[发明专利]基于多层级特征深度融合的SAR图像舰船目标鉴别方法

权利要求书

1.基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：采用卷积神经网络提取表征舰船目标的高层级深度特征，同时基于扩展的Haar-like特征模板提取舰船目标的边缘纹理低层级特征；构建多层级深度学习网络，利用多层级深度学习网络将提取的舰船目标高层级深度特征和Haar-like特征模板提取低层级边缘纹理特征进行最优化融合，实现SAR图像舰船目标特征的全面、有效表达；对SVM分类器进行学习训练得到最优分类器，最终对待鉴别舰船目标进行鉴别，得到最终的鉴别结果；具体包括以下步骤：

(1)、低层级边缘纹理特征提取：精细构造舰船目标-海杂波有监督SAR图像样本，采用扩展的Haar-like特征模板对有监督SAR图像样本进行特征提取，生成表征舰船目标的N维Haar-like目标边缘纹理特征，即N维低层级Haar-like特征；然后采用Adaboost分类器对提取出的N维低层级Haar-like特征进行降维，将N维低层级Haar-like特征的维数降低至m；

(2)、高层级深度特征提取：采用AlexNet架构实现的卷积神经网络，对有监督SAR图像样本进行特征提取，生成表征舰船目标的n维高层级深度特征；

(3)、舰船目标多层级特征学习与最优化融合：利用多层级深度学习网络，将步骤(1)降维后的m维低层级Haar-like特征与步骤(2)提取的n维高层级深度特征，在多层级深度学习网络中的全连接层进行最优化特征融合，得到最优化融合的目标多层级特征和多层级特征权重系数，该多层级特征权重系数下获得的舰船目标鉴别精度最高，然后通过学习训练得到最优的SVM分类器；

(4)、基于多层级特征深度融合的目标鉴别：采用步骤(3)学习训练得到的目标多层级特征和多层级特征权重系数，对输入的待鉴别的SAR图像样本切片进行多层级特征提取及最优化特征融合，然后输入到步骤(3)学习训练得到的最优的SVM分类器，得到最终的舰船目标鉴别结果。

2.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：步骤(1)中，首先利用扩展的Haar-like特征模板，对有监督SAR图像样本进行特征提取，生成有效表征舰船目标边缘纹理所对应的N维低层级Haar-like特征；在Adaboost分类器中通过Adaboost训练算法设置m个弱分类器，将N维低层级Haar-like特征降维至m维，其中弱分类器g_n(·)定义为：

g_n(x_j)＝f_k＞θ_k (1)

公式(1)中：x_j表示第j个图像的N维特征向量，x_j＝[f₁，f₂，…，f_N]，θ_k对应于单一特征的阈值，f_k为特征向量x_j中的第k个特征；

通过改变弱分类器的权重，训练出分类错误率最低的强分类器，训练过程如下：

公式(2)-(4)中：i代表第i次训练过程；L表示一共有L个样本；y_j表示第j个输入图像的标签，对于舰船目标y_j＝1，对于杂波目标y_j＝0；g_i表示i次训练中选取的分类错误率最低的弱分类器；r_i表示第i次训练中的错误率；α_i代表第i个弱分类器在组成强分类器中的权重；其中g_n(x_j)表示任意一个弱分类器，而g_i(x_j)表示第i次训练中分类错误率最低的弱分类器；D_i(j)为第j个样本在第i次训练中的权重，初始化为：

D_i(j)的更新训练通过如下公式：

训练完成后将N维特征向量[f₁，f₂，…，f_N]，锐减到m维的特征向量[h₁，h₂，…，h_m]，其中：

公式(7)中α_i代表第i个弱分类器在组成强分类器中的权重；g_i(x_j)表示第i次训练中分类错误率最低的弱分类器；

最终提取得到的m维的特征向量[h₁，h₂，…，h_m]，作为低层级Haar-like特征。