[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

摘要

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。

主权项

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。