本發(fā)明屬于雷達
技術(shù)領(lǐng)域：
，主要涉及SAR圖像目標鑒別方法，可用于對車輛目標識別與分類提供重要信息。
背景技術(shù)：
：合成孔徑雷達SAR利用微波遙感技術(shù)，不受氣候和晝夜影響，具有全天時、全天候的工作能力，并具有多頻段、多極化、視角可變和穿透性等特點。SAR圖像自動目標識別ATR是SAR圖像的重要應(yīng)用之一?；镜腟AR圖像自動目標識別ATR系統(tǒng)一般包括目標檢測、目標鑒別和目標識別三個階段。目標鑒別用于去除候選目標中的雜波虛警，在SAR圖像自動目標識別ATR中具有重要的研究意義。SAR目標鑒別問題可被認為是兩類分類問題。在目標鑒別過程中，如何設(shè)計有效的鑒別特征是至關(guān)重要的。在過去的幾十年，有大量關(guān)于SAR目標鑒別特征提取的研究，例如：(1)林肯實驗室提出了基于紋理信息的標準差特征、分形維特征及排列能量比特征和一系列基于空間邊界信息的特征；(2)密歇根環(huán)境研究所ERIM提出了基于目標和背景對比度的峰值CFAR特征、均值CFAR特征及CFAR最亮點百分比特征和基于目標形狀的質(zhì)量特征及直徑特征；(3)其他一些文獻提出了水平和垂直投影特征、最小和最大投影長度特征。但是，這些傳統(tǒng)特征只能提供粗糙的、部分的描述，而不能描述目標和雜波詳細的局部形狀和結(jié)構(gòu)信息。當目標和雜波在紋理、尺寸和對比度方面沒有明顯差別時，這些特征不能表現(xiàn)出很好的鑒別性能。另外，傳統(tǒng)特征適用于簡單場景下自然雜波與目標的鑒別，隨著SAR圖像分辨率的不斷提升，傳統(tǒng)特征對復(fù)雜場景下的目標鑒別具有較大的局限性。近年來，卷積神經(jīng)網(wǎng)絡(luò)CNN已成為當前語音分析和圖像識別領(lǐng)域的研究熱點。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。它使圖像直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，并且對平移、旋轉(zhuǎn)、比例縮放或者其他形式的變形具有高度不變性。目前，卷積神經(jīng)網(wǎng)絡(luò)已成功地應(yīng)用于SAR目標識別任務(wù)中，例如，用CNN與支持向量機SVM結(jié)合的方法對目標進行識別。但是，此類方法僅使用單一的網(wǎng)絡(luò)結(jié)構(gòu)并以原始SAR圖像作為網(wǎng)絡(luò)的輸入進行目標識別，并沒有充分利用SAR圖像的其他有用信息，例如，描述圖像幾何結(jié)構(gòu)信息的邊緣信息。當SAR圖像場景變得復(fù)雜時，單一的信息不能充分地表征目標的特性，使得目標鑒別性能降低。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于針對已有SAR目標鑒別方法的不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的多特征融合SAR目標鑒別方法，以提高在復(fù)雜場景下的目標鑒別性能，從而有助于提升目標的鑒別準確率。本發(fā)明的技術(shù)思路是：通過對訓(xùn)練樣本進行預(yù)處理，得到每個樣本的Lee濾波后的圖像和梯度幅度圖像，一同輸入到基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標鑒別網(wǎng)絡(luò)框架中進行訓(xùn)練，通過對測試樣本進行同樣的預(yù)處理并輸入到訓(xùn)練好的網(wǎng)絡(luò)框架中得到最終的目標鑒別結(jié)果。其實現(xiàn)步驟包括如下：(1)對訓(xùn)練集Φ中的每個訓(xùn)練樣本M進行Lee濾波處理得到濾波后的訓(xùn)練圖像M'，再對每個訓(xùn)練樣本M提取梯度幅度訓(xùn)練圖像并與濾波后的訓(xùn)練圖像M'一起構(gòu)成新的訓(xùn)練集Φ'；(2)構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標鑒別網(wǎng)絡(luò)框架Ψ，該網(wǎng)絡(luò)框架包括特征提取、特征融合和分類器三個部分；2a)構(gòu)建特征提取部分：構(gòu)建結(jié)構(gòu)完全相同的第一卷積神經(jīng)網(wǎng)絡(luò)A和第二卷積神經(jīng)網(wǎng)絡(luò)B，這兩個卷積神經(jīng)網(wǎng)絡(luò)均包括三層卷積層、兩層全連接層和一層softmax分類器層，即第一卷積層L1、第二卷積層L2、第三卷積層L3、第四全連接層L4、第五全連接層L5、第六softmax分類器層L6，分別提取第一卷積神經(jīng)網(wǎng)絡(luò)A和第二卷積神經(jīng)網(wǎng)絡(luò)B的第四全連接層L4的輸出作為第一卷積神經(jīng)網(wǎng)絡(luò)A的h維列向量特征和第二卷積神經(jīng)網(wǎng)絡(luò)B的h維列向量特征2b)構(gòu)建特征融合部分：分別在兩個h維列向量特征和后補z個0，使其變?yōu)閐維列向量，z≥0，再分別變換為l×l的二維矩陣形式和其中l(wèi)×l＝d，再將和拼接成l×l×2的三維融合特征X作為分類器部分的輸入；2c)構(gòu)建分類器部分：構(gòu)建第三卷積神經(jīng)網(wǎng)絡(luò)C，其包括兩層卷積層、兩層全連接層和一層softmax分類器層，即第一層卷積層C1、第二層卷積層C2、第三層全連接層C3、第四層全連接層C4和第五層softmax分類器層C5；(3)將新的訓(xùn)練集Φ'輸入到構(gòu)建好的SAR目標鑒別網(wǎng)絡(luò)框架Ψ中進行訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)框架Ψ'；(4)對測試集T中的每個測試樣本N進行Lee濾波，得到濾波后的測試圖像N'，再對每個測試樣本N提取梯度幅度測試圖像并與濾波后的測試圖像N'一起構(gòu)成新的測試集T'；(5)將新的測試集T'輸入到訓(xùn)練好的SAR目標鑒別網(wǎng)絡(luò)框架Ψ'中，得到最終的目標鑒別結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：1)本發(fā)明由于構(gòu)建了一種由特征提取、特征融合和分類器三部分組成的SAR目標鑒別網(wǎng)絡(luò)框架，并聯(lián)合利用了SAR圖像的幅度信息和邊緣信息，結(jié)合了三個卷積神經(jīng)網(wǎng)絡(luò)強大的特征學習能力，提升了在復(fù)雜場景下SAR目標的鑒別性能。2)本發(fā)明提出的特征融合方式由于維持了不同特征之間的空間關(guān)系，能夠使不同特征在后續(xù)處理中聯(lián)合表示目標的特性，實現(xiàn)了更好的特征融合效果。附圖說明圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明的網(wǎng)絡(luò)框架圖；圖3是本發(fā)明實驗所用的miniSAR數(shù)據(jù)圖像。具體實施方式下面結(jié)合附圖對本發(fā)明的實施方案和效果進行詳細說明：本發(fā)明方法主要涉及復(fù)雜場景下的車輛目標鑒別，現(xiàn)有的目標鑒別方法，大多是基于MSTAR數(shù)據(jù)集進行驗證，該數(shù)據(jù)描述的場景較為簡單。目標和雜波在紋理，形狀和對比度上差異較大。隨著雷達分辨率的提升，SAR圖像描述的場景也更為復(fù)雜，目標不僅有單目標還有多目標和局部目標的情況，雜波也不僅是自然雜波，還有大量形狀各異的人造雜波，現(xiàn)有的目標鑒別方法的鑒別性能隨之下降。針對以上問題，本發(fā)明結(jié)合卷積神經(jīng)網(wǎng)絡(luò)強大的特征學習能力，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標鑒別網(wǎng)絡(luò)框架，對SAR目標進行鑒別，提高在復(fù)雜場景下對SAR目標的鑒別性能。參照圖1，本發(fā)明的實現(xiàn)步驟如下：步驟1，獲取新的訓(xùn)練集Φ'。1a)給定訓(xùn)練集Φ，并對其每個訓(xùn)練樣本M進行Lee濾波處理，得到濾波后的訓(xùn)練圖像M'，作為SAR目標鑒別網(wǎng)絡(luò)框架Ψ中第一卷積神經(jīng)網(wǎng)絡(luò)A的輸入；1b)運用均值比檢測算法對每個訓(xùn)練樣本M提取梯度幅度訓(xùn)練圖像作為SAR目標鑒別網(wǎng)絡(luò)框架Ψ中第二卷積神經(jīng)網(wǎng)絡(luò)B的輸入；1c)用濾波后的訓(xùn)練圖像M'和梯度幅度訓(xùn)練圖像構(gòu)成新的訓(xùn)練集Φ'。步驟2，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標鑒別網(wǎng)絡(luò)框架Ψ。參照圖2，SAR目標鑒別網(wǎng)絡(luò)框架包括特征提取、特征融合和分類器三個部分，其構(gòu)建步驟如下：2a)構(gòu)建特征提取部分，提取列向量特征和列向量特征2a1)構(gòu)建結(jié)構(gòu)完全相同的第一卷積神經(jīng)網(wǎng)絡(luò)A和第二卷積神經(jīng)網(wǎng)絡(luò)B。這兩個卷積神經(jīng)網(wǎng)絡(luò)均包括三層卷積層、兩層全連接層和一層softmax分類器層，即第一卷積層L1、第二卷積層L2、第三卷積層L3、第四全連接層L4、第五全連接層L5、第六softmax分類器層L6；該第一卷積神經(jīng)網(wǎng)絡(luò)A和第二卷積神經(jīng)網(wǎng)絡(luò)B的各層的參數(shù)設(shè)置及關(guān)系如下：第一卷積層L1，其卷積核K1的窗口大小為3×3，滑動步長S1為2，用于對輸入進行卷積，輸出96個特征圖j表示第j個特征圖，該層作為第二卷積層L2的輸入；第二卷積層L2，其卷積核K2的窗口大小為3×3，滑動步長S2為2，用于對第一卷積層L1輸出的96個特征圖進行卷積，輸出128個特征圖k表示第k個特征圖，k＝1,2…128；每個特征圖經(jīng)過一個下采樣，得到128個降維后的特征圖其中下采樣核U2的窗口大小為3×3，滑動步長V2為2，該層作為第三卷積層L3的輸入；第三卷積層L3，其卷積核K3的窗口大小為3×3，滑動步長S3為2，用于對第二卷積層L2輸出的128個降維后的特征圖進行卷積，輸出256個特征圖k＝1,2…128，q表示第q個特征圖，q＝1,2…256；每個特征圖經(jīng)過一個下采樣，得到256個降維后的特征圖其中下采樣核U3的窗口大小為3×3，滑動步長V3為2，該層作為第四全連接層L4的輸入；第四全連接層L4，其設(shè)有1000個神經(jīng)元，用于將第三卷積層L3輸出的每個降維后的特征圖分別拉成列向量并進行串聯(lián)拼接得到e維列向量D，并對列向量D進行非線性映射，輸出一個1000維列向量X4，q＝1,2…256，該層作為第五全連接層L5的輸入；第五全連接層L5，其設(shè)有2個神經(jīng)元，用于對第四全連接層L4輸出的一個1000維列向量X4進行非線性映射，輸出一個2維列向量X5，該層作為第六softmax分類器層L6的輸入；第六softmax分類器層L6，該層用于將第五全連接層L5得到的2維列向量X5輸入到兩類softmax分類器中，計算輸入數(shù)據(jù)為目標和雜波的概率，輸出結(jié)果；2a2)提取第一卷積神經(jīng)網(wǎng)絡(luò)A的第四全連接層L4的輸出作為第一卷積神經(jīng)網(wǎng)絡(luò)A的1000維列向量特征2a3)提取第二卷積神經(jīng)網(wǎng)絡(luò)B的第四全連接層L4的輸出作為第二卷積神經(jīng)網(wǎng)絡(luò)B的1000維列向量特征2b)構(gòu)建特征融合部分，獲取三維融合特征X：2b1)分別在兩個1000維列向量特征和后補24個0，使其變?yōu)?024維列向量；2b2)分別將兩個1024維列向量變換為32×32的二維矩陣形式和2b3)將和拼接成一個32×32×2的三維融合特征X，作為分類器部分的輸入；2c)構(gòu)建分類器部分，輸出鑒別結(jié)果：構(gòu)建第三卷積神經(jīng)網(wǎng)絡(luò)C，其包括兩層卷積層、兩層全連接層和一層softmax分類器層，即第一層卷積層C1、第二層卷積層C2、第三層全連接層C3、第四層全連接層C4和第五層softmax分類器層C5；第三卷積神經(jīng)網(wǎng)絡(luò)C的各層的參數(shù)設(shè)置及關(guān)系如下：第一層卷積層C1，其卷積核K1'的窗口大小為3×3，滑動步長S1'為2，用于對輸入進行卷積，輸出96個特征圖m表示第m個特征圖；每個特征圖經(jīng)過一個下采樣，得到96個降維后的特征圖其中下采樣核U1'的窗口大小為3×3，滑動步長V1'為2，該層作為第二層卷積層C2的輸入；第二層卷積層C2，其卷積核K2'的窗口大小為3×3，滑動步長S2'為2，用于對第一層卷積層C1輸出的96個降維后的特征圖進行卷積，輸出128個特征圖n表示第n個特征圖，n＝1,2…128；每個特征圖經(jīng)過一個下采樣，得到128個降維后的特征圖其中下采樣核U2'的窗口大小為3×3，滑動步長V2'為2，該層作為第三層全連接層C3的輸入；第三層全連接層C3，其設(shè)有1000個神經(jīng)元，用于將第二層卷積層C2輸出的每個降維后的特征圖分別拉成列向量并進行串聯(lián)拼接得到a維列向量W，并對列向量W進行非線性映射，輸出一個1000維列向量Y3，n＝1,2…128，該層作為第四層全連接層C4的輸入；第四層全連接層C4，其設(shè)有2個神經(jīng)元，用于對第三層全連接層C3輸出的一個1000維列向量Y3進行非線性映射，輸出一個2維特征向量Y4，該層作為第五層softmax分類器層C5的輸入。第五層softmax分類器層C5，用于將第四層全連接層C4得到的2維列向量Y4輸入到兩類softmax分類器中，計算輸入樣本為目標和雜波的概率，輸出鑒別結(jié)果。步驟3，將新的訓(xùn)練集Φ'輸入到構(gòu)建好的SAR目標鑒別網(wǎng)絡(luò)框架Ψ中，通過反向傳播算法和隨機梯度下降法對網(wǎng)絡(luò)進行訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)框架Ψ'。步驟4，獲取新的測試集T'。4a)給定測試集T，并對其每個測試樣本N進行Lee濾波處理，得到濾波后的測試圖像N'，作為訓(xùn)練好的網(wǎng)絡(luò)框架Ψ'中第一卷積神經(jīng)網(wǎng)絡(luò)A的輸入；4b)運用均值比檢測算法對每個測試樣本N提取梯度幅度測試圖像作為訓(xùn)練好的網(wǎng)絡(luò)框架Ψ'中第二卷積神經(jīng)網(wǎng)絡(luò)B的輸入；4c)用濾波后的測試圖像N'和梯度幅度測試圖像構(gòu)成新的測試集T'。步驟5，將新的測試集T'輸入到訓(xùn)練好的網(wǎng)絡(luò)框架Ψ'中，得到分類器部分中第三卷積神經(jīng)網(wǎng)絡(luò)C的第五層softmax分類器層C5的輸出結(jié)果，作為最終的目標鑒別結(jié)果。本發(fā)明的效果可通過以下實驗數(shù)據(jù)進一步說明：一.實驗條件1)實驗數(shù)據(jù)：本實驗所用的樣本圖像來自于美國Sandia實驗室公開的miniSAR數(shù)據(jù)集，這些數(shù)據(jù)下載自Sandia實驗室的網(wǎng)站，實驗所用6幅圖像示例如圖3所示，圖像分辨率均為0.1m×0.1m。其中，圖3(a)所示的第一幅圖像Image1的大小為2510×3274，圖3(b)～圖3(f)所示的第二幅圖像至第六幅圖像Image2～Image6的大小均為2510×1638。實驗中，選擇其中一幅圖像作為測試圖像，另外5幅圖像作為訓(xùn)練圖像。實驗中僅對圖3(a)～圖3(d)所示的第一幅圖像至第四幅圖像Image1～Image4進行了測試。對于每幅測試圖像，提取的測試目標切片及雜波切片數(shù)如表1所示，訓(xùn)練目標切片及雜波切片是從剩余5幅圖像中對應(yīng)的目標及雜波區(qū)域中進行密集采樣得到，所有切片大小為90×90。表1測試目標及雜波樣本數(shù)測試圖像目標切片數(shù)雜波切片數(shù)Image1159627Image2140599Image3115305Image4795102)實驗選擇的22個傳統(tǒng)特征及1組組合特征：22個傳統(tǒng)特征是：平均距離特征、連續(xù)特征1、連續(xù)特征2、連續(xù)特征3、連續(xù)特征4、連續(xù)特征5、連續(xù)特征6、計數(shù)特征、直徑特征、分形維特征、質(zhì)量特征、峰值CFAR特征、均值CFAR特征、最小距離特征、CFAR最亮點百分比特征、標準差特征、排列能量比特征、圖像像素質(zhì)量的平均值特征、圖像像素空間離散程度特征、拐點特征、加速度特征；由CFAR最亮點百分比特征、標準差特征和排列能量比特征，組合成一組組合特征CombineFeature；3)對22個傳統(tǒng)特征及1組組合特征使用的分類器：實驗中，對于傳統(tǒng)特征使用高斯SVM分類器進行分類，SVM分類器采用LIBSVM工具包，其參數(shù)在訓(xùn)練階段通過10折交叉驗證獲得；二.實驗內(nèi)容：用現(xiàn)有的22個傳統(tǒng)特征及1組組合特征的SAR目標鑒別方法與本發(fā)明方法對復(fù)雜場景下的SAR目標鑒別進行對比實驗，結(jié)果如表2所示：表2不同方法的鑒別結(jié)果(100％)表2中的Pd表示檢測率，Pf表示虛警率，Pc表示總體精度。從表2中可見，對于4幅測試圖像Image1～Image4，本發(fā)明的總體精度Pc最高，說明在復(fù)雜場景下，本發(fā)明的鑒別性能比現(xiàn)有的方法更好。以上描述僅是本發(fā)明的一個具體實例，并未構(gòu)成對本發(fā)明的任何限制，顯然對于本領(lǐng)域的專業(yè)人員來說，在了解了本
發(fā)明內(nèi)容和原理后，都可能在不背離本發(fā)明原理、結(jié)構(gòu)的情況下，進行形式和細節(jié)上的各種修改和改變，但是這些基于本發(fā)明思想的修正和改變?nèi)栽诒景l(fā)明的權(quán)利求保護范圍之內(nèi)。當前第1頁1 2 3