[发明专利]基于深度可变形卷积神经网络的SAR图像目标识别方法

说明书

本发明公开了一种基于深度可变形卷积神经网络的SAR图像目标识别方法，主要解决现有技术目标识别速度慢，准确率低的问题，其步骤为：1)对于SAR图像目标切片数据进行数据扩增，构建目标与场景的合成图像集合，进而得到训练样本集和测试样本集；2)构建基于像素级的峰值特征模块与连通区域标记模块；3)构建深度可变形卷积神经网络并对其进行训练；4)依据得到的峰值图像标记结果，画出目标检测结果图，将目标送入网络，得到输出的分类标签，完成SAR图像目标识别。本发明利用多层网络结构提取输入图像的特征，提高了SAR目标识别中检测速度和识别准确率，可用于遥感目标的目标检测、目标识别和侦查监视。

技术领域

本发明属于遥感图像处理领域，特别涉及一种SAR图像目标检测与识别方法，可用于遥感目标的目标检测、目标识别和侦查监视。

背景技术

机载和星载合成孔径雷达SAR可以在全天候的白天和夜间条件下运行，并且可以完成获得高分辨率图像和目标信息，获取大面积数据的任务。SAR图像同时包含形状和散射信息，可以很好地表示物体，因此特别适用于目标识别、侦查、监视等任务中。由于其散射/成像机制和散斑，SAR图像的解译与理解同视觉图像存在很大差异，通过人眼搜索大规模SAR图像中的小目标通常是耗时且不切实际的。

MIT林肯实验室将SAR图像的自动目标识别ATR标准体系结构划分为三个阶段：检测、判别和分类。检测使用恒虚警率CFAR检测器从SAR图像中提取候选目标；其结果中可能不仅包含坦克、装甲车、导弹发射装置等目标，还可能包含建筑物、树木、桥梁等虚假警报杂物。在判别阶段，选择合适的特征训练鉴别器来消除误报问题；最后，分类器被用来将每个输入分类为特定的目标类型，目前的三种主流模式为：模板匹配、基于模型的方法和机器学习。基于模型的方法通过对另一个子空间的对象表示以获取区分性特征，而模板匹配法则使用不同的分类规则。这些传统算法忽略了人类学习系统，即通过识别信息来学习对象的分层表示。与人类学习系统多层结构相同的深度学习已经被引入到各个领域，然而对于SAR图像而言，由于其用于针对特定目标学习深层结构的SAR图像数量非常有限，导致将深度卷积网络直接应用会导致严重过拟合，且卷积神经网络对于几何变换的模拟能力十分有限。例如，Chen等人在2016年《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》上发表了一篇题为“Target Classification Using the Deep ConvolutionalNetworks forSAR Images”的文章，公开了一种基于深度卷积神经网络的SAR图像目标识别方法，利用五层卷积层结构实现SAR图像目标识别。该方法在对SAR图像进行预测时未考虑网络的过拟合情况，对数据几何变换的模拟能力不强，同时存在训练参数过多的问题，导致最终目标识别在训练阶段效率偏低，识别准确率达不到理想数值。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于深度可变形卷积神经网络的SAR目标识别方法，以提高SAR目标识别效率和识别准确率。

本发明的技术思路是：通过提取图像的峰值特征并经过改进，在合成的SAR目标背景图中快速寻找到目标所在位置，完成目标检测过程；通过使用可变形卷积网络对处理好的数据集进行训练及对数据偏移量的学习保证深度卷积网络的稳定性，进而提高识别准确率。

其实现方案包括如下：

(1)对于SAR图像目标切片数据进行数据扩增：

(1a)对于俯视角为17度的数据，在每一类128×128的原始目标切片中扩增获取88×88大小的目标切片；

(1b)对于俯视角为15度的SAR图像目标切片，将每一类目标图像以中心像素点为中心，切取88×88的切片；

(2)将包含目标的10类436个图像切片嵌入不同环境场景的数据图像中，共获得50幅不同场景下的合成图像；

(3)构建网络训练样本集和测试样本集：