[发明专利]基于角度旋转生成网络的SAR目标识别方法

说明书

本发明公开了一种基于角度旋转生成网络ARGN的SAR目标识别方法，主要解决现有技术在训练样本有限情况下目标识别率较低的问题。其实现方案是：1)对给定的数据集进行预处理，获取新的源任务训练样本和目标任务样本；2)构建角度旋转生成网络ARGN；3)用源任务训练样本对ARGN网络进行训练，得到训练好的网络模型；4)用训练好的模型提取目标任务训练集、测试集的特征；5)用训练集的特征训练SVM分类器；6)将测试集的特征输入到训练好的SVM分类器中，得到测试集的分类结果。本发明通过角度旋转生成网络ARGN能够学习目标的姿态信息及位姿差异，提高了目标的识别率，可用于在训练样本有限情况下的目标识别。

技术领域

本发明属于雷达图像处理领域，主要涉及SAR图像目标识别方法，可用于在训练样本有限情况下的目标识别。

背景技术

合成孔径雷达SAR具有全天时、全天候及穿透力强的特点，被广泛应用于军事侦察和遥感领域。近年来SAR图像的自动目标识别技术SAR ATR发展迅速，基本的SAR图像自动目标识别系统SAR ATR一般包括目标检测、目标鉴别和目标识别三个阶段。目标识别用于区分目标的类别，作为自动目标识别系统的最后一环，具有重要研究意义。

合成孔径雷达SAR的识别研究已经取得了很多的成果。然而，由于现实情况的限制，我们很难得到大量的训练样本。由于训练样本较少，导致了大量目标姿态信息的缺失，这严重影响了目标识别的性能。为了解决这一问题，J.I.Park和K.T.Kim等人设计了一种改进的极坐标映射分类器M-PMC，该方法在训练数据有限的情况下，具有良好的识别性能。但是，该方法中用于分类的特征需要手工设计，严重增加了设计者的负担。GangGang Dong等人还提出了一种基于Monogenic Signal稀疏表示的方法，然而，目标的识别率受有限训练样本的影响较大。此外，用于解决有限样本问题的算法还包括深度卷积高速单元网络、数据扩充等，但是这些算法仍没有从根本上解决有限样本问题。

迁移学习也常被应用于有限样本问题下的目标识别，将在源域中学到的知识迁移到目标域中。Huang等人提出将基于深度卷积神经网络的迁移学习方法应用于SAR目标识别中，使从大量未标记的SAR场景图像中学习到的知识能够转移到有标记的SAR目标数据中。但是这要求未标记的场景与有标记的样本有很强的相关性，且在目标域上的识别率仍有待提高。

发明内容

本发明的目的在于针对上述现有技术的不足，借鉴迁移学习的思想，提出一种基于角度旋转生成网络的目标识别方法，以提高SAR目标识别的精度。

本发明的技术思路是：通过角度旋转生成网络ARGN学习目标的姿态信息及位姿差异，以构建包含完整姿态信息的特征表示。将包含目标完整姿态信息的数据集作为源域训练整个网络，并将从源任务中学到的知识转移到目标任务中。在缺少姿态信息的目标域中，利用在源域中已训练好的网络提取目标域数据集的特征，将其作为支持向量机SVM分类器的输入，完成分类任务。在生成任务中，将提取到的目标域数据集的特征进行特征变换，利用变换后的特征进行图像重构，生成任意姿态角下的目标。其实现步骤包括如下：

(1)实验数据准备：

将运动静止目标MSTAR数据集的图像分为源域数据集和目标域数据集，将源域数据集中大小为128×128的图像裁剪成64×64大小；

对裁剪后的图像进行能量归一化，再将目标类别相同的图像组合成两两一组的数据对x₁,x₂，计算数据对x₁,x₂的目标方位角的角度差，并对其进行归一化，得到归一化后的角度差γ；

用数据对x₁,x₂及角度差γ作为源任务的训练样本；

将目标域数据集中的图像同样裁剪成64×64大小，并对其进行能量归一化，得到目标任务的样本；

(2)构建角度旋转生成网络ARGN：