The invention belongs to the technical field of radar image recognition, and relates to a target depth model recognition method of synthetic aperture radar image based on data enhancement. Based on the problem that small data sets are difficult to train on depth model, a general method for combining depth model application with small data sets is proposed: data enhancement of original SAR image data based on Gabor filter, training depth model with enhanced data, and application in SAR target recognition. By adjusting the direction and scale parameters of Gabor filter and the number of enhanced data, depth models with different depths can be designed flexibly to achieve better recognition performance.
【技术实现步骤摘要】
基于数据增强的合成孔径雷达图像目标深度模型识别方法
本专利技术属于雷达图像识别
,涉及一种基于数据增强的合成孔径雷达图像目标深度模型识别方法。
技术介绍
合成孔径雷达自动目标识别(SyntheticApertureRadarAutomatictargetrecognitionSAR-ATR)已经广泛的应用于军事和国土安全等领域。SAR-ATR利用SAR图像的信息,通过特征提取和训练分类器的方式,实现目标种类、型号等属性的识别,在战场侦察、精确打击等军事领域有着非常明确的应用需求。Gabor滤波器的频率和方向表示接近人类视觉系统对于频率和方向的表示。它对目标边缘敏感,可以提供良好的方向选择特性。利用Gabor滤波器很容易提取目标的多尺度多方向信息。深度模型是一种多层的神经网络,在多个领域得到了非常多的应用,比如:目标识别、目标检测、语义分割等。对于目标识别,深度模型主要分为两个部分,第一个阶段充当一个特征提取器,相比传统的分类器需要手动设计特征提取器,在这一步中深度模型通过卷积层能够自动提取丰富的层级特征,从而减少了手动设计特征的代价。第二阶段充当一个分类器。SAR-ATR的性能往往和所能够获取的训练样本的完备程度相关。训练一个好的分类器往往需要多的训练数据,但是SAR图像数据的稀少性质会对所训练的分类器的效果造成影响,使识别正确率降低。所以在SAR-ATR领域,训练数据的稀少性是一个比较严重的问题。对于深度模型,训练一个好的网络需要大量的训练数据。如果仅仅用现有的SAR图像数据进行训练,稀少的数据训练将造成网络严重过拟合,使识别效果非常差。SAR图像 ...
【技术保护点】
1.基于数据增强的合成孔径雷达图像目标深度模型识别方法,其特征在于,包括以下步骤:步骤1、对现有的SAR图像训练样本进行Gabor滤波器变换,每一张原始SAR图像样本进行不同方向不同角度的Gabor变换,得到多方向多尺度的特征图像;步骤2、对原始SAR图像测试数据,做同样的Gabor变换,保证测试数据与训练数据的处理方式一样;步骤3、构建深度模型:步骤31、构建特征提取模块:由卷积层和池化层的级联构成特征提取模块,其中卷积层用于对输入进行卷积滤波得到多个特征图像输出;池化层用于对输入做池化处理,实现对输入数据进行降维;步骤32、构建分类模块:由全局平均池化层、全连接层和softmax分类层组成分类模块;所述全局平均池作用在特征提取模块输出特征图像上,对每一个特征图像用全局平均值替代整体,得到一个维度同特征图像个数相同的特征向量;通过全局平均池化层后需要接一层小的全连接层,用于将多维的特征向量映射到对应的类别,最后通过softmax非线性函数映射得到分类结果。步骤4、深度模型训练:步骤41、学习率α、迭代次数e、输入模型的块数据大小、训练集和验证集占比初始设为预设值;步骤42、每次从训练 ...
【技术特征摘要】
1.基于数据增强的合成孔径雷达图像目标深度模型识别方法,其特征在于,包括以下步骤:步骤1、对现有的SAR图像训练样本进行Gabor滤波器变换,每一张原始SAR图像样本进行不同方向不同角度的Gabor变换,得到多方向多尺度的特征图像;步骤2、对原始SAR图像测试数据,做同样的Gabor变换,保证测试数据与训练数据的处理方式一样;步骤3、构建深度模型:步骤31、构建特征提取模块:由卷积层和池化层的级联构成特征提取模块,其中卷积层用于对输入进行卷积滤波得到多个特征图像输出;池化层用于对输入做池化处理,实现对输入数据进行降维;步骤32、构建分类模块:由全局平均池化层、全连接层和softmax分类层组成分类模块;所述全局平均池作用在特征提取模块输出特征图像上,对每一个特征图像用全局平均值替代整体,得到一个维度同特征图像个数相同的特征向量;通过全局平均池化层后需要接一层小的全连接层,用于将多维的特征向量映射到对应的类别,最后通过softmax非线性函数映射得到分类结果。步骤4、深度模型训练:步骤41、学习率α、迭代次数e、输入模型的块数据大小、训练集和验证集占比初始设为预设值;步骤42、每次从训练样本中随...
【专利技术属性】
技术研发人员:曹宗杰,蒋霆,崔宗勇,闵锐,皮亦鸣,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。