[发明专利]基于数据增强的合成孔径雷达图像目标深度模型识别方法

说明书

本发明属于雷达图像识别技术领域，涉及一种基于数据增强的合成孔径雷达图像目标深度模型识别方法。本发明基于小数据集难以在深度模型上训练的问题，提出了一种通用的能够在小数据集下结合深度模型应用的方法：基于Gabor滤波器对原始SAR图像数据做数据增强，用增强数据训练深度模型，并应用于SAR目标识别中。通过调整Gabor滤波器的方向和尺度参数，调整增强数据的数量，可以灵活设计不同深度的深度模型，以获得更好的识别性能。

技术领域

本发明属于雷达图像识别技术领域，涉及一种基于数据增强的合成孔径雷达图像目标深度模型识别方法。

背景技术

合成孔径雷达自动目标识别(Synthetic Aperture Radar Automatic targetrecognition SAR-ATR)已经广泛的应用于军事和国土安全等领域。SAR-ATR利用SAR图像的信息，通过特征提取和训练分类器的方式，实现目标种类、型号等属性的识别，在战场侦察、精确打击等军事领域有着非常明确的应用需求。

Gabor滤波器的频率和方向表示接近人类视觉系统对于频率和方向的表示。它对目标边缘敏感，可以提供良好的方向选择特性。利用Gabor滤波器很容易提取目标的多尺度多方向信息。

深度模型是一种多层的神经网络，在多个领域得到了非常多的应用，比如：目标识别、目标检测、语义分割等。对于目标识别，深度模型主要分为两个部分，第一个阶段充当一个特征提取器，相比传统的分类器需要手动设计特征提取器，在这一步中深度模型通过卷积层能够自动提取丰富的层级特征，从而减少了手动设计特征的代价。第二阶段充当一个分类器。

SAR-ATR的性能往往和所能够获取的训练样本的完备程度相关。训练一个好的分类器往往需要多的训练数据，但是SAR图像数据的稀少性质会对所训练的分类器的效果造成影响，使识别正确率降低。所以在SAR-ATR领域，训练数据的稀少性是一个比较严重的问题。对于深度模型，训练一个好的网络需要大量的训练数据。如果仅仅用现有的SAR图像数据进行训练，稀少的数据训练将造成网络严重过拟合，使识别效果非常差。SAR图像数据的稀少性与深度模型对数据的极大需求两者是很难达到统一，在以往传统的目标识别方法中，如：KNN、SVM、Adaboost等方法虽然对数据的需求相比深度模型来说要少，但是整体的识别效果不是很好。且有的研究基于深度模型的SAR-ATR，训练数据比较少，所以设计的网络比较浅，达不到提取更深特征的目的，识别效果会大打折扣。

发明内容

本发明是针对上述存在的问题，为了克服深度模型在SAR目标识别中由于数据缺乏而导致过拟合的缺陷，使SAR目标识别能够在深度模型中有更加出众的性能，提供了一种基于数据增强的合成孔径雷达目标深度模型识别方法。

本发明的技术方案是：如图1所示，基于数据增强的合成孔径雷达图像目标深度模型识别方法，其特征在于，包括以下步骤：

步骤1、对现有的SAR图像训练样本数据进行Gabor滤波器变换，每一张原始SAR图像样本数据进行不同方向不同角度的Gabor变换，得到多方向多尺度的特征图像。

此过程对训练过程中的原始SAR图像数据进行特征提取，由于Gabor滤波器方向和尺度参数的不同，可以得到多个不同的特征图像。2维的Gabor函数g(x,y)和它的傅里叶变换G(u,v)可以写成如下的形式：

其中σ_μ＝1/2πσ_x和σ_υ＝1/2πσ_y，σ表示方差，μ表示期望。W表示感兴趣区域中心频率的上限。