基于cnn的sar目標(biāo)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，特別涉及雷達(dá)目標(biāo)的識(shí)別方法，用以解決現(xiàn)有目標(biāo)識(shí) 別方法對(duì)SAR圖像中待識(shí)別目標(biāo)的平移敏感性問題。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)SAR具有全天候、全天時(shí)、分辨率高以及穿透力強(qiáng)等特點(diǎn)，廣泛應(yīng)用 于軍事偵察和遙感領(lǐng)域。雷達(dá)成像技術(shù)在對(duì)地面目標(biāo)特別是地面靜止目標(biāo)探測(cè)方面具有獨(dú) 特的優(yōu)勢(shì)，隨著SAR技術(shù)不斷成熟，成像分辨率不斷提高，使得通過SAR圖像的目標(biāo)識(shí)別技 術(shù)受到越來越廣泛的關(guān)注。
[0003] 卷積神經(jīng)網(wǎng)絡(luò)CNN是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當(dāng)前語音分析和圖像識(shí)別領(lǐng)域 的研宄熱點(diǎn)。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。該優(yōu)點(diǎn)在網(wǎng)絡(luò)的輸入是多維圖像時(shí)表現(xiàn)的更為明顯，使圖像可以直 接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡(luò)是 為識(shí)別二維形狀而特殊設(shè)計(jì)的一個(gè)多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平移、比例縮放、傾斜或者 共他形式的變形具有高度不變性。
[0004] 當(dāng)前的SAR圖像目標(biāo)識(shí)別方法通?；贛STAR數(shù)據(jù)庫(kù)進(jìn)行的，在MSTAR數(shù)據(jù)樣本 中，待識(shí)別目標(biāo)區(qū)域都位于圖像正中心位置。但是，實(shí)際SAR成像得到的樣本其待識(shí)別目 標(biāo)區(qū)域會(huì)處于SAR圖像的任意位置，而現(xiàn)有的目標(biāo)識(shí)別方法受目標(biāo)區(qū)域所處位置的影響較 大，造成識(shí)別率降低。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于CNN的SAR目標(biāo)識(shí)別方法， 以避免受目標(biāo)區(qū)域所在位置的影響，提高目標(biāo)識(shí)別率。
[0006] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)思路是：首先對(duì)MSTAR數(shù)據(jù)庫(kù)進(jìn)行預(yù)處理，將MSTAR訓(xùn)練樣 本中的待識(shí)別目標(biāo)區(qū)域進(jìn)行多次的隨機(jī)平移，以逼近目標(biāo)區(qū)域在樣本中任意位置的可能， 產(chǎn)生的新樣本擴(kuò)充入原始樣本中一同作為訓(xùn)練樣本輸入到基于caffe架構(gòu)的CNN中進(jìn)行訓(xùn) 練，之后對(duì)測(cè)試樣本也同樣進(jìn)行平移擴(kuò)充再輸入到訓(xùn)練好的CNN中檢驗(yàn)其識(shí)別率，其具體 步驟包括如下：
[0007] (I) SAR圖像樣本獲取步驟：
[0008] 從MSTAR數(shù)據(jù)集中獲取698幅SAR圖像和相應(yīng)的類別標(biāo)簽作為訓(xùn)練樣本，獲取 1365幅SAR圖像和相應(yīng)的類別標(biāo)簽作為測(cè)試樣本，每幅SAR圖像的待識(shí)別目標(biāo)區(qū)域均在圖 像正中心位置；
[0009] (2)樣本訓(xùn)練步驟：
[0010] (2A)對(duì)訓(xùn)練樣本中每個(gè)SAR圖像的待識(shí)別目標(biāo)區(qū)域進(jìn)行多次的隨機(jī)平移，每次平 移產(chǎn)生一個(gè)新的訓(xùn)練樣本圖像；在新的訓(xùn)練樣本圖像上標(biāo)記與原始訓(xùn)練樣本圖像相同的類 別標(biāo)簽，得到擴(kuò)充后的訓(xùn)練樣本；
[0011] (2B)構(gòu)建基于caffe架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)CNN的網(wǎng)絡(luò)結(jié)構(gòu)，該CNN網(wǎng)絡(luò)結(jié)構(gòu)由兩 層卷積層和兩層全連接層構(gòu)成；
[0012] (2C)將擴(kuò)充后的訓(xùn)練樣本輸入到CNN網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的CNN網(wǎng) 絡(luò)模型；
[0013] (3)樣本測(cè)試步驟：
[0014] (3A)對(duì)測(cè)試樣本中每個(gè)SAR圖像的待識(shí)別目標(biāo)區(qū)域進(jìn)行多次隨機(jī)平移，每次平移 后產(chǎn)生一個(gè)新的測(cè)試樣本圖像；在新的測(cè)試樣本圖像上標(biāo)記與原始測(cè)試樣本圖像相同的類 別標(biāo)簽，得到擴(kuò)充后的測(cè)試樣本；
[0015] (3B)將擴(kuò)充后的測(cè)試樣本輸入到訓(xùn)練好的CNN網(wǎng)絡(luò)模型中得到特征向量，再將特 征向量輸入到一個(gè)softmax分類器進(jìn)行分類，根據(jù)測(cè)試樣本的類別標(biāo)簽與分類器的輸出結(jié) 果得出網(wǎng)絡(luò)識(shí)別率。
[0016] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
[0017] 1.識(shí)別率高
[0018] 本發(fā)明首先對(duì)訓(xùn)練樣本中待識(shí)別目標(biāo)進(jìn)行大量的平移擴(kuò)充，樣本量充足，而且其 訓(xùn)練樣本充分涵蓋了待識(shí)別目標(biāo)處于樣本圖像任意位置的可能；再通過CNN兩層卷積層的 特征提取過程，使得對(duì)該訓(xùn)練樣本的特征提取全面，提高了識(shí)別率。
[0019] 2.網(wǎng)絡(luò)結(jié)構(gòu)突出
[0020] 本發(fā)明采用兩層卷積層和兩層全連接層的CNN網(wǎng)絡(luò)結(jié)構(gòu)，該CNN網(wǎng)絡(luò)結(jié)構(gòu)對(duì)MSTAR 數(shù)據(jù)集具有很好的擬合性；該網(wǎng)絡(luò)是利用滑動(dòng)的卷積核窗口與輸入樣本卷積的操作來進(jìn)行 特征提取的，因此對(duì)SAR圖像形變以及平移等幾何變換具有高度不變性，進(jìn)一步提高了識(shí) 別率。
【附圖說明】
[0021] 圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
【具體實(shí)施方式】
[0022] 參照?qǐng)D1，本發(fā)明的識(shí)別方法包括訓(xùn)練和測(cè)試兩個(gè)階段，具體步驟如下：
[0023] 一 ·訓(xùn)練階段
[0024] 步驟1，獲取SAR圖像訓(xùn)練樣本和測(cè)試樣本。
[0025] 實(shí)驗(yàn)所用數(shù)據(jù)為公開的MSTAR數(shù)據(jù)集，本實(shí)驗(yàn)使用的MSTAR數(shù)據(jù)集包括俯仰角 在15°和17°下三大類目標(biāo)：BMP2，BTR70和T72。實(shí)驗(yàn)中選取17°俯仰角下圖像數(shù)據(jù)作 為訓(xùn)練樣本，原始訓(xùn)練樣本為698幅目標(biāo)圖像和相應(yīng)的類別標(biāo)簽，選取15°俯仰角下圖像 數(shù)據(jù)作為測(cè)試樣本，原始測(cè)試樣本為1365幅目標(biāo)圖像和相應(yīng)的類別標(biāo)簽，所有樣本大小為 128*128像素，所有原始樣本圖像的待識(shí)別目標(biāo)區(qū)域均在圖像正中心位置。
[0026] 步驟2,將訓(xùn)練樣本中的SAR圖像目標(biāo)區(qū)域進(jìn)行隨機(jī)平移。
[0027] (2a)對(duì)訓(xùn)練樣本中每一個(gè)SAR圖像的背景采用圍繞邊界進(jìn)行鏡像反射填充，即在 matlab語言中用以下命令實(shí)現(xiàn)：
[0028] New_image = padarray(image, padsize, ^symmetric?)；
[0029] 其中New_image表示填充后的SAR圖像，image表示原始圖像，padsize表示填充 的行數(shù)與列數(shù)；
[0030] (2b)將填充后的SAR圖像中任一像素點(diǎn)坐標(biāo)（x，y)經(jīng)X軸平移tx個(gè)單位，經(jīng) y軸平移ty個(gè)單位得到（x'，y'），其中X' =x+tx，y' =7+&，仁和％分別隨機(jī)取區(qū)間 [_width/2，width/2]和[_height/2，height/2]中的任一整數(shù)，height 為待識(shí)別目標(biāo)區(qū)域 的長(zhǎng)，width為待識(shí)別目標(biāo)區(qū)域的寬；
[0031] (2c)以（width/2，height/2)為起點(diǎn)坐標(biāo)，從填充、平移后的SAR圖像中截取與原 始SAR圖像訓(xùn)練樣本同樣大小的區(qū)域，得到一個(gè)新的訓(xùn)練樣本圖像。
[0032] 步驟3,擴(kuò)充訓(xùn)練樣本。
[0033] 在隨機(jī)平移得到的新訓(xùn)練樣本圖像上標(biāo)記與原始訓(xùn)練樣本