[发明专利]一种SAR图像舰船目标识别方法和系统

说明书

本发明涉及一种SAR图像舰船目标识别方法。该SAR图像舰船目标识别方法通过提出的类别间样本不平衡处理技术(包括基于数据增强的上采样处理和按比例生成批量方法)对训练数据进行预处理，在提升训练数据多样性的同时，使送入网络的训练数据保持类别间平衡；通过提出的用于SAR图像舰船目标识别的密集残差网络，可以在学习更多新特征的同时实现对原始特征的再利用；通过提出的基于中心损失的损失函数，调整网络模型参数，实现了对类内紧凑性和类间可分性的同时优化。在OpenSARShip上的识别结果表明所设计的密集残差网络比现有采用的神经网络具有更高的准确率、更小的模型尺寸和更小的计算量。

技术领域

本发明涉及目标识别和雷达遥感技术领域，特别是涉及一种SAR图像舰船目标识别方法和系统。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)利用遥感平台的移动，将一个小孔径的天线安装在平台侧方，通过运动形成等效的大孔径天线，来达到提高方位分辨率的目的。它是一种全天时全天候的传感器，可以产生高分辨率的SAR图像，被广泛的应用于军事和民用领域。随着可获取的SAR图像的增多，对SAR图像自动化和智能化的解译变得越来越重要，而舰船作为重要的军事和民用目标，是需要重点关注的对象，因此SAR图像舰船目标识别得到了大量的研究，涌现了很多成果。目前SAR图像舰船目标识别方法大都借鉴通用目标识别方法，发展脉络是从传统方法到基于CNN的识别方法。传统方法包括特征提取和分类器设计两大部分，对SAR图像中的目标进行特征提取时，对于细节不清晰的小目标，可以利用面积、周长、长宽比和矩等几何特征，对于细节清晰的高分辨率目标，可以利用一些稍高级的特征例如LBP和SIFT等。

近年来，基于CNN的SAR图像目标识别方法得到了较多的研究，其中以中国复旦大学、上海交大、中科院电子所、中科院遥感所和海军航空大学等研究较为深入，相比于传统识别方法展现出了较大的优势。例如(Bentes C,Velotto D,Tings B.ShipClassification in TerraSAR-X Images With Convolutional Neural Networks.IEEEJournal ofOceanic Engineering.2017,PP(99):1-9.)提出了四个专门设计的CNN模型(分别命名为CNN-A、CNN-B、CNN-C和CNN-D)用于SAR图像中目标的分类，得到了很好的效果，但是没有公开数据集。为了减少参数量，论文(S.Chen,H.Wang,F.Xu,andY-.Q.Jin.Targetclassification using the deep convolution networks for SAR images[J].IEEETrans.Geosci.Remote Sens.2016,vol.54,no.8,pp.4806-4817.)提出了A-ConvNets，其只包含几个稀疏的连接层，没有全连接层。不过上述所使用的都是较浅的CNN，与目前较先进的CNN例如ResNet和DenseNet在特征表达方面还是有较大的差距。(Shao J,Qu C,Li J.Aperformance analysis of convolutional neural network models in SARtargetrecognition[C].1-6.10.1109/BIGSARDATA.2017.8124917.)在公开的数据集MSATR上将经典的CNN(包括LeNet、AlexNet、ResNet和DesnseNet等)的识别性能进行了对比实验，实验结果表明其分类准确率很容易能达到99％以上，这表明了其在SAR图像目标识别方法的强大性能。目前公开的用于SAR图像目标识别的数据集只有OpenSARShip一个可用，但此数据集存在着类别间样本不均衡的问题，导致识别性能下降严重。而且现有的经典CNN专门为三通道的自然图像而设计，应用到SAR图像存在模型参数冗余和计算量大的问题。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种SAR图像舰船目标识别方法和系统。

为实现上述目的，本发明提供了如下方案：