[发明专利]一种基于深度模型的合成孔径雷达图像目标识别方法

摘要

本发明公开了一种基于深度模型的合成孔径雷达图像目标识别方法，包括流：图像切割；深度模型层级结构设计，特征提取滤波器设计，参数数量控制与过拟合预防，激活函数以及非线性提升，识别分类以及参数自主修正更新；深度模型训练；目标识别。本发明训练过程中滤波器参数能够实现自主迭代更新，大大地降低了特征的选择与提取所需开销，同时本发明中深度模型能够提取目标不同层级的特征，这些特征通过高度的匹配与训练得到，因此能够实现目标的高度表征，提高了SAR图像目标识别的准确度。

主权项

1.一种基于深度模型的合成孔径雷达图像目标识别方法，其特征在于，包括下列步骤：步骤1：训练样本采集：步骤101：输入识别目标的不同类别的原始SAR图像，其中类别数为T；步骤102：对原始SAR图像以目标为中心进行图像切割，得到图像大小相同的训练样本集，并为每个训练样本设置类别标识符；步骤2：构建深度模型：步骤201：构建由卷积滤波器与池化滤波器级联的卷积神经网络模块，其中卷积滤波器用于对输入数据进行滑窗卷积得到卷积输出；池化滤波器用于对输入数据进行滑窗降维处理，得到卷积神经网络模块的卷积层输出，所述降维处理为：对卷积输出进行最大值滤波处理，取当前窗口的局部最大值作为当前窗口的滤波输出；步骤202：设置H层的深度模型，深度模型的第1～H‑1层为级联的H‑1个卷积神经网络模块，第1层的输入为训练样本，第2～H‑1层的输入为上一层的卷积层输出，且第1～H‑1层的卷积滤波器的尺寸逐渐变小；深度模型的第H层包括卷积滤波器，用于对输入数据的卷积滤波，第H层的卷积滤波器的输入为第H‑1层的卷积层输出，且卷积滤波器的尺寸等于第H‑1层的卷积神经网络模块的输出特征图尺寸；步骤3：深度模型训练：步骤301：初始化迭代次数d＝0，初始化学习率α为预设值；步骤302：从训练样本样本集中随机选择N幅图像作为子训练样本集，输入到深度模型的第1层，基于深度模型的第H层输出得到每个训练样本的特征向量矩阵X；逐级计算各层卷积滤波器的误差值δ：第H层卷积滤波器的误差值为F‑X，期望输出F为预设值；第1～H‑1层卷积滤波器的误差值则基于上一层的误差值与卷积滤波器的参数w_nm的乘积得到，下标n＝1,2…,ω，m＝1,2…,ω，ω表示卷积滤波器的尺寸；根据各级卷积滤波器的误差值更新参数w_nm：w_nm＝w_nm‑Δw_nm，其中更新迭代次数d＝d+1；步骤303：判断迭代次数是否达到结束阈值，若是，则执行步骤304；否则，再判断迭代次数是否达到调整阈值，若是，则降低学习率α，并基于更新后的各级卷积滤波器的参数w_nm执行步骤302；若否，则直接基于更新后的各级卷积滤波器参数w_nm执行步骤302；步骤304：基于各级卷积滤波器的当前参数w_nm得到训练完成的深度模型；步骤4：输入待识别SAR图像，以待识别目标为中心进行图像切割，得到与训练样本相同尺寸的待识别图像；将待识别图像输入训练完成的深度模型，输出待识别图像的特征向量矩阵；步骤5：计算待识别图像的特征向量矩阵分别属于T类目标的分类概率，以最大概率对应的类别作为目标识别结果。