基于逆空间变换网络的ISAR图像识别方法与流程

本发明属于图像处理技术领域，更进一步涉及一种逆合成孔径雷达isar图像分类方法，可用于航海、航天、航空的自动目标识别。

背景技术：

逆合成孔径雷达isar具有全天候、全天时、高分辨、远作用距离等特性，由于二维高分辨isar图像具有可分辨的目标形状，可提供目标的结构与运动信息，被广泛应用于航海、航天、航空的自动目标识别。自动目标识别atr是基于计算机系统，从传感器获取数据，提取特征，自动给出目标类别属性的算法。近年来，虽然已有大量算法成功应用于合成孔径雷达sar的自动目标识别，但由于逆合成孔径雷达isar图像的固有特性，难以将用于sar图像的算法直接应用于isar图像的自动目标识别。

针对isar图像对伸缩、平移的敏感性，基于isar图像进行自动目标识别的方法，主要分为三类：提取稳健特征、构建形变模板、校正图像形变。其中：

提取稳健特征方法，采取二维傅里叶变换提取图像中的平移不变特征，采取极坐标映射或迹变换提取图像的旋转、尺度不变特征，由于提取稳健特征方法可能会丢失目标的形状与结构信息，且该方法要求训练与测试的样本有相同的方位尺度因子，因此在实际应用场景中并不实用。

构建形变模板方法，根据目标的先验信息，如边缘或轮廓形状，构建形变概率模型作为模板，使用贝叶斯框架对形变模板与isar图像进行匹配，由于难以获得空天目标充足的先验信息，因此构建形变模板方法针对空天目标的识别效果较差。

校正图像形变方法，在目标散射点真实分布与计算得到的三维分布之间建立线性变换模型，根据模型计算样本的形变参数，但与提取稳健特征的方法相比，校正图像形变方法的计算量过大。

上述isar自动目标识别方法能在特定场合下有较好的识别效果，但还存在着应用场景受限、计算量过大等不足。

s.j.lee,s.h.park,k.t.kim,在其发表的论文“improvedclassificationperformanceusingisarimagesandtracetransform”(ieeetransactionsonaerospace&electronicsystems,2017)中提出了一种利用isar像的二维傅里叶变换获取平移不变特征，同时采用trace变换获取旋转及尺度不变特征的逆合成孔径雷达isar自动目标识别atr方法。具体而言，上述变换将isar像的旋转与伸缩分别转化为其极坐标图像沿iθ轴投影的平移及沿ir轴投影的伸缩，进而根据归一化互相关最大准则进行模板匹配，从而消除旋转与伸缩敏感性。但是，这种映射方法为二维图像向一维坐标轴的投影，因此可能会损失目标重要的形状与结构这些可区分信息，此外，这类方法要求测试与训练目标isar像对应同一个成像投影平面ipp，即具有相同的方位尺度因子，由于实际情况中观测条件复杂多变，因而该假设很难满足。

近年来，深度学习已成功运用于计算机视觉、图像识别、自然语言处理等领域，并在处理图像形变、提取稳健特征时有卓越表现，因此可将其应用于雷达自动目标识别的研究中。

x.he,n.tong,x.hu,在其发表的论文“automaticrecognitionofisarimagesbasedondeeplearning”(proc.cieint.conf.onradar,2017)中提出了一种利用稀疏自编码器提取isar图像特征的逆合成孔径雷达isar自动目标识别atr方法。该方法的具体步骤为：首先构建稀疏自编码器，即由输入-隐层-输出构成的神经网络，输入是isar图像，稀疏自编码器拟合恒等函数，使输出尽可能等于输入图像，稀疏自编码器的训练完成后，隐层即可学习到isar图像的特征，将隐层输出的isar图像特征作为softmax分类器的输入，由softmax分类器的输出得到isar图像的识别结果。虽然该方法可有效提取isar图像的空间特征，但是当目标样本相似且存在形变时，识别准确率低。

技术实现要素：

本发明的目的在于针对上述现有技术的不足，提出一种基于逆空间变换网络的isar图像识别方法，以提高对存在未知形变目标的识别性能。

本发明的技术思路是：使用keystone变换与rd算法处理雷达回波，生成目标的isar图像作为样本集，构造一个包含逆空间变换网络的深度神经网络，将深度神经网络的最后一层与softmax分类器相连，得到isar图像的识别结果，其实现步骤包括如下：

(1)生成训练样本集和测试样本集：

(1a)对四类卫星目标的雷达回波使用keystone变换及rd算法，先设置俯仰角为50°，并在积累角为6°、带宽为2ghz和积累角为5°、带宽为1.5ghz这两种条件下，分别生成每类卫星目标的isar图像各360张，得到共2880张isar图像；再分别围绕每幅isar图像的中心，将每幅isar图像裁剪为120×120个像素，并与相应的标签组合，生成训练样本集s1；

(1b)对四类卫星目标的雷达回波使用keystone变换及rd算法，先设置俯仰角为55°，并在积累角为6°、带宽为1ghz和积累角为3°、带宽为2ghz这两种条件下，分别生成每类卫星目标的isar图像各360张，得到共2880张isar图像；再分别围绕每幅isar图像的中心，将每幅isar图像裁剪为120×120个像素，并与相应的标签组合，生成测试样本集s2；

(2)构建基于逆空间变换网络的isar图像识别网络：

(2a)由第1卷积层、第1池化层、第2卷积层、第2池化层、第一全连接层、第二全连接层依次级联得到第一深度卷积神经网络n1，其中，两组卷积层与池化层之间均有批归一化bn和relu操作；

(2b)在第一深度卷积神经网络n1后连接变换单元，得到一个参数预测器；

(2c)将四个参数预测器依次级联，形成逆空间变换网络；

(2d)由五组卷积-bn-relu-池化结构依次级联，再在最后一组结构中的池化层后依次级联第三全连接层、dropout层、第四全连接层、softmax分类器，得到第二深度卷积神经网络n2；

(2e)在逆空间变换网络后连接第二深度卷积神经网络n2，得到一个基于逆空间变换网络的isar图像识别网络；

(3)将训练样本集s1，输入到基于逆空间变换网络的isar图像识别网络，通过反向传播算法进行训练，得到训练好的基于逆空间变换网络的isar图像识别网络；

(4)将测试样本集s2，输入训练好的基于逆空间变换网络的isar图像识别网络进行测试，得到网络输出的分类结果。

本发明与现有技术相比具有以下优点：

由于本发明采用的逆空间变换网络使用多层参数预测器估计图像变换参数，并依据变换参数对原始isar图像进行多级形变校正，因此能够避免现有形变校正技术导致图像信息损失的不足，在保留图像完整信息的同时有效提高了对未知形变目标的识别性能。

附图说明

图1是本发明的实现流程图。

具体实施方式

下面结合附图对本发明的实施例和效果做进一步的描述。

参照图1，对本实施例的实现步骤如下。

步骤1，生成样本集。

1.1)对四类目标的雷达回波使用keystone变换及rd算法，设置俯仰角为50°，生成四类目标在积累角为6°、带宽为2ghz时的isar图像各360张，在积累角为5°、带宽为1.5ghz时的isar图像各360张，共2880张isar图像；

1.2)对四类目标的雷达回波使用keystone变换及rd算法，设置俯仰角为55°，生成四类目标在积累角为6°、带宽为1ghz时的isar图像各360张，在积累角为3°、带宽为2ghz时的isar图像各360张，共2880张isar图像；

1.3)围绕1.1)生成的每幅isar图像的中心，将每幅isar图像裁剪为120×120个像素，并与相应的标签组合，得到训练样本集s1；

1.4)围绕1.2)生成的每幅isar图像的中心，将每幅isar图像裁剪为120×120个像素，并与相应的标签组合，得到测试样本集s2。

步骤2，构建基于逆空间变换网络的isar图像识别网络。

2.1)由第1卷积层、第1池化层、第2卷积层、第2池化层、第一全连接层、第二全连接层依次级联得到第一深度卷积神经网络n1，其中，两组卷积层与池化层之间均有批归一化bn和relu操作；

该第一深度卷积神经网络n1的各层参数设置如下：

第1卷积层的卷积核大小为9×9个像素，卷积核数量为4个；

第2卷积层的卷积核大小为7×7个像素，卷积核数量为8个；

第1池化层、第2池化层的核大小均为2×2个像素；

第一全连接层、第二全连接层的神经元个数分别为50个和6个。

2.2)将第一深度卷积神经网络n1第二全连接层输出的六个变换参数组成变换矩阵，用该变换矩阵构成变换单元；

2.3)将第一深度卷积神经网络n1与变换单元相连，得到一个参数预测器；

2.4)将四个参数预测器依次级联，形成逆空间变换网络；

2.5)由五组卷积-bn-relu-池化结构依次级联，再在最后一组结构中的池化层后依次级联第三全连接层、dropout层、第四全连接层、softmax分类器，得到第二深度卷积神经网络n2；

该第二深度卷积神经网络n2的各层参数设置如下：

第一组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；

第二组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；

第三组卷积层的卷积核大小为6×6个像素，卷积核数量为32个；

第四组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；

第五组卷积层的卷积核大小为3×3个像素，卷积核数量为128个；

五组池化层的核大小均为2×2个像素；

第三全连接层神经元的个数为50个；

第四全连接层神经元的个数为4个。

2.6)在逆空间变换网络后连接第二深度卷积神经网络n2，得到一个基于逆空间变换网络的isar图像识别网络。

步骤3，训练基于逆空间变换网络的isar图像识别网络。

将训练样本集s1，输入到基于逆空间变换网络的isar图像识别网络，通过反向传播算法进行训练，得到训练好的基于逆空间变换网络的isar图像识别网络；

训练的具体步骤如下：

第1步，初始化第一深度卷积神经网络n1、第二深度卷积神经网络n2中各卷积层的卷积核及各全连接层的权值与偏置；

第2步，将isar图像输入到第一深度卷积神经网络n1，在第1卷积层由卷积核滑动计算，产生输出特征图；

对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第1池化层的输入；

将第1池化层的输出作为第2卷积层的输入特征图，对第2卷积层的输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第2池化层的输入；

将第2池化层的输出经第一全连接层、第二全连接层计算后，输出六个变换参数，将此六个参数组成变换矩阵，对isar图像的像素矩阵进行遍历相乘，得到处理后的isar图像；

第3步，重复第2步，依据逆空间变换网络中参数预测器的级联顺序，沿网络结构逐层计算，第四个参数预测器的输出图像为形变校正后的isar图像；

第4步，将第3步所得的isar图像作为第二深度卷积神经网络n2的输入，沿网络结构依次逐层进行计算至第四全连接层的输出，将该输出通过softmax分类器，得到接近于one-hot向量的输出向量，该向量即为基于逆空间变换网络的isar图像识别网络的输出；

第5步，将交叉熵函数定义为基于逆空间变换网络的isar图像识别网络的损失函数，具体形式为：

其中，w为基于逆空间变换网络的isar图像识别网络中所有可训练的参数，yk是基于逆空间变换网络的isar图像识别网络的输出，tk是样本的真实标签；

第6步，对权值w进行更新，更新公式为：

w^new＝w^old-ηδl(w^old)，

其中，w^new是更新得到的权值，w^old是更新前的权值，η是学习率，δl(w^old)是损失函数l(w)对w^old的偏导，即

第7步，使用更新后的权值w^new再次进行第1-6步的计算过程，如此进行多次迭代更新，当损失函数l(w)稳定收敛后，停止迭代，得到权值w的最优值，即得到训练好的基于逆空间变换网络的isar图像识别网络。

步骤4，将测试样本集s2，输入训练好的基于逆空间变换网络的isar图像识别网络进行测试，得到网络输出的分类结果。

本发明的效果可以通过以下仿真实验说明。

1、仿真实验条件：

本发明的仿真实验使用标准po法产生4类卫星目标的雷达回波数据，这4类目标分别为：oco-2、cloudsat、calipso和jason-3。对四类目标的雷达回波使用keystone变换及rd算法，设置俯仰角为50°，生成四类目标在积累角为6°、带宽为2ghz时的isar图像各360张，积累角为5°、带宽为1.5ghz时的isar图像各360张，共2880张isar图像与相应类别标签组合作为训练样本；设置俯仰角为55°，生成四类目标在积累角为6°、带宽为1ghz时的isar图像各360张，积累角为3°、带宽为2ghz时的isar图像各360张，共2880张isar图像与相应类别标签组合作为测试样本。

仿真实验硬件平台为intelxeone5-2683@2.00ghzcpu、64gbram、nvidiageforcegtx1080tigpu；

仿真实验软件平台为python3.6和tensorflow1.3。

2、仿真实验内容与结果分析：

仿真实验：在相同的数据集下，应用本发明方法和传统卷积神经网络方法对目标进行识别，并通过以下公式分别计算两种方法的识别率：

其中，c表示测试样本集的识别率，m表示测试样本集的样本数量，h(·)表示分类鉴别函数，ti表示测试样本集中第i个测试样本的真实类别，yi表示测试样本集中第i个测试样本对应的网络输出结果，当ti和yi相等时，h(ti,yi)等于1，否则，h(ti,yi)等于0。

在本发明方法中，首先使用训练样本集训练基于逆空间变换网络的isar图像识别网络，得到训练好的基于逆空间变换网络的isar图像识别网络，然后使用测试样本集在训练好的基于逆空间变换网络的isar图像识别网络上进行测试，计算得到本发明的识别率为93.58％。

在传统卷积神经网络方法中，采用仿真实验条件中所述的训练样本集与测试样本集，使用训练样本集训练卷积神经网络，得到训练好的卷积神经网络，然后使用测试样本集在训练好的卷积神经网络上进行测试，计算得到传统卷积神经网络的识别率为88.16％。

从仿真结果可以看出，本发明提出的基于逆空间变换网络的isar图像识别方法相比现有技术的卷积神经网络方法的识别率提高了5.42％，说明本发明提出的通过逆空间变换网络结构进行isar图像形变调整，再使用深度卷积神经网络进行分类的方法，能够提高isar图像的识别率，具有重要的理论意义和应用价值。