[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

说明书

本发明公开了一种基于多层级特征深度融合的SAR图像舰船目标鉴别方法，包括以下步骤：（1）、采用Haar‑like特征模板对SAR图像样本进行处理并降维得到低层级Haar‑like特征；（2）、采用卷积神经网络对SAR图像样本进行处理得到高层级深度特征；（3）、利用多层级深度学习网络将低层级Haar‑like特征与高层级深度特征进行融合得到多层级特征权重系数，然后通过学习训练得到最优的SVM分类器；（4）、利用多层级特征权重系数和SVM分类器对输入的待鉴别的SAR图像样本切片进行鉴别。本发明可有效提升SAR图像舰船目标的检测性能，具有较高的工程应用价值。

技术领域

本发明涉及SAR图像目标识别技术领域，具体是一种基于多层级特征深度融合的SAR图像舰船目标鉴别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的成像雷达，具有全天时和全天候观测的能力。利用SAR图像进行舰船目标鉴别与监视的研究和技术开发在海洋遥感领域得到高度重视，是现阶段SAR图像海洋应用的研究热点。

目前为止，大量的基于边缘纹理等特征提取算法被提出，并应用目标鉴别领域，包括局部二值模式编码特征(Local Binary Patterns，LBP)、方向梯度直方图特征(Histogram of Oriented Gradients，HOG)、竞争局部二值模式编码特征(CompletedLocal Binary Patterns，CLBP)、多尺度竞争局部二值模式编码特征(Multi-ScaleCompleted Local Binary Patterns，MS-CLBP)、灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)、显著性特征(Saliency)、林肯实验室自动目标识别特征(Lincoln ATR)、以及类哈尔特征(Haar-like)等，然而这些算法多是基于图像像素之间的关系提取目标的边缘、纹理等低层特征，对于低分辨率SAR图像微小舰船目标的鉴别准确率有待提升。

相比于上述传统基于边缘纹理特征的舰船目标鉴别方法，传统深度学习网络(如CNN、Faster-CNN、VGG-Net、Res-Net等)有自动学习舰船目标高级特征的能力，目前被广泛应用到目标鉴别领域。但是传统深度学习网络在进行目标特征提取与鉴别时会导致舰船目标边缘纹理等低层特征的丢失，在低分辨率、小样本下的SAR图像舰船目标鉴别精度不高，这限制了其直接应用于SAR图像舰船鉴别中。尤其是在多目标等复杂环境下，样本及边缘特征的缺失，使得传统深度学习网络的目标鉴别率下降。

发明内容

本发明的目的是提供一种基于多层级特征深度融合的SAR图像舰船目标鉴别方法，通过将传统深度卷积神经网络(CNN)提取的高层深度特征和传统Haar-like模板提取的低层边缘纹理特征进行最优化融合，实现舰船目标的多层级特征表达，可有效提升低分辨率、小样本条件下的SAR图像舰船目标鉴别率。以解决传统鉴别算法在低分辨率、小样本条件下的鉴别率降低的问题。

为了达到上述目的，本发明所采用的技术方案为：

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：