本發(fā)明涉及逆合成孔徑和圖像特征學(xué)習(xí)，尤其涉及利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)船目標(biāo)isar圖像進(jìn)行特征學(xué)習(xí)。

背景技術(shù)：

雷達(dá)成像不僅分辨率高、穿透性好、抗干擾性強(qiáng)，而且能全天候，全天時(shí)、遠(yuǎn)距離工作，可以彌補(bǔ)可見光與紅外成像技術(shù)的不足。成像雷達(dá)的出現(xiàn)擴(kuò)展了原始的雷達(dá)概念，使它具有對(duì)運(yùn)動(dòng)目標(biāo)(艦船、飛機(jī)、導(dǎo)彈、天體、人造衛(wèi)星等)、區(qū)域目標(biāo)(地面等)進(jìn)行成像和識(shí)別的能力，在軍事和民事上具有廣泛的應(yīng)用前景，如地形測(cè)繪、資源普查、天體觀測(cè)機(jī)戰(zhàn)場(chǎng)感知等，另外在微波遙感應(yīng)用方面也表現(xiàn)出越來越大的潛力，為人們提供原來越多的有用信息。它對(duì)國防技術(shù)現(xiàn)代化以及國民經(jīng)濟(jì)建設(shè)都有十分重要的的意義。

逆合成孔徑雷達(dá)(inversesyntheticapertureradar，isar)和合成孔徑雷達(dá)(syntheticapertureradar，sar)和幾乎是同時(shí)起步的，然而isar的發(fā)展速度遠(yuǎn)遠(yuǎn)比不上sar，在20世紀(jì)80年代才實(shí)現(xiàn)飛機(jī)的二維isar成像。逆合成孔徑雷達(dá)(isar)是當(dāng)前成像雷達(dá)一個(gè)重要發(fā)展方向之一，它可以全天候、全天時(shí)、遠(yuǎn)距離對(duì)目標(biāo)進(jìn)行成像，具有很高的信息獲取能力。逆合成孔徑雷達(dá)獲得的距離方位二維高分辨圖像可以刻畫目標(biāo)大小、形狀、結(jié)構(gòu)及姿態(tài)等細(xì)節(jié)，為雷達(dá)目標(biāo)特征提取、分類及識(shí)別提供豐富的信息。因此，逆合成孔徑雷達(dá)成為戰(zhàn)略防御、反衛(wèi)星、反導(dǎo)以及天體觀測(cè)等現(xiàn)代軍用和民用領(lǐng)域的重要傳感器，具有顯著的應(yīng)用價(jià)值。

在逆合成孔徑雷達(dá)成像中即使艦船成像和飛機(jī)成像原理近似，但其成像條件要遠(yuǎn)遠(yuǎn)復(fù)雜：首先是海上目標(biāo)相對(duì)空中飛行目標(biāo)存在明顯的不同的運(yùn)動(dòng)特征?？罩酗w行的目標(biāo)一般速度較快，而海上目標(biāo)由于前向平動(dòng)速度較慢如果利用其相對(duì)雷達(dá)視線方向切向運(yùn)動(dòng)獲得較大的成像積累角，實(shí)現(xiàn)相干積累進(jìn)而進(jìn)行呈現(xiàn)需要很長時(shí)間，因此isar呈現(xiàn)通常利用艦船的快速轉(zhuǎn)動(dòng)而不是平動(dòng)來獲取較大的成像積累角。艦船在空間的運(yùn)動(dòng)有6個(gè)自由度，其在海上搖擺要產(chǎn)生三種轉(zhuǎn)動(dòng)，分別繞三個(gè)軸進(jìn)行轉(zhuǎn)動(dòng)，有偏航、滾動(dòng)和俯仰。因此，艦船目標(biāo)成像就比空間目標(biāo)等成像要求更高，其參數(shù)確定和運(yùn)動(dòng)補(bǔ)償要求更高。

近年來，利用isar圖像進(jìn)行艦船目標(biāo)的檢測(cè)和識(shí)別的研究得到廣泛關(guān)注，已經(jīng)成為海洋應(yīng)用領(lǐng)域的一個(gè)研究方向和信息技術(shù)的熱點(diǎn)話題，利用isar對(duì)艦船目標(biāo)的檢測(cè)和識(shí)別，一方面可以應(yīng)用與漁業(yè)管理、海洋污染監(jiān)控等民用領(lǐng)域，另一方面可以通過對(duì)isar圖像進(jìn)行艦船目標(biāo)的檢測(cè)和識(shí)別，提取艦船目標(biāo)的類型、位置、航向等重要參數(shù)，及時(shí)獲取海上作戰(zhàn)的軍事信息，對(duì)奪取海上戰(zhàn)場(chǎng)的主動(dòng)權(quán)、確保軍事行動(dòng)的成功起到重要的作用。因此開展isar圖像的目標(biāo)特征提取和分類識(shí)別技術(shù)的研究具有十分重要的意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)船目標(biāo)isar圖像進(jìn)行特征學(xué)習(xí)，不需要人為的干預(yù)，可以直接把圖像作為輸入，通過自主學(xué)習(xí)達(dá)到特征提取的目地。

一種基于卷積神經(jīng)網(wǎng)絡(luò)的船目標(biāo)isar圖像特征學(xué)習(xí)方法，步驟如下：

s1、目標(biāo)建模與成像，具體為：

s11、選取3類艦船目標(biāo)進(jìn)行點(diǎn)陣建模，用來估計(jì)真實(shí)的艦船目標(biāo)雷達(dá)的散射模型；

s12、利用距離-多普勒(r-d)成像算法，對(duì)s11所述艦船目標(biāo)的點(diǎn)陣模型進(jìn)行成像，獲得isar圖像；

s13、將s12獲取的isar圖像裁剪成128×128像素點(diǎn)大小的圖像，裁剪后的圖像轉(zhuǎn)換為灰度圖像，作為網(wǎng)絡(luò)的直接輸入；

s3、確定網(wǎng)絡(luò)結(jié)構(gòu)，即確定網(wǎng)絡(luò)的層數(shù)l，確定每層網(wǎng)絡(luò)的卷積核個(gè)數(shù)，確定每層網(wǎng)絡(luò)中的濾波器窗口大小，其中，l≥2；

s4、通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)行特征學(xué)習(xí)，獲取圖像特征；

s5、通過svm分類器對(duì)特征進(jìn)行分類識(shí)別，將目標(biāo)所處的方位角為60°～90°，從所述方位角的下俯仰角為5°開始，每隔4°取一幅圖片作為訓(xùn)練樣本構(gòu)成訓(xùn)練樣本集，將所述方位角下俯仰角維7°開始，每隔4°取一幅圖片作為識(shí)別樣本構(gòu)成識(shí)別樣本集。

進(jìn)一步地，s11所述點(diǎn)陣建模中，每隔q米取一個(gè)點(diǎn)，其中，q≤3。

進(jìn)一步地，s3所述網(wǎng)絡(luò)的層數(shù)l≥5。

進(jìn)一步地，s3所述網(wǎng)絡(luò)的層數(shù)l＝5，第一層為網(wǎng)絡(luò)的輸入層i，第二層網(wǎng)絡(luò)為卷積層c1，其卷積核個(gè)數(shù)＝4，第三層為下采樣層s1，第四層為網(wǎng)絡(luò)的卷積層c2，其卷積核個(gè)數(shù)＝8，第五層為下采樣層s2，最后將所有的特征圖像連接成向量輸出。

進(jìn)一步地，s3所述卷積層c1卷積核濾波器窗口大小為5×5像素點(diǎn)，卷積層c2卷積核濾波器窗口大小為3×3像素點(diǎn)，下采樣層s1，s2窗口大小為2×2像素點(diǎn)。

進(jìn)一步地，s4所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練具體過程如下：

步驟1、前向傳播過程：

設(shè)cnn網(wǎng)絡(luò)由l個(gè)不同的網(wǎng)絡(luò)層構(gòu)成的，每一層都有許多的神經(jīng)單元，那么對(duì)于第l層的第i個(gè)神經(jīng)單元節(jié)點(diǎn)，其輸出為：其中，表示的是l-1層第m個(gè)節(jié)點(diǎn)的輸入，是連接l-1層的第m個(gè)節(jié)點(diǎn)與第l層的第i個(gè)節(jié)點(diǎn)的權(quán)值，i表示神經(jīng)單元節(jié)點(diǎn)，cn-m表示第l-1層到第l層的連接數(shù)，l≤l，

若第l層是卷積層，輸入特征maps為k×k像素值，其卷積核濾波器窗口大小為r×r像素點(diǎn)，則經(jīng)過卷積核之后特征maps的輸出大小為(k-r+1)×(k-r+1)像素點(diǎn)，

若第l層是下采樣層，輸入特征maps為k×k像素點(diǎn)，采樣層的每個(gè)矩形區(qū)域采用c×c像素點(diǎn)大小，經(jīng)過最大值函數(shù)處理后輸出一個(gè)值，因此下采樣層的輸出大小就變?yōu)?k/c)×(k/c)像素點(diǎn)；

步驟2、逆向更新過程：

若網(wǎng)絡(luò)第l為卷積層，設(shè)ζ^(l+1)為第l+1層誤差項(xiàng)，η(w,b；y,b)表示l+1層誤差代價(jià)函數(shù)，其中，(w,b)是網(wǎng)絡(luò)的參數(shù)，(x,y)是訓(xùn)練數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽，則l層的誤差為對(duì)式子求偏導(dǎo)，

其中，α^(l)是網(wǎng)絡(luò)第l層的輸入，a⁽¹⁾是網(wǎng)絡(luò)的輸入圖片，

若網(wǎng)絡(luò)第l層為下采樣層，則誤差擴(kuò)散通過如下公式傳播：

其中，k表示濾波器的數(shù)目，upsample操作將下采樣層中計(jì)算出的誤差向上傳遞到匯入下采樣層的每個(gè)上層單元中去，

計(jì)算濾波器的梯度，通過翻轉(zhuǎn)誤差矩陣的方式處理邊界卷積操作：

其中，表示第i個(gè)輸入和第l層誤差的"valid"卷積，得到l層第k個(gè)濾波器的誤差，

進(jìn)行參數(shù)更新和調(diào)整，得到濾波器的參數(shù)w和偏置量b的更新，不斷的對(duì)網(wǎng)絡(luò)進(jìn)行迭代，就可以得到優(yōu)化的網(wǎng)絡(luò)參數(shù)：

其中，α為學(xué)習(xí)率。

本發(fā)明的有益效果是：

本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)船目標(biāo)isar圖像進(jìn)行特征學(xué)習(xí)，不需要人為的干預(yù)，可以直接把圖像作為輸入，通過自主學(xué)習(xí)達(dá)到特征提取的目地。

附圖說明

圖1為實(shí)施例中三類目標(biāo)的點(diǎn)陣模型。

圖2為卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行說明。

首先，對(duì)卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,cnn)進(jìn)行介紹：

cnn由不同的網(wǎng)絡(luò)子層構(gòu)成，包括：

卷積層：卷積層屬于隱含層，包括多個(gè)神經(jīng)元，通常把神經(jīng)元定義成是一個(gè)矩形區(qū)域，這個(gè)區(qū)域被稱為卷積核，其輸入也是一個(gè)矩形區(qū)域。卷積層的輸出就是前一層特征圖像和與卷積核的卷積，而每個(gè)矩形區(qū)域的權(quán)重決定了該卷積核濾波器的系數(shù)。對(duì)于不同的輸入來說，同一矩形區(qū)域的權(quán)重是不變的，這樣就減少了參數(shù)的數(shù)量。在cnn中，每一個(gè)卷積核的參數(shù)都是經(jīng)過向前傳播和向后傳播中兩個(gè)階段對(duì)濾波器進(jìn)行權(quán)值調(diào)整和修正的。每個(gè)卷積層都可能多個(gè)神經(jīng)元，每個(gè)神經(jīng)元可能會(huì)采取不同的卷積核，參數(shù)會(huì)不一樣，對(duì)于每一個(gè)輸入來說，不同的卷積核，會(huì)得到不同的特征maps，所有的特征maps組合在一起就可以得到完整的特征。

網(wǎng)絡(luò)的低層次網(wǎng)絡(luò)對(duì)圖像的低層次特征敏感，會(huì)提取如邊緣、線條等低層次的特征，高層次的網(wǎng)絡(luò)，可以提取圖像的高層次的特征。圖像的特征主要是通過卷積層的卷積運(yùn)算來提取，網(wǎng)絡(luò)的層數(shù)越多，這個(gè)卷積網(wǎng)絡(luò)的容量越大，但是并不是網(wǎng)絡(luò)的層數(shù)越多越好，當(dāng)網(wǎng)絡(luò)的層數(shù)超過一定的數(shù)量時(shí)，信息冗余會(huì)增加，特征學(xué)習(xí)的效果反而會(huì)下降；而當(dāng)網(wǎng)絡(luò)的層數(shù)過低時(shí)，網(wǎng)絡(luò)的特征學(xué)習(xí)過程會(huì)有信息丟失，因此網(wǎng)絡(luò)層數(shù)并不是愈多愈好的，需要根據(jù)訓(xùn)練集靈活調(diào)整。

下采樣層：下采樣層一般都緊跟卷積層之后，下采樣層中定義一個(gè)矩形區(qū)域塊使得特征maps的相同大小的區(qū)域通過下采樣層后變成一個(gè)輸出值，平均值法、最大值法等是下采樣常用的方法。

下采樣在卷積神經(jīng)網(wǎng)絡(luò)中是非常重要的一種處理方式，它可以保證即使圖像有平移、伸縮等變換也不會(huì)對(duì)最終的結(jié)果造成影響，而且還能降低計(jì)算量。下采用層后會(huì)通常會(huì)有一個(gè)激活函數(shù)，它能增加網(wǎng)絡(luò)的非線性性，因?yàn)榫€性網(wǎng)絡(luò)對(duì)于特征提取和識(shí)別來說作用很小，常用的激活函數(shù)s型函數(shù)(sigmoid)，雙曲正切函數(shù)(tanh)，relu函數(shù)等。

全連接層：它往往是在網(wǎng)絡(luò)輸出層的前一層，在網(wǎng)絡(luò)的末端位置，它將卷積層或者下采樣層的輸出全部連接在一起，將二維特征maps被拉成了一個(gè)一維向量，組成圖像的特征向量，全連接過后就是輸出層了，而不再有卷積層。通過最后的全連接層可以獲取圖像的特征向量。

選取三類船目標(biāo)，伯克級(jí)驅(qū)逐艦，自由級(jí)濱海戰(zhàn)斗艦和“德新?！碧?hào)貨輪，由于一些軍事目標(biāo)是非常敏感的，其真實(shí)的isar圖像不容易獲取，因此使用仿真isar圖像。

1、首先是三類船目標(biāo)的點(diǎn)陣建模，為了減少計(jì)算量，每隔三米取一個(gè)點(diǎn)。模型為圖1所示。

2、isar圖像集的獲取，利用r-d成像算法對(duì)點(diǎn)陣模型成像，獲取isar數(shù)據(jù)集。

3、將isar圖像裁減成大小，并將其轉(zhuǎn)換為灰度圖像，作為網(wǎng)絡(luò)的直接輸入。

4、網(wǎng)絡(luò)結(jié)構(gòu)確定，將網(wǎng)絡(luò)的層數(shù)確定為5層，第一層為網(wǎng)絡(luò)的輸入層i，第二層網(wǎng)絡(luò)為卷積層c1，其卷積核個(gè)數(shù)＝4，濾波器窗口大小為5×5像素點(diǎn)，第三層為下采樣層s1，第四層為網(wǎng)絡(luò)的卷積層c2，其卷積核個(gè)數(shù)＝8，濾波器窗口大小為3×3像素點(diǎn)，第五層為下采樣層s2，最后將所有的特征圖像連接成向量輸出，下采樣層s1，s2窗口大小為2×2像素點(diǎn)。

5、利用網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行學(xué)習(xí)，獲得圖像特征。具體為：

卷積神經(jīng)網(wǎng)絡(luò)并不需要事先就給定輸入與輸出的任何精準(zhǔn)的關(guān)系，它可以僅根據(jù)現(xiàn)有的模型進(jìn)行學(xué)習(xí)，能夠通過大量自主學(xué)習(xí)和不斷的迭代調(diào)整，擬合輸入與輸出的關(guān)系，因此cnn從根本上來說是一種映射關(guān)系。cnn多用于有監(jiān)督學(xué)習(xí)，其訓(xùn)練樣本集是由(輸入向量，標(biāo)簽向量)的向量對(duì)組成。在網(wǎng)絡(luò)訓(xùn)練之前，需要對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行初始化，網(wǎng)絡(luò)參數(shù)或者權(quán)值往往由一些不同的、小的隨機(jī)數(shù)構(gòu)成。

步驟1、前向傳播過程：

設(shè)cnn網(wǎng)絡(luò)由l個(gè)不同的網(wǎng)絡(luò)層構(gòu)成的，每一層都有許多的神經(jīng)單元，那么對(duì)于第l層的第i個(gè)神經(jīng)單元節(jié)點(diǎn)，其輸出為：其中，表示l-1層第m個(gè)節(jié)點(diǎn)的輸入，是連接l-1層的第m個(gè)節(jié)點(diǎn)與第l層的第i個(gè)節(jié)點(diǎn)的權(quán)值，i表示神經(jīng)單元節(jié)點(diǎn)，cn-m表示第l-1層到第l層的連接數(shù)，l≤l，

若第l層是卷積層，輸入特征maps為k×k像素點(diǎn)，其卷積核濾波器窗口大小為r×r像素點(diǎn)，則經(jīng)過卷積核之后特征maps的輸出大小為(k-r+1)×(k-r+1)像素點(diǎn)。

若第l層是下采樣層，這是一個(gè)無自主學(xué)習(xí)的過程，它能使某一矩形區(qū)域變成一個(gè)值輸出，假設(shè)輸入特征maps為k×k像素值,采樣層的每個(gè)矩形區(qū)域采用c×c像素點(diǎn)大小，經(jīng)過最大值函數(shù)處理后輸出一個(gè)值，因此下采樣層的輸出大小就變?yōu)?k/c)×(k/c)像素點(diǎn)；

步驟2、逆向更新過程：

逆向過程主要是更新網(wǎng)絡(luò)參數(shù)的權(quán)值，若網(wǎng)絡(luò)第l為卷積層，設(shè)ζ^(l+1)為第l+1層誤差項(xiàng)，η(w,b；y,b)表示l+1層誤差代價(jià)函數(shù)，其中，(w,b)是網(wǎng)絡(luò)的參數(shù)，(x,y)是訓(xùn)練數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽，則l層的誤差為對(duì)式子求偏導(dǎo)，

其中，α^(l)是網(wǎng)絡(luò)第l層的輸入，a⁽¹⁾是網(wǎng)絡(luò)的輸入圖片，

若網(wǎng)絡(luò)第l層為下采樣層，則誤差擴(kuò)散通過如下公式傳播：

其中，k表示的是濾波器的數(shù)目，upsample操作將下采樣層中計(jì)算出的誤差向上傳遞到匯入下采樣層的每個(gè)上層單元中去，比如，如果我們的下采樣層用的是平均值的函數(shù)，那么upsample將簡(jiǎn)單統(tǒng)一的將誤差從每個(gè)池單元傳遞到上一層網(wǎng)絡(luò)，如果下采樣采用的最大函數(shù)操作，則池單元將選擇最大的誤差傳遞給上一層，這是因?yàn)樾〉妮斎胱兓鸬慕Y(jié)果會(huì)通過那個(gè)最大誤差單元傳遞。

計(jì)算濾波器的梯度，通過翻轉(zhuǎn)誤差矩陣的方式處理邊界卷積操作：

其中，表示第i個(gè)輸入和第l層誤差的"valid"卷積，得到l層第k個(gè)濾波器的誤差，

進(jìn)行參數(shù)更新和調(diào)整，得到濾波器的參數(shù)w和偏置量b的更新，不斷的對(duì)網(wǎng)絡(luò)進(jìn)行迭代，就可以得到優(yōu)化的網(wǎng)絡(luò)參數(shù)：

其中，α為學(xué)習(xí)率。

6、通過svm分類器對(duì)特征進(jìn)行分類識(shí)別，其樣本集為如下：

1)目標(biāo)所處的方位角是60°～90°，每一個(gè)方位角下俯仰角是5°開始，每隔4°取一幅圖片作為訓(xùn)練樣本。

2)目標(biāo)識(shí)別樣本集：目標(biāo)所處的方位角是60°～90°，每一個(gè)方位角下俯仰角都是從7°開始，每隔4°取一幅圖片作為識(shí)別樣本。

得到的實(shí)驗(yàn)結(jié)果如表1，其中，a類表示驅(qū)逐艦，b類表示濱海戰(zhàn)斗艦，c類表示“德新?！碧?hào)貨輪。

表1不同角度下的識(shí)別結(jié)果

。