[发明专利]基于卷积循环网络的SAR序列图像目标识别方法

说明书

本发明公开了一种基于卷积循环神经网络的序列SAR目标识别方法，其步骤为：(1)生成样本集；(2)训练样本集；(3)构建卷积循环神经网络；(4)训练卷积循环神经网络；(5)测试样本集；(6)计算测试序列样本集的识别正确率。本发明利用卷积循环神经网络，提取了SAR图像序列的变化特征，能够有效解决现有SAR目标识别技术中仅利用单张图像特征、识别准确率低等问题，提高了SAR目标识别的正确率。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于卷积循环网络的合成孔径雷达SAR(Synthetic Aperture Radar)目标识别方法。本发明针对合成孔径雷达SAR序列图像，提出一种卷积循环网络结构，该结构采用深度卷积网络提取单张图像的特征，并用长期循环网络提取序列图像的变化特征，从而实现基于合成孔径雷达SAR序列图像的自动目标识别，并有效的提高了合成孔径雷达SAR序列图像目标识别精度。

背景技术

合成孔径雷达SAR具有全天候、全天时、高分辨等特性，被广泛应用于军事侦察、战场感知和地理信息采集等领域。自动目标识别ATR(Automatic Target Recognition)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，基于合成孔径雷达SAR图像的自动目标识别ATR技术不断发展，在雷达目标识别研究中受到广泛关注。

目前关于合成孔径雷达SAR图像目标识别方面的论文专利非常多，从采取的技术路线来看，可以分为三种：模板匹配，基于模型的方法，基于机器学习的方法。模板匹配的方法依赖于人工设计的特征提取器，将目标中提取的特征和事先存储的模板进行比对，得出最佳匹配的分类结果。模板匹配简单易行，但对变化目标的适应性较弱。基于模型的方法利用目标先验构建目标的物理或电磁仿真模型，并与输入的图像进行比较，增强了对目标变体分类的灵活性和适应性。机器学习的方法从训练数据中提取人工设计的特征，并得到预测的结果，将预测输出和正确类别对比得到误差函数，误差函数指导特征提取和分类器的学习，从而在测试数据上得到稳健的分类结果。这些方法尽管在合成孔径雷达SAR图像分类中取得了较好的识别结果，但其需要人工设计的特征提取器，因此限制了其在不同环境下的广泛应用。

北京航空航天大学在其申请的专利文献“一种基于深度神经网络的多视SAR图像目标识别方法”(公开号：CN105512680A，申请号：201510873282.0)中公开了一种基于卷积自编码器CAE(Convolutional Automatic Encoder)和循环神经网络RNN(RecurrentNeural Network)的序列合成孔径雷达SAR自动目标识别ATR方法。该方法的具体步骤为：首先将合成孔径雷达SAR图像通过卷积自编码器CAE进行无监督训练提取原始图像的特征，然后利用上述特征构建多视合成孔径雷达SAR图像序列，用特征序列对循环神经网络RNN进行有监督训练，再用训练好的网络对测试集特征序列进行识别。该方法解决了现有合成孔径雷达SAR目标识别方法未利用序列图像特征的问题，但是，该方法仍然存在的不足之处是，由于该方法在预训练中需要进行卷积自编码，导致无法从输入图像中直接得出分类结果，目标识别的实时性差，且循环神经网络在训练中存在梯度消失的现象，无法充分利用图像的序列信息，因此识别正确率低。