[发明专利]一种基于辅助判决更新学习的合成孔径雷达目标识别方法

说明书

本发明属于雷达遥感应用技术领域，具体的说是涉及一种基于辅助判决更新学习的合成孔径雷达目标识别方法。本发明的方法利用少量的初始训练样本训练初始模型，新增的未标签的图像作为测试样本，识别结果再作为下一次训练的训练样本，在已有模型的基础上迭代训练直至得到一个识别效率稳定成熟的识别系统。本发明利用卷积神经网络为主体提取SAR目标的深层特征进行分类，再结合辅助分类器的辅助判决，使得新增的无标签SAR图像可以直接运用于已有分类器，同时避免了样本重复训练，提高了识别效率。

技术领域个

本发明属于雷达遥感应用技术领域，具体的说是涉及一种基于辅助判决更新学习的合成孔径雷达目标识别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，以下简称SAR)具有全天时、全天候等特点，是一种重要的对地观测手段。SAR目标识别利用SAR图像信息实现目标种类、型号等属性的判定，在战场侦察、精确打击等军事领域有明确的应用需求，是提升SAR传感器信息感知能力、实现SAR技术应用的关键技术之一。

SAR目标识别性能和训练样本密切相关。目标识别需要大量的带分类标签的样本，这需要耗费非常大的人力物力资源。相对于光学图像，SAR图像样本不仅数量较少，且随着时间增加缓慢，部分新增的SAR图像未携带标签，难以直接用于提升检测器与分类器的性能。

同时，在训练过程中，在有新增SAR图像样本的情况下，传统的方法将新增带分类标签的样本直接加入原有样本集，重新进行训练样本训练的步骤，这就意味着训练样本的重复训练，导致大量的开销用于重复性的工作，识别效率降低。因而，如何有效利用新增的SAR图像以实现SAR目标识别系统性能的增加，并减小训练开销是SAR图像解译领域的一个重要问题。

现有的有效利用新增样本提升目标识别性能的研究主要有：(1)利用神经网络构造一个分层的模型，在逻辑上构成一棵树，所有的待识别样本的类别被划分为超类，每一个超类被分配到叶子模型上，当样本增加时，新增样本触发输出样本所属叶子模型概率的根节点，然后选择具有最高概率的叶子模型确定其识别类型，只需更新或者添加一部分子树便可以达到利用只新增样本提升识别性能的目的；(2)通过横向扩展卷积神经网络(Convolutional NeuralNetwork，以下简称CNN)的结构，当样本增加的时候，产生相应的新的CNN，最终结合横向所有的网络输出作为最终的识别结果。但是上述这些研究都是基于光学图像数据。然而，SAR图像成像机理与普通光学传感器有很大的差异，导致SAR图像不能像光学图像那样能直观地被理解，新增的SAR图像未带有分类标签，必须通过训练才能确认雷达图像所传达的信息，而且完全的人工阅读、理解不能适应某些应用上实时性的要求。同时，与光学图像对比，SAR图像特殊的成像机理使得SAR图像存在一定的畸变，导致针对SAR图像的特征提取变得困难。

发明内容

本发明的目的是，针对上述问题或不足，为了有效利用新增的无分类标签SAR图像样本实现SAR目标识别系统性能的增强，同时避免样本重复训练导致的开销，本发明提出了一种基于辅助判决更新学习的合成孔径雷达目标识别方法，该方法通过利用少量的初始训练样本训练模型，将新增的未标签的图像作为测试样本，测试结果再作为训练样本，在已有模型的基础上迭代训练分类器。本发明利用CNN作为主体提取SAR目标的深层特征进行分类，再结合辅助分类器进行辅助判决，使得新增的SAR图像可以直接用于提升已有分类器的性能。

本发明的技术方案是，如图1所示，具体包括以下步骤：

步骤1、构建CNN模型。

CNN的结构如附图2所示。其中神经节点的激活函数为修正线性单元(RectifiedLinear Unit，ReLU)。

CNN能够提取不同深度的图像目标特征。CNN的卷积层通过尺寸大小为ω的卷积滤波器的卷积操作来提取输入的SAR图像样本的不同特征，卷积层输出：