一种MSTAR数据图像的目标分类识别方法技术

本发明专利技术涉及一种MSTAR数据图像的目标分类识别方法、计算机设备及计算机可读存储介质，该方法包括如下步骤：获取MSTAR数据集并进行方位角信息检测，评估MSTAR数据集方位角信息缺失情况；若方位角间隔角度不超过4°，则对MSTAR数据集进行均匀降采样，得到初始训练集；以平移截取的方式扩充初始训练集，利用扩充后得到的训练集训练CNN网络；利用训练完成后得到的CNN网络进行目标分类识别。本发明专利技术能够充分利用方位角信息不完备的数据集，并压缩数据集容量，减少数据冗余，通过小样本数据集实现目标较为准确的分类识别，在一定程度上解决了获取实测SAR图像难度大、成本高的问题。

【技术实现步骤摘要】
一种MSTAR数据图像的目标分类识别方法
本专利技术涉及目标识别
，尤其涉及一种MSTAR数据图像的目标分类识别方法、计算机设备及计算机可读存储介质。
技术介绍
目前，大多数基于深度学习网络的SAR图像识别技术都采用了经验性调参，且需要大量样本数据来训练网络内部结构，以提高网络对SAR图像中目标分类识别的精度。但实际情况往往是无法获得大量所需的SAR图像样本，尤其是对于某些感兴趣的军事目标，SAR图像获取难度大，数据量不足，通常还可能存在方位角信息缺失的问题，即缺少某些角度下的图像数据，无法得到全方位角数据集。因此，在满足基本的识别要求(如识别的精度和速度)的前提下，如何构建小样本数据集进行训练、如何选取小样本数据集的典型特征，是未来利用深度学习分类识别SAR图像研究的新的发展趋势。因此，针对以上不足，需要提供一种能够在数据集方位角信息不完备条件下实现SAR图像分类识别的技术方案。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是解决现有技术难以利用方位角信息不完备的数据集完成网络训练进本文档来自技高网...

【技术保护点】
1.一种MSTAR数据图像的目标分类识别方法，其特征在于，包括如下步骤：/nS1、获取MSTAR数据集并进行方位角信息检测，将MSTAR数据集内采样数据的方位角间隔角度记为T，方位角缺失起始角度记为θ1，终止角度记为θ2；利用判别式P＝f(T，θ1，θ2)评估MSTAR数据集方位角信息缺失情况，若P超过设定阈值，则再次获取MSTAR数据集并进行方位角信息检测，若P不超过设定阈值，则继续执行步骤S2；/nS2、若方位角间隔角度T不超过4°，则对MSTAR数据集进行均匀降采样，使均匀降采样后，方位角间隔角度T满足6°＜T≤8°，得到初始训练集；/nS3、以平移截取的方式扩充初始训练集，扩充倍数为8...

【技术特征摘要】
1.一种MSTAR数据图像的目标分类识别方法，其特征在于，包括如下步骤：
S1、获取MSTAR数据集并进行方位角信息检测，将MSTAR数据集内采样数据的方位角间隔角度记为T，方位角缺失起始角度记为θ1，终止角度记为θ2；利用判别式P＝f(T，θ1，θ2)评估MSTAR数据集方位角信息缺失情况，若P超过设定阈值，则再次获取MSTAR数据集并进行方位角信息检测，若P不超过设定阈值，则继续执行步骤S2；
S2、若方位角间隔角度T不超过4°，则对MSTAR数据集进行均匀降采样，使均匀降采样后，方位角间隔角度T满足6°＜T≤8°，得到初始训练集；
S3、以平移截取的方式扩充初始训练集，扩充倍数为8～20，利用扩充后得到的训练集训练CNN网络；其中所述CNN网络包括至少三组交替的卷积层与最大池化层，以及至少两层全连接层；
S4、利用训练完成后得到的CNN网络进行目标分类识别。


2.根据权利要求1所述的MSTAR数据图像目标分类识别方法，其特征在于：
所述步骤S1中，利用判别式评估MSTAR数据集方位角信息缺失情况时，判别式为：P＝a*T/8+b*(θ2-θ1)/80+c*(|θ-θ1|+|θ2-θ|)/500；其中，a表示方位角间隔角度权值，b表示方位角缺失数量权值，c表示方位角缺失方向权值，a+b+c＝1，θ表示目标特征不敏感方向，通过先验知识或目标形态特征分析确定。


3.根据权利要求1所述的MSTAR数据图像目标分类识别方法，其特征在于：
所述CNN网络中，卷积层的计算过程如下：



式中，yi′j′表示卷积层的输出特征，i′,j′表示卷积后特征坐标，b表示偏置，Wij表示卷积核，卷积核大小为h′×w′，f(·)表示激...

【专利技术属性】
技术研发人员：李超，王超，刘锦帆，胡利平，李胜，李焕敏，朱超颖，张文林，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：北京;11