[发明专利]基于卷积循环网络的SAR序列图像目标识别方法

摘要

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。

主权项

1.一种基于卷积循环网络的合成孔径雷达SAR序列图像目标识别方法，其特征在于，使用滑窗法对连续合成孔径雷达SAR图像进行处理，生成序列样本集，构造一个由深度卷积神经网络和循环神经网络级联而成的卷积循环神经网络，该网络将深度卷积神经网络的最后一层特征图拼接，得到特征向量，循环神经网络由2层双向长短期记忆LSTM网络级联构成，将循环神经网络的输出在时间步上平均化，输入softmax分类器中，得到合成孔径雷达SAR序列图像的目标识别结果；该方法的具体步骤包括如下：(1)生成样本集：(1a)从移动和静止目标获取与识别MSTAR数据集中，分别选取雷达在17°俯仰角下观测到的3671幅合成孔径雷达SAR图像及相应的标签，组成训练样本集；(1b)从移动和静止目标获取与识别MSTAR数据集中，分别选取雷达在15°俯仰角下观测到的3203幅合成孔径雷达SAR图像及相应的标签，组成测试样本集；(2)训练样本集：(2a)利用阈值分割方法，去除训练样本集中的每幅合成孔径雷达SAR图像的背景杂波，得到处理后的训练样本集；(2b)围绕处理后训练样本集中每幅合成孔径雷达SAR图像的中心，将每幅合成孔径雷达SAR图像裁剪为60×60个像素,得到裁剪后的训练样本集；(2c)将裁剪后的训练样本集，每15幅合成孔径雷达SAR图像分为一组，使用滑窗法，生成包含3531组序列的训练序列样本集；(3)构建卷积循环神经网络；(3a)构建一个由4层卷积层，3层池化层，1层dropout层构成的深度卷积神经网络，该深度卷积神经网络依次排布4层卷积层，每两层卷积层之间，连接一层池化层，最后一层卷积层连接至dropout层；(3b)前三层卷积层的卷积核大小为5×5个像素，步长均为1个像素，激活函数均为ReLU，三层卷积特征图的数量分别为16幅、32幅、64幅，三层池化层的核窗口大小均为2×2个像素，步长均为2个像素；(3c)第四层卷积层的卷积核的大小为4×4个像素，步长为1个像素，激活函数为ReLU，其卷积特征图的数量为128幅，特征图的大小是1×1个像素，将128幅卷积特征图首尾相连拼接成长度为128个像素的特征向量，dropout层的保留概率为0.5；(3d)将构建的深度卷积神经网络dropout层，连接至一个循环神经网络的输入端，该循环神经网络由2层双向长短期记忆LSTM网络级联而成；(3e)将循环神经网络的输出向量在时间步上求平均，将该平均值输入softmax分类器，得到一个卷积循环神经网络；(4)训练卷积循环神经网络将训练序列样本集输入到卷积循环神经网络进行训练，得到训练好的卷积循环网络；(5)测试样本集：(5a)利用阈值分割方法，去除测试样本集中的每幅合成孔径雷达SAR图像的背景杂波，得到处理后的测试样本集；(5b)围绕处理后测试样本集中每幅合成孔径雷达SAR图像的中心，将每幅合成孔径雷达SAR图像裁剪为60×60个像素,得到裁剪后的测试样本集；(5c)将裁剪后的测试样本集，每15幅合成孔径雷达SAR图像分一组，使用滑窗法,生成包含3063组序列的测试序列样本集；(6)计算测试序列样本集的识别正确率：将生成的测试序列样本集，输入训练好的卷积循环神经网络进行测试，得到网络输出的分类结果，根据测试序列样本集的真实类别和网络输出的结果，得到测试序列样本集的识别正确率。