基于结构化电磁散射特征的SAR目标识别方法及装置

本技术涉及图像目标识别，特别是涉及一种基于结构化电磁散射特征的sar目标识别方法及装置。

背景技术：

1、合成孔径雷达(sar)由于其全天时全天候的成像特性，被广泛应用于许多方面，如军事，地理，自然灾害检测等。其中，目标识别是sar图像解译领域一个基础问题，一直是研究的热点。由于飞机在民事、军事任务中的重要作用，比如，航班管理、军事侦察等，飞机识别任务已经成为sar目标识别任务的重要问题之一。尤其是随着sar成像技术的快速发展，高分辨率sar图像比以往更容易获取，为具有挑战性的细粒度sar飞机识别任务提供了更多研究机会。

2、sar飞机目标图像通常有一些特殊的表征，包括：目标外观离散以及角度敏感。首先，sar飞机目标表现出极为离散的外观，相比sar图像的车辆和舰船目标，飞机图像的散射信息较少且离散，人眼分辨有一定难度。这是由于飞机目标结构较为简单，表面相对光滑。导致飞机目标图像的几何特征(如轮廓等)和纹理特征不明显。电磁散射特征是飞机很重要的特征之一。其次，由于sar是一种主动成像方式，不同成像角度下目标的成像差异很大，这是sar图像的角度敏感特质。

3、早期sar目标识别方法主要依赖于人工特征提取，如，几何形状特征、变换域特征等等。人工特征提取的方法要求更多的专家经验进行参数设计，对各种情况的泛化能力较弱，难以满足当前高分辨率sar目标识别任务需求。近年来，随着深度学习方法的不断发展，注意力逐渐转向这种可以自动进行特征提取的方法。目前大多数基于卷积神经网络的sar飞机识别方法都是直接借鉴光学图像中深度学习方法，没有有效利用sar独特的成像机制带来的电磁散射特征，如，几何绕射模型，属性散射中心，以及强散射点特征等等。并且，sar飞机目标图像表现出特有的外观离散特质，利用基于卷积神经网络的网络模型，很难有效捕捉到飞机目标不同部件之间的关联，不能充分提取sar飞机目标的有效特征，从而导致sar飞机目标识别能力受限。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够有效提升目标识别率的基于结构化电磁散射特征的sar目标识别方法及装置。

2、一种基于结构化电磁散射特征的sar目标识别方法，所述方法包括：

3、获取sar图像样本集，所述sar图像样本集中包括多张目标种类相同的sar样本图像；

4、提取各张所述sar样本图像中目标的强散射点，并根据提取到的强散射点构建图结构数据；

5、根据所述sar图像样本集中各张所述sar样本图像分别与对应的图结构数据组成多组样本对，并根据多组样本对构建训练样本集；

6、根据所述训练样本集中的样本对对目标识别模型进行训练，得到训练好的目标识别模型，其中，所述目标识别模型包括根据所述样本对中的图结构数据提取结构化电磁散射特征的第一特征提取网络，根据同一样本对中的sar样本图像提取深度特征的第二特征提取网络，以及根据所述结构化电磁散射特征与深度特征进行目标识别的特征融合网络；

7、获取待进行目标识别的sar目标图像，将所述sar目标图像输入已训练好的目标识别模型，并输出目标识别结果，以实现对所述sar目标图像中目标的识别。

8、在其中一实施例中，所述提取各张所述sar样本图像中目标的强散射点包括：

9、根据高斯混合分布模型构建表征所述sar样本图像中目标的强散射点分布的待求解公式；

10、将所述待求解公式进行最小化后，采用期望最大化算法进行迭代计算得到所述sar样本图像中目标的强散射点特征。

11、在其中一实施例中，所述sar样本图像中目标的强散射点包括多个，各所述强散射点特征包括该强散射点的局部空间坐标以及幅度属性。

12、在其中一实施例中，所述根据提取到的强散射点构建图结构数据包括：

13、将所述sar样本图像中目标的多个强散射点特征作为图结构的节点；

14、将各强散射点之间的局部空间位置关系作为对应节点之间的边，并用邻接矩阵对边进行描述。

15、在其中一实施例中，所述第一特征提取网络为图卷积神经网络；

16、所述图卷积神经网络包括依次连接的堆叠多层的gcn层、拼接全局平均池化层、全局最大池化层以及全连接层。

17、在其中一实施例中，所述图卷积神经网络对图结构数据进行结构化电磁散射特征提取时，包括：

18、所述图结构数据的节点以及边作为所述图卷积神经网络的输入，通过所述堆叠多层的gcn层提取目标的电磁散射特征的高级语义特征和结构特征；

19、所述高级语义特征和结构特征通过所述拼接全局平均池化层和全局最大池化层得到全局特征；

20、所述全局特征通过所述全连接层得到所述结构化电磁散射特征。

21、在其中一实施例中，所述第二特征提取网络为改进的卷积神经网络。

22、在其中一实施例中，在对所述目标识别模型进行训练时包括：

23、将所述样本对输入目标识别模型后，得到目标识别估计结果；

24、根据所述目标识别估计结果以及样本标签计算损失函数；

25、根据计算结果对所述目标识别模型中的参数进行调整，直至所述损失函数收敛，则得到已训练好的目标识别模型。

26、在其中一实施例中，所述sar目标识别方法应用于对目标为飞机的sar图像进行目标识别。

27、一种基于结构化电磁散射特征的sar目标识别装置，所述装置包括：

28、图像样本集获取模块，用于获取sar图像样本集，所述sar图像样本集中包括多张目标种类相同的sar样本图像；

29、图结构数据构建模块，用于提取各张所述sar样本图像中目标的强散射点，并根据提取到的强散射点构建图结构数据；

30、训练样本集构建模块，用于根据所述sar图像样本集中各张所述sar样本图像分别与对应的图结构数据组成多组样本对，并根据多组样本对构建训练样本集；

31、目标识别模型训练模块，用于根据所述训练样本集中的样本对对目标识别模型进行训练，得到训练好的目标识别模型，其中，所述目标识别模型包括根据所述样本对中的图结构数据提取结构化电磁散射特征的第一特征提取网络，根据同一样本对中的sar样本图像提取深度特征的第二特征提取网络，以及根据所述结构化电磁散射特征与深度特征进行目标识别的特征融合网络；

32、sar图像目标识别模块，用于获取待进行目标识别的sar目标图像，将所述sar目标图像输入已训练好的目标识别模型，并输出目标识别结果，以实现对所述sar目标图像中目标的识别。

33、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

34、获取sar图像样本集，所述sar图像样本集中包括多张目标种类相同的sar样本图像；

35、提取各张所述sar样本图像中目标的强散射点，并根据提取到的强散射点构建图结构数据；

36、根据所述sar图像样本集中各张所述sar样本图像分别与对应的图结构数据组成多组样本对，并根据多组样本对构建训练样本集；

37、根据所述训练样本集中的样本对对目标识别模型进行训练，得到训练好的目标识别模型，其中，所述目标识别模型包括根据所述样本对中的图结构数据提取结构化电磁散射特征的第一特征提取网络，根据同一样本对中的sar样本图像提取深度特征的第二特征提取网络，以及根据所述结构化电磁散射特征与深度特征进行目标识别的特征融合网络；

38、获取待进行目标识别的sar目标图像，将所述sar目标图像输入已训练好的目标识别模型，并输出目标识别结果，以实现对所述sar目标图像中目标的识别。

39、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

40、获取sar图像样本集，所述sar图像样本集中包括多张目标种类相同的sar样本图像；

41、提取各张所述sar样本图像中目标的强散射点，并根据提取到的强散射点构建图结构数据；

42、根据所述sar图像样本集中各张所述sar样本图像分别与对应的图结构数据组成多组样本对，并根据多组样本对构建训练样本集；

43、根据所述训练样本集中的样本对对目标识别模型进行训练，得到训练好的目标识别模型，其中，所述目标识别模型包括根据所述样本对中的图结构数据提取结构化电磁散射特征的第一特征提取网络，根据同一样本对中的sar样本图像提取深度特征的第二特征提取网络，以及根据所述结构化电磁散射特征与深度特征进行目标识别的特征融合网络；

44、获取待进行目标识别的sar目标图像，将所述sar目标图像输入已训练好的目标识别模型，并输出目标识别结果，以实现对所述sar目标图像中目标的识别。

45、上述基于结构化电磁散射特征的sar目标识别方法及装置，通过提取各张sar样本图像中目标的强散射点，并根据提取到的强散射点构建图结构数据，再根据sar样本图像与对应的图结构数据组成对目标识别模型进行训练的样本对，其中，目标识别模型包括根据图结构数据提取结构化电磁散射特征的第一特征提取网络，根据sar样本图像提取深度特征的第二特征提取网络，以及根据结构化电磁散射特征与深度特征进行目标识别的特征融合网络，使得训练好的目标识别模型对sar图像中的目标进行识别时有效利用的目标的电磁散射特性，提升了目标识别的识别率。