基于电磁散射特征和深度网络特征的SAR图像识别方法技术

本发明专利技术公开了一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，包括：利用属性散射中心模型构建视觉词袋；利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征；利用所述初始化模型对VGG‑16网络的权值参数进行初始化得到所述修改后的VGGNet；利用所述MVGGNet对目标进行特征提取得到深度网络特征；依次对所述电磁散射特征和所述深度网络特征进行转换和融合得到所述电磁散射特征和所述深度网络特征的融合特征，利用RF分类器对所述融合特征进行目标识别。通过本发明专利技术的目标识别方法，可实现SAR图像在标准操作条件和扩展操作条件下目标识别的鲁棒性良好。

【技术实现步骤摘要】
基于电磁散射特征和深度网络特征的SAR图像识别方法
本专利技术属于目标识别领域，具体涉及一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法。
技术介绍
对于合成孔径雷达(SAR，SyntheticApertureRadar)系统，自动识别感兴趣目标的种类一直是至关重要的问题。SAR目标识别方法主要分为两类：一类从目标幅度图像中利用神经网络提取图像特征并分类；另一类从目标幅度图像中基于电磁散射特性提取散射中心，将测试样本与模板样本进行匹配获得分类结果。SAR目标识别系统最主要的挑战是由不同的SAR传感器和多种操作条件引起的目标特征的变化性，多种操作条件可分为标准操作条件和扩展操作条件。标准操作条件表示在相似或者相同的雷达成像条件下获取测试和训练图像。但对于扩展操作条件，训练图像和测试图像是在不同的成像条件下获得的，例如在不同的俯角，不同水平的噪声干扰和复杂的地面背景等。对于图像域识别方法而言，卷积神经网络(CNN，ConvolutionalNeuralNetworks)对于在标准操作条件下获取的图像几乎达到了最高的识别准确性，而在扩展操作条件下获取的图像仅实现了较稳定的性能。因此为了在标准操作条件和扩展操作条件下具有良好的目标识别性能，需要提出对深度网络特征和电磁散射特征有效结合的方法。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法。本专利技术要解决的技术问题通过以下技术方案实现：一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，包括：构建视觉词袋；利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征；获取修改后的VGGNet，所述修改后的VGGNet的权重数小于初始VGGNet的权重数；根据所述修改后的VGGNet和目标得到深度网络特征；利用所述电磁散射特征和所述深度网络特征进行目标识别。在本专利技术的一个实施例中，构建视觉词袋，包括：利用参数估计方法估计散射中心的参数集得到散射中心参数集估计；利用重建方法对所述散射中心参数集估计进行简化得到属性散射中心模型；利用k均值算法对一对目标实向量进行距离计算得到原始k均值的距离；利用参数估计方法对所述原始k均值的距离和所述属性散射中心模型进行估计得到所述视觉词袋。在本专利技术的一个实施例中，利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征，包括：利用参数估计方法，对所述属性散射中心模型进行估计得到所述电磁散射中心参数集；利用所述视觉词袋将所述电磁散射中心参数集转化为所述电磁散射特征。在本专利技术的一个实施例中，获取修改后的VGGNet，包括：通过对ImageNet数据集进行训练得到初始化模型；利用所述初始化模型对初始VGGNet的权值参数进行初始化得到所述修改后的VGGNet。在本专利技术的一个实施例中，所述初始VGGNet的权值参数包括所述VGG-16网络结构的第1层到第18层的权值参数。在本专利技术的一个实施例中，根据所述修改后的VGGNet和目标得到深度网络特征，包括：利用MSTAR数据集的训练样本对所述修改后的VGGNet进行样本训练得到MVGGNet；基于t-SNE方法，利用所述MVGGNet对目标进行特征提取得到深度网络特征。在本专利技术的一个实施例中，利用所述电磁散射特征和所述深度网络特征进行目标识别，包括：基于判别相关分析法，通过对所述电磁散射特征和所述深度网络特征进行转换得到去相关的电磁散射特征和深度网络特征；基于串联策略，将所述去相关的电磁散射特征和深度网络特征进行融合得到融合特征；利用RF分类器对所述融合特征进行目标识别。本专利技术的有益效果：本专利技术公开了一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，通过获取到的视觉词袋将电磁散射中心参数集转化为电磁散射特征，通过获取到的修改后的VGGNet得到深度网络特征，将电磁散射特征和所述深度网络特征进行融合得到融合特征，利用此融合特征进行目标识别，可实现SAR图像在标准操作条件和扩展操作条件下目标识别的鲁棒性良好。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1是本专利技术实施例提供的一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法流程图；图2是本专利技术实施例提供的不同聚类中心的三类目散射中心平均数量分布图；图3是本专利技术实施例提供的t-SNE方法可视化的全连接层的测试样本特征图；图4是本专利技术实施例提供的改进后的VGG-16网络不同层的特征图；图5是本专利技术实施例提供的不同聚类中心的PCC变化曲线图；图6是本专利技术实施例提供的基于迭代训练的训练损失/准确度和测试损失/准确度变化曲线示意图；图7是本专利技术实施例提供的不同俯仰角下的BRDM2图；图8是本专利技术实施例提供的T72不同SNR下幅度图；图9是本专利技术实施例提供的不同识别方法在不同水平噪声干扰下的PCC曲线图。具体实施方式下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。实施例一请参见图1，图1是本专利技术实施例提供的一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法流程图。一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，包括：步骤1、构建视觉词袋。具体地，视觉词袋(BOVW，BagofVisualWords)也叫做“词袋”，在信息检索中，视觉词袋为对于一个文本假定忽略其词序、语法和句法，为一个词集合，或者一个词组合，每个词都是独立的。例如将视觉词袋用于图像表示，图像比作文档，则此图像的视觉词袋为由若干“视觉词汇”组成的集合。在本实施例中，需要构建SAR图像的视觉词袋。进一步地，步骤1包括：步骤1.1、利用参数估计方法估计散射中心的参数集得到散射中心参数集估计。步骤1.2、利用重建方法对所述散射中心参数集估计进行简化得到属性散射中心模型。在本实施例中，SAR系统的雷达回波为多个散射中心的叠加建模，则所有散射中心的回波的表达式为：其中，表示所有散射中心的回波，表示散射中心p的回波数据，表示成像过程中的噪声和杂波，f表示雷达频率，表示雷达方位角。所有散射中心的回波服从属性散射中心模型，则散射中心p的回波数据可以表示为：其中，fc表示雷达中心频率，c表示光速，Ap表示复幅度，αp表示属于[-1,-0.5,0,0.5,1]的频率依赖因子，xp表示散射中心的长度，yp表示散射中心的方位角，γp表示方位角依赖因子。当雷达系统带宽与中心频率之比较小时，可以忽略频率依赖因子αp。同时，对于SAR系统而言，方位角依赖因子γp通常很小，可以忽略。因此，属性散射中心模型可以简化为：其中，...

【技术保护点】
1.一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，其特征在于，包括：/n构建视觉词袋；/n利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征；/n获取修改后的VGGNet，所述修改后的VGGNet的权重数小于初始VGGNet的权重数；/n根据所述修改后的VGGNet和目标得到深度网络特征；/n利用所述电磁散射特征和所述深度网络特征进行目标识别。/n

【技术特征摘要】
1.一种基于电磁散射特征和深度网络特征的SAR图像目标识别方法，其特征在于，包括：
构建视觉词袋；
利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征；
获取修改后的VGGNet，所述修改后的VGGNet的权重数小于初始VGGNet的权重数；
根据所述修改后的VGGNet和目标得到深度网络特征；
利用所述电磁散射特征和所述深度网络特征进行目标识别。


2.根据权利要求1所述的基于电磁散射特征和深度网络特征的SAR图像目标识别方法，其特征在于，构建视觉词袋，包括：
利用参数估计方法估计散射中心的参数集得到散射中心参数集估计；
利用重建方法对所述散射中心参数集估计进行简化得到属性散射中心模型；
利用k均值算法对一对目标实向量进行距离计算得到原始k均值的距离；
利用参数估计方法对所述原始k均值的距离和所述属性散射中心模型进行估计得到所述视觉词袋。


3.根据权利要求2所述的基于电磁散射特征和深度网络特征的SAR图像目标识别方法，其特征在于，利用所述视觉词袋将电磁散射中心参数集转化为电磁散射特征，包括：
利用参数估计方法，对所述属性散射中心模型进行估计得到所述电磁散射中心参数集；
利用所述视觉词袋将所述电磁散射中心参数集转化为所述电磁散射特征。


4.根据权利要求1所述的基于电磁散射...

【专利技术属性】
技术研发人员：邢孟道，李梦雅，张金松，孙光才，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61