[发明专利]一种基于多视角深度学习框架的SAR自动目标识别方法

说明书

本发明公开一种基于多视角深度学习框架的SAR自动目标识别方法，应用于雷达目标识别领域，针对原始SAR图像较少的情况下深度神经网络难以得到有效训练的问题，本发明利用原始SAR图像的不同视角，结合实际应用中的数据采集成本及识别性能要求，利用少量原始SAR图像，生成大量多视角组合样本，增加了样本中包含的有效识别信息；基于深度学习理论，构建多输入并行深度神经网络，自动提取出不同视角的有效特征并给出类别预测结果，实现SAR目标的迅速精准识别，本发明方法具有灵活、准确、高效和泛化能力强的优点。

技术领域

本发明属于雷达目标识别领域，特别涉及一种雷达目标识别领域中合成孔径雷达自动目标识别技术。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有全天候、全天时工作能力的高分辨率微波成像雷达，广泛应用于战场感知侦察、地理信息采集、农林环境监测、地质地貌勘探、海洋资源利用等领域，具有极高的民用与军用价值。由于电磁散射特性和相干成像机理，SAR成像对目标方位角较为敏感，且SAR图像中存在大量相干斑，使之与光学图像的差异进一步增大，增加了人工解译的难度。SAR自动目标识别(Automatic TargetRecognition,ATR)基于现代信号处理和模式识别等理论，在没有人工干预的条件下，迅速准确地检测出目标潜在区域，提取目标特征并判别出目标类别信息，为信息感知和精确打击等多个方面提供了有力的技术支持。

当前主流的SAR ATR方法主要有基于模板的方法和基于模型的方法。但传统方法往往存在受人工经验影响较大，算法复杂度较高等问题，难以提取出最优的目标特征并进行高效精准的分类识别。随着人工智能理论的兴起与发展，深度神经网络作为一种自适应能力强的机器学习算法被广泛应用于图像分类、语音信号处理等多个领域，为SAR ATR开辟了新的思路与方向。

文献“D.A.Morgan Deep convolutional neural networks for atr from sarimagery.SPIE Defense+Security.International Society for Optics and Photonics,2015,pp.94 750F–94 750F.”等构建了单输入卷积神经网络用于解决10类SAR目标图像的识别问题，但所用网络的训练需要大量目标样本，训练样本数量较少的情况下容易陷入过拟合，并且网络泛化能力较差。

文献“J.Ding,B.Chen,H.Liu,and M.Huang.Convolutional neural networkwith data augmentation for sar target recognition.IEEE Geoscience and RemoteSensing Letters,vol.13,no.3,pp.364–368,March 2016.”采用平移、加噪、姿态合成等方法对原始SAR图像进行扩充，以满足卷积神经网络训练的需要。但是该方法并没有增加原始SAR图像的有效识别信息，样本扩充后识别性能的提升十分有限，且需分配大量的存储空间。原始SAR图像较少的情况下深度神经网络难以得到有效训练的问题仍未得到合理解决。

发明内容

为解决上述技术问题，本发明提出了一种基于多视角深度学习框架的SAR自动目标识别方法，利用少量原始SAR图像，生成大量多视角组合样本，增加了样本中包含的有效识别信息.

本发明采用的技术方案为：一种基于多视角深度学习框架的SAR自动目标识别方法，包括：

S1、采集原始SAR图像；

S2、对步骤S1采集的原始SAR图像进行预处理；

S3、根据视角大小对预处理后的SAR图像进行排序；

S4、根据实际成像条件和性能指标设置视角数目k及观察角大小θ；