[发明专利]基于卷积特征提取和机器学习的联合SAR目标识别方法

说明书

本发明公开了基于卷积特征提取和机器学习的联合SAR目标识别方法，读取SAR原始图像数据集，并做预处理；使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成，亚采样层对上层的得到的特征图亚采样，减小特征图的大小，最后生成1行128列的特征值；将特征值分别使用softmax回归、支持向量机、K邻近训练分类模型；预测的未知类别图像所属类别，最终的预测结果是依靠三种分类器预测结果综合处理得到。本发明联合三种机器学习方法，识别准确率高，方法鲁棒性强。

技术领域

本发明属于雷达技术领域，涉及基于卷积特征提取和机器学习的联合SAR目标识别方法。

背景技术

合成孔径雷达可以全天候在各种天气环境下工作，因而在军事防御、资源探测、灾难预警和救援等方面得到广泛的应用。随着越来多高精度SAR投入使用，并且原始SAR信号具有大量噪声，这使得使用人工识别目标变得越来越困难。已有的利用主成成分分析(PCA)结合支持向量机(SVM)对目标分类识别、基于主成成分分析、独立分量分析和小波决策融合的识别方法虽然已经达到一定的正确率，但是依然需要人工经验对原始信号进行复杂的变换和多维度的特征提取，从而给不同情况下的识别结果带来不确定性。

自从2006年Hinton等人提出深度学习这一概念后，深度学习领域得到飞速发展，其广泛应用于目标识别领域。卷积神经网络是深度学习的一种，其特点是使用类似于生物神经网络的局部感受野、权值共享策略与时间或空间的亚采样，降低模型的复杂度与计算量，避免传统算法的特征提取与数据重建过程。

发明内容

本发明的目的在于提供基于卷积特征提取和机器学习的联合SAR目标识别方法，解决了传统算法的特征提取与数据重建过程复杂，识别结果不准确的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1.读取SAR原始图像数据集，并做预处理；

步骤2.使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成，亚采样层对上层的得到的特征图亚采样，减小特征图的大小，最后生成1行128列的特征值；

步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机、K邻近训练分类模型；

步骤4预测的未知类别图像所属类别；

进一步，步骤1的实现过程如下，

步骤1.1将每幅图像尺寸变换为48*48像素大小；

步骤1.2对剪裁后的图像通过镜像变化，随机剪裁对数据集扩充；

步骤1.3将数据集归一化，设有m幅原始图片，经过尺寸变换后，每幅图像有2304个像素点，设V_k，i，j为第k幅图的第i行第j列的元素值，V^*_k，i，j为第k幅图的第i行第j列归一化之后的元素值，V_k，min第k幅图最小的像素值，V_k，max第k幅图最大的像素值，则归一化的计算公式为：

进一步，步骤2的实现过程如下，

步骤2.1卷积层1，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；对于一个有C个类别和N个训练样本的多分类问题，第l层第j个神经元的输出为：

其中M_j表示第j个输入特征图，为额外的偏置，为卷积核；