基于cnn的sar目标识别方法
【技术领域】
[0001] 本发明属于雷达技术领域,特别涉及雷达目标的识别方法,用以解决现有目标识 别方法对SAR图像中待识别目标的平移敏感性问题。
【背景技术】
[0002] 合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点,广泛应用 于军事侦察和遥感领域。雷达成像技术在对地面目标特别是地面静止目标探测方面具有独 特的优势,随着SAR技术不断成熟,成像分辨率不断提高,使得通过SAR图像的目标识别技 术受到越来越广泛的关注。
[0003] 卷积神经网络CNN是人工神经网络的一种,已成为当前语音分析和图像识别领域 的研宄热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂 度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直 接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是 为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者 共他形式的变形具有高度不变性。
[0004] 当前的SAR图像目标识别方法通常基于MSTAR数据库进行的,在MSTAR数据样本 中,待识别目标区域都位于图像正中心位置。但是,实际SAR成像得到的样本其待识别目 标区域会处于SAR图像的任意位置,而现有的目标识别方法受目标区域所处位置的影响较 大,造成识别率降低。
【发明内容】
[0005] 本发明目的在于针对现有技术的不足,提供了一种基于CNN的SAR目标识别方法, 以避免受目标区域所在位置的影响,提高目标识别率。
[0006] 实现本发明目的的技术思路是:首先对MSTAR数据库进行预处理,将MSTAR训练样 本中的待识别目标区域进行多次的随机平移,以逼近目标区域在样本中任意位置的可能, 产生的新样本扩充入原始样本中一同作为训练样本输入到基于caffe架构的CNN中进行训 练,之后对测试样本也同样进行平移扩充再输入到训练好的CNN中检验其识别率,其具体 步骤包括如下:
[0007] (I) SAR图像样本获取步骤:
[0008] 从MSTAR数据集中获取698幅SAR图像和相应的类别标签作为训练样本,获取 1365幅SAR图像和相应的类别标签作为测试样本,每幅SAR图像的待识别目标区域均在图 像正中心位置;
[0009] (2)样本训练步骤:
[0010] (2A)对训练样本中每个SAR图像的待识别目标区域进行多次的随机平移,每次平 移产生一个新的训练样本图像;在新的训练样本图像上标记与原始训练样本图像相同的类 别标签,得到扩充后的训练样本;
[0011] (2B)构建基于caffe架构的卷积神经网络CNN的网络结构,该CNN网络结构由两 层卷积层和两层全连接层构成;
[0012] (2C)将扩充后的训练样本输入到CNN网络模型中进行训练,得到训练好的CNN网 络模型;
[0013] (3)样本测试步骤:
[0014] (3A)对测试样本中每个SAR图像的待识别目标区域进行多次随机平移,每次平移 后产生一个新的测试样本图像;在新的测试样本图像上标记与原始测试样本图像相同的类 别标签,得到扩充后的测试样本;
[0015] (3B)将扩充后的测试样本输入到训练好的CNN网络模型中得到特征向量,再将特 征向量输入到一个softmax分类器进行分类,根据测试样本的类别标签与分类器的输出结 果得出网络识别率。
[0016] 本发明与现有技术相比具有以下优点:
[0017] 1.识别率高
[0018] 本发明首先对训练样本中待识别目标进行大量的平移扩充,样本量充足,而且其 训练样本充分涵盖了待识别目标处于样本图像任意位置的可能;再通过CNN两层卷积层的 特征提取过程,使得对该训练样本的特征提取全面,提高了识别率。
[0019] 2.网络结构突出
[0020] 本发明采用两层卷积层和两层全连接层的CNN网络结构,该CNN网络结构对MSTAR 数据集具有很好的拟合性;该网络是利用滑动的卷积核窗口与输入样本卷积的操作来进行 特征提取的,因此对SAR图像形变以及平移等几何变换具有高度不变性,进一步提高了识 别率。
【附图说明】
[0021] 图1是本发明的实现流程图;
【具体实施方式】
[0022] 参照图1,本发明的识别方法包括训练和测试两个阶段,具体步骤如下:
[0023] 一 ·训练阶段
[0024] 步骤1,获取SAR图像训练样本和测试样本。
[0025] 实验所用数据为公开的MSTAR数据集,本实验使用的MSTAR数据集包括俯仰角 在15°和17°下三大类目标:BMP2,BTR70和T72。实验中选取17°俯仰角下图像数据作 为训练样本,原始训练样本为698幅目标图像和相应的类别标签,选取15°俯仰角下图像 数据作为测试样本,原始测试样本为1365幅目标图像和相应的类别标签,所有样本大小为 128*128像素,所有原始样本图像的待识别目标区域均在图像正中心位置。
[0026] 步骤2,将训练样本中的SAR图像目标区域进行随机平移。
[0027] (2a)对训练样本中每一个SAR图像的背景采用围绕边界进行镜像反射填充,即在 matlab语言中用以下命令实现:
[0028] New_image = padarray(image, padsize, ^symmetric?);
[0029] 其中New_image表示填充后的SAR图像,image表示原始图像,padsize表示填充 的行数与列数;
[0030] (2b)将填充后的SAR图像中任一像素点坐标(x,y)经X轴平移tx个单位,经 y轴平移ty个单位得到(x',y'),其中X' =x+tx,y' =7+&,仁和%分别随机取区间 [_width/2,width/2]和[_height/2,height/2]中的任一整数,height 为待识别目标区域 的长,width为待识别目标区域的宽;
[0031] (2c)以(width/2,height/2)为起点坐标,从填充、平移后的SAR图像中截取与原 始SAR图像训练样本同样大小的区域,得到一个新的训练样本图像。
[0032] 步骤3,扩充训练样本。
[0033] 在随机平移得到的新训练样本图像上标记与原始训练样本