样本图像输入到已经训练完成的CNNs模型中，提取能够去除SAR图像平移敏感性和姿态敏感性的图像特征；步骤5：计算图像特征的相似度权重，根据训练图像样本类别，计算CNNs网络模型输出特征与样本类别的相似度权重；步骤6：通过计算被测样本各个特征与训练样本各个特征之间的距离，得到各个特征的分类结果，并结合相似度权重输出分类结果。作为本专利技术进一步改进，所述步骤2中CNNs模型如下：卷积层+采样层的结构主要用来提取SAR图像的图像特征，全连接层用于对图像特征的细化提取，对图像细化提取之后在Softmax层中完成输入和输出之间的映射。作为本专利技术进一步改进，所述步骤3中训练CNNs模型如下：步骤3.1：设计第一层CNNs网络模型的卷积层和采样层；步骤3.1.1：将多通道的输入图像x∈Rh×w×c通过输入层输入到卷积层，其中h是图像高度，w是图像宽度，c是图像通道数，使用卷积层提取图片特征，将输入图像与一组卷积核进行卷积操作其中，c'是卷积核的数量，bk'是偏置项，Wijdk'是权重系数，i'、j'和k'分别是是卷积后输出图像的高度、宽度和通道数；卷积核在输入图像中按照宽度和高度的方向依次扫描像素点，获得图像中不同位置的激活值，得到二维的图像特征yi'j'k'；式1中的f(·)是CNNs卷积网络的非线性激活函数tanh函数，其表达式为:使用非线性激活函数在隐含层传递参数时，可解决线性函数拟合能力差的问题；步骤3.1.2：下采样层实现特征降维：实际的路面目标SAR图像有着平移敏感性和姿态敏感性问题，即当图像中的目标发生了位移，将会影响SAR图像分类精度；为了消除图像的平移敏感性和姿态敏感性问题，得到包含更多有用信息特征，通过步骤3.1.1得到二维图像后，使用下采样层的maxpooling降低特征维度hm和wm分别是下采样窗口的高度和宽度，i'、j'和k分别是是下采样后输出图像的高度、宽度和通道数，y是经过卷积得到的图像特征；步骤3.2：设计第二层CNNs网络模型的卷积层和采样层；将第一个卷积层和采样层的输出作为第二层卷积层和采样层的输入，算法与步骤3.1相同；步骤3.3：训练CNNs网络模型；步骤3.3.1：设置CNNs网络模型的损失函数，将交叉熵函数作为损失函数，用来描述模型预测值和真实值之间的差距：式中，J(θ)是损失值，x(i)是路面目标SAR图像样本，y(i)∈{1,2,...,n}是样本标签，n是路面目标样本的类别总数，是第j类样本的网络输出指数，l{·}是判断类别输出函数，若类别输出为真，函数值为1，若为假，函数值为0，λL(w)是正则化项，λ是正则化系数，使用正则化可抑制模型的过拟合问题；步骤3.4：检查训练后的网络是否满足条件，若满足训练条件，CNNs网络训练结束；若未满足条件，则继续下一步；步骤3.5：更新CNNs网络阈值和偏置，损失函数的偏导数可表示为：其中，a(l)是CNNs网络第l层的输出，δ(l+1)是第l+1层输出误差，w(l)是第l层网络的阈值，b(l)是第l层网络的偏置，J(w,b)是损失函数；设置学习率后更新阈值和偏置：是更新后的阈值，是更新后的偏置。作为本专利技术进一步改进，所述步骤5中计算特征相似度权重如下：其中，Mj(C)代表的是C类样本特征集的第j个最近邻样本特征；p(C)表示第C类样本特征的概率；Class(R)表示样本R所属的类别；diff(A,R1,R2)表示样本R1和样本R2在特征A上的差，其计算公式为：作为本专利技术进一步改进，所述步骤6中分类结果计算如下：各个特征输出类别的后验概率结合相似度权重后，组合成后验概率矩阵P(A)：n为路面目标的类别种类，m为提取特征的维数。对于矩阵元素pij(A)，表示第i个特征对于未知类别路面目标属于第j类的概率；最后取后验概率矩阵P(A)第i行中最大值所在的列序号作为未知类别路面目标的类别，即：本专利技术基于雷达图像和相似度权重的路面目标识别方法，有益效果在于：1.本专利技术提取了路面目标SAR图像的高级特征，改特征消除了SAR图像的平移敏感性和姿态敏感性；2.本专利技术在损失函数中加入了正则化项，避免了模型过拟合的问题；3.本专利技术结合特征的相似度权重，解决了所提特征的所含路面目标信息不等的问题，提高了本文档来自技高网...

【技术保护点】
1.基于雷达图像和相似度权重的路面目标识别方法，具体步骤如下，其特征在于,/n步骤1：获取实验数据：使用合成孔径雷达检测系统监测路面目标得到路面目标SAR图像x；/n步骤2：设计CNNs模型：模型主要由1个输入层、2个卷积层、2个下采样层、全连接层和输出层组成；/n步骤3：CNNs模型预训练：将步骤1中的SAR图像数据分为训练样本和测试样本，将一组含有标签的路面目标SAR图像作为CNNs的训练数据，训练CNNs模型；/n步骤4：提取待测图像特征，将待测样本图像输入到已经训练完成的CNNs模型中，提取能够去除SAR图像平移敏感性和姿态敏感性的图像特征；/n步骤5：计算图像特征的相似度权重，根据训练图像样本类别，计算CNNs网络模型输出特征与样本类别的相似度权重；/n步骤6：通过计算被测样本各个特征与训练样本各个特征之间的距离，得到各个特征的分类结果，并结合相似度权重输出分类结果。/n

【技术特征摘要】
1.基于雷达图像和相似度权重的路面目标识别方法，具体步骤如下，其特征在于,
步骤1：获取实验数据：使用合成孔径雷达检测系统监测路面目标得到路面目标SAR图像x；
步骤2：设计CNNs模型：模型主要由1个输入层、2个卷积层、2个下采样层、全连接层和输出层组成；
步骤3：CNNs模型预训练：将步骤1中的SAR图像数据分为训练样本和测试样本，将一组含有标签的路面目标SAR图像作为CNNs的训练数据，训练CNNs模型；
步骤4：提取待测图像特征，将待测样本图像输入到已经训练完成的CNNs模型中，提取能够去除SAR图像平移敏感性和姿态敏感性的图像特征；
步骤5：计算图像特征的相似度权重，根据训练图像样本类别，计算CNNs网络模型输出特征与样本类别的相似度权重；
步骤6：通过计算被测样本各个特征与训练样本各个特征之间的距离，得到各个特征的分类结果，并结合相似度权重输出分类结果。


2.根据权利要求1基于雷达图像和相似度权重的路面目标识别方法，其特征在于：步骤2中CNNs模型组成如下：
卷积层+采样层的结构主要用来提取SAR图像的图像特征，全连接层用于对图像特征的细化提取，对图像细化提取之后在Softmax层中完成输入和输出之间的映射。


3.根据权利要求1基于雷达图像和相似度权重的路面目标识别方法，其特征在于：步骤3中训练CNNs模型如下：
步骤3.1：设计第一层CNNs网络模型的卷积层和采样层；
步骤3.1.1：将多通道的输入图像x∈Rh×w×c通过输入层输入到卷积层，其中h是图像高度，w是图像宽度，c是图像通道数，使用卷积层提取图片特征，将输入图像与一组卷积核进行卷积操作



其中，c'是卷积核的数量，bk'是偏置项，Wijdk'是权重系数，i'、j'和k'分别是是卷积后输出图像的高度、宽度和通道数；卷积核在输入图像中按照宽度和高度的方向依次扫描像素点，获得图像中不同位置的激活值，得到二维的图像特征yi'j'k'；
式1中的f(·)是CNNs卷积网络的非线性激活函数tanh函数，其表达式为:



使用非线性激活函数在隐含层传递参数时，可解决线性函数拟合能力差的问题；
步骤3.1.2：下采样层实现特征降维：实际的路面目标SAR图像有着平移敏感性和姿态敏感性问题，即当图像中的目标发生了位移，将会影响SAR图像分类精度；为了消除图像的平移敏感性和姿态敏感性问题，得到包含更多有用信息特征，通过步骤3.1.1得到二维图像后，使用下采样层...

【专利技术属性】
技术研发人员：陈曼华，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32