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

本发明专利技术属于雷达图像识别技术领域，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。本发明专利技术基于小数据集难以在深度模型上训练的问题，提出了一种通用的能够在小数据集下结合深度模型应用的方法：基于Gabor滤波器对原始SAR图像数据做数据增强，用增强数据训练深度模型，并应用于SAR目标识别中。通过调整Gabor滤波器的方向和尺度参数，调整增强数据的数量，可以灵活设计不同深度的深度模型，以获得更好的识别性能。

Target depth model recognition method of SAR image based on data enhancement

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图像数据的稀少性与深度模型对数据的极大需求两者是很难达到统一，在以往传统的目标识别方法中，如：KNN、SVM、Adaboost等方法虽然对数据的需求相比深度模型来说要少，但是整体的识别效果不是很好。且有的研究基于深度模型的SAR-ATR，训练数据比较少，所以设计的网络比较浅，达不到提取更深特征的目的，识别效果会大打折扣。
技术实现思路
本专利技术是针对上述存在的问题，为了克服深度模型在SAR目标识别中由于数据缺乏而导致过拟合的缺陷，使SAR目标识别能够在深度模型中有更加出众的性能，提供了一种基于数据增强的合成孔径雷达目标深度模型识别方法。本专利技术的技术方案是：如图1所示，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图像训练样本数据进行Gabor滤波器变换，每一张原始SAR图像样本数据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。此过程对训练过程中的原始SAR图像数据进行特征提取，由于Gabor滤波器方向和尺度参数的不同，可以得到多个不同的特征图像。2维的Gabor函数g(x,y)和它的傅里叶变换G(u,v)可以写成如下的形式：其中σμ＝1/2πσx和συ＝1/2πσy，σ表示方差，μ表示期望。W表示感兴趣区域中心频率的上限。Gabor函数形成了一个完整但非正交的基集合。使用此基集合扩展信号提供了一个局部频率描述。现在考虑一类自相似函数，在下面被称为Gabor小波。设g(x,y)为母Gabor小波，则可通过生成函数g(x,y)的适当膨胀和旋转得到该自相似滤波字典：gmn(x,y)＝a-mG(x′,y′),a>1,m,n∈Zx′＝a-m(xcosθ+ycosθ)y′＝a-m(xcosθ+ycosθ)其中θ＝nπ/K和K是总的方向数。以上式子中的尺度因子a-m是为了确保能量与m无关。基于以上的理论，对于一个原始SAR图像I(x,y)，它的Gabor变换可以表示为：Wmn(x,y)＝∫I(x1,y1)gmn*(x-x1,y-y1)dx1dy1其中*表示复共轭。基于此，通过改变参数可以得到不同尺度不同方向的多个特征图像。总的原始SAR训练集图像数据为D，有M个尺度和N个方向，那么通过Gabor变换后，总的Gabor特征图像是D·M·N，通过Gabor变换，得到M·N倍的数据增强，数据增强的多少跟选取的尺度和方向的参数有关。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。总的原始SAR测试集图像数据为T，尺度和方向的参数选取同步骤1一样。所以得到总的Gabor特征图像是T·M·N，在识别阶段，单个原始SAR图像测试样本的识别率是M·N个特征数据识别率的集成。步骤3、深度模型构建。步骤3-1、特征提取模块的构建特征提取模块主要由卷积层和池化层的级联构成，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。池化层是对输入做池化处理，主要目的是对输入数据进行降维。其中，池化操作采用最大值滤波，用局部区域的最大值来替换池化滤波器区域的整体。本专利技术的特征提取模块可分为多个子块，不同子块中的卷积层的卷积核尺寸都是相同的，只是卷积核的数量不同，每个子块内部的卷积层卷积核的尺寸不同，主要目的是为了降低参数数量以及降低计算消耗，每个子块之间级联一个池化层，目的是为了对数据降维。第一个子块的输入来自训练样本，其他子块的第一层的的输入都是来自池化层降维后的输出，子块之间的最大值池化层的核尺寸和步长都是预设值，每个子块内部的卷积层的数量和核的尺寸的大小可以根据实际需求进行设定，这种子块级联的构建方式，随着模型的深度加深，能够提取更丰富的层级特征。设置特征提取模块有N个子块，Xil-1(n)(i＝1,2,...,I；l＝1,2...L)表示第n个子块的第l层卷积的第i个特征图像。Xjl(n)(j＝1,2,...,J；l＝1,2...L)表示第n个子块的第l-1层卷积的第j个特征图像。在一个子块中，卷积层Xjl-1(n)的输出构成卷积层Xil(n)的输入，那么卷积的公式可以定义为：其中kijl表示与第l-1层第i个特征图像连接的第l层第j个卷积核，bjl表示对应的偏置项。Bj是索引集，表示第l层第j个特征图像与第l-1层第i个特征图像的所有连接集合，即以一定的步长(本专利技术中步长预设为1)通过滑窗方式对输入进行卷积得到对应位置的输出。卷积层输出的特征图尺寸可以表示为：hcil＝(hcil-1-c+2ac)/sc+1，其中c表示卷积滤波器核的尺寸，ac表示做空间0填充的像素个数，sc表示卷积核在输入特征图像上做滑窗的移动步长。hcil-1表示第l-1层第i个特征图像的尺寸，hcil表示对应卷积后的输出尺寸。在深度模型中，越大的卷积核尺寸在训练过程中将产生越多的参数，不仅训练需要花费比较多的时间，而且很容易造成过拟合，但是卷积核尺寸大将产生大的感受野，要比小尺寸卷积核的效果要好，本专利技术提出的网络模型，采用空洞卷积的方法，该方法可以结合大尺寸卷积核感受野的优点且可以避免参数过多而出现过拟合，表达式可以定义为：其中F表示为二维图像，s为定义域，k为核函数，t是其定义域，d＝s+lt表示空洞卷积的定义域，其中l表示膨胀率，通过改变l的值，可以设置不同的感受野范围。本专利技术设计的模型，选取膨胀率l＝2效果最好。每一个卷积层输出接一个批量归一化(BatchNormalization)层和非线性激活函数(ReLU)层，其中BN层可以表示为：B＝BN(f)其中k＝1,2,3..本文档来自技高网...

【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、每次从训练样本中随机抽取包含A个样本的mini‑batch作为深度模型第一层的输入进行训练，特征提取模块输出对应输入的特征矩阵，分类提取模块对该特征矩阵映射得到对应输入类别概率；设定有K个类，d个带标签的训练样本，表示为(xi,yi)i＝1,2,3,...d，xi表示第i个训练样本，yi表示对应样本的真实标签，交叉熵损失函数定义为：...

【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