[发明专利]基于可变卷积神经网络的SAR自动目标识别方法

说明书

本发明公开一种基于可变卷积神经网络的SAR自动目标识别方法，应用于雷达目标识别领域，针对现有技术中存在的SAR图像目标的散射特性以及形态特征并没有被网络充分挖掘、利用，整体识别性能并没有太大提升的问题；本发明通过数据扩充，并基于模块中增加额外偏移量的空间采样位置的想法，使得卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标，克服了SAR目标不同方位角的影响，缓解了SAR图像样本量不足的问题，避免了特征提取不充分的情况，泛化能力强，能够有效地利用SAR目标特有的形态、散射信息，实现目标精准识别分类。

技术领域

本发明属于雷达目标识别领域，特别涉及一种目标信息以及类别自动获取的技术。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达，能在不受光照和气候条件等限制情况下实现全天时、全天候的对地观测，在航空测量、卫星海洋观测、战场感知侦察、农林环境监测、地质地貌勘探等领域有广泛的应用前景，具有极高的民用与军用价值。SAR自动目标识别(Automatic Target Recognition,ATR)是一种基于现代信号处理和模式识别等理论的图像解译技术，其大致可分为检测、鉴别和分类三级流程，旨在获取感兴趣区域可能包含的目标类别，为战场情报分析提供有力支撑。

目前，在SAR ATR的过程中，主要是通过基于模板的方法和基于模型的方法对目标进行有效识别。但传统方法存在效率较低、实时性较差、算法复杂度较高等问题，同时在人工经验影响下难以提取出最优的目标特征，使得系统的识别性能有所下降。随着近几年深度学习的不断发展，其在图像处理、数据挖掘等领域取得了很多成果。凭借其优异的自动化学习能力和特征提取能力，基于深度学习的SAR ATR成为了一个新的热门研究方向。

在深度学习与SAR目标识别领域结合方面，文献“Morgan D AE.Deepconvolutional neural networks for ATR from SAR imagery[C]//Algorithms forSynthetic Aperture Radar Imagery XXII.International Society for Optics andPhotonics,2015,9475:94750F.”将一种深度卷积神经网络应用到SAR十类目标识别问题中，并取得了很好的识别效果，但是网络所需的训练样本量过大，输入样本量较少情况下容易产生过拟合，使得网络的泛化能力较差。文献“Chen S,Wang H,Xu F,et al.Targetclassification using the deep convolutional networks for SAR images[J].IEEETransactions on Geoscience and Remote Sensing,2016,54(8):4806-4817.”用卷积层代替全连接层进行分类，减少了网络的参数量，降低了计算耗时。然而，SAR图像目标的散射特性以及形态特征并没有被网络充分挖掘、利用，整体识别性能并没有太大提升。

发明内容

为解决上述技术问题，本发明提出一种基于可变卷积神经网络的SAR自动目标识别方法，能够有效地利用SAR目标特有的形态、散射信息，实现目标精准识别分类。

本发明采用的技术方案为：一种基于可变卷积神经网络的SAR自动目标识别方法，包括：

S1、获取原始SAR图像；

S2、对步骤S1获取的SAR图像进行预处理；

S3、构建基于可变卷积的深度神经网络；

S4、采用步骤S2得到的SAR图像对步骤S3构建的基于可变卷积的深度神经网络进行训练，从而得到SAR目标识别网络模型。

所述步骤S2具体包括以下分步骤：

S21、根据SAR目标方位角，将原始SAR图像旋转至同一方向；