[发明专利]基于多视角可变卷积神经网络的雷达自动目标识别方法

说明书

本发明公开了一种基于多视角可变卷积神经网络的雷达自动目标识别方法，包括以下步骤：A.获取原始雷达图像；B.预处理原始雷达图像；C.多视角数据生成；D.构建基于多视角可变卷积的深度神经网络；E.训练深度神经网络：初始化网络权重以及偏置，将步骤C处理得到的多视角雷达图像组合输入步骤D构建的多视角可变卷积神经网络进行前向传播，计算代价函数；使用基于梯度下降的后向传播算法对多视角可变卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛。本发明缓解了雷达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，能够充分有效地利用雷达目标特有的形态、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技术领域，特别涉及一种基于多视角可变卷积神经网络的雷达自动目标识别方法。

背景技术

雷达传感器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。雷达自动目标识别(Automatic TargetRecognition，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，在雷达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，基于深度学习的雷达ATR成为了一个新的热门研究方向。

在深度学习与雷达目标识别领域结合方面，文献“Morgan D A E.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雷达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，雷达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

本发明的目的在于克服现有技术的不足，提供一种克服了能够充分有效地利用雷达目标特有的形态、散射信息，实现目标精准识别分类的基于多视角可变卷积神经网络的雷达自动目标识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于多视角可变卷积神经网络的雷达自动目标识别方法，包括以下步骤：

A.获取原始雷达图像：采集分辨率相同的目标图像及图像对应的雷达目标方位角；

B.预处理原始雷达图像：根据步骤A中获取的雷达目标方位角，将原始雷达图像旋转至同一方向；

C.多视角数据生成：根据视角大小对预处理后的雷达图像进行排序，根据视角数目及观察角大小，生成多视角组合样本；